Máquina traductora

Uso de software para traducción de idiomas

Para la traducción automática en Wikipedia, consulte Wikipedia: herramienta de traducción de contenido .

Parte de una serie sobre
Traducción
Tipos
Legal Literario Biblia Corán Kural Validación lingüística Médico Regulador Técnico Interpretación Cultural Palabra por palabra frente a sentido por sentido Homofónico
Teoría
Estudios de traducción Teoría de Skopos Proyecto de traducción Crítica de traducción Equivalencia dinámica y formal Lingüística contrastiva
Tecnologias
GATO Máquina traductora Traducción móvil (automática) Sistema de gestión de traducción Doblaje Subtitulado Pre-edición Publicando Traducción multimedia
Localización
Glocalización Internacionalización y localización Localización de idiomas Localización de juegos Localización de dub Localización de sitios web Localización de software
Institucional
Asociaciones Premios Organizaciones Escuelas
Temas relacionados
Transcripción Transcripción Servicio de retransmisión de video (VRS) Interpretación telefónica Barrera del idioma Traducción de fans Fansub Fandub Escaneo Traducción periodística Libros y revistas sobre traducción Traducciones de la Biblia por idioma Libros traducidos Traductores Traducciones kural por idioma
v t mi

La traducción automática , a veces denominada con la abreviatura MT ^[1] (que no debe confundirse con la traducción asistida por computadora , la traducción humana asistida por máquina o la traducción interactiva ), es un subcampo de la lingüística computacional que investiga el uso de software para traducir. texto o habla de un idioma a otro.

En un nivel básico, MT realiza la sustitución mecánica de palabras en un idioma por palabras en otro, pero eso por sí solo rara vez produce una buena traducción porque se necesita el reconocimiento de frases completas y sus contrapartes más cercanas en el idioma de destino. No todas las palabras de un idioma tienen palabras equivalentes en otro idioma y muchas palabras tienen más de un significado.

Resolver este problema con técnicas neuronales y estadísticas de corpus es un campo en rápido crecimiento que está conduciendo a mejores traducciones, manejando diferencias en tipología lingüística , traducción de modismos y aislamiento de anomalías. ^{[2] [ verificación fallida ]}

El software actual de traducción automática a menudo permite la personalización por dominio o profesión (como los informes meteorológicos ), mejorando la producción al limitar el alcance de las sustituciones permitidas. Esta técnica es particularmente eficaz en dominios en los que se utiliza un lenguaje formal o de fórmulas. De ello se deduce que la traducción automática de documentos gubernamentales y legales produce resultados utilizables más fácilmente que una conversación o un texto menos estandarizado.

También se puede lograr una calidad de salida mejorada mediante la intervención humana: por ejemplo, algunos sistemas pueden traducir con mayor precisión si el usuario ha identificado sin ambigüedades qué palabras del texto son nombres propios. Con la ayuda de estas técnicas, la MT ha demostrado ser útil como herramienta para ayudar a los traductores humanos y, en un número muy limitado de casos, incluso puede producir resultados que se pueden utilizar tal cual (por ejemplo, informes meteorológicos).

El progreso y el potencial de la traducción automática se han debatido mucho a lo largo de su historia. Desde la década de 1950, varios estudiosos, en primer lugar y sobre todo Yehoshua Bar-Hillel , ^[3] han cuestionado la posibilidad de lograr una traducción automática totalmente automática de alta calidad. ^{[4] [ página necesaria ]}

Historia

Artículo principal: Historia de la traducción automática

Orígenes

Los orígenes de la traducción automática se remontan al trabajo de Al-Kindi , un criptógrafo árabe del siglo IX que desarrolló técnicas para la traducción de idiomas sistémica, incluido el criptoanálisis , el análisis de frecuencia y la probabilidad y las estadísticas , que se utilizan en la traducción automática moderna. ^[5] La idea de la traducción automática apareció más tarde en el siglo XVII. En 1629, René Descartes propuso un lenguaje universal, con ideas equivalentes en diferentes lenguas compartiendo un símbolo. ^[6]

La idea de utilizar computadoras digitales para la traducción de lenguajes naturales fue propuesta ya en 1946 por AD Booth de Inglaterra y Warren Weaver en la Fundación Rockefeller al mismo tiempo. "El memorando escrito por Warren Weaver en 1949 es quizás la publicación más influyente en los primeros días de la traducción automática". ^{[7] [8]} Otros siguieron. En 1954 se hizo una demostración de la máquina APEXC en Birkbeck College ( Universidad de Londres) de una traducción rudimentaria del inglés al francés. En ese momento se publicaron varios artículos sobre el tema, e incluso artículos en revistas populares (por ejemplo, un artículo de Cleave y Zacharov en la edición de septiembre de 1955 de Wireless World ). Una aplicación similar, también pionera en Birkbeck College en ese momento, era leer y componer textos en Braille por computadora.

Década de 1950

El primer investigador en el campo, Yehoshua Bar-Hillel, inició su investigación en el MIT (1951). Un equipo de investigación de MT de la Universidad de Georgetown , dirigido por el profesor Michael Zarechnak, siguió (1951) con una demostración pública de su sistema de experimentos Georgetown-IBM en 1954. Los programas de investigación de MT surgieron en Japón ^{[9] [10]} y Rusia (1955). y la primera conferencia de MT se celebró en Londres (1956). ^{[11] [12]}

David G. Hays "escribió sobre el procesamiento del lenguaje asistido por computadora ya en 1957" y "fue líder del proyecto sobre lingüística computacional en Rand de 1955 a 1968". ^[13]

1960-1975

Los investigadores continuaron uniéndose al campo cuando se formó la Asociación de Traducción Automática y Lingüística Computacional en los EE. UU. (1962) y la Academia Nacional de Ciencias formó el Comité Asesor de Procesamiento Automático del Lenguaje (ALPAC) para estudiar MT (1964). Sin embargo, el progreso real fue mucho más lento y después del informe ALPAC (1966), que encontró que la investigación de diez años no había cumplido con las expectativas, la financiación se redujo considerablemente. ^[14] Según un informe de 1972 del Director de Investigación e Ingeniería de Defensa (DDR & E), la viabilidad de la MT a gran escala fue restablecida por el éxito del sistema Logos MT en la traducción de manuales militares al vietnamita durante ese conflicto.

El Instituto Textil Francés también utilizó MT para traducir resúmenes del francés, inglés, alemán y español (1970); La Universidad Brigham Young inició un proyecto para traducir textos mormones mediante traducción automática (1971).

