Лингвистические аспекты машинного перевода: комплексный анализ проблем, достижений и этических вызовов в эпоху нейросетей

В 2024 году мировой рынок машинного перевода, как ожидается, превысит отметку в 1 миллиард долларов США, с прогнозируемым ростом до более чем 6,24 миллиарда долларов к 2037 году при среднегодовом темпе роста более 12,5%. Эти впечатляющие цифры красноречиво свидетельствуют о беспрецедентной актуальности машинного перевода (МП) в современном мире. Сегодня МП — это не просто инструмент для преодоления языковых барьеров, а сложнейший междисциплинарный феномен, находящийся на пересечении лингвистики, компьютерных наук, искусственного интеллекта и даже этики. Его влияние ощущается во всех сферах — от глобальной коммуникации и бизнеса до науки и культуры, изменяя само представление о переводе как о чисто человеческой деятельности. Это означает, что изучение и понимание МП становится критически важным для всех, кто взаимодействует с информацией в глобальном масштабе.

Целью настоящего исследования является проведение комплексного академического анализа лингвистических аспектов машинного перевода. Мы проследим его исторический путь, глубоко погрузимся в современные достижения, выявим актуальные проблемы и ограничения, а также очертим перспективы развития. Особое внимание будет уделено тому, как лингвистические теории и подходы эволюционировали от зарождения идеи до современных нейросетевых моделей, и какие лингвистические трудности остаются наиболее острыми для автоматических систем. Мы также рассмотрим особенности МП текстов различных функциональных стилей, методологии оценки качества и, что крайне важно в текущую эпоху бурного развития ИИ, этические и культурные аспекты, связанные с его применением.

Данная работа адресована студентам и аспирантам лингвистических, филологических и IT-специальностей, специализирующимся на компьютерной лингвистике, теории перевода и обработке естественного языка. Она призвана стать глубоким научным исследованием, способствующим формированию всестороннего понимания сложной динамики машинного перевода и его роли в современном мире. Структура работы последовательно раскрывает заявленные темы, начиная с фундаментальных определений и заканчивая футурологическими прогнозами и этическими размышлениями, обеспечивая целостный и всеобъемлющий анализ.

Теоретические основы машинного перевода: Ключевые понятия и терминология

Для глубокого понимания лингвистических аспектов машинного перевода необходимо четко определить ключевые термины и концепции, составляющие его теоретический фундамент. Эта область, находящаяся на стыке лингвистики и информационных технологий, оперирует специфическим словарем, освоение которого является первым шагом к осмыслению сложности и потенциала автоматического перевода.

Машинный перевод и Обработка естественного языка (NLP)

В самом широком смысле Машинный перевод (МП) — это процесс автоматического перевода текста или речи с одного естественного языка на другой, осуществляемый с помощью компьютерных программ без прямого участия человека. Отличительной чертой МП является его способность обрабатывать и преобразовывать большие объемы информации в автоматическом режиме, что радикально отличается от традиционного человеческого перевода.

Неразрывно с МП связана Обработка естественного языка (NLP). Это одна из ключевых областей компьютерной лингвистики и искусственного интеллекта, которая занимается разработкой методов и технологий для взаимодействия компьютеров с естественными языками. NLP охватывает широкий спектр задач, таких как синтаксический анализ, морфологический анализ, распознавание речи, генерация текста, и, конечно же, машинный перевод. По сути, NLP является фундаментом, на котором строятся все современные системы МП, обеспечивая компьютеру способность «понимать» и «производить» человеческий язык.

Эволюция моделей перевода: от статистических до нейросетевых

Исторически МП прошел путь от простых подходов, основанных на словарях и правилах, до сложных систем, использующих статистические и нейронные методы. Ранние попытки МП действительно строились на основе заранее запрограммированных словарей и лингвистических правил, но их ограниченность быстро стала очевидной. Современные системы используют более гибкие и мощные подходы.

На сегодняшний день доминирующей парадигмой является Нейронный машинный перевод (НМП или NMT). Этот подход к МП использует глубокие искусственные нейронные сети для перевода текста. НМП принципиально отличается от своих предшественников тем, что он стремится воспринять предложение как единое целое, учитывая контекст и зависимости между словами, а не переводить их по отдельности или на основе жестких правил. Это позволяет генерировать более плавные и естественные переводы.

