Assessing the accuracy of MT and AI tools in translating humanities or social sciences Arabic research titles into English: Evidence from Google Translate, Gemini, and ChatGPT
Notice bibliographique
Résumé
Breakthroughs and advances in translation technology by virtue of AI-powered MT tools and techniques contributed significantly to providing near-perfect translation. This study aims to evaluate the accuracy of three translation technologies (Google Translate, Gemini, and ChatGPT) in translating multidisciplinary Arabic research titles in the Humanities and Social Sciences into English. A corpus of 163 titles of Arabic research articles from various disciplines, including media studies, literature, linguistics, education, and political science, was extracted from a Scopus-indexed journal, namely Dirasat: Human and Social Sciences Series. The research methodology in the present study lends itself largely to Koponen’s (2010) translation error strategy framework. Based on the data analysis, the findings showed that the renditions provided by these programs were categorically marked with either sense or syntax errors, which often rendered the translations inaccurate. Many polysemous terms with multiple related senses were mistranslated. The results showed that the Gemini translations contained the least errors. In contrast, the human translations contained the least mistranslation and diction errors. Google Translate and ChatGPT, on the other hand, contained the highest number of equivalence-based errors. Unexpectedly, the human translations contained the highest number of syntactic errors, reflecting a lack of target language proficiency. The study's conclusions and findings would be beneficial to translators, students, and scholars who may consider translating their Arabic study research titles and abstracts through the most commonly used AI tools.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,009 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».