1975 y más allá

SYSTRAN , que "fue pionero en el campo bajo contratos del gobierno de los Estados Unidos" ^[1] en la década de 1960, fue utilizado por Xerox para traducir manuales técnicos (1978). A partir de finales de la década de 1980, a medida que la potencia computacional aumentó y se hizo menos costosa, se mostró más interés en los modelos estadísticos para la traducción automática . MT se hizo más popular después de la llegada de las computadoras. ^[15] El primer sistema de implementación de SYSTRAN fue implementado en 1988 por el servicio en línea del Servicio Postal francés llamado Minitel. ^[dieciséis]También se lanzaron varias empresas de MT, incluida Trados (1984), que fue la primera en desarrollar y comercializar tecnología de memoria de traducción (1989). El primer sistema de traducción automática comercial para ruso / inglés / alemán-ucraniano se desarrolló en la Universidad Estatal de Jarkov (1991).

En 1998, "por tan solo $ 29,95" se podía "comprar un programa para traducir en una dirección entre el inglés y uno de los principales idiomas europeos de su elección" para ejecutarlo en una PC. ^[1]

MT en la web comenzó con SYSTRAN ofreciendo traducción gratuita de pequeños textos (1996) y luego proporcionándola a través de AltaVista Babelfish, ^[1] que acumuló 500.000 solicitudes por día (1997). ^[17] El segundo servicio de traducción gratuito en la web fue GlobaLink de Lernout & Hauspie . ^[1] Atlantic Magazine escribió en 1998 que "Babelfish de Systran y Comprende de GlobaLink" manejaron "No confíe en eso" con una "actuación competente". ^[18]

Franz Josef Och (el futuro director de desarrollo de traducciones de Google) ganó el concurso Speed ​​MT de DARPA (2003). ^[19] Más innovaciones durante este tiempo incluyeron MOSES, el motor estadístico de MT de código abierto (2007), un servicio de traducción de texto / SMS para móviles en Japón (2008) y un teléfono móvil con traducción de voz a voz incorporada. funcionalidad para inglés, japonés y chino (2009). En 2012, Google anunció que Google Translate traduce aproximadamente suficiente texto para llenar 1 millón de libros en un día.

Proceso de traducción

Artículo principal: Proceso de traducción

El proceso de traducción humana puede describirse como:

1. Decodificación del significado del texto fuente ; y
2. Volver a codificar este significado en el idioma de destino.

Detrás de este procedimiento aparentemente simple se esconde una operación cognitiva compleja . Para decodificar el significado del texto fuente en su totalidad, el traductor debe interpretar y analizar todas las características del texto, un proceso que requiere un conocimiento profundo de la gramática , semántica , sintaxis , modismos , etc., de la lengua fuente. , así como la cultura de sus hablantes. El traductor necesita el mismo conocimiento profundo para volver a codificar el significado en el idioma de destino. ^[20]

Ahí radica el desafío de la traducción automática: cómo programar una computadora que "entenderá" un texto como lo hace una persona, y que "creará" un nuevo texto en el idioma de destino que suene como si hubiera sido escrito por una persona . A menos que cuente con la ayuda de una 'base de conocimientos', la MT proporciona sólo una aproximación general, aunque imperfecta, del texto original, obteniendo la "esencia" del mismo (un proceso llamado "gisting"). Esto es suficiente para muchos propósitos, incluido el mejor uso del tiempo finito y costoso de un traductor humano, reservado para aquellos casos en los que la precisión total es indispensable.

Enfoques

La pirámide de Bernard Vauquois muestra profundidades comparativas de representación intermedia, traducción automática interlingüística en la cima, seguida de traducción basada en transferencia y luego traducción directa.

La traducción automática puede utilizar un método basado en reglas lingüísticas , lo que significa que las palabras se traducirán de forma lingüística: las palabras más adecuadas (oralmente) del idioma de destino reemplazarán a las del idioma de origen. ^{[ cita requerida ]}

A menudo se argumenta que el éxito de la traducción automática requiere que primero se resuelva el problema de la comprensión del lenguaje natural . ^[21]

Generalmente, los métodos basados ​​en reglas analizan un texto, por lo general creando una representación simbólica intermedia, a partir de la cual se genera el texto en el idioma de destino. Según la naturaleza de la representación intermedia, un enfoque se describe como traducción automática interlingüística o traducción automática basada en transferencia . Estos métodos requieren extensos léxicos con información morfológica , sintáctica y semántica , y grandes conjuntos de reglas.

Con suficientes datos, los programas de traducción automática a menudo funcionan lo suficientemente bien como para que un hablante nativo de un idioma obtenga el significado aproximado de lo que está escrito por el otro hablante nativo. La dificultad radica en obtener suficientes datos del tipo adecuado para respaldar el método en particular. Por ejemplo, el gran corpus multilingüe de datos necesarios para que los métodos estadísticos funcionen no es necesario para los métodos basados ​​en la gramática. Pero entonces, los métodos gramaticales necesitan un lingüista experto para diseñar cuidadosamente la gramática que utilizan.

Para traducir entre idiomas estrechamente relacionados, se puede utilizar la técnica denominada traducción automática basada en reglas .

Basado en reglas

Artículo principal: traducción automática basada en reglas

El paradigma de traducción automática basada en reglas incluye la traducción automática basada en transferencia, la traducción automática interlingüística y los paradigmas de traducción automática basada en diccionario. Este tipo de traducción se utiliza principalmente en la creación de diccionarios y programas gramaticales. A diferencia de otros métodos, RBMT implica más información sobre la lingüística de los idiomas de origen y destino, utilizando las reglas morfológicas y sintácticas y el análisis semántico.de ambos idiomas. El enfoque básico implica vincular la estructura de la oración de entrada con la estructura de la oración de salida utilizando un analizador sintáctico y un analizador para el idioma de origen, un generador para el idioma de destino y un léxico de transferencia para la traducción real. La mayor desventaja de RBMT es que todo debe hacerse explícito: la variación ortográfica y la entrada errónea deben hacerse parte del analizador de la lengua fuente para hacer frente a ella, y las reglas de selección léxica deben escribirse para todos los casos de ambigüedad. Adaptarse a nuevos dominios en sí mismo no es tan difícil, ya que la gramática central es la misma en todos los dominios, y el ajuste específico del dominio se limita al ajuste de la selección léxica.

Traducción automática basada en transferencia

Artículo principal: traducción automática basada en transferencia

La traducción automática basada en transferencia es similar a la traducción automática interlingüística en que crea una traducción a partir de una representación intermedia que simula el significado de la oración original. A diferencia de la MT interlingüística, depende parcialmente del par de idiomas involucrado en la traducción.

Interlingual

Artículo principal: Traducción automática interlingüística

La traducción automática interlingüística es un ejemplo de enfoques de traducción automática basados ​​en reglas. En este enfoque, el idioma de origen, es decir, el texto a traducir, se transforma en un idioma interlingüístico, es decir, una representación "lingüística neutral" que es independiente de cualquier idioma. A continuación, se genera el idioma de destino a partir del interlingua . Una de las principales ventajas de este sistema es que el interlingua se vuelve más valioso a medida que aumenta el número de idiomas de destino en los que se puede convertir. Sin embargo, el único sistema de traducción automática interlingüístico que se ha puesto en funcionamiento a nivel comercial es el sistema KANT (Nyberg y Mitamura, 1992), que está diseñado para traducir el inglés técnico de Caterpillar (CTE) a otros idiomas.

