KaydedilenlerDerginizi ekleyin

Dergiler / İstanbul Üniversitesi Çeviribilim Dergisi / 2025 / Sayı: 23

Nöral Makine Çevirisinde Plastisite: Bilişsel ve Teknik bir Perspektif

Plasticity in Neural Machine Translation: A Cognitive and Technical Perspective

Derya Oğuz(MARMARA ÜNİVERSİTESİ)0000-0001-5228-076X
Sayfa
73–93
Yayın Tarihi
2025-12-11
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen bulgular çeviribilimsel bakış açısından bilişsel süreçlerle ilişkilendirilmiş, model çıktılarının bağlamsal esneklik kapasitesi incelenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Nöroplastisite, insan beyninin değişken koşullara adapte olması ve uyum sağlaması konusundaki esnekliği ifade eden bir kavramdır.
📊
Temel Bulgular & Veri:Bu çalışma, nöral makine çevirisinde plastisitenin nasıl sağlandığını ve bunu sağlayan mekanizmaların çeviri sürecindeki etkisini incelemeyi amaçlamaktadır.
💡
Sonuç & Katkı:Elde edilen bulgular çeviribilimsel bakış açısından bilişsel süreçlerle ilişkilendirilmiş, model çıktılarının bağlamsal esneklik kapasitesi incelenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:dikkat · ince ayar · geri yayılım

Özet

Nöroplastisite, insan beyninin değişken koşullara adapte olması ve uyum sağlaması konusundaki esnekliği ifade eden bir kavramdır. Yapay zekâ sistemlerinde ve nöral makine çevirisinde ise plastisite, çeviri çıktılarının doğruluğu ve bağlama duyarlılığı ile ilgili bir konudur. Bu çalışma, nöral makine çevirisinde plastisitenin nasıl sağlandığını ve bunu sağlayan mekanizmaların çeviri sürecindeki etkisini incelemeyi amaçlamaktadır. Plastisite olgusu, çalışmada veri temelli kavramsal analiz yaklaşımıyla ele alınmış, teknik boyutunun yanı sıra erek dilde anlamın yeniden yapılandırılması ve bağlamsal esnekliğin işlevselliği bakımından incelenmiştir. Bu doğrultuda dil modellerinde plastisiteyi sağlayan iki temel mekanizma ele alınmıştır: Birincisi hataya dayalı öğrenme süreci olan ve geri yayılım anlamına gelen backpropagation, ikincisi ise bir dil modelinin kullanıcı tarafından yeni girdilere uyumlanmasını içeren fine-tuning işlemi. Bu işleyişin arkasındaki mekanizma ise attention terimiyle ifade edilmektedir. Bu mekanizmalar öncelikle teknik özellikleriyle alanyazında araştırılmış, makine öğrenmesindeki plastisitenin insan beynindeki plastisite kavramından farkı ifade edilmiştir. Ardından bu mekanizmaların işlevselliği, örnek metinler, dikkat hari taları ve eğitilen bir dil modeli üzerinden yürütülen doküman analizi kapsamında betimleyici bir biçimde analiz edilmiştir. Elde edilen bulgular çeviribilimsel bakış açısından bilişsel süreçlerle ilişkilendirilmiş, model çıktılarının bağlamsal esneklik kapasitesi incelenmiştir. Bulgular, yapay öğrenme sistemlerinin nöral makine çevirisi yaparken yüzeysel anlam eşleştirmede başarılı olduğunu, bununla birlikte modelin işleyişinde istenmeyen yan etkilere de yol açabileceğini göstermiştir.

Abstract

Neuroplasticity refers to the flexibility of the human brain in adapting to changing conditions. In artificial intelligence systems and neural machine translation (NMT), plasticity is related to the accuracy and contextual sensitivity of the translation outputs. This study aims to explore how plasticity is achieved in NMT and how its underlying mechanisms affect the translation process. The phenomenon is addressed through a data-driven conceptual analysis, focusing not only on its technical dimension but also on meaning reconstruction in the target language and the functional role of contextual flexibility. In this regard, two core mechanisms enabling plasticity are examined: backpropagation, an error-based learning process, and fine-tuning, which involves adapting a language model to new input by users. The underlying operation is driven by attention mechanisms. These processes are f irst investigated through the technical literature, highlighting how machine learning plasticity differs from human neuroplasticity. Then, their functionality is analyzed descriptively through a document analysis involving sample texts, attention maps, and an adapted language model. The findings are associated with cognitive processes from a translation studies perspective, showing that while NMT performs well in surface-level meaning matching, it may also produce unintended side effects within its operational logic.

