Traducció automàtica neuronal i traducció automàtica estadística : percepció i productivitat

El campo de la traducción automática ha cambiado por completo con los avances que han experimentado los motores de traducción automática neuronal (TAN), especialmente en comparación con los resultados que se estaban obteniendo con los de traducción automática estadística (TAE). Así, se hace necesario revisar su uso y percepción por parte de los usuarios finales: los traductores. El objetivo principal de este trabajo es determinar la percepción y la productividad, en términos de tiempo y número de modificaciones, de un grupo de traductores al utilizar sistemas de TAE y de TAN. Para ello, mediante la plataforma Dynamic Quality Framework (DQF) de TAUS, diez traductores profesionales evaluaron en primer lugar los segmentos de traducción automática en bruto de dos textos -un manual de instrucciones y un texto de marketing-, propuestos por el motor de Microsoft Translation (TAE) y de Google Neural Machine Translation (TAN). Posteriormente, seis de los diez traductores poseditaron dos pruebas de productividad para determinar el tiempo y la distancia de edición. Los resultados mostraron que, en opinión de los traductores, sería más productivo el motor neuronal, ya que, según su percepción, la posedición de sus propuestas conllevaría menos tiempo y menos correcciones. Sin embargo, al cotejar estos resultados con los obtenidos en las pruebas de productividad, se observó que, aunque la distancia de edición era menor con el motor de TAN que con el de TAE, el tiempo de posedición era mucho mayor para el motor neuronal.El camp de la traducció automàtica ha canviat per complet amb els progressos que han experimentat els motors de traducció automàtica neuronal (TAN), sobretot si es compara amb els resultats obtinguts amb els de traducció automàtica estadística (TAE). Així, és necessari revisar-ne l'ús i la percepció per part dels usuaris finals, els traductors. L'objectiu principal d'aquest treball és determinar la percepció i la productivitat, en termes de temps i nombre d'edicions, d'un grup de traductors a l'hora d'utilitzar sistemes de TAE i de TAN. Amb aquest objectiu, mitjançant la plataforma Dynamic Quality Framework (DQF) de TAUS, deu traductors professionals han avaluat, primerament, els segments de traducció automàtica en brut de dos textos, un manual d'instruccions i un text de màrqueting, proposats pel motor de Microsoft Translation (TAE) i de Google Neural Machine Translation (TAN). Posteriorment, sis dels deu traductors han posteditat dues proves de productivitat, a fi d'establir-ne el temps i la distància d'edició. Els resultats mostren que els traductors consideren el motor neuronal més productiu, atès que, segons la seva percepció, triguen menys temps a posteditar, la qual cosa comporta menys edicions. No obstant això, en comparar aquests resultats amb els obtinguts a les proves de productivitat, encara que la distància d'edició és menor amb el motor de TAE que amb el de TAN, el temps de postedició és molt més alt en el cas del motor neuronal.The machine translation field has changed completely due to the many advances seen in neural machine translation (NMT) engines, especially in comparison with the results that were obtained with statistical machine translation (SMT) engines. So, it is necessary to review not only how MT is used but also how it is perceived by the end users, the translators. The main objective of this study is to determine the perception and productivity of a group of translators using SMT and NMT systems in terms of time and edit distance. Via the TAUS Dynamic Quality platform, ten professional translators first evaluated raw machine translation segments from two different texts - a user guide and a marketing text - proposed by the Microsoft Translation Engine (SMT) and Google Neural Machine Translation (NMT). Six of the ten translators subsequently post-edited two productivity tests to determine time and edit distance. The results show that translators perceive the NMT system as more productive because, according to their perception, it would take less time to post-edit and would mean fewer editions. However, when comparing these results with those obtained in productivity tests, although the edit distance was shorter when using the SMT engine than with the NTM, the post-editing time is much longer for the neural engine