Aziz Nesin’in eserlerinin Arapça çevirilerinin toplumsal ve siyasi mizah açısından değerlendirilmesi

Abstract

Hızla gelişen yapay zeka ve makine öğrenimi teknolojileri, çevirmenler arasında iş kaybına ilişkin endişelerin artmasına neden olmuştur. Bu endişeye yanıt olarak bu çalışma, DeepL Translator ve Google Translate'in Türkçe doğal afet kılavuzlarını İngilizceye çevirirkenki performansını değerlendirmekte ve ham makine çevirisi çıktılarının bu tür yüksek riskli bağlamlarda kullanılıp kullanılamayacağını araştırmaktadır. Çalışma ayrıca makine çevirisi çıktılarındaki hataların düzeltilmesinde ön düzenleme işlemlerinin etkinliğini araştırmaktadır. MQM (Multidimensional Quality Metrics) kullanılarak, her iki makine çevirisi sisteminin ham çıktıları üzerinde kapsamlı bir analiz gerçekleştirilmiştir. Ardından, tespit edilen her hata için ön düzenleme stratejileri geliştirilmiştir. Bulgular, her iki sistemin de beklenenden daha az hata üretmesine rağmen, makine çevirisi çıktılarında "majör" ve "kritik" düzeylerinde hatalar bulunduğunu ortaya koymakta ve kara kutu nöral makine çevirisi sistemlerinin tahmin edilemez doğasının altını çizmektedir. Terminoloji kategorisindeki hatalar haricinde, ön düzenlemenin çeviri hatalarının önemli bir kısmının giderilmesinde etkili olduğu görülmüştür. Sonuç olarak, bu çalışma mevcut makine çevirisi sistemlerinin gelişmiş kabiliyetlerine rağmen, insan çevirmenin çeviri sürecindeki vazgeçilmez rolünün altını çizmektedir. ----- The rapidly evolving artificial intelligence and machine learning technologies have led to growing concern among translators regarding potential job displacement. In response to this concern, this study evaluates the performance of DeepL Translator and Google Translate in translating Turkish guidelines for natural disasters into English, and explores whether raw machine translation output can be used in such high-stakes contexts. Additionally, it investigates the effectiveness of pre-editing operations in correcting errors in machine translation outputs. Using the MQM (Multidimensional Quality Metrics) framework, a comprehensive analysis was conducted on the raw outputs of both machine translation systems. Then, pre-editing strategies were developed for each error. Findings reveal that while both systems produced fewer errors than expected, errors of "major" and "critical" severity levels were present in machine translation outputs, underscoring the unpredictable nature of black-box neural machine translation systems. Pre-editing was found to be effective in addressing a significant portion of errors, with the exception of errors in terminology category. In conclusion, this study emphasizes the indispensable role of human translators in the translation process, despite the advanced capabilities of current machine translation systems.