В основе НМП и многих других задач NLP лежат Языковые модели (ЯМ). Это программные алгоритмы, которые анализируют и генерируют текст на основе изученного материала. Их основная задача — понять структуру и смысл текста для выполнения таких задач, как продолжение фраз, ответы на вопросы, сам перевод и другие аспекты обработки естественного языка. ЯМ предсказывают следующее слово в последовательности, основываясь на предыдущих, что позволяет им создавать когерентный и грамматически правильный текст.

Вершиной развития ЯМ на данный момент являются Большие языковые модели (LLM). Это чрезвычайно объемные модели глубокого обучения, которые предварительно обучены на колоссальных массивах текстовых данных. Благодаря огромному количеству параметров и объему обучающих данных, LLM демонстрируют поразительные способности в понимании, генерации и переводе текста, часто превосходя специализированные НМП-системы в качестве и адаптивности.

Ключевым архитектурным прорывом, который сделал возможным появление LLM и революционизировал НМП, является Трансформер (Transformer). Эта архитектура глубоких нейронных сетей, представленная в 2017 году исследователями из Google Brain, предназначена для эффективной обработки последовательностей, таких как текст на естественном языке. Её основное преимущество заключается в том, что Трансформеры обрабатывают целые последовательности параллельно, а не последовательно, как это было в более ранних рекуррентных нейронных сетях. Это позволило задействовать мощь графических процессоров (GPU) для обучения LLM, значительно сократив время обучения и сделав возможным работу с беспрецедентно большими объемами данных.

Лингвистические аспекты: Многоуровневое понимание языка

Под лингвистическими аспектами машинного перевода понимается весь комплекс языковых явлений и закономерностей, которые необходимо учитывать для адекватного автоматического перевода. Это многоуровневое понимание языка включает:

• Понимание структуры и смысла текста: МП должен не просто переводить слова, но и схватывать общую идею, причинно-следственные связи, логику изложения.
• Грамматические особенности: Правильное определение частей речи, склонений, спряжений, падежей, числа, рода, времени, а также корректный синтаксический анализ предложений.
• Лексические особенности: Выбор правильного значения слова в контексте (борьба с полисемией и омонимией), перевод идиом, фразеологизмов, терминов.
• Стилистические особенности: Передача регистра, тональности, эмоциональной окраски текста, сохранение авторского стиля.
• Семантические и прагматические аспекты: Глубинное понимание значения слов и предложений, а также их использование в конкретной коммуникативной ситуации.

Именно эти лингвистические аспекты определяют сложность и одновременно потенциал машинного перевода, превращая его из чисто технической задачи в область, требующую глубокого лингвистического осмысления.

История и эволюция подходов к машинному переводу: От ранних идей до нейросетевых парадигм

История машинного перевода — это захватывающее путешествие от философских размышлений XVII века до современных нейросетевых систем, способных обрабатывать и генерировать текст на беспрецедентном уровне. На каждом этапе этого пути лингвистические теории и технологические возможности тесно переплетались, формируя новые парадигмы и открывая горизонты, что демонстрирует, насколько далеко продвинулась эта область.

Зарождение идей и первые концепции (XVII–XX вв.)

Идеи об алгоритмах, способных переводить с одного языка на другой, возникли задолго до появления компьютеров. Ещё в XVII веке великие мыслители, такие как философ Рене Декарт и математик Готфрид Лейбниц, размышляли о возможности создания универсального языка-посредника. Они представляли себе некий искусственный язык, который мог бы служить мостом между всеми естественными языками, позволяя автоматически преобразовывать тексты. Эта мечта о «lingua universalis» стала предтечей многих более поздних концепций в машинном переводе.

В 1668 году Джон Уилкинс в своём трактате «Опыт о подлинной символике и философском языке» предложил подход к созданию такого универсального языка, основанного на классификации понятий. Идеи универсального языка-посредника вновь ожили в 1930-е годы, когда Жорж Арцруни (Франция) и Пётр Троянский (СССР) независимо друг от друга пытались запатентовать первые «машины для перевода». Изобретение Троянского, например, представляло собой механическое устройство, которое позволяло кодировать морфологическую и грамматическую информацию. Эти ранние попытки были, по сути, механизированными словарями с элементами грамматического анализа.

