Type de document : Original Article

Auteurs

• Hadi Dolatabadi ¹
• Esmaeel Farnoud ²

¹ Professeur assistant/Faculté des études mondiales, Université; de Téhéran, Iran

² Département de langue franç;aise, Université; Allameh Tabatabaei

Résumé

La traduction automatique (TA) occupe une place cruciale dans le paysage des technologies linguistiques modernes dans un contexte de mondialisation accrue. En s’appuyant sur des algorithmes sophistiqués et des réseaux neuronaux profonds, les systèmes de TA tels que Google Traduction et DeepL permettent une traduction rapide et accessible. Cependant, ces systèmes se heurtent à des limites importantes lorsqu’ils traitent des structures avec une complexité grammaticale et culturelle, particulièrement en ce qui concerne les dimensions liées au genre. Nous essayons d’explorer les enjeux de la traduction automatique dans les langues genrées à travers une étude comparative des performances de Google Traduction et de DeepL pour la traduction de l’anglais vers le français en nous basant sur la question des noms de métier, représentatifs des stéréotypes genrés. En se fondant sur une analyse rigoureuse des résultats obtenus à partir de notre corpus conçu intentionnellement pour interroger les capacités de ces plateformes à prendre en compte des indicateurs de genre, cette recherche met en lumière les limites des systèmes actuels, notamment leur incapacité à répondre aux exigences contextuelles et culturelles des langues genrées.

Mots clés

• Traduction automatique
• langues genrées
• stéréotypes
• noms de métier
• machine learning

Titre d’article [Persian]

ترجمه اتوماتیک در بوته زبان های جنسیت دار مطالعه موردی : ترجمه از زبان انگلیسی به زبان فرانسه بر روی پلت فرم های Google Translate و DeepL

Auteurs [Persian]

• هادی دولت آبادی ¹
• اسماعیل فرنود ²

¹ استادیار مطالعات فرانسه/دانشکده مطالعات جهان، دانشگاه تهران

² استادیار، گروه زبان فرانسه، دانشگاه علامه طباطبایی

Résumé [Persian]

ترجمه خودکار (TA) جایگاه مهمی در چشم‌انداز فناوری‌های زبانی مدرن در زمینه جهانی‌سازی فزاینده دارد. با تکیه بر الگوریتم‌های پیشرفته و شبکه‌های عصبی عمیق، سیستم‌های ترجمه خودکار مانند Google Translate و DeepL امکان ترجمه سریع و دسترس‌پذیر را فراهم می‌کنند. با این حال، این سیستم‌ها هنگام پردازش ساختارهای زبانی با پیچیدگی‌های دستوری و فرهنگی، به‌ویژه در ابعاد مرتبط با جنسیت، با محدودیت‌های قابل‌توجهی روبرو می‌شوند. در این مقاله تلاش شده است چالش‌های ترجمه خودکار در زبان‌های دارای جنسیت دستوری بررسی شود و در این راستا عملکرد پلتفرم های Google Translate و DeepL را در ترجمه از انگلیسی به فرانسوی، با تأکید بر اسامی مشاغل که نمایانگر کلیشه‌های جنسیتی هستند، به‌صورت مقایسه‌ای مطالعه شده اند. این پژوهش با استناد به تجزیه و تحلیل دقیق نتایج به‌دست‌آمده از مجموعه متنی که به‌طور هدفمند برای ارزیابی توانایی این پلتفرم‌ها در درک شاخص‌های جنسیتی طراحی شده است، محدودیت‌های سیستم‌های فعلی را برجسته می‌کند، و بدین ترتیب ناتوانی این پلتفرم ها در پاسخ‌گویی به نیازهای بافتی و فرهنگی زبان‌های دارای جنسیت دستوری را نشان می دهد.

Mots clés [Persian]

• ترجمه خودکار
• زبان های جنسیت دار
• کلیشه ها
• اسامی شغل
• یادگیری ماشینی

Titre d’article [English]

Machine translations tested against gendered languages ​​Case study: English to French translation on Google Translate and DeepL platforms

Résumé [English]

Machine translation (MT) occupies a crucial place in the landscape of modern language technologies in a context of increased globalization. By relying on sophisticated algorithms and deep neural networks, MT systems such as Google Translate and DeepL enable fast and accessible translation. However, these systems face significant limitations when dealing with structures with grammatical and cultural complexity, particularly with regard to gender-related dimensions. We attempt to explore the challenges of machine translation in gendered languages ​​through a comparative study of the performance of Google Translate and DeepL for the translation from English to French, based on the issue of job titles, representative of gender stereotypes. Based on a rigorous analysis of the results obtained from our corpus intentionally designed to question the capacities of these platforms to take into account gender indicators, this research highlights the limits of current systems, in particular their inability to respond to the contextual and cultural requirements of gendered languages.

Mots clés [English]

• Machine Translation
• gendered languages
• stereotypes
• job titles
• Machine Learning
• Google Translate
• DeepL