Basado en diccionario

Artículo principal: traducción automática basada en diccionarios

La traducción automática puede utilizar un método basado en entradas de diccionario , lo que significa que las palabras se traducirán tal como están en un diccionario.

Estadístico

Artículo principal: Traducción automática estadística

La traducción automática estadística intenta generar traducciones utilizando métodos estadísticos basados ​​en corpus de texto bilingües, como el corpus canadiense Hansard , el registro inglés-francés del parlamento canadiense y EUROPARL , el registro del Parlamento Europeo . Cuando se dispone de estos corpus, se pueden obtener buenos resultados traduciendo textos similares, pero estos corpus son todavía raros en muchos pares de idiomas. El primer software de traducción automática estadística fue CANDIDE de IBM . Google usó SYSTRAN durante varios años, pero cambió a un método de traducción estadística en octubre de 2007. ^[22]En 2005, Google mejoró sus capacidades de traducción interna utilizando aproximadamente 200 mil millones de palabras de materiales de las Naciones Unidas para capacitar a su sistema; Mejoró la precisión de la traducción. ^[23] Google Translate y programas de traducción estadística similares funcionan detectando patrones en cientos de millones de documentos que han sido traducidos previamente por humanos y haciendo conjeturas inteligentes basadas en los hallazgos. Por lo general, cuantos más documentos traducidos por personas estén disponibles en un idioma determinado, es más probable que la traducción sea de buena calidad. ^[24]Los enfoques más nuevos de la traducción automática estadística, como METIS II y PRESEMT, utilizan un tamaño de corpus mínimo y, en cambio, se centran en la derivación de la estructura sintáctica a través del reconocimiento de patrones. Con un mayor desarrollo, esto puede permitir que la traducción automática estadística opere a partir de un corpus de texto monolingüe. ^[25] La mayor caída de SMT incluye que depende de grandes cantidades de textos paralelos, sus problemas con lenguajes ricos en morfología (especialmente con la traducción a dichos lenguajes) y su incapacidad para corregir errores de singleton.

Basado en ejemplos

Artículo principal: traducción automática basada en ejemplos

Makoto Nagao propuso el enfoque de traducción automática basada en ejemplos (EBMT) en 1984. ^{[26] [27] La} traducción automática basada en ejemplos se basa en la idea de analogía. En este enfoque, el corpus que se utiliza es uno que contiene textos que ya han sido traducidos. Dada una oración que se va a traducir, se seleccionan oraciones de este corpus que contienen componentes sub-enunciados similares. ^[28] Las oraciones similares luego se utilizan para traducir los componentes sub-oraciones de la oración original al idioma de destino, y estas frases se juntan para formar una traducción completa.

MT híbrida

Artículo principal: traducción automática híbrida

La traducción automática híbrida (HMT) aprovecha las ventajas de las metodologías de traducción basadas en reglas y estadísticas. ^[29] Varias organizaciones de MT afirman un enfoque híbrido que utiliza tanto reglas como estadísticas. Los enfoques difieren de varias maneras:

• Reglas posprocesadas por estadísticas : las traducciones se realizan utilizando un motor basado en reglas. Luego, las estadísticas se utilizan en un intento de ajustar / corregir la salida del motor de reglas.
• Estadísticas guiadas por reglas : las reglas se utilizan para preprocesar datos en un intento de guiar mejor el motor estadístico. Las reglas también se utilizan para posprocesar la salida estadística para realizar funciones como la normalización. Este enfoque tiene mucho más poder, flexibilidad y control al traducir. También proporciona un amplio control sobre la forma en que se procesa el contenido durante la pretraducción (por ejemplo, el marcado del contenido y los términos no traducibles) y la postraducción (por ejemplo, correcciones y ajustes posteriores a la traducción).

Más recientemente, con la llegada de Neural MT, está surgiendo una nueva versión de traducción automática híbrida que combina los beneficios de las reglas, la traducción automática estadística y neuronal. El enfoque permite beneficiarse del procesamiento previo y posterior en un flujo de trabajo guiado por reglas, así como también beneficiarse de NMT y SMT. La desventaja es la complejidad inherente que hace que el enfoque sea adecuado solo para casos de uso específicos. Uno de los proponentes de este enfoque para casos de uso complejos es Omniscien Technologies.

MT neuronal

Artículo principal: traducción automática neuronal

Un enfoque basado en el aprendizaje profundo para la traducción automática, la traducción automática neuronal ha avanzado rápidamente en los últimos años, y Google ha anunciado que sus servicios de traducción ahora están utilizando esta tecnología con preferencia a sus métodos estadísticos anteriores. ^{[30] El} equipo de Microsoft alcanzó la paridad humana en WMT-2017 en 2018 y este fue un hito histórico. ^[31]

Problemas importantes

La traducción automática puede producir algunas frases incomprensibles.

Chino roto "沒有 進入" de la traducción automática en Bali, Indonesia . La frase china entrecortada suena como "no existe una entrada" o "todavía no ha entrado".

Desambiguación

Artículos principales: desambiguación del sentido de las palabras y desambiguación sintáctica

La desambiguación del sentido de las palabras se refiere a encontrar una traducción adecuada cuando una palabra puede tener más de un significado. El problema fue planteado por primera vez en la década de 1950 por Yehoshua Bar-Hillel . ^[32] Señaló que sin una "enciclopedia universal", una máquina nunca podría distinguir entre los dos significados de una palabra. ^[33] Hoy en día existen numerosos enfoques diseñados para superar este problema. Se pueden dividir aproximadamente en enfoques "superficiales" y enfoques "profundos".

