İSTATİSTİKSEL MAKİNE ÇEVİRİSİ İLE NÖRAL MAKİNE ÇEVİRİSİNİN DİLBİLİMSEL PARAMETRELERLE KARŞILAŞTIRILMASI: GOOGLE TRANSLATE

Yıl 2022, , 103 - 118, 23.05.2022

Evren Barut

https://doi.org/10.54132/akaf.1116949

Cited By: 2

Öz

Google Translate, Kural Tabanlı Makine Çevirisi (RBMT) modelinden yola çıkarak başlattığı çeviri sistemini zamanla İstatiksel Makine Çevirisi (SMT) modeline dönüştürerek çeviri sonuçlarının göreceli olarak iyileştirilmiştir. 2016 yılında Google Translate, Nöral Makine Çevirisi (NMT) modeli algoritmasını kullanmaya başlayarak çeviri teknolojisinde bir atılım gerçekleştirmiştir. NMT’nin kullanıcı deneyimine sunulmasıyla elde edilen çeviri kalitesi oldukça iyileştirilmiştir. Bu çalışma Google Translate tarafından kullanılan SMT ve NMT çeviri modelinin performansını karşılaştırmayı amaçlamaktadır. SMT ve NMT modeli ile yapılan Google Translate çevirileri karşılaştırılırken kaynak dilden hedef dile yapılan çeviriler bazı dilbilimsel parametrelerle incelenmiştir. Bu çalışmada hedef dil üzerinde morfolojik (biçimbilimsel), leksikolojik (sözlükbilim), sentaktik (sözdizimsel) ve semantik (anlamsal) anlamda yapılacak bir takım değerlendirmeler Google Translate çıktılarının analiz edilmesi için başvurulacak dilbilimsel kriterler arasında kullanılmıştır. Bu bağlamda Google Translate’in kullandığı 2016 öncesi SMT algoritması ile 2016 sonrası NMT algoritması karşılaştırılmak üzere aynı metinler Google Translate aracılığıyla SMT ve NMT modeli ile yeniden çevrilmiştir. Böylece SMT ve NMT modelinin aynı metin üzerinde uygulanarak elde edilen çeviri sonuçları dilbilimsel parametreler doğrultusunda analiz edilmiştir.

Anahtar Kelimeler

Makine Çevirisi, Google Translate, İstatistiksek Makine Çevirisi (SMT), Nöral Makine Çevirisi (NMT)

Kaynakça

• Choudhury, R. U. (2014). “The Role of Culture in Teaching and Learning of English as a Foreign Language”, Express, an International Journal of Multi Disciplinary Research, 1(4), s. 1-20.
• Farnia, M., & Suleiman, R. R. (2009), “Contrastive pragmatic study and teaching culture in English language classroom- a case study”, www.ukm.my: http://www.ukm.my/solls09/Proceeding/PDF/maryam,%20raja%20rozina%20et%20al.pdf (Erişim tarihi: 15.04.2016)
• Ghasemi, H., & Hashemian , M. (2016), “A Comparative Study of Google Translate Translations: An Error Analysis of English-to-Persian and Persian-to-English Translations”. English Language Teaching, 9(3), s. 13-17.
• Google AI Blog. (2016), “A Neural Network for Machine Translation, at Production Scale”, https://ai.googleblog.com/: https://ai.googleblog.com/2016/09/a-neural-network-for-machine.html (Erişim tarihi: 20.10.2021)
• İlmer, K., Kocaman, A., & Özsoy, A. S. (2011), Dilbilim Sözlüğü. İstanbul: Boğaziçi Üniversitesi Yayınevi.
• Koehn, P. (2010), Statistical Machine Translation. Cambridge University Press, New York.
• Koehn, P. (2020), Neural Machine Translation. Cambridge University Press.
• O'Neil, D. (2006). “What is Culture?” tarihinde www.palomar.edu: https://www2.palomar.edu/anthro/culture/culture_1.htm (Erişim tarihi: 12.04.2016)
• Sreelekha, S., Bhattacharyya, P., Malathi, D. (2018). Statistical vs. Rule-Based Machine Translation: A Comparative Study on Indian Languages. Dash, S., Das, S., Panigrahi, B. (Ed) International Conference on Intelligent Computing and Applications, Advances in Intelligent Systems and Computing, 632 içinde, s. 663-675 Springer, Singapore,
• Vardar, B. (2007), Açıklamalı Dilbilim Terimleri Sözlüğü, Multilingual, İstanbul.