Detailansicht
Grasping at straws: comparing the quality of idiom translation of neural machine translation systems
Tamara Nedic
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Zentrum für Translationswissenschaft
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Translation Deutsch Englisch
Betreuer*in
Dagmar Gromann
DOI
10.25365/thesis.79311
URN
urn:nbn:at:at-ubw:1-17820.84318.329070-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Idiome sind ein faszinierendes sprachliches Phänomen, da sie Bedeutungen vermitteln, die sich stark von denen ihrer einzelnen Bestandteile unterscheiden. Aufgrund ihrer idiomatischen Natur ist die Übersetzung dieser Ausdrücke eine Herausforderung, da es schwierig ist, die Bedeutung eines Idioms genau von einer Sprache in eine andere zu übertragen, in der es möglicherweise keine exakte Entsprechung gibt. In den letzten Jahren hat die maschinelle Übersetzung erhebliche Fortschritte gemacht, was vor allem auf die Einführung neuronaler maschineller Übersetzungssysteme (NMT) zurückzuführen ist. Aufbauend auf diesen Entwicklungen untersucht diese Masterarbeit die Leistungsfähigkeit führender NMT-Systeme bei der Übersetzung von Idiomen. Der Schwerpunkt liegt dabei auf Google Translate, DeepL und SYSTRAN. Die Analyse basiert auf einer Reihe von Idiomen, die sowohl im als auch außerhalb des Kontexts getestet werden. Um die Leistung jedes NMT-Systems bei der Übersetzung von Idiomen zu bewerten, werden die ausgewählten Beispiele anhand der führenden Theorie zu Übersetzungsstrategien für Idiome annotiert. Darüber hinaus wird der Einfluss des Kontexts auf das Ergebnis der maschinellen Übersetzung untersucht, d. h. ob das Vorhandensein und die Länge des Kontexts die Genauigkeit der vorgeschlagenen Übersetzung beeinflussen. Anhand deskriptiver Statistiken und des Cohen-Kappa-Wertes zum Vergleich der erhaltenen Annotationen wird gezeigt, dass DeepL bei der Übersetzung von Idiomen am besten abschneidet. Google Translate schnitt ebenfalls erfolgreich ab, während SYSTRAN die Erwartungen nicht erfüllen konnte. Darüber hinaus zeigt diese Masterarbeit, dass das Vorhandensein von Kontext die drei Systeme unterschiedlich beeinflusst. Während DeepL Idiome im Kontext und isoliert in ähnlicher Weise erkennt, schneidet Google Translate besser ab, wenn Kontext gegeben ist. SYSTRAN zeigte keinen Unterschied in den Ergebnissen mit und ohne Kontext und insgesamt lediglich ein sehr geringes Verständnis von Idiomen.
Abstract
(Englisch)
Idioms are a fascinating linguistic phenomenon because they convey meanings that differ greatly from those of their individual components. Due to their idiomatic nature, translating this group of expressions is challenging, as it is difficult to accurately transfer the meaning of an idiom from one language to another that may not have an exact equivalent. In recent years, machine translation has made significant progress, largely due to the advent of Neural Machine Translation (NMT). Building on these developments, this thesis investigates the performance of state-of-the-art NMT systems when translating idioms. The focus is on Google Translate, DeepL, and SYSTRAN in particular. The analysis is based on a set of idioms that were tested both in and out of context. To evaluate the performance of each NMT system when translating idioms, the selected examples are annotated according to the leading theory on idiom translation strategies. Furthermore, the influence of context on machine translation output is examined, i.e., whether the presence and length of context impact the accuracy of the suggested translation. Using descriptive statistics and Cohen’s Kappa to compare the obtained annotations, it is shown that DeepL performs best with regard to idiom translation. Google Translate also performed successfully, while SYSTRAN failed to meet expectations. Furthermore, this master’s thesis demonstrates that the presence of context influences the three systems differently. While DeepL recognizes idioms in context and in isolation in a similar way, Google Translate delivers better results when context is given. SYSTRAN showed no difference in results with and without context, indicating an overall very low understanding of idiomatic expressions.
Schlagwörter
Schlagwörter
(Deutsch)
Maschinelle Übersetzung Neuronale Maschinelle Übersetzung NMT Idiome
Autor*innen
Tamara Nedic
Haupttitel (Englisch)
Grasping at straws: comparing the quality of idiom translation of neural machine translation systems
Publikationsjahr
2025
Umfangsangabe
viii, 112 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Dagmar Gromann
Klassifikation
17 Sprach- und Literaturwissenschaft > 17.45 Übersetzungswissenschaft
AC Nummer
AC17642919
Utheses ID
77758
Studienkennzahl
UA | 070 | 331 | 342 |