Los enfoques superficiales asumen que no se tiene conocimiento del texto. Simplemente aplican métodos estadísticos a las palabras que rodean la palabra ambigua. Los enfoques profundos presuponen un conocimiento integral de la palabra. Hasta ahora, los enfoques superficiales han tenido más éxito. ^[34]

Claude Piron , traductor desde hace mucho tiempo para las Naciones Unidas y la Organización Mundial de la Salud , escribió que la traducción automática, en el mejor de los casos, automatiza la parte más fácil del trabajo de un traductor; La parte más difícil y que requiere más tiempo generalmente implica realizar una investigación exhaustiva para resolver las ambigüedades en el texto de origen , que las exigencias gramaticales y léxicas del idioma de destino requieren que se resuelvan:

¿Por qué un traductor necesita una jornada laboral completa para traducir cinco páginas, y no una o dos horas? ..... Aproximadamente el 90% de un texto promedio corresponde a estas simples condiciones. Pero, lamentablemente, está el otro 10%. Es esa parte la que requiere seis [más] horas de trabajo. Hay ambigüedades que hay que resolver. Por ejemplo, el autor del texto original, un médico australiano, citó el ejemplo de una epidemia que se declaró durante la Segunda Guerra Mundial en un "campo de prisioneros de guerra japoneses". ¿Estaba hablando de un campo estadounidense con prisioneros japoneses o de un campo japonés con prisioneros estadounidenses? El inglés tiene dos sentidos. Por lo tanto, es necesario hacer una investigación, tal vez hasta el punto de una llamada telefónica a Australia. ^[35]

El enfoque profundo ideal requeriría que el software de traducción hiciera toda la investigación necesaria para este tipo de desambiguación por sí solo; pero esto requeriría un mayor grado de inteligencia artificial que el que se ha logrado hasta ahora. Un enfoque superficial que simplemente adivinara el sentido de la ambigua frase en inglés que menciona Piron (basado, quizás, en qué tipo de campo de prisioneros de guerra se menciona con más frecuencia en un corpus dado) tendría una probabilidad razonable de adivinar el error de manera justa. a menudo. Un enfoque superficial que implica "preguntar al usuario sobre cada ambigüedad", según la estimación de Piron, solo automatizaría alrededor del 25% del trabajo de un traductor profesional, dejando el 75% más difícil aún por hacer por un humano.

Discurso no estándar

Uno de los mayores escollos de la traducción automática es su incapacidad para traducir un lenguaje no estándar con la misma precisión que el lenguaje estándar. La TA basada en estadísticas o heurísticas toma información de varias fuentes en forma estándar de un lenguaje. La traducción basada en reglas, por naturaleza, no incluye usos comunes no estándar. Esto provoca errores en la traducción de una fuente vernácula o en un lenguaje coloquial. Las limitaciones en la traducción del habla informal presentan problemas en el uso de la traducción automática en dispositivos móviles.

Entidades nombradas

Artículo principal: entidad nombrada

En la extracción de información , las entidades nombradas, en un sentido estricto, se refieren a entidades concretas o abstractas en el mundo real, como personas, organizaciones, empresas y lugares que tienen un nombre propio: George Washington, Chicago, Microsoft. También se refiere a expresiones de tiempo, espacio y cantidad, como el 1 de julio de 2011, $ 500.

En la oración "Smith es el presidente de Fabrionix", tanto Smith como Fabrionix son entidades nombradas, y se pueden calificar aún más a través del nombre u otra información; "presidente" no lo es, ya que Smith podría haber ocupado anteriormente otro puesto en Fabrionix, por ejemplo, vicepresidente. El término designador rígido es lo que define estos usos para el análisis en la traducción automática estadística.

Las entidades nombradas primero deben identificarse en el texto; de lo contrario, pueden traducirse erróneamente como sustantivos comunes, lo que probablemente no afectaría la calificación BLEU de la traducción, pero cambiaría la legibilidad humana del texto. ^[36] Pueden omitirse de la traducción de salida, lo que también tendría implicaciones para la legibilidad y el mensaje del texto.

La transliteración incluye encontrar las letras en el idioma de destino que más se correspondan con el nombre en el idioma de origen. Sin embargo, se ha citado que esto a veces empeora la calidad de la traducción. ^[37] Para "California del Sur", la primera palabra debe traducirse directamente, mientras que la segunda palabra debe transliterarse. Las máquinas a menudo transliteran ambos porque los trataron como una entidad. Palabras como estas son difíciles de procesar para los traductores automáticos, incluso aquellos con un componente de transliteración.

Uso de una lista de "no traducir", que tiene el mismo objetivo final: transliteración en lugar de traducción. ^[38] todavía se basa en la identificación correcta de las entidades nombradas.

Un tercer enfoque es un modelo basado en clases. Las entidades nombradas se reemplazan con un token para representar su "clase"; "Ted" y "Erica" ​​se reemplazarían por la ficha de clase "persona". Luego, la distribución estadística y el uso de nombres de personas, en general, se pueden analizar en lugar de mirar las distribuciones de "Ted" y "Erica" ​​individualmente, de modo que la probabilidad de un nombre dado en un idioma específico no afectará la probabilidad asignada. de una traducción. Un estudio de Stanford sobre la mejora de esta área de traducción da ejemplos de que se asignarán diferentes probabilidades a "David va a caminar" y "Ankit va a caminar" para el inglés como idioma de destino debido al diferente número de ocurrencias. para cada nombre en los datos de entrenamiento.Un resultado frustrante del mismo estudio de Stanford (y otros intentos de mejorar la traducción del reconocimiento de nombres) es que muchas veces, una disminución en laLas puntuaciones BLEU para la traducción resultarán de la inclusión de métodos para la traducción de entidades nombradas. ^[38]

Algo relacionadas están las frases "beber té con leche" frente a "beber té con Molly".

Traducción de fuentes multiparalelas

Se ha realizado algún trabajo en la utilización de corpus multiparalelos , es decir, un cuerpo de texto que ha sido traducido a 3 o más idiomas. Con estos métodos, un texto que se ha traducido a 2 o más idiomas se puede utilizar en combinación para proporcionar una traducción más precisa a un tercer idioma en comparación con si solo se usara uno de esos idiomas de origen. ^{[39] [40] [41]}

Ontologías en MT

Una ontología es una representación formal del conocimiento que incluye los conceptos (como objetos, procesos, etc.) en un dominio y algunas relaciones entre ellos. Si la información almacenada es de carácter lingüístico, se puede hablar de léxico. ^[42] En PNL , las ontologías se pueden utilizar como fuente de conocimiento para los sistemas de traducción automática. Con acceso a una gran base de conocimientos, los sistemas se pueden habilitar para resolver muchas ambigüedades (especialmente léxicas) por sí mismos. En los siguientes ejemplos clásicos, como humanos, somos capaces de interpretar la frase preposicional según el contexto porque usamos nuestro conocimiento del mundo, almacenado en nuestros léxicos:

"Vi un hombre / estrella / molécula con un microscopio / telescopio / binoculares". ^[42]

Inicialmente, un sistema de traducción automática no podría diferenciar entre los significados porque la sintaxis no cambia. Sin embargo, con una ontología suficientemente grande como fuente de conocimiento, se pueden reducir las posibles interpretaciones de palabras ambiguas en un contexto específico. Otras áreas de uso de las ontologías dentro de la PNL incluyen la recuperación de información , la extracción de información y el resumen de texto . ^[42]

Construyendo ontologías

La ontología generada para el sistema de traducción automática basado en el conocimiento PANGLOSS en 1993 puede servir como un ejemplo de cómo se puede compilar una ontología para propósitos de PNL : ^[43]