Однако настоящий прорыв в концептуальном осмыслении МП произошёл в 1947 году, когда Уоррен Уивер, пионер информационных технологий, предложил рассматривать перевод как задачу декодирования, подобную криптографической. В 1949 году Уивер опубликовал свой знаменитый меморандум, в котором обосновал возможность машинного перевода, основанного на декодировании. Он также описал концепцию interlingua (языка-посредника), при которой перевод осуществляется в два этапа: сначала исходное предложение упрощается и преобразуется в универсальное, не зависящее от конкретного языка представление, а затем это представление преобразуется в целевой язык. Эта глубокая и дальновидная концепция, как мы увидим, используется и в современных системах автоматического перевода.

Первые эксперименты и «зима» машинного перевода

Энтузиазм, вызванный идеями Уивера и развитием компьютерных технологий, привёл к одному из самых знаковых событий в истории МП. 7 января 1954 года в Нью-Йорке состоялся Джорджтаунский эксперимент. Компьютер IBM 701 впервые успешно перевёл 60 предложений с русского на английский язык со впечатляющей скоростью 2,5 страницы в секунду. Хотя этот эксперимент был тщательно подобран и ограничен по объёму, он вызвал волну оптимизма и стимулировал дальнейшие исследования.

В СССР также активно велись работы в этой области. Уже в 1955 году в Институте точной механики и вычислительной техники был представлен первый советский компьютерный переводчик, обладавший словарём из 2300 слов. Казалось, что полноценный машинный перевод — вопрос ближайшего будущего.

Однако эйфория оказалась преждевременной. Сложности естественного языка, такие как многозначность, синтаксическая неоднозначность, идиоматические выражения, оказались гораздо глубже, чем предполагалось. Простые словарные замены и жёсткие правила не могли обеспечить качественный перевод. В 1964 году был создан комитет ALPAC (Automatic Language Processing Advisory Committee) для оценки технологий МП. В своём отчёте 1966 года ALPAC пришёл к обескураживающему выводу о нерентабельности машинного перевода, указав на его низкое качество и высокую стоимость разработки. Этот отчёт привёл к почти полному прекращению государственного финансирования исследований в США примерно на 20 лет, что вошло в историю как «зима» машинного перевода.

Доминирование правил и появление статистики

Несмотря на «зиму», исследования не прекращались полностью, особенно в Европе. В 1968 году Питер Тома основал компанию Systran, которая разрабатывала программы для МП, используя подход Rule-based Machine Translation (МП на основе правил, RBMT). Эти системы предполагали создание обширных двуязычных словарей и сложного набора лингвистических правил, описывающих грамматику, синтаксис и морфологию как исходного, так и целевого языка. RBMT доминировал в 1970-х и 1980-х годах и успешно применялся в специализированных областях, где языковая вариативность была ограничена.

Однако системы на основе правил были дороги в разработке и обслуживании, требовали значительных усилий лингвистов и программистов. Новая парадигма появилась в 1988 году, когда исследовательская группа IBM предложила концепцию Статистического машинного перевода (Statistical Machine Translation, SMT). SMT был основан на принципиально ином подходе: вместо явных лингвистических правил он использовал статистические закономерности, извлечённые из огромных объёмов параллельных корпусов текста (текстов, переведённых людьми). Система «обучалась» на этих данных, чтобы находить наиболее вероятные соответствия между словами и фразами в разных языках. Это был переломный момент, поскольку SMT позволил создавать более гибкие и масштабируемые системы МП без необходимости жёсткого кодирования лингвистических знаний.

Эпоха нейронных сетей и трансформеров

Настоящая революция в машинном переводе произошла с 2016 года, когда развитие нейронных сетей достигло нового уровня. В этом году Google представила GNMT (Google Neural Machine Translation) — систему нейронного перевода, обученную на беспрецедентно огромном количестве текстов. GNMT стала знаковой, поскольку она воспринимала предложение целостно, а не как набор отдельных слов или фраз, что значительно повысило плавность и естественность перевода.

