文献精读｜Explicitation in Neural Machine Translation

Original 张一孟翻译圈

2024-09-09

研究背景Backgorund

神经机器翻译（NMT）如今成为机器翻译主流，在翻译的流利性以及充分性上比之前的其他机器翻译模型都要好，受到广泛好评，甚至有人认为微软最新研发的NMT系统的翻译可以与人工翻译媲美。这一观点同样有人持反对意见，有人批评研究使用的方法论，有人强调NMT的语用局限。这表明机翻与人翻之间仍有较大差距。

研究问题Purpose

①神经机器翻译如何实现显化转换

②这些转换是如何在语言学方面实现的

“to what extent does neural machine translation (NMT) 一 a relatively new approach to machine translation (MT), which can draw on richer contextual information than previous MT architectures perform explicitation shifts in translation and how are these shifts realized in linguistic terms?”

报告及原文Download

论文原文和报告可在翻译圈后台回复文献精读获取！

全文展示Passage

Explicitation in Neural Machine Translation

文献基本信息
文献题目	Explicitation in Neural Machine Translation
文献作者	Ralph Krüger
文献期刊	Across Languages and Cultures
关键词	neural machine translation, human translation, explicitation, translational text-context interaction
摘要	This paper is concerned with the following question: to what extent does neural machine translation (NMT) – a relatively new approach to machine translation (MT), which can draw on richer contextual information than previous MT architectures – perform explicitation shifts in translation and how are these shifts realised in linguistic terms? In order to answer this question, the paper attempts to identify instances of explicitation in the machine-translated version of a research report on carbon dioxide capture and storage. The machine-translated text was created using the publicly available generic NMT system DeepL. The human translation of the research report was analysed in a prior research project for instances of explicitation and implicitation (Krüger 2015). After a brief quantitative discussion of the frequency and distribution of explicitation shifts identiﬁed in the DeepL output as compared to the shifts identiﬁed in the human translation of the research report, the paper analyses in detail several examples in which DeepL performed explicitation shifts of various kinds. The quantitative and qualitative analyses are intended to yield a tentative picture of the capacity of state-of-the art neural machine translation systems to perform explicitation shifts in translation. As explicitation is understood in this article as an indicator of translational text–context interaction, the explicitation performance of NMT can – to some extent – be taken to be indicative of the “contextual awareness” of this new MT architecture.
文章大纲
研究背景	神经机器翻译（NMT）如今成为机器翻译主流，在翻译的流利性以及充分性上比之前的其他机器翻译模型都要好，受到广泛好评，甚至有人认为微软最新研发的NMT系统的翻译可以与人工翻译媲美。这一观点同样有人持反对意见，有人批评研究使用的方法论，有人强调NMT的语用局限。这表明机翻与人翻之间仍有较大差距。
研究问题	①神经机器翻译如何实现显化转换 ②这些转换是如何在语言学方面实现的 “to what extent does neural machine translation (NMT) 一 a relatively new approach to machine translation (MT), which can draw on richer contextual information than previous MT architectures perform explicitation shifts in translation and how are these shifts realized in linguistic terms?”
文献内容
文献创新	本文认为语用方面的因素会给NMT带来巨大影响，因此，该文旨在补充有关专业翻译在语用方面研究，从认知语言学的角度对显性、隐化和显化进行了分析。
文献综述	1. NMT语境中有关显化的文献相对较少，迄今为止，机器翻译的研究者们关注于更基本的问题，例如词汇和结构性歧义、术语一致性、文体流畅性等。 2. 机器翻译中的显化研究主要集中在机翻文本中语篇连接词的使用上。 3. 除了语篇连接词之外，Ahrenberg ( 2017 )在其一篇文章中重点讨论了人工译者使用的特定翻译程序以及机器翻译系统在这些程序下的表现。
研究方法	研究内容：机翻与人翻文本中的显化转换，以此来检验NMT文本的语用表现（原因：1.显化是翻译文本与语境互动的指标当；2.NMT相较于之前的机翻架构有着更丰富的上下文语境）研究对象：关于二氧化碳捕获和储存的研究报告 NMT引擎：DeepL 人工翻译来源：之前的一个研究项目中被分析为显化和隐化的实例（Krüger 2015）研究流程： 1. 对显化转换进行分类（以在目标语中显化转换在语言方面的实现形式分类）：lexical insertion, lexical specification and relational specification.（词项插入，词项规范，关系规范）； 2. 定量分析：对机翻文本中与人工翻译中显化转换的频率和分布进行分析； 3. 定性分析：对机翻文本中三个类型显化转换的例子进行分析。
研究发现	定量分析： 1. NMT，特别是DeepL在有关歧义的错误类别中表现优于PBSMT：MT有解决结构性歧义（以及一些词汇歧义）的能力； 2. NMT往往不能将新的、自主的词汇单位引入到目标语文本中：在关系规范方面，DeepL 表现与人工翻译差距较小，但在另外两方面差距较大，尤其在词项插入方面较差。定性分析： 1. DeepL可以从底层数据中学习特定的显化转换，在显化结构性歧义方面表现很好； 2. 当没有明确的触发语时，DeepL很难自主地在目标语文本中插入词语单位：尽管NMT相较于之前的MT架构有着更加丰富的上下文信息，但是其对上下文的感知仍然零碎；先前研究的发现（Kruger 2015） 1. 人工翻译文本中的显化转换似乎是按照特定的策略进行，而DeepL进行的转换更加随意，多为通过底层训练数据而学习的函数。
研究结论	能够进行有针对性且合理的显化（和隐化）转换是专业的翻译能力的重要部分，因此显化和隐化是正体现了NMT翻译在语用方面限制。所以，说NMT系统可以媲美人工译员仍为时尚早。
感悟与启发
在这篇文章中，作者以非文学文本为例，探究机器翻译文本中显化转换的实现。作者首先对显化转换进行分类，再以定量分析讨论机翻和人翻中转换数量的差别，之后定性分析转换在机翻中是如何实现的。通过作者的定量分析了解到，在三个显化转换类别中，机翻在词项插入方面表现较差。由机翻实现的词项插入是系统学习了这种特定的词汇诱导和常规化显化翻译模式，并在翻译当前源句时应用了这种模式。但是当系统没有识别到明确的触发语时，这一转换很难实现。因此，机翻现在需要解决的问题是如何插入内容词项，而这些词与源文本或目标语中的其他词之间又没有机翻系统可识别的联系。我认为这一问题的根源在于机翻系统仍然没有完全的上下文语境分析框架，系统的语境意识不够充分。这个问题同样会导致机翻无法识别与显化源文本的隐含意义等，所以，现在的机器翻译需要探究在语用方面的发展，以提升机翻系统对上下文语境的分析能力，产出更加高质量的译文。