Evaluating Three Neural Machine Translation Platforms for English-Arabic Translation: A Comparative Study of Linguistic Accuracy and Cultural Fidelity
Notice bibliographique
Résumé
As globalization intensifies cross-cultural communication, machine translation (MT) has become a pivotal tool in bridging linguistic divides. However, within the realm of modern linguistics, the integration of MT technologies, particularly for complex language pairs like English and Arabic, presents both transformative opportunities and significant challenges. Despite rapid advancements, issues such as syntactic ambiguity, idiomatic expressions, and cultural nuances continue to hinder translation accuracy. This study aims to examine the dual role of machine translation in modern linguistics: its capacity to enhance linguistic research and communication, and the limitations it poses in preserving linguistic integrity and nuance, especially in the English-Arabic language pair. It hypothesizes that while MT facilitates rapid linguistic exchange, it may inadvertently oversimplify or distort culturally embedded meaning. A mixed-methods approach is proposed. Quantitative analysis could involve evaluating translation accuracy using benchmark corpora and neural machine translation tools (e.g., Google Translate, DeepL). Qualitative analysis may include case studies, error typologies, and expert linguistic evaluations to assess semantic fidelity and syntactic coherence between English and Arabic outputs. The study likely identifies areas where MT performs well, such as technical or literal translations, while highlighting persistent issues in idiomatic, literary, or context-dependent translations. Patterns of syntactic errors, gender mismatches, and cultural misinterpretations are expected, especially in morphologically rich Arabic expressions. Findings may underscore the growing utility of MT in linguistic research and global communication while emphasizing the need for hybrid models that combine AI capabilities with human linguistic insight. The study contributes to the development of more culturally sensitive and linguistically aware translation systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».