Tradução automática e tradução humana de expressões multipalavras : descascando esse abacaxi

Abstract

As expressões multipalavras (EMPs) — composicionais, não composicionais (NC) e parcialmente composicionais (PC) — representam um grande desafio tanto para a tradução humana (TH) quanto para os sistemas de tradução automática (TA). Este estudo investigou o desempenho de tradutores em formação na recuperação de EMPs PC e NC do inglês para o português, comparando suas escolhas às de dois sistemas de TA: Google Tradutor e ChatGPT-3. Foram analisadas as traduções de 66 contextos autênticos contendo EMPs, contrastando as escolhas tradutórias com equivalentes gold standard (GS). Quando analisamos a totalidade das traduções humanas, observamos que a correspondência com os equivalentes GS não ultrapassou 36,1%. Contudo, ao considerar as propostas tradutórias individualmente, verificamos que, em 74,2% dos casos, pelo menos uma das escolhas dos tradutores em formação coincidiu com algum dos equivalentes GS, enquanto as propostas do Google Tradutor e do ChatGPT-3 alcançaram correspondência em 43,9% e 39,4% dos casos, respectivamente. No que se refere à adequação das traduções, a TH superou os sistemas automáticos, além de apresentar maior variedade de soluções e preservar a idiomaticidade com mais frequência. Ao comparar a correspondência das EMPs PC e NC separadamente, verificou-se que tanto a TH quanto a TA tiveram melhor desempenho na tradução das EMPs PC, que apresentam maior transparência semântica em relação às NC. Em termos de adequação, tanto o ChatGPT-3 quanto a TH apresentaram mais propostas eficazes para traduzir EMPs NC do que PC. Concluímos que a TA pode ser uma aliada dos tradutores humanos, mas a intervenção humana continua indispensável para garantir soluções idiomáticas e adequadas. O estudo reforça a necessidade de uma abordagem colaborativa entre TH e TA, bem como de um treinamento eficaz para que os tradutores possam lidar adequadamente com a linguagem figurada.

Multiword expressions (MWEs) — compositional, non-compositional (NC), and partially compositional (PC) — pose a significant challenge for both human translation (HT) and machine translation (MT) systems. This study investigated the performance of trainee translators in retrieving PC and NC MWEs from English into Portuguese, comparing their choices with those of two MT systems: Google Translate and ChatGPT-3. Translations of 66 authentic contexts containing MWEs were analyzed, contrasting the translation choices with gold standard (GS) equivalents. When analyzing the totality of human translations, we observed that correspondence with GS equivalents did not exceed 36.1%. However, when considering translation proposals individually, we found that in 74.2% of cases, at least one of the trainee translators’ choices matched a GS equivalent, whereas the proposals from Google Translate and ChatGPT-3 achieved correspondence in 43.9% and 39.4% of cases, respectively. Regarding translation adequacy, HT outperformed MT systems, offering a greater variety of solutions and preserving idiomaticity more frequently. When comparing the correspondence of PC and NC MWEs separately, both HT and MT performed better in translating PC MWEs, which have greater semantic transparency than NC MWEs. In terms of adequacy, both ChatGPT-3 and HT produced more effective proposals for translating NC MWEs than PC MWEs. We conclude that MT can be an ally to human translators, but human intervention remains essential to ensure idiomatic and appropriate solutions. This study reinforces the need for a collaborative approach between HT and MT, as well as effective training to equip translators to handle figurative language properly.