| Date: |
2018 |
| Description: |
83 p. |
| Abstract: |
El objetivo de este trabajo es determinar la percepción, la productividad y el esfuerzo posterior a la edición (en términos de tiempo y número de ediciones) de seis traductores al utilizar sistemas de traducción automática estadística (TAE) y neuronal (TAN). Nos centramos en cómo los traductores perciben TAE y TAN para conocer cuál prefieren. Para ello utilizamos datos reales sobre los tiempos y las distancias de posedición. Se realizaron varias pruebas con Dynamic Quality Framework (DQF) utilizando la TA de Google Neural Machine y Microsoft Translator (TAE). Los resultados mostraron que los traductores prefieren considerablemente el motor de TAN sobre el de TAE. |
| Abstract: |
L'objectiu d'aquest treball és determinar la percepció, la productivitat i l'esforç posterior a l'edició (en termes de temps i de nombre d'edicions) de sis traductors en utilizar sistemes de traducció automàtica estadística (TAE) i neuronal (TAN). Ens centrem en com els traductors perceben TAE i TAN per conèixer quin sistema prefereixen. Per fer-ho, utilitzem dades reals sobre els temps i les distàncies de postedició. S'han dut a terme diverses proves amb Dynamic Quality Framework (DQF) fent servir la TA de Google Neural Machine i Microsoft Translator (TAE). Els resultats mostren que els traductors prefereixen considerablement el motor de TAN per sobre del motor de TAE. |
| Abstract: |
Thanks to the great progress seen in the machine translation (MT) field in recent years, the use and perception of MT by translators need to be revisited. The main objective of this paper is to determine the perception and productivity (in terms of time and number of editings) of a group of translators when using Statistical Machine Translation (SMT) and Neural Machine Translation (NMT) systems. This presentation is focused on how ten professional translators perceive these two systems in order to know which one they prefer. The aim is also to obtain real data regarding the edit distance and post-editing time when working with these two systems. In order to do so, several tests were performed by six out of the ten translators with the Dynamic Quality Framework (DQF) tools (MT Ranking and productivity tasks) using Google Neural Machine Translation (NMT) and Microsoft Translator (SMT) APIs in two different English into Spanish texts, an instruction manual and a marketing webpage. Results showed that translators considerably prefer NMT over SMT. Likewise, results prove that the edit distance is lower for the segments post-edited with NMT, but the post-editing time, is much higher than in SMT. |
| Rights: |
Aquest 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 aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria de l'obra original.  |
| Language: |
Castellà |
| Studies: |
Tradumàtica: Tecnologies de la Traducció [4315970] |
| Series: |
Facultat de Traducció i d'Interpretació. Màster en Tradumàtica. tecnologies de la traducció |
| Document: |
Treball de fi de postgrau |
| Subject: |
Traducció automàtica -- Avaluació ;
Traducció automàtica -- Mètodes estadístics ;
Traductors -- Control de qualitat ;
Productivitat -- Mesurament ;
Traducció -- Innovacions tecnològiques ;
Xarxes neuronals (Informàtica) |
guest ::
dir.
