Аналіз перекладів медійних текстів, здійснених за допомогою штучного інтелекту

Abstract

У статті представлено комплексний аналіз перекладів медійних текстів (журналістських матеріалів, інтерв’ю, повідомлень ЗМІ та репортажів), виконаних за допомогою сучасних систем машинного перекладу на базі нейронних мереж (зокрема: сервісів типу DeepL, Google Translate, Bing Translator, а також великих мовних моделей – приклад ChatGPT). Метою дослідження є аналіз типових помилок і стилістичних недоліків, характерних для автоматичних перекладів медійних текстів, оцінка їхньої придатності для безпосереднього публікування та вироблення практичних рекомендацій щодо постредагування і впровадження технологій машинного перекладу в редакційні процеси. Теоретична частина статті включає огляд розвитку нейронного машинного перекладу та поточних підходів до оцінювання якості перекладів (автоматичні метрики і людська експертиза). Практична частина містить порівняльний аналіз реальних прикладів перекладів з англійської на українську мову і навпаки з відкритих джерел (новини та прес-релізи), перекладених кількома системами машинного перекладу та проаналізованих за критеріями адекватності, точності термінології, збереження стилю та інформативності. Окрема увага приділяється проблемам перекладу ідіом, культурно-специфічної лексики й імен власних, а також впливу помилок перекладу на репутацію ЗІМ й точність інформування. На підставі отриманих результатів сформульовано рекомендації для редакторів і перекладачів щодо оптимізації робочих процесів (включно з практиками постредагування, контролю якості й політикою цитування джерел), а також окреслено напрямки подальших досліджень у галузі застосування ШІ в медіа-перекладі. Стаття розрахована на дослідників у сфері перекладознавства, практикуючих перекладачів та редакторів медіа, а також на розробників систем машинного перекладу.

The article presents a comprehensive analysis of media text translations (including journalistic materials, interviews, news agency reports, and field reports) performed using contemporary neural machine translation (NMT) systems, specifically services such as DeepL, Google Translate, as well as large language models exemplified by ChatGPT. The purpose of the study is to identify typical errors and stylistic shortcomings inherent in automatic translations within the media domain; to assess the suitability of machine translations for direct publication; and to formulate practical recommendations for post-editing and integrating MT procedures into editorial workflows. The theoretical part of the article includes a review of the development of neural machine translation and current approaches to evaluating translation quality, encompassing both automatic metrics and human expertise. The practical part presents a comparative analysis of authentic English–Ukrainian translations obtained from open sources (news publications and press releases). These texts were translated using several machine translation systems and evaluated according to criteria such as adequacy, terminological accuracy, stylistic consistency, and informativeness. Particular attention is given to challenges in translating idioms, culturally specific vocabulary, and proper names, as well as the impact of translation errors on media reputation and information accuracy. Based on the findings, recommendations are formulated for editors and translators regarding the optimization of workflows, including post-editing practices, quality control procedures, and source citation policies, and future research directions are outlined in the field of AI applications in media translation. This article addresses researchers in translation studies, professional translators, media editors, and developers involved in machine translation technologies.