🔖

Bu Makaleye Atıf Yap

Oğuz, D. (2025). Nöral Makine Çevirisinde Plastisite: Bilişsel ve Teknik bir Perspektif. İstanbul Üniversitesi Çeviribilim Dergisi, Sayı: 23, 73–93. https://doi.org/10.26650/iujts.2025.1711530

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (49)

  1. Abbas, Z., Zhao, R., Modayil, J., White, A. & Machado, M. C. (2023). Loss of plasticity in continual deep reinforcement learning. In Conference on lifelong learning agents, 232: 620-636. PMLR. Retrieved from: https://proceedings.mlr.press/v232/abbas23a.html google scholar
  2. Açıkgöz, N. & Madi, B. (2013). Öğrenme ile Beyinde Oluşan Değişiklikler (Plastisite). Marmara Üniversitesi Atatürk Eğitim Fakültesi Eğitim Bilimleri Dergisi, 9(9), 29-36. google scholar
  3. Allemann, A., Atrio, À. R. & Popescu-Belis, A. (2024). Optimizing the Training Schedule of Multilingual NMT using Reinforcement Learning. google scholar
  4. Preprint arXiv, Computation and Language. https://doi.org/10.48550/arXiv.2410.06118 google scholar
  5. Anlar, B. (2013). Beyinde Plastisite ve Bozuklukları. Türkiye Klinikleri Pediatrik Bilimler- Özel Konular, 9(4), 129-137. google scholar
  6. Aslan, E. (2024). Yapay Zekâ Destekli Çeviri Araçlarının Edebi Çevirideki Yeterlilikleri Üzerine Karşılaştırmalı Bir İnceleme. IU Journal of Translation Studies, (20), 32-45. google scholar
  7. Bahdanau, D., Cho, KH. & Bengio, Y. (2015). Neural machine translation by jointly learning to align and translate. In Proceedings of ICLR. Preprint arXiv, https://doi.org/10.48550/arXiv.1409.0473 google scholar
  8. Baker, M. (1992). In Other Words: A Coursebook on Translation. Routledge, London and New York. Retrieved from: https://archive.org/details/InOtherWordsByMonaBaker/page/n3/mode/2up google scholar
  9. Bourdieu, P. (2023). Genel Sosyoloji: Collège de France Dersleri (1981-1983) (Z. Emirosmanoğlu, Çev.), İletişim Yayınları. google scholar
  10. Chen, N. (2024). Text Classification Model Based on Long Short-Term Memory with L2 Regularization. In 2024 Second International Conference on Data Science and Information System (ICDSIS), 1-4. IEEE. Doi: 10.1109/ICDSIS61070.2024.10594621 google scholar
  11. Retrieved from: https://www.researchgate.net/publication/382377464_Text_Classification_Model_Based_on_Long_Short-Term_Memory_with_L2_Regularization google scholar
  12. Corbetta, M. & Shulman, G. L. (2002). Control of goal-directed and stimulus-driven attention in the brain. Nature reviews neuroscience, 3(3), 201-215. Doi: 10.1038/nrn755 https://www.researchgate.net/publication/11375373_Control_of_Goal-Directed_and_Stimulus-Driven_Attention_in_the_Brain google scholar
  13. Cüceloğlu, D. (1995). İnsan ve Davranışı: Psikolojinin Temel Kavramları, 25. Basım Remzi Kitapevi. google scholar
  14. Çetin, Ö., & Duran, A. (2024). A Comparative Analysis Of The Performances of ChatGPT, DeepL, Google Translate And A Human Translator In Community Based Settings. Amasya Üniversitesi Sosyal Bilimler Dergisi, 9(15), 120-173. google scholar
  15. DWDS Digitales Wörterbuch der Deutschen Sprache. (2025, 24 Mayıs). https://www.dwds.de/wb/Verfahren google scholar
  16. Dohare, S., Fernando Hernandez-Garcia, J., Lan, Q., Rahman, P., Rupam Mahmood, A. & S.Sutton, R. (2024). Loss of plasticity in deep continual learning. Nature, Springer Science and Business Media LLC. https://doi.org/10.1038/s41586-024-07711-7 google scholar
  17. French, R. M. (2003). Catastrophic interference in connectionist networks. Nadel L. (Ed.) In Encyclopedia of Cognitive Sciences (Vol.1, s. 431-435). London: Nature Publishing Group. Retrieved from: http://leadserv.u-bourgogne.fr/rfrench/french/catastrophic_forgetting.ECS.french.pdf google scholar