В 2017 году Google усовершенствовала архитектуру нейросети, представив модель Transformer. Этот инновационный подход радикально изменил поле NLP и МП. Transformer способен эффективно считывать связи между удалёнными частями фраз, что было одной из главных проблем предыдущих архитектур. Благодаря механизму внимания (attention mechanism), Transformer может одновременно обрабатывать всю входную последовательность, что значительно ускоряет обучение и позволяет работать с гораздо более длинными контекстами. Именно Transformer стал основой для современных Больших языковых моделей (LLM), которые сегодня доминируют в области ИИ.

Современные системы МП часто используют гибридные модели, объединяющие преимущества разных подходов. Например, Яндекс.Переводчик использует гибридную модель: статистическая модель и нейросеть предлагают свои варианты перевода, а затем технология CatBoost выбирает лучший результат. Аналогично, PROMT Neural также использует гибридную технологию, объединяя нейросетевой подход и перевод на основе правил, что позволяет достигать высокой точности и гибкости. Эта эпоха знаменует собой переход от изолированных подходов к синергии различных методов, направленных на создание всё более совершенных и интеллектуальных систем перевода.

Лингвистические проблемы и ограничения современного машинного перевода: Детальный анализ ошибок

Несмотря на колоссальные достижения, особенно в эпоху нейронных сетей, современный машинный перевод по-прежнему сталкивается с фундаментальными лингвистическими проблемами. Эти ограничения проявляются в большом количестве неточностей, которые не только снижают качество перевода, но иногда приводят к искажению смысла и даже к абсурдным результатам.

Лексическая многозначность и омонимия

Одной из наиболее существенных лингвистических проблем при автоматическом переводе является многозначность лексических значений (полисемия) и омонимия. Слово может иметь несколько значений, выбор которых зависит от контекста. Человек-переводчик интуитивно определяет правильное значение, исходя из общего смысла предложения и предметной области, но для машины это остаётся сложной задачей.

Например, английское слово «horse» в общем контексте означает «лошадь», но в технической литературе оно может быть переведено как «рама». Аналогично, «bug» может означать «жук» в биологии или «ошибка в устройстве» в IT-контексте. Если система МП не обладает достаточными знаниями о предметной области или не способна глубоко анализировать контекст, она может выбрать неверное значение, полностью исказив смысл. Грамматическая полисемия также представляет трудность, когда, например, артикль «the» в английском языке может нести разные оттенки значения в зависимости от синтаксической роли и контекста. Это наглядно показывает, почему дословный перевод часто оказывается недостаточным.

Грамматические неточности и синтаксические трансформации

Грамматические неточности являются ещё одной причиной неидеальности машинного перевода. Эта проблема особенно остра для флективных языков, таких как русский, который характеризуется богатой системой падежей, склонений, спряжений и отсутствием фиксированного порядка слов. В отличие от аналитических языков, где грамматические отношения выражаются в основн��м порядком слов и предлогами, в русском языке смысл часто определяется окончаниями.

Примеры типичных грамматических ошибок включают неправильную передачу категорий рода, числа, падежа или неверный порядок слов. Например, машинный перевод может с трудом справляться с переводом фраз, где инверсия порядка слов меняет стилистическую окраску или акцент, но не грамматическую правильность, в то время как в русском языке это может быть критично. Хотя некоторые исследования отмечают, что современные системы, такие как Google Translate, демонстрируют меньшее количество грамматических ошибок по сравнению с более ранними алгоритмами, проблема всё ещё актуальна.

Синтаксические трансформации — это изменения в структуре предложения при переходе от одного языка к другому. Эти трансформации могут быть простыми (например, изменение порядка слов) или сложными (например, преобразование активного залога в пассивный с изменением субъектно-объектных отношений). Машинный перевод часто испытывает трудности с корректным выполнением таких трансформаций, что приводит к структурным различиям и неловким, неестественным фразам в целевом языке. Если система не распознаёт необходимость синтаксической реорганизации, перевод может оказаться грамматически верным, но стилистически неприемлемым или даже непонятным.

