نوع مقاله : مقاله پژوهشی

نویسندگان

• هادی دولت آبادی ¹
• اسماعیل فرنود ²

¹ استادیار مطالعات فرانسه/دانشکده مطالعات جهان، دانشگاه تهران

² استادیار، گروه زبان فرانسه، دانشگاه علامه طباطبایی

چکیده

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.

کلیدواژه‌ها

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

عنوان مقاله [English]

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

چکیده [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.

کلیدواژه‌ها [English]

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