  18. Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., … & Wang, H. (2023). Retrieval-augmented generation for large language models: A survey. arXiv preprint arXiv:2312.10997, 2(1). google scholar
  19. Genç, A. & Çınar Yağcı, Ş. (2024). Çeviribilim Alanında Yapay Zekâ Üzerine Ulusal Alan Yazında Yazılmış Makalelerin Eğilimleri Üzerine Bir Araştırma. Kırıkkale Üniversitesi Sosyal Bilimler Dergisi, 14(3), 119^136. google scholar
  20. Gu, S. & Feng, Y. (2020). Investigating catastrophic forgetting during continual training for neural machine translation. In Proceedings of the 28th International Conference on Computational Linguistics, 4315–4326, Barcelona, Spain (Online). International Committee on Computational Linguistics. Doi: 10.18653/v1/2020.coling^main.381 Retrieved from: https://aclanthology.org/2020.coling^main.381.pdf google scholar
  21. Hatim, B. & Mason, I. (2005). The Translator as Communicator. Taylor & Francis e-Library. First pub. (1997) Routledge, London and New York. ISBN 0-203-99272-5 google scholar
  22. Herholz, K., Langen, K. J., Schiepers, C. & Mountz, J. M. (2012). Brain tumors. In Seminars in nuclear medicine 42 (6), 356-370. WB Saunders. Doi:10.1053/j.semnuclmed.2012.06.001. google scholar
  23. Hinke, R. M., Hu, X., Stillman, A. E., Kim, S.^g., Merkle, H., Salmi, R. & Ugurbil, K. (1993). Functional magnetic resonance imaging of Broca's area during internal speech. Neuroreport: An International Journal for the Rapid Communication of Research in Neuroscience, 4(6), 675–678. https://doi.org/10.1097/00001756^199306000^00018 google scholar
  24. Jääskeläinen, R. (2011). Focus on methodology in think-aloud studies on translating. In Tapping and mapping the processes of translation and interpreting: Outlooks on empirical research (s. 71-82). John Benjamins Publishing Company. https://doi.org/10.1075/btl.37.08jaa google scholar
  25. Kerimoğlu, C. (2022). Dilin Kökeni Arayışları-5: Beyin ve Dil. Dil Araştırmaları, 16(30), 21-37. https://doi.org/10.54316/dilarastirmalari.1075944 google scholar
  26. Kılıç, T. (2024). Yeni Bilim: Bağlantısallık Yeni Kültür: Yaşamdaşlık, 7. Basım, Ayrıntı Yayınları, İstanbul. Birinci Basım 2021. google scholar
  27. Kocmi, T. (2020). Exploring Benefits of Transfer Learning in Neural Machine Translation. (Doctoral dissertation, Institute of Formal and Applied Linguistics, Charles University). Retrieved from: https://dspace.cuni.cz/bitstream/handle/20.500.11956/115854/140081447.pdf?sequence=1 google scholar
  28. Kumlu, D., & Okul, M. (2023). Yapay Zekâ ile Çeviri Uygulamaları: Kültürel Unsurların Çevirisinde ChatGPT. Contemporary Translation Studies, 24. google scholar
  29. Liang, J., Zhao, Ch., Wang, M., Qui, L. & Li, L. (2021). Finding Sparse Structures for Domain Specific Neural Machine Translation. The Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI-21). Retrieved from: https://cdn.aaai.org/ojs/17574/17574-13-21068-1-2-20210518.pdf google scholar
  30. Nord, C. (2014). Translating as a Purposeful Activiy: Functionalist Approaches Explained. Routledge, London and New York. First pub. (1997), St. Jerome Publishing. google scholar
  31. Odacıoğlu, M. C. (2024). Yapay Zekâ ve İnsan Çevirisi: Hukuk Metinlerine Dayalı Karşılaştırmalı Bir Çalışma. Karamanoğlu Mehmetbey Üniversitesi Uluslararası Filoloji ve Çeviribilim Dergisi, 6(1), 147-171. https://doi.org/10.55036/ufced.1477008 google scholar
  32. PACTE GROUP. (2017). Decision-making. In Researching Translation Competence by PACTE Group (191-210). John Benjamins Publishing Company. google scholar
  33. Posner, M. I. & Petersen, S. E. (1990). The attention system of the human brain. Annual review of neuroscience, 13(1), 25-42. Doi: 10.1146/annurev.ne.13.030190.000325 Retrieved from: https://www.researchgate.net/publication/20971732_The_Attention_System_of_the_Human_Brain google scholar
