Вестник Казахстанско-Американского

жүктеу 5.1 Kb.
Pdf просмотр
өлшемі5.1 Kb.
1   ...   8   9   10   11   12   13   14   15   ...   53

Вестник КАСУ
One  hallmark  of  the  Air  Force  Foreign 
Technology  Division  (FTD)  was  (and  contin-
ues to be for HQ NASIC) its machine transla-
tion (MT) capabilities. In 1955, the Rome  Air 
Development  Center  at  Griffiss  AFB,  New 
York, was tasked to develop an MT system for 
the  center.  The  IBM  Mark  I  Translating  De-
vice produced its first automated translation in 
1959, and, in October 1963, FTD installed the 
Mark  II,  which  provided  word-for-word  Rus-
sian  language  translations  at  the  rate  of  about 
5,000 words per hour. 
The National Air and Space Intelligence 
Center  (NASIC)  has  been  developing,  operat-
ing,  and  maintaining  Systran  [MT]  systems 
since 1969. In July 1970, FTD upgraded to an 
IBM  360  Systran  system.  Translation  speed 
increased 20-fold and the system analyzed the 
Russian  text  sentence-by-sentence  to  provide 
improved  grammar  and  syntax.  In  October 
1982, an optical character reader was added to 
the system to more fully automate text transla-
In September 1971, Air Force Rome Air 
Development Center developed an English-to-
Vietnamese automated translator. Designed to 
operate  on  the  IBM  360/67  computer,  the 
translation system had an output rate of 80,000 
to  100,000  words  per  hour.  As  part  of  the 
overall  "Vietnamization  Program,"  RADC 
produced  in  May  an  automated  translation 
from English to Vietnamese of AF Manual 51-
37,  Instrument  Flying.  The  translation  was 
accomplished  using  the  LOGOS  I  System  for 
English-to-Vietnamese machine translation. 
By the late 1970s three types of projects 
include those relying on "brute force" methods 
involving  larger  and  faster  computers;  those 
based  on  a  linguistic  tradition  which  asserts 
that  knowledge  required  for  machine  transla-
tion  can  be  assimilated  to  the  structure  of  a 
grammar-based  system  with  a  semantic  com-
ponent;  and  those  stemming  from  artificial 
intelligence  research,  with  an  emphasis  on 
knowledge  structures.  At  that  time  the  artifi-
cial  intelligence  approach  seemed  to  have  the 
best  chance  of  simulating  the  communicative 
abilities  necessary  for  realistic  machine  trans-
lation and gives an account of how knowledge 
structures  might  cope  with  one  of  the  classic 
problems of machine translation: that of meta-
phor, or "semantic boundary breaking". 
Machine  translation  efforts  at  RADC 
concluded  on  27  October  1980  upon  comple-
tion  of  a  German/English  translation  system, 
dubbed  METAL.  Developed  in  conjunction 
with  the  University  of  Texas  at  Austin,  the 
third-generation  machine  translated  with  an 
accuracy  rate  of  83  percent.  From  its  begin-
nings  25  years  before  as  an  in-house  research 
and development project, translation machines 
were designed by the Center for Russian, Chi-
nese, and Vietnamese languages. 
Today's MT capabilities provides trans-
lation  "on-the-fly."  Within  seconds  after  re-
ceiving  text,  the  computer  begins  providing 
the  translation.  Also,  almost  all  HQ  NASIC 
personnel  have  access  to  the  interactive  ma-
chine  translation  system.  Russian  is  the  most 
"robust" language, with built-in Russian trans-
lation  dictionaries  containing  more  than 
350,000 words and expressions. 
The  Systran  MT  systems  are  the  only 
known MT systems that cover the  wide range 
of  systems  of  interest  to  NASIC  and  which 
employ  the  context-sensitive  language  analy-
sis  that  is  compatible  with  NASIC's  systems. 
In  addition,  Systran  MT  systems  have  been 
identified  as  the  only  Department  of  Defense 
Intelligence  Information  System  (DODIIS) 
migration  MT  System  by  the  DODIIS  Migra-
tion  Board.  Existing  Systran  MT  systems  in-
clude  Russian-English,  French-English,  Ger-
man-English,  Chinese-  English,  Spanish-
English,  Korean-English,  Slovak-English,  Al-
banian-English,  Ukrainian-English,  Serbo-
Croatian-English,  Japanese-English,  Polish-
English,  English-Chinese,  English-Japanese, 
English-Korean,  Czech-English,  Arabic-  Eng-
lish, Urdu-English, and Farsi-English. 
Over the past few years there has been a 
significant  research  program  funded  by 
ARPA,  NSA  and  other  government  agencies 
to develop and test automatic machine transla-
tion  algorithms.  While  this  research  program 
has  been  constrained  to  a  limited  source  of 
documents  and  a  limited  set  of  languages,  re-
sults  so  far  have  been  very  promising.  How-
ever a follow-on program is needed to transfer 
the  results  of  this  research  into  operational 
use. NSA sponsored work to extend the appli-
cability  of  the  best  language  translation  algo-
rithms  to  more  languages  and  more  general 
domains;  to  improve  the  computational  effi-
ciency of those algorithms; to port those algo-
rithms  to  networked  workstations;  and  to  de-