• Es necesaria una ontología a gran escala para ayudar a analizar los módulos activos del sistema de traducción automática.
• En el ejemplo de PANGLOSS, se pretendía incluir alrededor de 50.000 nodos en la región superior (abstracta) más pequeña y construida manualmente de la ontología. Debido a su tamaño, tuvo que crearse automáticamente.
• El objetivo era fusionar los dos recursos LDOCE en línea y WordNet para combinar los beneficios de ambos: definiciones concisas de Longman y relaciones semánticas que permiten la taxonomización semiautomática de la ontología de WordNet.
  • Se creó un algoritmo de coincidencia de definiciones para fusionar automáticamente los significados correctos de palabras ambiguas entre los dos recursos en línea, basándose en las palabras que las definiciones de esos significados tienen en común en LDOCE y WordNet. Usando una matriz de similitud , el algoritmo entregó coincidencias entre significados, incluido un factor de confianza. Sin embargo, este algoritmo por sí solo no coincidió con todos los significados correctamente.
  • Por lo tanto, se creó un segundo algoritmo de coincidencia de jerarquías que utiliza las jerarquías taxonómicas que se encuentran en WordNet (jerarquías profundas) y parcialmente en LDOCE (jerarquías planas). Esto funciona al hacer coincidir primero los significados inequívocos y luego limitar el espacio de búsqueda a solo los antepasados ​​y descendientes respectivos de esos significados coincidentes. Por lo tanto, el algoritmo coincidió con significados localmente inequívocos (por ejemplo, mientras que la palabra sello como tal es ambigua, solo hay un significado de "sello" en la subjerarquía animal ).
• Ambos algoritmos se complementaron y ayudaron a construir una ontología a gran escala para el sistema de traducción automática. Las jerarquías de WordNet, junto con las definiciones coincidentes de LDOCE, se subordinaron a la región superior de la ontología . Como resultado, el sistema PANGLOSS MT pudo hacer uso de esta base de conocimiento, principalmente en su elemento de generación.

Aplicaciones

Si bien ningún sistema proporciona el santo grial de la traducción automática de alta calidad de texto sin restricciones, muchos sistemas completamente automatizados producen resultados razonables. ^{[44] [45] [46]} La calidad de la traducción automática mejora sustancialmente si el dominio está restringido y controlado. ^[47]

A pesar de sus limitaciones inherentes, los programas de traducción automática se utilizan en todo el mundo. Probablemente el mayor usuario institucional es la Comisión Europea . El proyecto MOLTO , por ejemplo, coordinado por la Universidad de Gotemburgo , recibió más de 2.375 millones de euros de apoyo al proyecto de la UE para crear una herramienta de traducción fiable que cubra la mayoría de los idiomas de la UE. ^[48] El mayor desarrollo de los sistemas de traducción automática llega en un momento en el que los recortes presupuestarios en la traducción humana pueden aumentar la dependencia de la UE de programas de traducción automática fiables. ^[49]La Comisión Europea contribuyó con 3.072 millones de euros (a través de su programa ISA) para la creación de MT @ EC, un programa de traducción automática estadística adaptado a las necesidades administrativas de la UE, para reemplazar un sistema anterior de traducción automática basado en reglas. ^[50]

En 2005, Google afirmó que se obtuvieron resultados prometedores utilizando un motor de traducción automática estadística patentado. ^[51] El motor de traducción estadística utilizado en las herramientas lingüísticas de Google para árabe <-> inglés y chino <-> inglés obtuvo una puntuación general de 0,4281 sobre la puntuación BLEU-4 de IBM de 0,3954 (verano de 2006) en las pruebas realizadas por el Instituto Nacional de Estándares y Tecnología. ^{[52] [53] [54]}

Con el reciente enfoque en el terrorismo, las fuentes militares en los Estados Unidos han estado invirtiendo cantidades significativas de dinero en ingeniería del lenguaje natural. In-Q-Tel ^[55] (un fondo de capital de riesgo, financiado en gran parte por la Comunidad de Inteligencia de Estados Unidos, para estimular nuevas tecnologías a través de empresarios del sector privado) creó empresas como Language Weaver . Actualmente, la comunidad militar está interesada en la traducción y el procesamiento de idiomas como el árabe , el pashto y el dari . ^{[ cita requerida ]}Dentro de estos idiomas, la atención se centra en las frases clave y la comunicación rápida entre militares y civiles mediante el uso de aplicaciones de teléfonos móviles. ^[56] La Oficina de Tecnología de Procesamiento de la Información en DARPA alberga programas como TIDES y el traductor de Babylon . La Fuerza Aérea de los Estados Unidos ha adjudicado un contrato de $ 1 millón para desarrollar una tecnología de traducción de idiomas. ^[57]

El notable aumento de las redes sociales en la web en los últimos años ha creado otro nicho para la aplicación de software de traducción automática, en utilidades como Facebook o clientes de mensajería instantánea como Skype, GoogleTalk, MSN Messenger, etc., lo que permite a los usuarios hablar diferentes idiomas para comunicarse entre sí. También se han lanzado aplicaciones de traducción automática para la mayoría de los dispositivos móviles, incluidos teléfonos móviles, Pocket PC, PDA, etc. Debido a su portabilidad, estos instrumentos se han denominado traducción móvil. herramientas que permiten la creación de redes de negocios móviles entre socios que hablan diferentes idiomas, o que facilitan tanto el aprendizaje de idiomas extranjeros como los viajes no acompañados a países extranjeros sin la necesidad de la intermediación de un traductor humano.

A pesar de haber sido etiquetado como un competidor indigno de la traducción humana en 1966 por el Comité Asesor de Procesamiento Automatizado del Lenguaje creado por el gobierno de los Estados Unidos, ^[58] la calidad de la traducción automática ahora se ha mejorado a niveles tales que su aplicación en la colaboración en línea y en se está investigando el campo de la medicina. La aplicación de esta tecnología en entornos médicos donde no hay traductores humanos es otro tema de investigación, pero surgen dificultades debido a la importancia de las traducciones precisas en los diagnósticos médicos. ^[59]

Evaluación

Artículo principal: Evaluación de la traducción automática

Hay muchos factores que afectan la forma en que se evalúan los sistemas de traducción automática. Estos factores incluyen el uso previsto de la traducción, la naturaleza del software de traducción automática y la naturaleza del proceso de traducción.

Los diferentes programas pueden funcionar bien para diferentes propósitos. Por ejemplo, la traducción automática estadística (SMT) generalmente supera a la traducción automática basada en ejemplos (EBMT), pero los investigadores encontraron que al evaluar la traducción del inglés al francés, EBMT funciona mejor. ^[60] El mismo concepto se aplica a los documentos técnicos, que pueden ser traducidos más fácilmente por SMT debido a su lenguaje formal.

