Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışma, yapay zekâ destekli çeviri araçlarını edebi bağlamda değerlendirmekte ve yapay zekânın verimliliği ile insanın kültürel-yaratıcı deneyimini birleştiren hibrit modeller önermektedir.
📌 3 Maddede Bu Makale
Özet
Bu çalışmada, İngilizceden Türkçeye çevrilen kurgusal kısa öykülerde DeepL’ın makine çevirileri ile insan çevirileri arasındaki farkları, Katharina Reiss’in çeviri eleştirisi modeli kullanılarak dilbilimsel bileşenler açısından incelenmektedir. Beş edebi eserden alınan ve DeepL ile profesyonel insan çevirmenler tarafından çevrilen 381 cümle karşılaştırılmış ve farklılıklar belirlenmiştir. En yaygın farklılık türü sözcüksel farklılık olup (%33,86), ardından anlamsal farklılık (%22,05), yakın anlamlılık (%20,73), dilbilgisel farklılık (%9,16), mantıksız (yanlış çeviri) olma durumu (%8,40) ve üslup açısından farklılık (%5,77) olarak sıralanmıştır. DeepL, basit ve doğrudan kelimeleri başarıyla çevirirken kültürel nüanslı ifadeler, mecazi dil ve bağlamsal uyarlamalarda zorlanmıştır. İnsan çevirmenler hedef kültür odaklı yöntemlerle edebi estetiği korurken, DeepL kaynak metne bağlı kelimesi kelimesine çeviri stratejileri kullanmış, bu da karmaşık anlatısal tutarsızlıklara yol açmıştır. Çalışmada 32 hatalı DeepL çevirisi tespit edilerek edebi metinler için son düzenleme gerekliliği vurgulanmıştır. Sonuçlar, DeepL’in üslup inceliklerini ve kültürel göndermeleri aktarmadaki sınırlarını ortaya koyarken, edebi metinlerin sanatsal ve duygusal zenginliğini korumada insan çevirmenlerin vazgeçilmez rolünü pekiştirmektedir. Bu çalışma, yapay zekâ destekli çeviri araçlarını edebi bağlamda değerlendirmekte ve yapay zekânın verimliliği ile insanın kültürel-yaratıcı deneyimini birleştiren hibrit modeller önermektedir.
Abstract
This study investigates the differences between DeepL’s machine translations and human translations of English-to-Turkish fictional short stories, utilizing Katharina Reiss’ translation criticism model to analyze linguistic components. The study compares 381 sentences translated by DeepL with professional human translators from five literary works, identifying semantic, lexical, grammatical, stylistic, and nonsensical differences. Lexical differences are most common (33.86%), followed by semantic (22.05%), near-synonymous (20.73%), grammatical (9.16%), nonsensical (8.40%), and stylistic (5.77%). DeepL translated simple, straightforward words well but struggled with culturally nuanced expressions, figurative language, and contextual adjustments. While human translators utilized target-culture-focused procedures to retain literary aesthetics, DeepL used literal, source-text-focused methods, resulting in complex narrative incoherencies. The investigation found 32 incorrect DeepL translations, highlighting the need for literary post-editing. The results underscore DeepL's limitations in conveying stylistic nuances and cultural allusions, reinforcing the indispensable function of human translators in preserving the artistic and emotional richness of literary texts. This study evaluates AI-driven translation tools in literary contexts and recommends hybrid models that combine AI supported machine translation efficiency with human cultural and creative experience.