Вестник КАСУ
velop good human-machine interfaces to allow 
easy control and operation of the system. 
For textual information, there are ongo-
ing  research  programs  for  document  retrieval 
by  topic,  for  data  extraction  and  for  machine 
translation.  For  several  years,  ARPA,  NSA 
and  other  agencies  onducted  and  sponsored 
research  programs  to  develop  algorithms  for 
large  vocabulary,  continuous  speech  recogni-
tion. A follow-on to this research program was 
needed  to  further  improve  the  recognition  al-
gorithms  and  to  build  a  prototype  speech  rec-
ognition system and a system capable of proc-
essing continuous speech dictation of arbitrary 
NSA  sponsored  work  to  extend  the  ap-
plicability  of  the  best  large  vocabulary  con-
tinuous speech recognition systems to vocabu-
laries  with  sizes  up  to  50,000  words  and  to 
languages  other  than  English;  to  improve  the 
computational  efficiency  of  those  algorithms; 
to port those algorithms to networked worksta-
tions; and to develop effective human-machine 
interfaces  to  allow  easy  training,  testing  and 
general use of the system. The goal of the pro-
gram  is  to  deliver  a  usable  prototype  system 
for  taking  dictation  on  arbitrary  topics  using 
continuous speech input. 
A  major  effort  was  initiated  for  devel-
opment of efficient and reliable text summari-
zation  technology.  Text  summarization  will 
combine existing text generation systems with 
a  new  understanding  of  how  to  identify  key 
points  of  information  in  a  text  to  reduce  the 
volume  of  text  an  analyst  needs  to  review. 
Prototype development for text summarization 
and  relevance  feedback  from  users  is  a  near-
term goal of the program. 
By  2000  many  projects  to  develop  and 
use  technology,  including  machine  translation 
tools,  for  foreign  language  training  and  proc-
essing  were  under  way  in  the  Intelligence 
Community  with  funding  from  the  National 
Foreign  Intelligence  Program,  Joint  Military 
Intelligence  Program,  and  the  Tactical  Intelli-
gence  and  Related  Activities  budget.  A  num-
ber  of  pilot  projects  are  underway  that  could 
eventually  help  IC  analysts  and  information 
processors deal  with the increasing  volume  of 
foreign language material. 
But humans remained a key part of this 
equation.  The  trend  was  toward  development 
of  tools  that  are  intended  to  assist  rather  than 
replace the human  language specialist and the 
instructor. Still, though this capability was not 
intended  to  replace  humans,  it  was  increas-
ingly  useful  in  niche  areas,  such  as  technical 
By  2003  the  performance  of  machine 
translation  technology  on  Arabic  news  feeds 
had  vastly  improved  from  essentially  garbled 
output to nearly edit-worthy text, often under-
standable  down to the  level  of individual sen-
tences. This work pointed the way to unprece-
dented  capabilities  for  exploiting  huge  vol-
umes of speech and text in multiple languages. 
Historically  three  different  approaches 
to  MT  have  been  used:  direct  translation,  in-
terlingual  translation  and  transfer  based  trans-
lation. From the 1980's and early 1990's a few 
new  approaches  were  also  introduced.  These 
recent  approaches  to  machine  translation  are 
knowledge-based,  corpus-based,  hybrid  meth-
ods and human in loop. 
Direct translation is the oldest approach 
to  MT.  If  the  MT  system  uses  direct  transla-
tion, it usually meant that the source language 
text  was  not  analyzed  structurally  beyond 
morphology. The translation  is based  on  large 
dictionaries  and  word-by-word  translation 
with  some  simple  grammatical  adjustments 
e.g.  on  word  order  and  morphology.  A  direct 
translation  system  is  designed  for  a  specific 
source  and  target  language  pair.  The  transla-
tion unit of the approach is usually a word. 
The lexicon is normally conceived of as 
the  repository  of  word-specific  information. 
Traditional lexical resources, such as machine 
readable dictionaries, therefore contain lists of 
words. These lists  might  delineate senses  of a 
word,  represent  the  meaning  of  a  word,  or 
specify  the  syntactic  frames  in  which  a  word 
can  appear,  but  the  level  of  granularity  with 
which  they  are  concerned  is  the  individual 
word.  There  are  many  linguistic  phenomena 
which pose a challenge to this "word focus" in 
the lexicon. The incorporation of elements at a 
higher  level  of  abstraction  --  at  the  phrasal 
level,  where  particular  words  are  grouped  to-
gether  into  fixed  phrases  --  provides  a  basis 
for improved computational processing of lan-
One of the oldest still used MT systems 
today, Systran, is basically a direct translation 
system. The first version of it was published in 
1969.  Over  the  years  the  system  has  been  de-

