Traducció automàtica neuronal i traducció automàtica estadística

El campo de la traducción automática ha cambiado por completo con los avances que han experimentado los motores de traducción automática neuronal (TAN), especialmente en comparación con los resultados que se estaban obteniendo con los de traducción automática estadística (TAE). Así, se hace necesari...

Descripción completa

Detalles Bibliográficos
Autor: López-Pereira, Ariana|||0000-0003-4728-2108
Tipo de recurso: artículo
Fecha de publicación:2019
País:España
Institución:Universitat Autònoma de Barcelona
Repositorio:Dipòsit Digital de Documents de la UAB
Idioma:español
OAI Identifier:oai:ddd.uab.cat:216443
Acceso en línea:https://ddd.uab.cat/record/216443
https://dx.doi.org/urn:doi:10.5565/rev/tradumatica.235
Access Level:acceso abierto
Palabra clave:Traducción automática neuronal
Traducción automática estadística
Distancia de edición
Productividad
Percepción
Posedición
Traducció automàtica neuronal
Traducció automàtica estadística
Distància d'edició
Productivitat
Percepció
Postedició
Neural machine translation
Statistical machine translation
Productivity
Edit distance
Post-editing time
Perception
Post-editing
id ES_c0477e6acb06c8fbd5de2b7c1231b60c
oai_identifier_str oai:ddd.uab.cat:216443
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Traducció automàtica neuronal i traducció automàtica estadística
percepció i productivitat
Neural Machine Translation and Statistical Machine Translation
Traducción automática neuronal y traducción automática estadística
title Traducció automàtica neuronal i traducció automàtica estadística
spellingShingle Traducció automàtica neuronal i traducció automàtica estadística
López-Pereira, Ariana|||0000-0003-4728-2108
Traducción automática neuronal
Traducción automática estadística
Distancia de edición
Productividad
Percepción
Posedición
Traducció automàtica neuronal
Traducció automàtica estadística
Distància d'edició
Productivitat
Percepció
Postedició
Neural machine translation
Statistical machine translation
Productivity
Edit distance
Post-editing time
Perception
Post-editing
title_short Traducció automàtica neuronal i traducció automàtica estadística
title_full Traducció automàtica neuronal i traducció automàtica estadística
title_fullStr Traducció automàtica neuronal i traducció automàtica estadística
title_full_unstemmed Traducció automàtica neuronal i traducció automàtica estadística
title_sort Traducció automàtica neuronal i traducció automàtica estadística
dc.creator.none.fl_str_mv López-Pereira, Ariana|||0000-0003-4728-2108
author López-Pereira, Ariana|||0000-0003-4728-2108
author_facet López-Pereira, Ariana|||0000-0003-4728-2108
author_role author
dc.subject.none.fl_str_mv Traducción automática neuronal
Traducción automática estadística
Distancia de edición
Productividad
Percepción
Posedición
Traducció automàtica neuronal
Traducció automàtica estadística
Distància d'edició
Productivitat
Percepció
Postedició
Neural machine translation
Statistical machine translation
Productivity
Edit distance
Post-editing time
Perception
Post-editing
topic Traducción automática neuronal
Traducción automática estadística
Distancia de edición
Productividad
Percepción
Posedición
Traducció automàtica neuronal
Traducció automàtica estadística
Distància d'edició
Productivitat
Percepció
Postedició
Neural machine translation
Statistical machine translation
Productivity
Edit distance
Post-editing time
Perception
Post-editing
description El campo de la traducción automática ha cambiado por completo con los avances que han experimentado los motores de traducción automática neuronal (TAN), especialmente en comparación con los resultados que se estaban obteniendo con los de traducción automática estadística (TAE). Así, se hace necesario revisar su uso y percepción por parte de los usuarios finales: los traductores. El objetivo principal de este trabajo es determinar la percepción y la productividad, en términos de tiempo y número de modificaciones, de un grupo de traductores al utilizar sistemas de TAE y de TAN. Para ello, mediante la plataforma Dynamic Quality Framework (DQF) de TAUS, diez traductores profesionales evaluaron en primer lugar los segmentos de traducción automática en bruto de dos textos -un manual de instrucciones y un texto de marketing-, propuestos por el motor de Microsoft Translation (TAE) y de Google Neural Machine Translation (TAN). Posteriormente, seis de los diez traductores poseditaron dos pruebas de productividad para determinar el tiempo y la distancia de edición. Los resultados mostraron que, en opinión de los traductores, sería más productivo el motor neuronal, ya que, según su percepción, la posedición de sus propuestas conllevaría menos tiempo y menos correcciones. Sin embargo, al cotejar estos resultados con los obtenidos en las pruebas de productividad, se observó que, aunque la distancia de edición era menor con el motor de TAN que con el de TAE, el tiempo de posedición era mucho mayor para el motor neuronal.
publishDate 2019
dc.date.none.fl_str_mv 2
2019-01-01
2019
2019-01-01
dc.type.none.fl_str_mv Article
http://purl.org/coar/resource_type/c_6501
VoR
http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.openaire.fl_str_mv info:eu-repo/semantics/article
format article
dc.identifier.none.fl_str_mv https://ddd.uab.cat/record/216443
https://dx.doi.org/urn:doi:10.5565/rev/tradumatica.235
url https://ddd.uab.cat/record/216443
https://dx.doi.org/urn:doi:10.5565/rev/tradumatica.235
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
https://creativecommons.org/licenses/by/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
https://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Dipòsit Digital de Documents de la UAB
