تطبيقات الذكاء الاصطناعي في الترجمة الآلية ودورها في سد الفجوات الدلالية بين اللغات: دراسة تحليلية مقارنة بين Chat GPT و Deep Seek
DOI:
https://doi.org/10.25130/jfa.conf.10.1.24الكلمات المفتاحية:
الذكاء الاصطناعي، الترجمة الآلية، ChatGPT، DeepSeek، الدقة الدلاليةالملخص
مع النمو السريع للترجمة الآلية العصبية (NMT)، لا يزال هناك نقص في الرؤية حول أداء هذه النماذج على النصوص الغنية دلاليًا وثقافيًا، وخاصة بين اللغات البعيدة لغويًا مثل العربية والإنجليزية. في هذه الورقة، نبحث في أداء نظامي ترجمة الذكاء الاصطناعي المتطورين (ChatGPT وDeepSeek) عند ترجمة النصوص العربية إلى الإنجليزية في ثلاثة أنواع مختلفة: الصحفية والأدبية والتقنية. تستخدم الدراسة منهجية تقييم مختلطة تعتمد على مجموعة متوازنة من 60 نصًا عربيًا من الأنواع الثلاثة. تم استخدام مقاييس موضوعية، بما في ذلك BLEU وTER، وتقييمات ذاتية من المترجمين البشريين لتحديد الجودة الدلالية والسياقية والثقافية. تُظهر نتائجنا أن نموذجنا، ChatGPT، يحقق باستمرار مكاسب في الأداء على DeepSeek، وخاصة عند تطبيقه على النصوص التقنية والصحفية مع درجات BLEU أعلى وقيم TER أقل. لكن لا هذه النماذج، ولا أيٌّ من النماذج الحديثة، تُحقق أداءً جيدًا في النصوص الأدبية، وهي النماذج التي قد تُشير إلى الصعوبات التي تواجهها هذه النماذج في التعامل مع التعبيرات الاصطلاحية والاستعارات والنبرة السردية. تُوضح النتائج حساسية النوع الأدبي في جودة ترجمة الذكاء الاصطناعي، وتُؤكد على الأهمية المُستمرة للإشراف البشري، لا سيما في السياقات الثقافية والأسلوبية. يهدف هذا العمل إلى المساهمة في إثراء أدبيات ترجمة الذكاء الاصطناعي المتنامية من خلال تقديم مُقارنة مُحددة النوع الأدبي، ومُستندة إلى التجارب، بين اثنين من أبرز النماذج، ولفت الانتباه إلى ضرورة تطوير خوارزميات ترجمة أكثر حساسية للسياق والثقافة.
التنزيلات
المراجع
1. Bahar, P., Bisazza, A., & Monz, C. (2019). A comparative study on artificial intelligence-based machine translation. Computational Linguistics Journal, 45(3), 451–475. https://doi.org/10.1162/coli_a_00356
2. Bojar, O., et al. (2018). Findings of the WMT 2018 shared task on machine translation. Proceedings of the Third Conference on Machine Translation.
https://aclanthology.org/W18-6401/
3. Brown, T., Mann, B., Ryder, N., et al. (2020). Language models are few-shot learners. NeurIPS, 33, 1877–1901. https://doi.org/10.48550/arXiv.2005.14165
4. Castilho, S., Gaspari, F., Moorkens, J., & Way, A. (2017). Is neural machine translation the new state of the art? The Prague Bulletin of Mathematical Linguistics, 108(1), 109–120.
https://doi.org/10.1515/pralin-2017-0013
5. Dabre, R., Kunchukuttan, A., & Bhattacharyya, P. (2017). A survey of multilingual neural machine translation. ACM Transactions on Asian and Low-Resource Language Information Processing, 17(3), 1–21. https://doi.org/10.1145/3158661
6. Denkowski, M., & Lavie, A. (2014). Meteor universal: Language specific translation evaluation for any target language. Proceedings of the EACL Workshop.
https://www.cs.cmu.edu/~alavie/METEOR/
7. Freitag, M., Al-Onaizan, Y., & Sankaran, B. (2020). BLEU might be guilty of underestimating NMT: Revisiting metric sensitivity. ACL, 7740–7745.
https://www.aclweb.org/anthology/2020.acl-main.692/
8. Hassan, H., Aue, A., Chen, C., et al. (2018). Achieving human parity on automatic Chinese to English news translation. arXiv preprint. https://arxiv.org/abs/1803.05567
9. Koehn, P. (2020). Neural Machine Translation. Cambridge University Press.
https://doi.org/10.1017/978110869324
10. Lo, C. K. (2020). A critical review of automatic machine translation evaluation metrics. Machine Translation, 34(3), 167–210.
11. Mohammed, M. A., & Al-Azzawi, I. G. (2025). The Impact of Culture in Translating English Idioms into Arabic. Arab World English Journal for Translation & Literary Studies 9 (1):103-118. http://dx.doi.org/10.24093/awejtls/vol9no1.7
12. Popel, M., & Bojar, O. (2018). Training tips for the Transformer model. The Prague Bulletin of Mathematical Linguistics, 110(1), 43–70. https://doi.org/10.2478/pralin-2018-0002
13. Pustejovsky, J., & Stubbs, A. (2012). Natural Language Annotation for Machine Learning. O'Reilly Media.
https://learning.oreilly.com/library/view/natural-language-annotation/9781449306663/
14. Ribeiro, M. T., Goharian, N., & Singh, R. (2022). Beyond BLEU: A toolkit for evaluating machine translation from a user-centric perspective. Proceedings of the NAACL-HLT.
https://aclanthology.org/2022.naacl-main.124/
15. Sennrich, R., Haddow, B., & Birch, A. (2016). Improving neural machine translation models with monolingual data. ACL, 86–96. https://doi.org/10.18653/v1/p16-1009
16. Tiedemann, J., & Thottingal, S. (2020). OPUS-MT: Building open translation services for the world. Proceedings of EAMT, 479–480.
17. Toral, A., & Way, A. (2018). What level of quality can neural machine translation attain on literary text? Translation Quality Journal, 9(2), 138–164. https://doi.org/10.1017/S1470542718000089
18. Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. https://doi.org/10.48550/arXiv.1706.03762
19. Wu, Y., Schuster, M., et al. (2016). Google's neural machine translation system: Bridging the gap between human and machine translation. arXiv preprint. https://arxiv.org/abs/1609.08144
20. Zhang, H., Li, J., Liu, H. (2023). Comparative evaluation of DeepSeek and ChatGPT in multilingual NLP tasks. Journal of Artificial Intelligence Research, 71, 90–112.
21. Zhang, Y., Sun, S., Galley, M., et al. (2020). Dialogpt: Large-scale generative pretraining for conversational response generation. ACL, 270–278. https://doi.org/10.18653/v1/2020.acl-main.372