Вестник КАСУ
veloped  quite  much,  but  still  its  translation 
capability is mainly based on very large bilin-
gual  dictionaries.  No  general  linguistic  theory 
or  parsing  principles  are  necessarily  present 
for  direct  translation  to  work;  these  systems 
depends  instead  on  well  developed  dictionar-
ies,  morphological  analysis,  and  text  process-
ing software. 
The  interlingua  approach  was  histori-
cally the next steps in the development of MT. 
Esperanto  was  an  interlingua  for  translating 
between  languages.  In  an  interlingua  based 
MT approach  translation  is  done  via  an  inter-
mediary  (semantic)  representation  of  the  SL 
text.  Interlingua  is  supposed  to  be  a  language 
independent  representation  from  which  trans-
lations  can  be  generated  to  different  target 
languages.  The  interlingua  approach  assumes 
that  it  is  possible  to  convert  source  texts  into 
representations common to more than one lan-
guage.  From  such  interlingual  representations 
texts  are  generated  into  other  languages. 
Translation  is  thus  in  two  stages:  from  the 
source  language  to  the  interlingua  (IL)  and 
from the IL to the target language. 
Transfer  systems  divide  translation  into 
steps  which  clearly  differentiate  source  lan-
guage  and  target  language  parts.  The  first 
stage converts source texts into abstract repre-
sentations;  the  second  stage  converts  these 
into equivalent target language-oriented repre-
sentations;  and  the  third  generates  the  final 
target  language  texts.  Whereas  the  interlingua 
approach necessarily requires complete resolu-
tion  of  all  ambiguities  in  the  SL  text  so  that 
translation into any other language is possible, 
in the transfer approach only those ambiguities 
inherent  in  the  language  in  question  are  tack-
Knowledge-based  machine  translation 
follows  the  linguistic  and  computational  in-
structions supplied to it by  human researchers 
in  linguistics  and  programming.  The  texts  to 
be translated have to be presented to the com-
puter  in  machine-readable  form.  The  machine 
translation  process  may  be  unidirectional  be-
tween  a  pair  of  languages:  the  translation  is 
possible only from Russian to English, for ex-
ample, and not vice versa, in one system. Or it 
may be bidirectional. 
The  dominant  approach  since  around 
1970  has  been  to  use  handcrafted  linguistic 
rules,  but  this  approach  is  very  expensive  to 
build,  requiring  the  manual  entry  of  large 
numbers  of  "rules"  by  trained  linguists.  This 
approach  does  not  scale  up  well  to  a  general 
system.  Such  systems  also  produce  transla-
tions that are awkward and hard to understand. 
Corpus-based  approaches  to  machine 
translation (statistical or example-based) tried, 
and  partially  succeeded  to  replace  traditional 
rule-based  approaches,  beginning  in  the  mid-
1990s,  following  the  developments  in  lan-
guage technology. The main advantage of cor-
pus-based  machine  translation  systems  is  that 
they are self-customising in the sense that they 
can  learn  the  translations  of  terminology  and 
even  stylistic  phrasing  from  previously  trans-
lated materials. 
One  of  the  many  problems  in  the  field 
of  machine  translation  is  that  expressions 
(multi-word  terms)  convey  ideas  that  tran-
scend the meanings of the individual words in 
the  expression. A sentence  may  have unambi-
guous meaning, but each word in the sentence 
can  have  many  different  meanings.  Autocod-
ing  (or  automatic  concept  indexing)  occurs 
when  a  software  program  extracts  terms  con-
tained within text and maps them to a standard 
list  of  concepts  contained  in  a  nomenclature. 
The purpose of autocoding is to provide a way 
of organizing large documents by the concepts 
represented  in  the  text.  Autocoders  transform 
text  into  an  index  of  coded  nomenclature 
terms  (sometimes  called  a  "concept  index"  or 
"concept signature"). 
Word  sense  disambiguation  is  a  tech-
nique  for  assigning  the  most  appropriate 
meaning to a polysemous word within a given 
context. Word sense disambiguation is consid-
ered  essential for applications that use  knowl-
edge  of  word  meanings  in  open  text,  such  as 
machine  translation,  knowledge  acquisition, 
information  retrieval,  and  information  extrac-
tion.  Accordingly,  word  sense  disambiguation 
may  be  used  by  many  commercial  applica-
tions,  such  as  automatic  machine  translation 
(e.g.  see  the  translation  services  offered  by 
www.altavista.com,  www.google.com),  intel-
ligent  information  retrieval  (helping  the  users 
of search engines find information that is more 
relevant  to  their  search),  text  classification, 
and others. 
By  the  turn  of  the  century,  this  newer 
approach  based  on  statistical  models  -  a  word 
or  phrase  is  translated  to  one  of  a  number  of 