  34. Price, C. J., Green, D. W. & Von Studnitz, R. (1999). A functional imaging study of translation and language switching. Brain, 122(12), 2221-2235. google scholar
  35. Reiß, K. & Vermeer, H. (1984). Grundlegung einer allgemeinen Translationstheorie. De Gruyter. google scholar
  36. Rumelhart, D. E., Hinton, G.E. & Williams, R.J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536. google scholar
  37. Şahin, M. (2023). Yapay Çeviri. Çeviribilim Yayınları. google scholar
  38. Schlegel, P., Yin, Y., Bates, A. S., Dorkenwald, S., Eichler, K., Brooks, P., … Jefferis, G. S. (2024). Whole-brain annotation and multi- connectome cell typing of Drosophila. Nature, 634(8032), 139-152. https://doi.org/10.1038/s41586-024-07686-5 google scholar
  39. Snelleman, E. (2016). Decoding neural machine translation using gradient descent (Master Thesis in Computer Science, Algorithms, Language and Logic, Department of Computer Science and Engineering, Chalmers University of Technology, Gothenburg). Retri- eved from: https://odr.chalmers.se/server/api/core/bitstreams/c2b7d271-c5f9-472c-b0b7-36bd8eef1d40/content google scholar
  40. Stanford Online (2016, 27 Nisan). Can the brain do back-propagation? Geoffrey Hinton. [Video]. YouTube. https://www.youtube.com/watch?v=VIRCybGgHts google scholar
  41. Teke Tek Bilim (2024, 26 Mayıs). İnsan beyninin sınırları? Prof. Dr. Türker Kılıç & Fatih Altaylı. [Video]. YouTube. https://www.youtube.com/watch?v=jUZvlU1It5U google scholar
  42. Thompson, B., Gwinnup, J., Khayrallah, H., Duh, K. & Koehn, P. (2019). Overcoming catastrophic forgetting during domain adaptation of neural machine translation. In 2019 Annual Conference of the North American Chapter of the Association for Computational Linguistics, 2062-2068. Retrieved from: https://aclanthology.org/N19^1209.pdf google scholar
  43. Variš, D. & Bojar, O. (2019). Unsupervised pretraining for neural machine translation using elastic weight consolidation. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics: Student Research Workshop, 130-135. Florence, Italy. Retrieved from: https://aclanthology.org/P19-2017.pdf google scholar
  44. Vaswani, A., Shazeer, N., Parmar, N., Uskoreit, J., Jones, L., Gomez, A. N., Kaiser. L. & Polosukhin, I. (2017). Attention Is All You Need. In 31st Conference on Neural Information Processing Systems, 5998-6008. Long Beach, CA. https://doi.org/10.48550/arXiv.1706.03762 google scholar
  45. Vig, J. (2019). A multiscale visualization of attention in the transformer model”. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics: System Demonstrations, 37–42, Florence, Italy. Preprint arXiv https://doi.org/10.48550/arXiv.1906.05714 google scholar
  46. Vrbančič, G. & Podgorelec, V. (2020). Transfer learning with adaptive fine-tuning. IEEE Access, 8, 196197-196211.Retrieved from: https://www.researchgate.net/publication/345713638_Transfer_Learning_With_Adaptive_Fine-Tuning google scholar
  47. Wenger, E. & Lövdén, M. (2016). The learning hippocampus: Education and experience‐dependent plasticity. Mind, Brain, and Education, 10(3), 171-183. https://doi.org/10.1111/mbe.12112 google scholar
  48. Wu, J., Liu Y. & Zong C. (2024). F-MALLOC: Feed-forward Memory Allocation for Continual Learning in Neural Machine Translation. In Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 7180–7192, Mexico. Association for Computational Linguistics. Main conference of NAACL. Retrieved from: https://aclanthology.org/2024.naacl-long.398/ google scholar
  49. Zhao, Y., Zhang, J. & Zong, C. (2023). Transformer: A general framework from machine translation to others. Machine Intelligence Research, 20(4), 514-538. Doi: 10.1007/s11633-022-1393-5 Retrieved from: https://nlpr.ia.ac.cn/cip/ZongPublications/2023/2023-ZhaoYang-MIR.pdf google scholar