Перевод устойчивых выражений и стилистические особенности

Одним из самых сложных вызовов для МП является перевод переносных значений, устойчивых (фразеологических) единиц, идиом и фразеологизмов. Эти языковые конструкции обладают целостным, часто невыводимым из суммы значений отдельных слов смыслом. Машинный перевод, особенно при использовании более ранних подходов, часто переводит их дословно, игнорируя их культурное значение и образность. Это приводит к абсурдным и курьёзным ошибкам.

Примеров таких ошибок множество:

• В китайских ресторанах автоматический переводчик может перевести название блюда как «Translate Server Error» (Ошибка сервера перевода) вместо оригинального, возможно, сложного для понимания, названия.
• Или, что ещё более комично, курица может стать «Chicken rude and unreasonable» (Грубая и неразумная курица) вместо обычного описания способа приготовления.
• НМП иногда допускает ошибки, которых человек никогда бы не допустил, что указывает на ограниченность его понимания. Так, фраза в отеле «Если вы хотите завтрак, поднимите трубку, и наша официантка прибудет. Она снимет вашу одежду и отправит её в прачечную» вместо предложения услуг прачечной, или табличка в туалете «Подскользнитесь и упадите осторожно» вместо «Осторожно, мокрый пол», наглядно демонстрируют, как отсутствие понимания контекста и прагматики приводит к полному искажению смысла.

Помимо фразеологизмов, машинный перевод часто не может в полной мере передать стилистические особенности текста или сохранить творческое выражение автора. Переводы, выполненные машиной, часто получаются «сухими», лишёнными эмоциональной окраски, игры слов, иронии или сарказма. В художественных текстах это проявляется особенно ярко: МП не способен адекватно передать метафоры, авторские неологизмы, синтаксическую специфику, диалектизмы, что приводит к значительным искажениям и потере эстетической ценности произведения.

Проблемы контекста, культурных нюансов и редкой лексики

Нейронный машинный перевод, несмотря на свои преимущества, всё ещё испытывает трудности с улавливанием тонких культурных и контекстуальных нюансов языка. Значение слова или фразы может сильно зависеть от широкого контекста, области знаний, культурных аллюзий, которые машина не всегда способна распознать. Например, для перевода исторического текста недостаточно знать язык; нужно понимать культурные и исторические реалии, к которым относятся отсылки.

Кроме того, НМП может допускать ошибки при переводе редких языков или специфических терминов, а также лексики, неизвестной системе. Хотя большие языковые модели обучаются на огромных корпусах, они всё же ограничены объёмом данных. Если слово или выражение встречается крайне редко или является частью узкоспециализированного жаргона, не представленного в обучающих данных, система может перевести его некорректно или просто пропустить. Это подчёркивает фундаментальное ограничение, заключающееся в том, что ИИ «знает» только то, чему его научили, и не обладает человеческой способностью к интуитивному пониманию и адаптации к совершенно новым языковым явлениям.

Особенности машинного перевода текстов различных функциональных стилей: Сравнительный лингвистический анализ

Качество машинного перевода в значительной степени зависит от функционального стиля и тематики исходного текста. Эта зависимость обусловлена лингвистическими особенностями каждого стиля, которые по-разному «удобны» или «неудобны» для автоматической обработки. Машинный перевод успешно передаёт денотативное значение текста (то есть его буквальный смысл), но часто сталкивается с проблемами при сохранении прагматической и стилистической функции оригинала, что особенно заметно при работе с текстами, требующими тонкого лингвистического чутья.

Научно-технический и официально-деловой стиль

Наиболее благоприятными для машинного перевода являются тексты, написанные в научно-техническом и официально-деловом стилях. Чем более формализованным и стандартизированным является стиль исходного документа, тем более качественным оказывается машинный перевод. Это объясняется несколькими ключевыми лингвистическими особенностями:

• Логичность и чёткость: Эти стили характеризуются строгой логической структурой, что упрощает синтаксический анализ для машин.
• Стандартизированные формулировки: Использование клише, устойчивых выражений и повторяющихся грамматических конструкций облегчает их распознавание и перевод.
• Высокая терминологичность: Научно-технические и официально-деловые тексты изобилуют терминологией, которая, как правило, однозначна и имеет чёткие эквиваленты в других языках. Специализированные глоссарии и базы терминов могут быть эффективно использованы для обучения систем МП, что значительно повышает точность.
• Отсутствие эмоциональной окраски: Эти тексты редко содержат метафоры, иронию или другие стилистические приёмы, которые представляют трудность для машин.

