从精力分配模型看谷歌翻译对汉英交传的影响

发布时间：2022-12-18 01:12

　　近年来,人工智能技术的快速发展为许多领域带来了巨大的变化,其中包括口笔译领域。2016年,“谷歌翻译”升级了其翻译系统的基础技术,由“基于短语的机器翻译”（PBMT）更新到了“谷歌神经机器翻译”（GNMT）。不仅如此,谷歌还为其翻译系统配备了深度神经网络（DNN）,使计算机能够通过观察数据来进行学习,从而很大程度上提高了翻译质量,使机器翻译与人工翻译之间的距离又缩短了一步。谷歌的工程师们针对主要语言对（英法、英汉、英西）进行了大量的实验,并于2016年9月,在《谷歌神经机器翻译系统:缩短人类翻译与机器翻译之间的差距》中发表了实验结果。根据实验结果,相比于以往的PBMT技术,最新的GNMT技术将翻译正确率提升了至少60%。此次重大技术升级为“谷歌翻译”作为交替传译过程中的一项辅助手段提供了可能性。论文将以Daniel Gile的精力分配模型作为理论框架。该模型中的“有限精力分配资源”的理论基础经常被用以研究可能影响口译员表现的因素。由于GNMT是一个相对较新的研究领域,因此在过去的研究中,以精力分配模型来分析机器翻译对译员辅助作用的例子并不多见。论文以对比实验的方式,研究了“谷歌翻译”能... 

【文章页数】：92 页

【学位级别】：硕士

【文章目录】：
Acknowledgements
摘要
Abstract
Introduction
Chapter One Literature Review
    1.1 Development of Machine Translation
    1.2 Previous Studies on the Application of Machine Translation in ConsecutiveInterpretation
    1.3 Development of Google Neural Machine Translation
    1.4 Previous Studies on the Application of Google Neural Machine Translation inConsecutive Interpretation
Chapter Two Theoretical Framework
    2.1 Gile’s Effort Model
    2.2 Effort Model for Consecutive Interpretation
    2.3 Reasons for Choosing Effort Model
Chapter Three A Study on the Influence of Google Translate on Chinese-English Consecutive Interpretation
    3.1 Purpose of the Experiment
    3.2 Experiment Design
        3.2.1 Choice of Interpretation Materials for the Experiment
        3.2.2 Subjects in the Experiment
        3.2.3 Experiment Procedure
Chapter Four Result Analysis
    4.1 Criteria of Interpretation Evaluation
        4.1.1 Reasons for Choosing the Criteria
        4.1.2 Accuracy
        4.1.3 Grammar
        4.1.4 Fluency
    4.2 Quality Evaluation of the C-E Consecutive Interpretation with and without the Aid of Google Neural Machine Translation
        4.2.1 Accuracy
            4.2.1.1 Quantitative Analysis
            4.2.1.2 Qualitative Analysis
        4.2.2 Grammar
            4.2.2.1 Quantitative Analysis
            4.2.2.2 Qualitative Analysis
        4.2.3 Fluency
            4.2.3.1 Quantitative Analysis
            4.2.3.2 Qualitative Analysis
    4.3 Result Analysis
Conclusion
Bibliography
Appendix Ⅰ Source Language Text
Appendix Ⅱ Test Subjects’Interpretations
Appendix Ⅲ Google Translate’s Translation


【参考文献】：
期刊论文
[1]神经机器翻译前沿进展[J]. 刘洋.  计算机研究与发展. 2017(06)
[2]又想起了斯坦纳——写在新版“谷歌翻译”诞生之际[J]. 叶子南.  中国翻译. 2017(01)
[3]从机器翻译历程看自然语言处理研究的发展策略[J]. 孙茂松,周建设.  语言战略研究. 2016(06)
[4]大数据背景下的谷歌翻译——现状与挑战[J]. 斯介生,宋大我,李扬.  统计研究. 2016(05)
[5]中国大学生汉英口译非流利现象研究[J]. 戴朝晖.  上海翻译. 2011(01)
[6]从Gile的认知负荷模式看口译中的精力分配失衡[J]. 汤沛.  青年文学家. 2010(05)
[7]“口译能力”评估和“译员能力”评估——口译的客观评估模式初探[J]. 王斌华.  外语界. 2007(03)
[8]西方口译理论的兴起及其在中国的接受[J]. 杨柳.  中国翻译. 2007(02)
[9]论口译质量评估的信息单位[J]. 蔡小红.  外国语(上海外国语大学学报). 2003(05)
[10]科技口译与质量评估[J]. 刘和平.  上海科技翻译. 2002(01)



本文编号：3721026