Sin embargo, en ciertas aplicaciones, por ejemplo, descripciones de productos escritas en un idioma controlado , un sistema de traducción automática basado en diccionario ha producido traducciones satisfactorias que no requieren intervención humana, salvo inspección de calidad. ^[61]

Existen varios medios para evaluar la calidad de los resultados de los sistemas de traducción automática. El más antiguo es el uso de jueces humanos ^[62] para evaluar la calidad de una traducción. Aunque la evaluación humana requiere mucho tiempo, sigue siendo el método más confiable para comparar diferentes sistemas, como los basados ​​en reglas y los estadísticos. ^[63] Los medios automatizados de evaluación incluyen BLEU , NIST , METEOR y LEPOR . ^[64]

Confiar exclusivamente en la traducción automática sin editar ignora el hecho de que la comunicación en el lenguaje humano está incrustada en el contexto y que se necesita una persona para comprender el contexto del texto original con un grado razonable de probabilidad. Ciertamente es cierto que incluso las traducciones generadas puramente por humanos son propensas a errores. Por lo tanto, para garantizar que una traducción generada por máquina sea útil para un ser humano y que se logre una traducción de calidad publicable, dichas traducciones deben ser revisadas y editadas por un ser humano. ^[65] El difunto Claude Piron escribió que la traducción automática, en el mejor de los casos, automatiza la parte más fácil del trabajo de un traductor; La parte más difícil y que requiere más tiempo generalmente implica realizar una investigación exhaustiva para resolverambigüedades en el texto fuente , que deben resolverse las exigencias gramaticales y léxicas del idioma de destino. Dicha investigación es un preludio necesario para la preedición necesaria para proporcionar información para el software de traducción automática, de modo que la salida no carezca de sentido . ^[66]

Además de los problemas de eliminación de ambigüedades, puede producirse una disminución de la precisión debido a los diferentes niveles de datos de entrenamiento para los programas de traducción automática. Tanto la traducción automática basada en ejemplos como la estadística se basan en una amplia gama de oraciones de ejemplo reales como base para la traducción, y cuando se analizan demasiadas o muy pocas oraciones, la precisión se ve comprometida. Los investigadores encontraron que cuando un programa está capacitado en 203.529 pares de oraciones, la precisión en realidad disminuye. ^[60] El nivel óptimo de datos de entrenamiento parece ser un poco más de 100.000 oraciones, posiblemente porque a medida que aumentan los datos de entrenamiento, aumenta el número de oraciones posibles, lo que dificulta encontrar una traducción exacta.

Uso de la traducción automática como herramienta de enseñanza

Aunque ha habido preocupaciones sobre la precisión de la traducción automática, la Dra. Ana Nino de la Universidad de Manchester ha investigado algunas de las ventajas de utilizar la traducción automática en el aula. Uno de estos métodos pedagógicos se denomina "MT como modelo incorrecto". ^[67] La traducción automática como mal modelo obliga al alumno a identificar inconsistencias o aspectos incorrectos de una traducción; a su vez, el individuo (con suerte) poseerá una mejor comprensión del idioma. El Dr. Nino cita que esta herramienta de enseñanza se implementó a fines de la década de 1980. Al final de varios semestres, el Dr. Nino pudo obtener resultados de encuestas de estudiantes que habían usado MT como un mal modelo (así como otros modelos). De manera abrumadora, los estudiantes sintieron que habían observado una mejor comprensión, recuperación léxica y aumento confianza en su idioma de destino. ^[67]

Traducción automática y lenguajes de firma

Artículo principal: Traducción automática de lenguajes de signos

A principios de la década de 2000, las opciones de traducción automática entre lenguajes hablados y de señas eran muy limitadas. Era una creencia común que las personas sordas podían utilizar traductores tradicionales. Sin embargo, el acento, la entonación, el tono y el tiempo se transmiten de manera muy diferente en los idiomas hablados en comparación con los idiomas de señas. Por lo tanto, una persona sorda puede malinterpretar o confundirse acerca del significado de un texto escrito que se basa en un idioma hablado. ^[68]

Los investigadores Zhao, et al. (2000), desarrolló un prototipo llamado TEAM (traducción automática del inglés al ASL) que completaba las traducciones del inglés al lenguaje de señas americano (ASL). El programa analizaría primero los aspectos sintácticos, gramaticales y morfológicos del texto en inglés. Siguiendo este paso, el programa accedió a un sintetizador de signos, que actuó como diccionario para ASL. Este sintetizador albergaba el proceso que se debe seguir para completar los signos de ASL, así como los significados de estos signos. Una vez que se analiza todo el texto y los signos necesarios para completar la traducción se encuentran en el sintetizador, apareció un humano generado por computadora y usaría ASL para firmar el texto en inglés para el usuario. ^[68]

Copyright

Solo las obras que son originales están sujetas a protección de derechos de autor , por lo que algunos estudiosos afirman que los resultados de la traducción automática no tienen derecho a protección de derechos de autor porque la TA no implica creatividad . ^[69] El derecho de autor en cuestión se refiere a una obra derivada ; el autor de la obra original en el idioma original no pierde sus derechos cuando se traduce una obra: un traductor debe tener permiso para publicar una traducción.

Ver también

• AI completo
• Modelo de lenguaje de caché
• Comparación de aplicaciones de traducción automática
• Comparación de diferentes enfoques de traducción automática
• Ligüística computacional
• Traducción asistida por computadora y memoria de traducción
• Lenguaje controlado en la traducción automática
• Lenguaje natural controlado
• Ayuda de escritura en lengua extranjera
• Coincidencia difusa
• Historia de la traducción automática
• Tecnología del lenguaje humano
• Humor en la traducción ("aulladores")
• Tecnologías del lenguaje y la comunicación
• Barrera del idioma
• Lista de tecnologías emergentes
• Lista de laboratorios de investigación para traducción automática
• Traducción móvil
• Traducción automática neuronal
• OpenLogos
• Traductor de frases
• Publicando
• Pseudo-traducción
• Traducción de ida y vuelta
• Traducción automática estadística
• Traducción
• Memoria de traducción
• ULTRA (sistema de traducción automática)
• Lenguaje de red universal
• Traductor universal