Вестник КАСУ
possibilities  based  on  the  probability  that  it 
would  occur  in  the  current  context  -  has 
achieved  marked  success.  The  best  examples 
substantially  outperform  rule-based  systems. 
Statistics-based  machine  translation  (SMT) 
also  may  prove  easier  and  less  expensive  to 
expand,  if  the  system  can  be  taught  new 
knowledge  domains  or  languages  by  giving  it 
large  samples  of  existing  human-translated 
Despite  some  success,  however,  severe 
problems  still  exist:  outputs  are  often  un-
grammatical  and  the  quality  and  accuracy  of 
translation  falls  well  below  that  of  a  human 
linguist  -  and  well  below  demands  of  all  but 
highly specialized commercial markets. 
Hybrid  methods  are  still  fundamentally 
statistics-based,  but  incorporate  higher  level 
abstract  syntax  rules  to  arrive  at  the  final 
translation.  Such  hybrids  have  been  explored 
in  the  research  community,  but  without  any 
real  success  because  it  was  difficult  to  merge 
the  fundamentally  different  approaches.  New 
algorithms  exploit  knowledge  of  how  words, 
phrases  and  patterns  should  be  translated; 
knowledge  of  how  syntax-based  and  non-
syntax  based  translation  rules  should  be  ap-
plied;  and  knowledge  of  how  syntactically 
based  target  structures  should  be  generated. 
Cross-lingual parsers of increasing complexity 
provide  methods  to  choose  different  syntactic 
orderings in different situations. 
Human-in-loop  approaches  respond  to 
the  difficulties  in  translation  from  one  lan-
guage  to  another  that  are  inherent  in  Machine 
Translation.  Languages  are  not  symmetrically 
translatable word for word - greatly complicat-
ing software  design and  making perfect trans-
lation  impossible.  The  greater  the  differences 
between  languages'  structure  and  culture,  the 
greater the difficulty to accurately translate the 
intent  of  the  speaker.  As  with  any  machine 
translation,  conversions are  normally  not con-
text-sensitive  and  may  not  fully  convert  text 
into  its  intended  meaning.  Language  experts 
noted  that  machine  translation  software  will 
never  be  able  to  replace  a  human  translator's 
ability to interpret fine nuances, cultural refer-
ences, and the use of slang terms or idioms. 
Machine  translation  is  not  perfect,  and 
may create some poor translations (which  can 
be corrected). Computers, however limited for 
aiding nonlinguists, are powerful tools for lin-
guists in intelligence and special operations to 
sort  through  tons  of  untranslated  information 
or "triage" documents, sorting contents by pri-
ority.  Machine  "gisting"  (reviewing  intelli-
gence  documents  to  determine  if  they  contain 
target  key  words  or  phrases)  is  used  to  better 
manage  their  workloads  and  target  the  infor-
mation that trained linguists need to review in 
depth. An automated translation system can be 
used  for  translation  of  technical  terms  and 
consistent  translation  of  stock  phrases  in  dip-
lomatic  and  legal  documents  to  help  human 
translators work more efficiently. 
Both  the  private  and  the  public  sectors 
are  exploring  advances  in  machine  translation 
of  spoken  and  written  communications.  Off-
the-shelf  commercial  software  is  designed  for 
commercially viable languages, but not for the 
less-commonly taught, low-density  languages. 
Numerous  demonstration  projects  are  under 
way, and  early results show some promise for 
this type of technology. 
1.  Hutchins,  W.  John;  and  Harold  L.  Somers 
(1992).  An  Introduction  to  Machine  Trans-
lation. London: Academic Press.  
2.  Cohen,  J.M.,  "Translation",  Encyclopedia 
Americana, 1986, vol. 27, pp. 12–15. 
3.  Bar-Hillel,  "Automatic  Translation  of  Lan-
guages", 2009. 
4.  W.  John  Hut  chins  and  Harold  L.  Somers. 
1992.  An  Introduction  to  Machine  Transla-
tion. ACADEMIC PRESS. (London)  
5.  Sato,  S.  and  Nagao,  Toward  Memory  - 
based  Translation.  In  Proceedings  of  the 
Col- ing'90, pages 247-252 M. 1990.  

Вестник КАСУ
УДК 81'25 
Фоминых Е.И. 
За последние пару десятилетий в Ка-
захстане  произошло  множество  изменений 
в  разных  сферах  –  экономике,  политике, 
здравоохранении,  образовании  и  пр.  –  и, 
конечно  же,  не  последнюю  роль  во  всех 
этих процессах сыграли новые технические 
средства. Компьютер (а часто и глобальная 
сеть  Интернет)  стал  тем  средством,  при 
отсутствии  которого  достаточно  сложно 
представить  себе  работу  какой-либо  орга-
низации.  Естественно,  эти  изменения  не 
могли  не  затронуть  и  работу  переводчика: 
вышли  в  свет  электронные  словари,  спра-
вочники,  TM-утилиты  (TM  –  translation 
memory),  программы-переводчики  и  про-
чее.  С  одной  стороны,  они  оказывают  по-
мощь  переводчику,  а  с  другой  стороны  – 
зачастую  являются  губительными,  по-
скольку именно из-за тотального использо-
вания некоторых таких программ снижает-
ся  качество  перевода.  Если  обратиться  к 
системе  подготовки  специалистов  в  облас-
ти перевода, то мы увидим, что преподава-
тели  перевода  все  чаще  сталкиваются  с 
проблемой,  вызванной  именно  результата-
ми  технического  прогресса:  недобросове-
стные  студенты  пользуются  компьютер-
ными  программами-переводчиками  для 
выполнения  домашних  заданий  по  перево-
ду письменных текстов.  
Письменные  задания  на  перевод  со-
ставляют  фактически  большую  часть  зада-
ний  студентов  специальности  «Переводче-
ское  дело»,  так  как  используются  в  курсе 
таких  дисциплин,  предусмотренных  Госу-
дарственным  стандартом  образования  Рес-
публики  Казахстан,  как  «Практика  пись-
менного  перевода»,  «Информативный  пе-
ревод»,  «Технический  перевод»,  «Специ-
альный  перевод»  и  многих  других.  Поэто-
му  мы  полагаем,  что  тенденция  использо-
вания  студентами  программ-переводчиков 
для  выполнения  заданий  по  переводу  тек-
стов  представляет  серьезную  угрозу  про-
фессиональному  образованию  по  специ-
альности  и,  при  отсутствии  должного  вни-
мания  к  проблеме,  может  привести  к  рез-
кому  снижению  качества  письменных  пе-
реводов в стране. 
Вероятно,  одной  из  причин  возник-
новения этой проблемы можно считать не-
достаточное  использование  технических 
средств  при  проведении  занятий  по  пере-
воду,  что,  по  всей  видимости,  позволяет 
студентам  полагать,  что  преподаватель  не-
достаточно  разбирается  в  современных 
достижениях науки и техники. Безусловно, 
практически всегда подобные  умозаключе-
ния  оказываются  ошибочными,  и препода-
ватель обнаруживает нечестность студента. 
Проведенный  нами  опрос  студентов  по 
данной  проблеме  показывает,  что  в  абсо-
лютном  большинстве  случаев  студенты 
просто не имеют представления о том, что 
существуют  какие-то  другие  электронные 
средства, кроме словарей «Лингво» (реже – 
«Мультитран»)  и  программ-переводчиков 
«Промпта»  и  онлайн-переводчика  «Гугл 
Транслейт». Все это говорит о том, что не-
обходимо  объяснять студентам, какие нов-
шества полезны для перевода и переводчи-
ка, какие – нет. 
В  ходе  исследования  проблемы  сту-
дентам-переводчикам  задавались  вопросы, 
касающиеся  достоинств  и  недостатков  ис-
пользования  компьютера  при  выполнении 
заданий  по  переводу  текстов.  Наиболее 
часто среди положительных сторон студен-
ты  называли  быстрый  поиск  необходимой 
словарной  статьи  в  электронном  словаре 
(по  сравнению  с  печатным);  закрепление 
навыка  быстрого  набора  текста;  возмож-
ность  проверки  орфографии  и  пунктуации 
в  текстовом  редакторе  «MS  Word»;  удоб-
ный  поиск  дополнительной  информации  в 
Интернете;  возможность  редактирования 
перевода без переписывания всего текста и 
без помарок и пр. В то же время, студенты 
отметили  и  недостатки  компьютера:  воз-
можное  ухудшение  зрения;  зависимость 
скорости перевода от скорости набора тек-
ста  и  работы  Интернета;  необходимость 
доработки перевода после печати текста из-
за  плохого  восприятия  текста  на  мониторе 