Именно поэтому промышленный сектор является крупным рынком спроса на услуги машинного перевода для рутинной деятельности, где скорость является ключевым аспектом. Мировой рынок машинного перевода, который превысил 1,35 миллиарда долларов США в 2024 году и, как ожидается, достигнет 6,24 миллиарда долларов США к 2037 году, во многом обязан своим ростом именно потребностям в переводе технической документации, патентов, юридических документов и деловой корреспонденции. Совокупный объём услуг машинного перевода в 2023 году составлял около 900 миллионов долларов США, и в 2024 году он может достичь и преодолеть отметку в 1 миллиард долларов, с годовыми темпами роста от 12% до более чем 20% к 2030 году, что подтверждает высокую востребованность МП в этих сегментах.

Однако даже в этих, казалось бы, идеальных для МП стилях могут возникать проблемы. Например, жанровые нарушения в машинном переводе технических инструкций могут проявляться в немотивированном включении экспрессивных элементов, нетипичных для стиля русскоязычных текстов технической документации. Это происходит, когда система пытается сделать текст более «естественным», но выбирает стилистические средства, не соответствующие функциональному регистру. Перевод официально-деловой корреспонденции также требует учёта не только лингвистических особенностей, но и конкретных обстоятельств использования документа, и не должен производиться исключительно по клише, поскольку даже в этом стиле могут быть нюансы, требующие человеческого вмешательства.

Публицистический стиль

Перевод публицистических текстов с помощью машинных систем часто сталкивается со значительными трудностями. Этот стиль характеризуется:

• Стилистической разноплановостью лексики: В публицистике могут сочетаться элементы разговорной речи, научной терминологии и официально-делового стиля.
• Обилием клише и штампов: Хотя некоторые клише могут быть успешно переведены, многие из них имеют культурную специфику и требуют адаптации.
• Неологизмы: Публицистика часто использует новые слова и выражения для привлечения внимания, что может быть проблемой для систем, обученных на устоявшихся корпусах.
• Фразеологизмы и метафоры: Как и в художественной литературе, публицистика активно использует образные выражения для усиления эмоционального воздействия, что практически всегда приводит к проблемам при дословном машинном переводе.

В результате, машинный перевод публицистических текстов часто оказывается менее точным и стилистически адекватным по сравнению с переводом научно-технических материалов, требуя значительного постредактирования.

Художественный стиль

Художественный стиль является наиболее сложным и наименее подходящим для машинного перевода. Практически всегда машинный перевод художественных текстов оказывается неудовлетворительного качества, и это объясняется глубокими лингвистическими и культурными причинами:

• Многообразие изобразительных средств: Художественная литература изобилует метафорами, метонимиями, сравнениями, аллегориями, словами в переносном значении, идиомами и другими стилистическими приёмами. Машинные системы крайне редко способны распознать и адекватно передать эти средства, часто переводя их дословно, что приводит к потере образности, искажению смысла и разрушению эстетической ценности произведения.
• Авторский стиль и игра слов: Каждый писатель имеет уникальный стиль, который проявляется в выборе слов, синтаксических конструкциях, ритме предложения. Машина не способна воспроизвести эту уникальность. Игра слов, каламбуры, ирония, сарказм и юмор, основанные на лингвистических тонкостях, практически полностью теряются при машинном переводе, поскольку ИИ не обладает чувством юмора или способностью к тонкому восприятию эмоциональной окраски.
• Культурные особенности и исторические отсылки: Художественные произведения глубоко укоренены в культурном и историческом контексте своего создания. Они содержат аллюзии, отсылки к мифологии, обычаям, историческим событиям, которые могут быть совершенно непонятны для читателя другой культуры. Машинный перевод редко способен адекватно интерпретировать и адаптировать эти культурные особенности, делая произведение непонятным или чуждым для целевой аудитории.