Notas

1. Stephen Budiansky (diciembre de 1998). "Perdido en la traducción". Revista Atlántico . págs. 81–84.
2. Albat, Thomas Fritz. "Sistemas y métodos para estimar automáticamente un tiempo de traducción". Patente de EE. UU. 0185235, 19 de julio de 2012.
3. Yehoshua Bar-Hillel (1964). Lenguaje e información: ensayos seleccionados sobre su teoría y aplicación . Reading, MA: Addison-Wesley. págs. 174-179.
4. Madsen, Mathias Winther (2009). Los límites de la traducción automática . Tesis de maestría, Universidad de Copenhague . Consultado el 12 de mayo de 2020 .
5. DuPont, Quinn (enero de 2018). "Los orígenes criptológicos de la traducción automática: de al-Kindi a Weaver" . Amodern (8).
6. James Knowlson (1975). Esquemas de lenguaje universal en Inglaterra y Francia, 1600-1800 . Prensa de la Universidad de Toronto. ISBN 978-0-8020-5296-4.
7. J. Hutchins (2000). "Warren Weaver y el lanzamiento de MT". Primeros años en la traducción automática (PDF) . Académico semántico . Estudios de Historia de las Ciencias del Lenguaje. 97 . pag. 17. doi : 10.1075 / sihols.97.05hut . ISBN  978-90-272-4586-1. S2CID  163460375 .
8. "Warren Weaver, matemático estadounidense" . 13 de julio de 2020.
9. 上 野, 俊 夫 (13 de agosto de 1986).パ ー ソ ナ ル コ ン ピ ュ ー タ に よ る 機械 翻 訳 プ ロ グ ラ ム の 制作(en japonés). Tokio: (株) ラ ッ セ ル 社. pag. 16. ISBN 494762700X.わ が 国 で は 1956 年 、 当時 の 電 気 試 験 所 が 英 和 翻 訳 専 用 機 「ヤ マ ト」 を 実 験 し て い。 こ の 機械 は は は の 90い る。 (traducción (con la ayuda del traductor de Google ): En 1959, el Instituto Nacional de Ciencia y Tecnología Industrial Avanzada (AIST) de Japón probó la máquina de traducción correcta del inglés al japonés Yamato , que informó en 1964 que alcanzó el nivel de potencia sobre la puntuación de 90 puntos en el libro de texto de 1er grado de secundaria).
10. "機械 翻 訳 専 用 機「 や ま と 」- コ ン ピ ュ ー タ 博物館" .
11. Nye, Mary Jo (2016). "Hablar en lenguas: la búsqueda de siglos de ciencia por un idioma común" . Destilaciones . 2 (1): 40–43 . Consultado el 20 de marzo de 2018 .
12. Gordin, Michael D. (2015). Scientific Babel: cómo se hacía la ciencia antes y después del inglés global . Chicago, Illinois: University of Chicago Press. ISBN 9780226000299.
13. Wolfgang Saxon (28 de julio de 1995). "David G. Hays, 66, desarrollador de estudios de idiomas por computadora" . The New York Times . escribió sobre el procesamiento del lenguaje asistido por computadora ya en 1957 ... fue líder del proyecto sobre lingüística computacional en Rand desde 1955 hasta 1968.
14. 上 野, 俊 夫 (13 de agosto de 1986).パ ー ソ ナ ル コ ン ピ ュ ー タ に よ る 機械 翻 訳 プ ロ グ ラ ム の 制作(en japonés). Tokio: (株) ラ ッ セ ル 社. pag. 16. ISBN 494762700X.
15. Schank, Roger C. (2014). Procesamiento de información conceptual . Nueva York: Elsevier. pag. 5. ISBN 9781483258799.
16. Adiós, David; Gerber, Laurie; Hovy, Eduard (29 de junio de 2003). La traducción automática y la sopa de información: Tercera conferencia de la Asociación para la traducción automática en las Américas, AMTA'98, Langhorne, PA, EE. UU., Actas del 28 al 31 de octubre de 1998 . Berlín: Springer. pag. 276. ISBN 3540652590.
17. Barron, Brenda (18 de noviembre de 2019). "Babel Fish: ¿qué pasó con la aplicación de traducción original ?: investigamos" . Digital.com . Consultado el 22 de noviembre de 2019 .
18. y también dio otros ejemplos
19. Chan, Sin-Wai (2015). Enciclopedia de tecnología de traducción de Routledge . Oxon: Routledge. pag. 385. ISBN 9780415524841.
20. Bai Liping, "Similitud y diferencia en la traducción". Tomado de Similarity and Difference in Translation: Proceedings of the International Conference on Similarity and Translation , pág. 339. Eds. Stefano Arduini y Robert Hodgson. 2ª ed. Roma : Edizioni di storia e letteratura, 2007. ISBN 9788884983749 
21. John Lehrberger (1988). Traducción automática: características lingüísticas de los sistemas de traducción automática y metodología general de evaluación . Editorial John Benjamins. ISBN 90-272-3124-9.
22. Chitu, Alex (22 de octubre de 2007). "Google cambia a su propio sistema de traducción" . Googlesystem.blogspot.com . Consultado el 13 de agosto de 2012 .
23. "Traductor de Google: el lenguaje universal" . Blog.outer-court.com. 25 de enero de 2007 . Consultado el 12 de junio de 2012 .
24. "Inside Google Translate - Traductor de Google" .
25. http://www.mt-archive.info/10/HyTra-2013-Tambouratzis.pdf
26. Nagao, M. 1981. Marco de una traducción mecánica entre japonés e inglés mediante el principio de analogía , en inteligencia artificial y humana, A. Elithorn y R. Banerji (eds.) North-Holland, págs. 173–180, 1984.
27. "la Asociación de Lingüística Computacional - 2003 ACL Lifetime Achievement Award" . Asociación de Lingüística Computacional. Archivado desde el original el 12 de junio de 2010 . Consultado el 10 de marzo de 2010 .
28. "Kitt.cl.uzh.ch [Wiki de CL]" (PDF) .
29. Adam Boretz (2 de marzo de 2009). "Boretz, Adam", AppTek lanza el software híbrido de traducción automática "SpeechTechMag.com (publicado el 2 de marzo de 2009)" . Speechtechmag.com . Consultado el 12 de junio de 2012 .
30. "La red neuronal de Google aprende a traducir idiomas en los que no ha sido capacitado" .
31. https://blogs.microsoft.com/ai/chinese-to-english-translator-milestone/ .
32. Hitos en la traducción automática - No 6: Bar-Hillel y la inviabilidad de FAHQT Archivado el 12 de marzo de 2007 en la Wayback Machine por John Hutchins
33. Bar-Hillel (1960), "Traducción automática de idiomas". Disponible en línea en http://www.mt-archive.info/Bar-Hillel-1960.pdf
34. Enfoques híbridos de la traducción automática . Costa-jussà, Marta R. ,, Rapp, Reinhard ,, Lambert, Patrik ,, Eberle, Kurt ,, Banchs, Rafael E. ,, Babych, Bogdan. Suiza. ISBN 9783319213101. OCLC  953581497 .
35. Claude Piron , Le défi des langues (El desafío del lenguaje), París, L'Harmattan, 1994.
36. http://www.cl.cam.ac.uk/~ar283/eacl03/workshops03/W03-w1_eacl03babych.local.pdf
37. Hermajakob, U., Knight, K. y Hal, D. (2008). Traducción de nombres en la traducción automática estadística Aprender cuándo transliterar . Asociación de Lingüística Computacional. 389–397.