Вестник КАСУ
компьютера;  возможные  потери  информа-
ции  из-за  перебоев  в  подаче  электроэнер-
гии и др.  
Если  рассматривать  эту  проблему  с 
позиции  экономики  (ведь  каждый  выпуск-
ник  специальности  «Переводческое  дело» 
столкнется  с  необходимостью  продажи 
своих  услуг),  то  мы  увидим,  что  субъекты 
бизнеса  в  конкурентной  борьбе  могут  ис-
пользовать  преимущества  своей  сырьевой 
базы,  размещения  трудовых  ресурсов  и 
распространения  готовой  продукции  и  пр. 
Очевидно,  что  у  переводчика  эти  факторы 
отсутствуют,  и  в  условиях  конкуренции 
ключевым  фактором  успеха  для  него  ста-
нет использование новых технологий пере-
водческого  процесса  [1,  c.  113].  Поэтому 
преподавателям перевода необходимо при-
нимать  во  внимание  этот  факт  и  помочь 
студентам правильно расставить приорите-
ты использования электронных средств при 
Семенов А.Л. к основным компонен-
там  современного  программного  обеспече-
ния в переводческой деятельности  относит 
информационно-справочную  базу;  процес-
сы  и  средства  накопления,  архивирования, 
поиска  и  восстановления  архивированных 
переводов  (системы  «памяти  переводов»); 
системы  машинного  перевода  и  прочее  [1, 
с.  114].  Следует  рассмотреть  каждый  из 
них  отдельно  и  определить  их  влияние  на 
процесс  перевода  и  качество  образования 
по специальности. 
Полагаем,  что  следует  начать  с  ин-
формационно-справочной  базы,  в  которую 
можно  включить  электронные  словари, 
справочники,  энциклопедии,  нормативно-
терминологические  источники  и  Интернет 
как один из основных источников разнооб-
разной  информации  в  современном  мире. 
Исключительная  роль  информационного  и 
справочного  материала  в  работе  перево-
дчика  объясняется,  на  наш  взгляд,  сле-
дующим.  Как  известно,  для  того,  чтобы 
создать  адекватный  перевод,  переводчик 
должен  иметь  четкое  представление  о  со-
держании  переводимого  текста.  Причем, 
понимание  значений  всех  лексических 
единиц,  морфологических  форм  и  синтак-
сических  конструкций,  содержащихся  в 
тексте  −  это  необходимое,  но  не  достаточ-
ное условие такого понимания.  
Исключительную роль и при предпе-
реводческом  анализе,  и  в  процессе  самого 
перевода  играет  контекстуализация  пере-
водимого  текста,  т.е.  переводчик  должен 
уяснить фрагмент реальности, отраженный 
в тексте, и вписать его в широкий культур-
ный и языковой контекст [2].  
Проанализировать и понять значение 
лексических  и  грамматических  единиц  в 
тексте  оригинала  переводчику  помогают 
словари  и  разнообразные  лингвистические 
справочники,  в  том  числе  Интернет-
источники.  Распознать  фрагмент  реальной 
действительности  в  тексте  (т.н.  «денотат») 
и постичь его  отношение к  действительно-
сти  в  целом  переводчику  позволяет  его 
кругозор,  его  знания  лингвострановедче-
ских  фактов,  а  также  разнообразные  спра-
вочники,  как  лингвострановедческого,  так 
и  специального  характера  (по  истории, 
технике,  медицине  и  т.д.).  Однако  в  на-
стоящее  время  рост  знаний  во  всех  облас-
тях  человеческой  деятельности,  а  также 
изменения  в  языке  (особенно  в  области 
специальной  терминологии,  в  разговорном 
слое  языка  и  т.п.)  происходят  быстрыми 
темпами  и  значительно  опережают  перио-
дичность  издания  бумажных  словарей  и 
справочников.  Более  того,  с  развитием 
коммуникационных  технологий  и  колос-
сальным увеличением объема и разнообра-
зия тематики выполняемых в мире перево-
дов  переводчику  все  чаще  приходится  пе-
реводить тексты, с одной стороны, относи-
тельно недавно созданные, а с другой – не 
имеющие  высокой  культурной  ценности  и 
посвященные  преходящим  проблемам,  ак-
туальным только в настоящий момент. Все 
это  необходимо  осознавать  студенту  спе-
циальности «Переводческое дело» и прила-
гать  усилия  для  постижения  новой  инфор-
мации и новых технологий в переводе. 
Из всего вышеперечисленного следу-
ет,  что  переводчик,  не  имеющий  постоян-
ного доступа к Интернету, оказывается не-
способен  должным  образом  контекстуали-
зировать  переводимые  им  современные 
тексты,  что  значительно  снижает  качество 
его перевода. Применительно к изучаемым 
дисциплинам,  часто  встречаются  тексты 
технического  характера,  в  которых  есть 
указание  на  определенные  явления  и  про-
цессы  (бурошнековая  установка,  шламо-

