توضح هذه الورقة تقديم NetMarble إلى مهمة مشاركة WMT21 التلقائية بعد التحرير (القرد) لزوج اللغة الإنجليزية الألمانية. أولا، نقترح استراتيجية تدريب المناهج الدراسية في مراحل التدريب. تم اختيار نموذج الترجمة من WMT19 Face Facebook لإشراك الشبكات العصبية
الكبيرة والقوية المدربة مسبقا. ثم، نقوم بتنفيذ نموذج الترجمة بمستويات مختلفة من البيانات في كل مراحل تدريبية. مع استمرار مراحل التدريب، نجعل النظام يتعلم حل مهام متعددة عن طريق إضافة معلومات إضافية في مراحل التدريب المختلفة تدريجيا. نعرض أيضا طريقة لاستخدام البيانات الإضافية في حجم كبير لمهام القرد. لمزيد من التحسين، نطبق استراتيجية التعلم متعددة المهام مع متوسط الوزن الديناميكي خلال مرحلة ضبط الدقيقة. لضبط Corpus القرد مع بيانات محدودة، نضيف بعض المهام الفرعية ذات الصلة لتعلم تمثيل موحد. أخيرا، للحصول على أداء أفضل، نستفيد الترجمات الخارجية كترجمة آلية ازدهار (MT) أثناء التدريب على ما بعد التدريب والضبط. كما تظهر النتائج التجريبية، يعمل نظام القرد لدينا بشكل كبير على تحسين ترجمات نتائج MT المقدمة بنسبة -2.848 و +3.74 على مجموعة بيانات التطوير من حيث TER و Bleu، على التوالي. كما يوضح فعاليته في مجموعة بيانات الاختبار بجودة أعلى من مجموعة بيانات التطوير.
تقدم هذه الورقة بيانات عن تصورات تدريب المتدربين في عملية MTPE وآثار التدريب على التدريب في هذا المجال.تهدف هذه الدراسة إلى تحليل أداء المتدربين في ثلاثة مهام MTPE الزوجية باللغة الإنجليزية البولندية ومقابلات ما بعد المهام لتحديد الحاجة إلى تعزيز مها
رات تحرير الترجمة الآلية في تثقيف طلاب الترجمة.نظرا لأن القليل جدا من المعلومات المتعلقة بتدريب MTPE متاح، فقد يتم العثور على هذه الدراسة مفيدة.
تبنت تكنولوجيا اللغة بالفعل إلى حد كبير من قبل معظم مزودي خدمات اللغة (LSPs) ومدمج في عمليات الترجمة التقليدية. في هذا السياق، هناك العديد من الأساليب المختلفة لتطبيق النصوص بعد التحرير (PE) من نص مترجمة النص، بما في ذلك عمليات سير عمل مختلفة وخطوات
يمكن أن تكون فعالة أكثر أو أقل فعالية ومواتية. في هذه الورقة، نقترح سير عمل بعد تحرير ثلاث خطوات (PEW). الرسم من Insight Insight، تهدف هذه الورقة إلى توفير إطار أساسي ل LSPs و Post-Editers حول كيفية تبسيط سير عمل ما بعد التحرير من أجل تحسين الجودة، وتحقيق ربحية أعلى وعودة أفضل على الاستثمار وتوحيد العمليات الداخلية من حيث جهود الإدارة واللغوية عندما يتعلق الأمر بخدمات PE. نقول أن PEW شامل يتكون في ثلاث مهام أساسية: عمليات تقييم ما قبل التحرير والتحرير بعد التحرير والترجمة التوضيحي (MT) (GUERRERO، 2018) المدعومة من ثلاثة أدوار أساسية: ما قبل المحرر، ما بعد المحرر والانجيلي ( جين، 2020). علاوة على ذلك، توضح الورقة المرسلة مسبقة التحديات التدريبية الناشئة عن هذه PEW، التي تدعمها نتائج البحوث التجريبية، على النحو الوارد في مسح رقمي بين المهنيين في مجال صناعة اللغة (الجينات، 2020)، التي أجريت في سياق ندوة الويب بعد التحرير وبعد تتألف عينة من 51 ممثلا لممثلي LSPs و 12 ممثلين عن ممثلي SLV (بائعي اللغة الفردي).
على الرغم من نوعية جيدة بشكل جيد لأنظمة الترجمة الآلية (MT)، تتطلب مخرجات MT تصحيحات. تم تقديم نماذج ما بعد التحرير التلقائي (APE) لأداء هذه التصحيحات دون تدخل بشري. ومع ذلك، لا يتمكن أي نظام من أتمتة عملية التحرير بالكامل (PE). علاوة على ذلك، في حين
أن العديد من أدوات الترجمة، مثل ذكريات الترجمة (TMS)، فإن الاستفادة إلى حد كبير من مدخلات المترجمين، لا يزال تفاعل الإنسان (HCI) محدودا عندما يتعلق الأمر ب PE. تناقش هذه الورقة المحرز في مجال البحث نماذج القرد وتقترح أنها يمكن تحسينها في سيناريوهات تفاعلية أكثر، كما فعلت سابقا في MT مع إنشاء أنظمة MT (IMT) التفاعلية. بناء على الفرضية التي ستستفيد PE من HCI، يتم اقتراح منهجيتين. كلاهما يشير إلى أن إعدادات التعلم الدفاعية التقليدية ليست الأمثل لل PE. بدلا من ذلك، يوصى بتدريب التقنيات عبر الإنترنت لتدريب وتحديث نماذج PE على الطاير، عبر التفاعلات الحقيقية أو المحاكاة مع المترجم.
