A Multidimensional Analysis of Human and ChatGPT-Generated English Translations of Arabic Film
Notice bibliographique
Résumé
This study analyzed lexico-grammatical variations between two text types: human-written and machine-generated, using Biber's multidimensional analysis. It explores the effectiveness and limitations of AI-driven translation systems in maintaining the quality of film translations. It aims to add to the current discussion on the impact of AI in the field of translation. The research methodology involves selecting films from the Middle East and collecting their translations, both human-written and generated by ChatGPT. Biber's multidimensional analysis framework analyses the translations across dimensions such as involved versus informational discourse, narrative versus non-narrative concerns, explicit versus situation-dependent, overt expression of argumentation/ persuasion, and abstract versus non-abstract discourse. The findings of the analysis reveal similarities and differences between human and ChatGPT translations. Human translations are more involved, situation-dependent, argumentative, non-abstract, and less non-narrative than the translations generated by AI. However, further improvements and refinements in AI translation models could help bridge the gap between human and AI translations. The results gained from this comparative analysis offer insight into improving AI-driven translation systems, leading to more effective cross-cultural communication through film. This research will potentially contribute to the advancement of the field of translation studies by bridging the gap between human and AI translations. It provides valuable implications for the future development of AI technologies in film translation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».