Вестник КАСУ
хранилище,  submersible  pumps,  thermally 
enhanced oil), но сами они не описываются, 
поскольку  знакомы  специалистам  в  опре-
деленных  областях.  Безусловно,  необходи-
мо  учитываться  и  тот  факт,  что  Интернет 
дает переводчику возможность пользовать-
ся большим количеством  словарей, многие 
из которых являются электронными анало-
гами качественных печатных изданий.  
Проблема  электронных  словарей  в 
среде  переводчиков  и  преподавателей  пе-
ревода традиционно вызывает разногласия. 
Так, в адрес ряда популярных электронных 
словарей  (в  том  числе  означенных  выше 
«Лингво» и  «Мультитрана») звучит вполне 
заслуженная  критика,  вызванная  их  непо-
следовательностью,  несоответствием  лек-
сикографическим стандартам, открытостью 
для  редактирования  и  дополнения  лицами, 
чья  компетентность  не  может  быть  прове-
рена  и  т.д.  Например,  в  словарной  статье 
«Мультитрана»  pivot,  помимо  основного 
значения  приводятся  авторские  (автор 
Aly19):  главный,  основной  пункт,  ключе-
вой игрок – в спорте и т.д. С другой сторо-
ны,  не  стоит  отрицать  их  достоинство,  за-
ключающееся  в  том,  что  дополнения  и  ре-
марки  посетителей  зачастую  оказываются 
ценными, особенно если речь идет о словах 
и  выражениях,  которые  возникли  сравни-
тельно  недавно  и  еще  не  вошли  в  более 
академичные источники.  
Кроме  того,  следует  отметить,  что 
все  чаще  литературные  источники  встре-
чаются исключительно в электронной фор-
ме,  и  мнение  о  том,  что  все  или  почти все 
ценное и полезное, что можно найти в Ин-
тернете,  это  лишь  электронная  версия  пе-
чатных  изданий  (справочников,  словарей), 
расходится с реальной действительностью. 
Поэтому  нам  представляется  целесо-
образным  стимулировать  студентов  при 
выполнении  домашних  заданий  по  пись-
менному переводу тестов использовать до-
полнительные  источники  информации,  в 
том  числе  Интернет,  для  получения  сведе-
ний  как  культурно-исторического,  так  и 
переменного  характера.  Так,  невозможно 
без  определенных  знаний  в  области  геоло-
гии  и  способов  добычи  нефти  перевести 
следующее  предложение:  The  "classic" 
method  includes  making  underground  explo-
sion  nearby  and  observing  the  seismic  re-
sponse  that  provides  information  about  the 
geological  structures  under  the  ground.  Для 
верной  передачи  смысла  предложения  не-
обходимо  знать,  что  «seismic  response»  - 
сейсмическая реакция - параметры сейсми-
ческого  движения  объекта  или  его  точек 
основания.  «Классический»  способ  вклю-
чает  в  себя  следующие  действия:  рядом  с 
предполагаемым  месторождением  произ-
водят подземный взрыв и затем наблюдают 
за  сейсмической  реакцией,  которая  позво-
ляет  судить  о  том,  какие  геологические 
структуры находятся под землей. 
В  современном  мире  все  чаще  появ-
ляются однотипные тексты с однотипными 
лингвистическими  комментариями.  Тек-
сты,  которые  описывают  новые  разновид-
ности  товаров,  в  большой  степени  повто-
ряются.  Зачастую  они  представляют  собой 
отредактированный  вариант  предыдущей 
версии. По мнению  ученых, которые зани-
маются  компьютеризацией  переводческой 
деятельности,  очередной  обновленный 
промышленный  продукт,  и,  как  следствие, 
его  описание,  отличается  от  предыдущих 
вариантов  в  среднем  на  30%.  Благодаря 
этому  наблюдению  произошло  переосмыс-
ление  организационных  процессов  в  пере-
водческом бизнесе и появились новые пути 
автоматизации  повторного  перевода  –  пе-
реводческий инструментарий. В отличие от 
систем  машинного  перевода,  эти  про-
граммные  средства  не  выполняют  никаких 
операций  по  переводу  текста,  но  при  этом 
оказывают  значительную  поддержку  пере-
водческого  процесса,  повышают  произво-
дительность труда переводчика.  
К  таким  программам  относятся,  в 
первую  очередь,  системы,  которые  накап-
ливают  в  памяти  фрагменты  текстов  и  ва-
рианты их переводов, так называемые ТМ-
инструменты,  а  также  «системы  термино-
логического  обеспечения»  (TMS  –  Termi-
nology Management systems), которые пред-
лагают варианты перевода терминов, ранее 
использованных  переводчиком.  В  первое 
время  использования  таких  программ  про-
изводительность  переводчика  не  меняется. 
Однако с накоплением переводов база рас-
ширяется,  и  в  момент  начала  работы  над 
переводом  очередного  предложения  ТМ-
инструмет  проверит  имеющуюся  базу  дан-
ных на наличие точно такого же или похо-

