Teaching Arabic Machine Translation to EFL Student Translators: A Case Study of Omani Translation Undergraduates
Notice bibliographique
Résumé
The present paper describes a machine translation (MT) course taught to undergraduate students in the Department of English Language and Literature at Dhofar University in Oman. The course is one of the major requirements for BA in Translation. Fifteen EFL translation students who were in their third year of study were enrolled in the course. The author presents both the theoretical and practical parts of the course. In the theoretical part, the topics covered in the course are outlined. As for the practical part, it focuses on the translation students’ post-editing of online MT output. This is beneficial to the students as free online MT systems can potentially be used as a means for improving student translators’ training and EFL learning. This is achieved through subjecting MT output to analysis or post-editing by the students so that they can focus on the differences between the source and target languages. With this goal in mind, assignments were given to the students to post-edit the Arabic and English MT output of three free online MT systems (Systran, Babylon and Google Translate), discuss the linguistic problems that they spot for each system and choose the one that has the fewest number of errors. The results show that the students, with varying degrees of success, have managed to identify some linguistic errors with the MT output for each MT system and thus produced a better human translation. The paper concludes that there is a need to incorporate MT courses in translation departments in the Arab world, as integrating technology into translation curricula will have great effect on student translators’ training for their future career as professional translators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».