38. http://nlp.stanford.edu/courses/cs224n/2010/reports/singla-nirajuec.pdf
39. https://dowobeha.github.io/papers/amta08.pdf
40. http://homepages.inf.ed.ac.uk/mlap/Papers/acl07.pdf
41. https://www.jair.org/media/3540/live-3540-6293-jair.pdf
42. Vossen, Piek: Ontologías . En: Mitkov, Ruslan (ed.) (2003): Manual de Lingüística Computacional, Capítulo 25. Oxford: Oxford University Press.
43. Caballero, Kevin (1994). " Construyendo una gran ontología para traducción automática (1993) ". arXiv : cmp-lg / 9407029 .
44. Melby, Alan. La posibilidad del lenguaje (Amsterdam: Benjamins, 1995, 27–41) . Benjamins.com. 1995. ISBN 9789027216144. Consultado el 12 de junio de 2012 .
45. Adam (14 de febrero de 2006). "Wooten, Adam". Un modelo simple que describe la tecnología de traducción "T&I Business (14 de febrero de 2006)" . Tandibusiness.blogspot.com . Consultado el 12 de junio de 2012 .
46. "Apéndice III de 'El estado actual de la traducción automática de idiomas', Advances in Computers, vol.1 (1960), p.158-163. Reimpreso en Y.Bar-Hillel: Language and information (Reading, Mass .: Addison-Wesley, 1964), págs. 174-179 " (PDF) . Consultado el 12 de junio de 2012 .
47. "Solución de traducción automática de calidad humana de Ta contigo" (en español). Tauyou.com. 15 de abril de 2009 . Consultado el 12 de junio de 2012 .
48. "molto-project.eu" . molto-project.eu . Consultado el 12 de junio de 2012 .
49. SPIEGEL ONLINE, Hamburgo, Alemania (13 de septiembre de 2013). "Google Translate tiene ambiciosos objetivos para la traducción automática" . SPIEGEL EN LÍNEA .
50. "Servicio de traducción automática" . 5 de agosto de 2011.
51. Blog de Google: Las máquinas hacen la traducción (por Franz Och )
52. "Geer, David," Traducción estadística gana respeto ", págs. 18 - 21, IEEE Computer, octubre de 2005". Ieeexplore.ieee.org. 27 de septiembre de 2011. doi : 10.1109 / MC.2005.353 . S2CID 7088166 . 
53. Ratliff, Evan (4 de enero de 2009). "Ratcliff, Evan" Me traduzco un día bonito ", cableado en diciembre de 2006" . Cableado . Consultado el 12 de junio de 2012 .
54. " " Resultados oficiales de la evaluación de traducción automática de NIST 2006 ", 1 de noviembre de 2006" . Itl.nist.gov . Consultado el 12 de junio de 2012 .
55. "In-Q-Tel" . In-Q-Tel. Archivado desde el original el 20 de mayo de 2016 . Consultado el 12 de junio de 2012 .
56. Gallafent, Alex (26 de abril de 2011). "Traducción automática para el ejército" . El PRI es el mundo . Consultado el 17 de septiembre de 2013 .
57. Jackson, William (9 de septiembre de 2003). "GCN - Air Force quiere construir un traductor universal" . Gcn.com . Consultado el 12 de junio de 2012 .
58. http://www.nap.edu/html/alpac_lm/ARC000005.pdf
59. "Uso de la traducción automática en la práctica clínica" .
60. Camino, Andy; Nano Gough (20 de septiembre de 2005). "Comparación de traducción automática basada en ejemplos y estadística". Ingeniería del lenguaje natural . 11 (3): 295-309. doi : 10.1017 / S1351324905003888 .
61. Muegge (2006), " Traducción automática de alta calidad totalmente automática de texto restringido: un estudio de caso ", en Translates and the computer 28. Actas de la vigésimo octava conferencia internacional sobre la traducción y la computadora, 16-17 de noviembre de 2006, Londres , Londres: Aslib. ISBN 978-0-85142-483-5 . 
62. "Comparación de sistemas MT por evaluación humana, mayo de 2008" . Morphologic.hu. Archivado desde el original el 19 de abril de 2012 . Consultado el 12 de junio de 2012 .
63. Anderson, DD (1995). La traducción automática como herramienta en el aprendizaje de segundas lenguas . Revista CALICO. 13 (1). 68–96.
64. Han y col. (2012), " LEPOR: Una métrica de evaluación robusta para la traducción automática con factores aumentados ", en Actas de la 24ª Conferencia Internacional sobre Lingüística Computacional (COLING 2012): Afiches, páginas 441–450 , Mumbai, India.
65. JM Cohen observa (p.14): "La traducción científica es el objetivo de una época que reduciría todas las actividades a técnicas . Sin embargo, es imposible imaginar una máquina de traducción literaria menos compleja que el propio cerebro humano, con todos sus conocimientos , lectura y discriminación ".
66. Consulte las pruebas NIST realizadas anualmente desde 2001 y el estudiante de evaluación bilingüe
67. Nino, Ana. " La traducción automática en el aprendizaje de lenguas extranjeras: las percepciones de los estudiantes y tutores de idiomas sobre sus ventajas y desventajas ", recuerda: Revista EUROCALL 21.2 (mayo de 2009) 241–258.
68. Zhao, L., Kipper, K., Schuler, W., Vogler, C. y Palmer, M. (2000). Un sistema de traducción automática del inglés al lenguaje de señas estadounidense . Lecture Notes in Computer Science, 1934: 54–67.
69. "Traducción automática: ¿Sin derechos de autor sobre el resultado?" . Traductor SEO, citando a Zimbabwe Independent . Consultado el 24 de noviembre de 2012 .

Lectura adicional

• Cohen, JM (1986), "Translation", Encyclopedia Americana , 27 , págs. 12-15
• Hutchins, W. John ; Somers, Harold L. (1992). Introducción a la traducción automática . Londres: Academic Press. ISBN 0-12-362830-X.
• Lewis-Kraus, Gideon, "Tower of Babble", New York Times Magazine , 7 de junio de 2015, págs. 48–52.

Enlaces externos

Wikiversity tiene recursos de aprendizaje sobre el tema: lingüística computacional

• Las ventajas y desventajas de la traducción automática
• Por qué Google nunca reemplazará a una agencia de traducción
• Asociación Internacional de Traducción Automática (IAMT)
• Archivo de traducción automática de John Hutchins . Un repositorio electrónico (y bibliografía) de artículos, libros y trabajos en el campo de la traducción automática y la tecnología de traducción basada en computadora.
• Traducción automática (traducción por computadora) : publicaciones de John Hutchins (incluye archivos PDF de varios libros sobre traducción automática)
• Traducción automática e idiomas minoritarios
• John Hutchins 1999