Вестник КАСУ
жего предложения. Нам кажется разумным 
использовать эти средства при выполнении 
студентами  КАСУ  заданий,  например,  по 
дисциплине  «Технический  перевод»,  где 
основное пособие [3] разбито на несколько 
тематических блоков.  
На  наш  взгляд,  это  одно  из  самых 
эффективных  достижений  в  области  фор-
мализации  переводческой  деятельности, 
поскольку  позволяет  увеличить  скорость 
перевода  повторяющейся  информации  и 
при этом  не  снижает  качество  перевода  на 
выходе. Это как раз тот вид компьютерного 
перевода,  которому  необходимо  обучать 
студентов-переводчиков,  при  этом  делая 
особый акцент на проверке и редактирова-
нии готового перевода.  
Использование  при  выполнении  за-
даний  по  письменному  переводу  текстов 
систем  автоматического  перевода  (про-
грамм-переводчиков)  вызывает  большие 
нарекания  со  стороны  преподавателей  пе-
ревода,  поскольку  достаточно  часто  сту-
денты,  полагаясь  на  программу,  пренебре-
гают  редактированием  полученного  пере-
вода.  Из-за  этого  в  студенческих  работах, 
сданных  на  проверку,  появляются  такие 
«шедевры», как «Масла, как правило, охва-
тывают  широкий  диапазон  вязкости  жид-
кости  от  светло,  как  бензин  тяжелый,  как 
смола»  (в  оригинале  -  Oils  tend  to  span  a 
large range of viscosity from liquids as light as 
gasoline  to  heavy  as  tar)  или  «Когда  расте-
ния  погибают  в  этих  торфяных  болотных 
средах, их биомасса и хранение в анаэроб-
ных  водных  средах,  где  низкий  уровень 
кислорода не допускают их полного разло-
жения  бактериями  и  окислением»  (в 
оригинале  -  When  plants  die  in  these  peat 
environments,  their  biomass  is 
deposited  in  anaerobic  aquatic  environments 
where  low  oxygen  levels  prevent  their 
complete decay by bacteria and oxidation). 
Исследователь  возможностей  ком-
пьютерного  перевода  Геннадий  Мирам  ут-
верждает, и с этим сложно не согласиться, 
что основная проблема в создании хороше-
го  машинного  переводчика  –  это  способ-
ность  слов  менять  значение  в  зависимости 
от  контекста.  Так,  если  слово  vessel  ис-
пользуется  в  контексте  таких  слов  как 
blood,  coronary,  patient,  наиболее  вероят-
ным переводом будет «сосуд»; если это же 
слово  обнаруживается  среди  слов  storage, 
processing,  vent,  chemical  и  подобных,  то 
вероятнее  всего  оно  будет  переводиться 
как «ёмкость» [4, с. 19]. В  означенном вы-
ше  примере  слово  oil  использовано  вместе 
со  словами  viscosity,  gasoline,  tar  -  это  по-
зволяет сделать вывод о том, что оно будет 
переводиться  как  «нефть»,  тем  более  что 
широкий  контекст  позволяет  подтвердить 
такой вывод [3, с. 15]. 
Сталкиваясь  с  такими  текстами,  на-
звать  которые  переводами  невозможно, 
поскольку  основное  условие  -  сохранение 
неизменного плана содержания - не выпол-
нено,  преподаватель  перевода  вынужден 
решить  задачу  оценки  работы.  Обычно  в 
группах из 12-14 человек, как правило, 1-3 
человека  периодически  сдают  подобные 
работы  на  проверку,  выдавая  их  за  собст-
венный перевод. Временами студент созна-
ется  в  использовании  программы,  а  порой 
утверждает,  что  это  работа,  выполненная 
им  самостоятельно.  Поэтому  прежде,  чем, 
следуя  Политике  дисциплины,  которая 
Американского свободного университета и 
признает академической нечестностью:  
-  «списывание,  использование  шпар-
галок и других незаконных способов полу-
чения  информации  с  целью  помощи  себе 
или кому-либо другому;  
-  плагиат,  т.е.  кражу  или  выдачу  за 
свое  чьих-либо  идей  или  выводов,  пред-
ставление соответствующей работы в каче-
стве  результата  собственных  мыслей  и 
- любые  другие формы недостойного 
академического  поведения  [5]»  наказывать 
студента,  необходимо  подтвердить  факт 
нечестности.  Ниже  представлен  один  из 
вариантов, который, по мнению автора ста-
тьи,  подходит  для  проверки  письменных 
переводов,  но  не  приемлем  для  проверки 
рефератов,  курсовых  и  других  работ  боль-
шого  объема,  поскольку  требует  много 
времени и усилий. Для проверки таких ра-
бот существует и активно применятся  сис-
тема  «Антиплагиат»,  которая  неприемлема 
в случае письменных переводов. 
Поскольку  из  всех  рассмотренных  в 
данной  статье  видов  использования  ком-
пьютера  в  переводе  именно  последний 
представляет  определенного  рода  угрозу 

