MAKİNE ÇEVİRİSİ SONRASI DÜZELTME İŞLEMİNİN ZAMANSAL ve TEKNİK EFOR AÇISINDAN İNCELENMESİ: GOOGLE ve DEEPL ÇEVİRİ

Makine çevirisi sistemleri zaman içinde geliştirilerek sırasıyla Kural Tabanlı Makine Çevirisi (NBMT), İstatistiksel Makine Çevirisi (SMT) ve Nöral Makine Çevirisi modelleri olmak üzere farklı modeller kullanılmıştır. Yeni modellerle çeviri kalitesinde artış olduğu gözlemlenmiştir. Makine çevirisi, çeviri sürecinde zaman tasarrufu sağladığından çevirmenler tarafından her geçen gün artan oranda kullanılmaktadır. Öte yandan makine çevirisi ve çeviri belleklerinin kullanımı çeviri teslim sürelerini olumlu yönde etkilemiştir. Bu durum çeviri firmaları ile diğer işverenlerin makine çevirisi kullanımına yönelimini sağlamıştır. Her yeni makine çeviri sistemi ile çeviri kalitesinin ve hızının görece arttığı çalışmalarla ortaya konmuştur. Özellikle Nöral Makine Çeviri sistemlerinin diğer modellerle karşılaştırmalı olarak incelendiğinde çeviri kalitesi açısından daha iyi olduğunu gösteren çalışmalar mevcuttur. Bu çalışmada yaygın olarak kullanılan DeepL nöral makine çeviri sistemi ile Google nöral makine çeviri sistemi kullanılarak post-editing (makine çevirisi sonrası düzeltme) süreci incelenmiştir. İki farklı nöral makine çeviri sisteminin makine çevirisi sonrası düzeltmeye etkisi teknik ve zamansal efor açısından karşılaştırılmıştır. İngilizce-Türkçe dil çiftinde makine çevirisi kullanılarak yapılan çeviriler öğrenciler iki gruba ayrılarak makine çevirisi sonrası düzeltme işlemine tabi tutulurken klavye hareketleri ve çeviride harcanan süre verileri kaydedilmiştir. Çalışmanın katılımcılarını Kırıkkale Üniversitesi İngilizce Mütercim Tercümanlık bölümünün 26 lisans düzeyi öğrencisi oluşturmuştur. Verilerin elde edilmesinde yaygın kullanılan bir bilgisayar destekli çeviri yazılımı ve eklenti kullanılmıştır. Çalışmanın sonucunda DeepL makine çevirisi çıktısı üzerinde makine çevirisi sonrası düzeltme işlemi bakımından Google makine çevirisi çıktısında yapılana göre belirgin şekilde daha az düzenleme yapıldığı görülmüştür.

Machine translation systems have been developed over time and different models have been used, namely Rule-Based Machine Translation (RBMT), Statistical Machine Translation (SMT) and Neural Machine Translation models. It has been observed that translation quality has improved with the new models. Machine translation is increasingly used by translators as it saves time in the translation process. On the other hand, the use of machine translation and translation memories has positively affected translation turnaround times. This has led translation companies and other employers to adopt machine translation. Studies revealed that translation quality relatively improved and the time spent on translation decreased more with each new translation model. Studies are showing that especially Neural Machine Translation systems are better in terms of translation quality when compared with other models. In this study, the post-editing process was examined using the widely used neural machine translation engine DeepL and the Google translation engine, which started using the neural machine translation model in 2016. The effect of two different neural machine translation systems on post-editing is compared in terms of technical and temporal effort. The translations of English-Turkish language pairs using machine translation were subjected to a post-editing process with different groups of students. Keystroke and time data were collected during the post-editing process. These data were obtained using a widely used computer-assisted translation software and a plug-in. The participants of the study were undergraduate English Translation and Interpreting students. As a result of the study, it was observed that significantly fewer edits were made in the post-editing process on the machine translation output of DeepL compared to the Google machine translation output edits.