instname:Universitat Autònoma de Barcelona
instname_str Universitat Autònoma de Barcelona
reponame_str Dipòsit Digital de Documents de la UAB
collection Dipòsit Digital de Documents de la UAB
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869418463585370112
spelling Traducció automàtica neuronal i traducció automàtica estadísticapercepció i productivitatNeural Machine Translation and Statistical Machine TranslationTraducción automática neuronal y traducción automática estadísticaLópez-Pereira, Ariana|||0000-0003-4728-2108Traducción automática neuronalTraducción automática estadísticaDistancia de ediciónProductividadPercepciónPosediciónTraducció automàtica neuronalTraducció automàtica estadísticaDistància d'edicióProductivitatPercepcióPostedicióNeural machine translationStatistical machine translationProductivityEdit distancePost-editing timePerceptionPost-editingEl campo de la traducción automática ha cambiado por completo con los avances que han experimentado los motores de traducción automática neuronal (TAN), especialmente en comparación con los resultados que se estaban obteniendo con los de traducción automática estadística (TAE). Así, se hace necesario revisar su uso y percepción por parte de los usuarios finales: los traductores. El objetivo principal de este trabajo es determinar la percepción y la productividad, en términos de tiempo y número de modificaciones, de un grupo de traductores al utilizar sistemas de TAE y de TAN. Para ello, mediante la plataforma Dynamic Quality Framework (DQF) de TAUS, diez traductores profesionales evaluaron en primer lugar los segmentos de traducción automática en bruto de dos textos -un manual de instrucciones y un texto de marketing-, propuestos por el motor de Microsoft Translation (TAE) y de Google Neural Machine Translation (TAN). Posteriormente, seis de los diez traductores poseditaron dos pruebas de productividad para determinar el tiempo y la distancia de edición. Los resultados mostraron que, en opinión de los traductores, sería más productivo el motor neuronal, ya que, según su percepción, la posedición de sus propuestas conllevaría menos tiempo y menos correcciones. Sin embargo, al cotejar estos resultados con los obtenidos en las pruebas de productividad, se observó que, aunque la distancia de edición era menor con el motor de TAN que con el de TAE, el tiempo de posedición era mucho mayor para el motor neuronal.El camp de la traducció automàtica ha canviat per complet amb els progressos que han experimentat els motors de traducció automàtica neuronal (TAN), sobretot si es compara amb els resultats obtinguts amb els de traducció automàtica estadística (TAE). Així, és necessari revisar-ne l'ús i la percepció per part dels usuaris finals, els traductors. L'objectiu principal d'aquest treball és determinar la percepció i la productivitat, en termes de temps i nombre d'edicions, d'un grup de traductors a l'hora d'utilitzar sistemes de TAE i de TAN. Amb aquest objectiu, mitjançant la plataforma Dynamic Quality Framework (DQF) de TAUS, deu traductors professionals han avaluat, primerament, els segments de traducció automàtica en brut de dos textos, un manual d'instruccions i un text de màrqueting, proposats pel motor de Microsoft Translation (TAE) i de Google Neural Machine Translation (TAN). Posteriorment, sis dels deu traductors han posteditat dues proves de productivitat, a fi d'establir-ne el temps i la distància d'edició. Els resultats mostren que els traductors consideren el motor neuronal més productiu, atès que, segons la seva percepció, triguen menys temps a posteditar, la qual cosa comporta menys edicions. No obstant això, en comparar aquests resultats amb els obtinguts a les proves de productivitat, encara que la distància d'edició és menor amb el motor de TAE que amb el de TAN, el temps de postedició és molt més alt en el cas del motor neuronal.The machine translation field has changed completely due to the many advances seen in neural machine translation (NMT) engines, especially in comparison with the results that were obtained with statistical machine translation (SMT) engines. So, it is necessary to review not only how MT is used but also how it is perceived by the end users, the translators. The main objective of this study is to determine the perception and productivity of a group of translators using SMT and NMT systems in terms of time and edit distance. Via the TAUS Dynamic Quality platform, ten professional translators first evaluated raw machine translation segments from two different texts - a user guide and a marketing text - proposed by the Microsoft Translation Engine (SMT) and Google Neural Machine Translation (NMT). Six of the ten translators subsequently post-edited two productivity tests to determine time and edit distance. The results show that translators perceive the NMT system as more productive because, according to their perception, it would take less time to post-edit and would mean fewer editions. However, when comparing these results with those obtained in productivity tests, although the edit distance was shorter when using the SMT engine than with the NTM, the post-editing time is much longer for the neural engine. 22019-01-0120192019-01-01Articlehttp://purl.org/coar/resource_type/c_6501VoRhttp://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/articleapplication/pdfhttps://ddd.uab.cat/record/216443https://dx.doi.org/urn:doi:10.5565/rev/tradumatica.235reponame:Dipòsit Digital de Documents de la UABinstname:Universitat Autònoma de BarcelonaEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.https://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessoai:ddd.uab.cat:2164432026-06-06T12:50:31Z
score 15,300719

Similares en LA Referencia