Вестник КАСУ
профессионального  образования  по  специ-
альности,  хотелось  бы  предложить  не-
сколько  рекомендаций  преподавателям  пе-
-  если  студент  сдает  свою  работу  в 
электронном  виде,  ее  легко  можно  прове-
рить  на  использование  машинного  перево-
дчика;  достаточно  скопировать  текст  ори-
гинала  и  вставить  его  в  любую  программу 
переводчик,  полученный  результат  срав-
нить с работой студента. В принципе, ту же 
самую  процедуру  можно  проделать  и  в 
случае,  если  студент сдал рукописный или 
печатный  вариант  своего  перевода,  только 
сравнение  переводов  займет  больше  вре-
-  при  обнаружении факта академиче-
ской  нечестности,  преподавателю  следует 
принять  меры  наказания:  например,  поста-
оценку  без  права  пересдачи  задания  либо, 
как сказано в политике Академической че-
стности,  вообще  не  принимать  задание  на 
проверку и не выставлять оценку по нему; 
-  преподавателю  следует  провести 
беседу  со  студентами  с  целью  мотивиро-
вать  их  на  самостоятельное  выполнение 
-  возможно,  стоит  также  пересмот-
реть  объем  самостоятельной  работы  сту-
дентов  по  письменному  переводу  текстов, 
если  студенты  не  могут  вписаться  в  уста-
новленные  временные  рамки  (хотя  это  по-
ложение, по мнению автора статьи, являет-
ся  спорным,  поскольку  достаточно  часто 
студенты  необоснованно  жалуются  на 
большой объем домашних заданий) и т.д. 
В  целом,  в  настоящее  время  многие 
ученые соглашаются с фактом, что сущест-
вующие  системы  машинного  перевода  не 
могут обеспечить выполнение полноценно-
го  адекватного  перевода  [6,  с.  160]  из-за 
многозначности  слов  и  влияния  контекста, 
различия грамматических структур языков, 
участвующих в процессе перевода и других 
факторов. Тем не менее, не стоит недооце-
нивать все возрастающую роль компьютера 
в  переводе  –  это  должны  осознавать  как 
сами  переводчики,  так  и  специалисты,  ве-
дущие  подготовку  будущих  переводчиков-
Вероятнее  всего,  что  системы  ма-
шинного перевода в «чистом» виде прекра-
тят  свое  существование,  уступив  место 
компьютерным  инструментам  и  приложе-
ниям,  интегрируемым  в  текстовые  редак-
торы.  Они  будут  использоваться  в  разных 
областях  экономики  и  станут  нормой  жиз-
ни современного человека. 
1. Семенов А. Л. Основы общей теории пе-
ревода  и  переводческой  деятельности.  – 
М.: «Академия», 2008. 
2.  Бузаджи  Д.М.  Высокие  технологии  при 
thinkaloud. ru/ featureak.html  
3.  Новицкая  Ю.В.  Технический  перевод. 
Учеб.  пособие  для  студентов  специаль-
ности  «Переводческое  дело»  и  «Ино-
странный  язык».  -  Усть-Каменогорск, 
4.  Мирам Г.  Алгоритмы  перевода:  Вступи-
тельный курс по формализации перевода 
(на  англ.  языке).  –  Киев,  «Ника-Центр», 
5.  Силлабус  дисциплины  «Технический 
перевод». - Усть-Каменогорск, 2010. 
6.  Дайнеко  В.В.,  Мирам  Г.Э.,  Тарануха 
Л.А.  и  др.  Основы  перевода:  Курс  лек-
ций (на англ. языке). – Киев, «Эльга, Ни-
ка-Центр», 2002.  
УДК 811.112.2 
Шихотова Е.В. 
Являясь  средством  коммуникации 
между  людьми,  язык  подвергается  воздей-
ствию и определенным изменениям со сто-
роны  общества.  Благодаря  языку,  возмож-
ность вступать в языковые контакты имеют 
как носители  одного, так и разных языков. 
В  наши  дни  мы  наблюдаем  интенсифика-
цию  межъязыковых  контактов  вследствие 

Вестник КАСУ
тесных  связей  между  разными  странами 
мира в  области  политики,  экономики, нау-
ки  и  техники,  образования  и  культуры. 
Межъязыковые  контакты,  в  свою  очередь, 
приводят  к  взаимному  влиянию  языков  и 
заимствованию  одним  языком  языкового 
материала другого.  
Словарь  современного  немецкого 
языка,  в  особенности  его  активно  исполь-
зуемая  в  повседневном  речевом  общении 

Каталог: journals
journals -> Хабаршы вестник
journals -> Н. Ю. Зуева (жауапты хатшы), О. Б. Алтынбекова, Г. Б. Мәдиева
journals -> Л-фараби атында ы аза лтты
journals -> Issn 1563-0269 Индекс 75871; 25871
journals -> Issn 2306-7365 1996 жылдың қарашасынан бастап екі айда бір рет шығады
journals -> ҚОҒамдық Ғылымдар мәселесі вопросы общественных наук
journals -> Казахский национальный
journals -> Ғылыми журнал 1996 жылдың қарашасынан бастап екі айда бір рет шығады
journals -> Казахский национальный
journals -> №4(68)/2012 Серия филология

жүктеу 5.1 Kb.

Поделитесь с Вашими друзьями:
1   ...   8   9   10   11   12   13   14   15   ...   53

©emirb.org 2020
әкімшілігінің қараңыз

    Басты бет