Exploring the impact of neural machine translation on the target language after post-editing in a learning context: What about the post-editese?

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F26%3AKRHTZEEY" target="_blank" >RIV/00216208:11320/26:KRHTZEEY - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.3917/lang.237.0109" target="_blank" >http://dx.doi.org/10.3917/lang.237.0109</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.3917/lang.237.0109" target="_blank" >10.3917/lang.237.0109</a>

Jazyk výsledku

francouzština

Název v původním jazyce

Exploring the impact of neural machine translation on the target language after post-editing in a learning context: What about the post-editese?

Popis výsledku v původním jazyce

Le secteur de la traduction connaît un tournant technologique majeur, marqué par une demande croissante en post-édition (PE) et l’arrivée des outils d’IA dans le quotidien des professionnels. Cette étude explore les effets de la TA neuronale sur la qualité de la langue cible après PE (anglais-français) en contexte d’apprentissage. Deux corpus d’apprenants ont été analysés au moyen de trois mesures linguistiques automatiques : richesse lexicale, longueur moyenne des phrases et équivalence syntaxique. Les résultats montrent que, bien que la densité lexicale et la longueur moyenne des phrases soient similaires entre PE et traduction humaine (TH), les textes post-édités, surtout à partir de DeepL, sont moins variés lexicalement et plus proches syntaxiquement de la langue source qu’en TH, révélant des traits propres à une langue de PE (post-editese).

Název v anglickém jazyce

Exploring the impact of neural machine translation on the target language after post-editing in a learning context: What about the post-editese?

Popis výsledku anglicky

The translation industry is undergoing a major technological shift, marked by a growing demand for post-editing (PE) and the integration of AI tools into the daily work of professionals. This study explores the effects of neural machine translation (NMT) on the quality of the target language after PE (English-French) in a learning context. Two learner corpora were analyzed using three automatic linguistic measures: lexical richness, average sentence length, and syntactic equivalence. The results show that, although lexical density and average sentence length are similar between PE and human translation (HT), the post-edited texts, especially those produced using DeepL, are less lexically varied and syntactically closer to the source language than those produced in HT, revealing features specific to a PE language (post-editing).

Druh

J_SC - Článek v periodiku v databázi SCOPUS

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

—

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Langages

ISSN

0458-726X

e-ISSN

—

Svazek periodika

2025

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

FR - Francouzská republika

Počet stran výsledku

22

Strana od-do

109-130

Kód UT WoS článku

—

EID výsledku v databázi Scopus

2-s2.0-105003884081