Хотя нейросети показывают некоторые преимущества по сравнению с предыдущими алгоритмами при переводе художественных текстов, они всё ещё не могут обеспечить высокого уровня эквивалентности. Машинный перевод художественной литературы часто приводит к искажению смысла и потере эстетической ценности произведения, подтверждая, что в этой области человеческий переводчик с его культурной компетентностью, лингвистическим чутьём и творческим подходом остаётся незаменимым.

Современные достижения и перспективные направления развития лингвистического обеспечения машинного перевода

Сфера языкового перевода сегодня переживает период бурного развития, во многом благодаря прорывным достижениям в области искусственного интеллекта и машинного обучения. Открываются новые горизонты для лингвистического обеспечения машинного перевода, меняя не только его качество, но и роль человека в этом процессе.

Роль больших языковых моделей (LLM) и архитектуры Transformer

Одним из наиболее значимых достижений последних лет стало повсеместное внедрение больших языковых моделей (LLM) и архитектуры Transformer. Эти технологии совершили революцию в качестве машинного перевода, сделав его более точным, плавным и, что самое важное, контекстуально адаптированным.

Архитектуры на основе Трансформеров позволили учитывать длинные связи между словами в предложении, что критически важно для сохранения смысла в сложных многочастных конструкциях. Механизм внимания позволяет модели сосредоточиться на наиболее релевантных частях исходного текста при генерации перевода, улучшая когерентность и связность. В результате, LLM способны не только выполнять традиционные задачи перевода, но и решать ряд других задач, таких как ответы на вопросы, обобщение документов и даже творческое написание.

Эти качественные изменения ярко демонстрируются на примере систем нейронного машинного перевода. В период с 2016 по 2021 год системы, такие как Google Neural Machine Translation (GNMT) и PROMT, показали существенные качественные изменения и значительное улучшение работы по сравнению с предыдущими алгоритмами. Нейронные сети обладают уникальной способностью быстро адаптироваться к специфическим предметным областям и стилям. Обучаясь на соответствующих данных, они могут значительно повышать свою гибкость и применимость, что делает их незаменимым инструментом для специализированных переводов.

Мировой рынок переводческих услуг в 2023 году составил 40,95 млрд долларов, а объём мирового рынка нейромашинного перевода достиг 464,07 млн долларов в 2023 году, с прогнозируемым ростом до 1019,62 млн долларов к 2030 году. Эти цифры подчёркивают, что НМП не просто дополняет, но и активно формирует современный переводческий ландшафт.

Компьютерная лингвистика и дальнейшее развитие ИИ в переводе

Компьютерная лингвистика играет ключевую роль в развитии искусственного интеллекта, особенно в контексте перевода. Она занимается изучением языковых структур и их автоматической обработкой, а также разработкой алгоритмов для анализа, понимания и генерации естественного языка. Именно благодаря компьютерной лингвистике системы МП становятся «умнее», глубже понимая синтаксис, семантику и прагматику.

Будущее перевода видится не в полном вытеснении человека машиной, а в тесном сотрудничестве человеческого интеллекта и машинного перевода на базе ИИ. В этом сценарии человек адаптирует переводы для конкретной аудитории, внося стилистические правки, культурные адаптации и обеспечивая полное соответствие контексту, в то время как ИИ автоматизирует рутинные, повторяющиеся задачи.

Пост-редактирование машинного перевода становится ключевым процессом, обеспечивающим точность и беглость переводов, созданных ИИ. Переводчики-люди вносят последние штрихи, исправляя ошибки, улучшая стилистику и гарантируя, что перевод звучит естественно и адекватно. Постредактирование позволяет значительно экономить время и ресурсы при работе с многоязычными и срочными текстами, такими как инструкции и руководства пользователя, а также обеспечивает больший объём обработки текстов за тот же или меньший объём времени. Это также открывает возможности для масштабирования переводческих проектов, которые были бы невозможны при исключительно ручном переводе.

Развитие локальных моделей и языковых пар

Разработка многоязычного контента всегда была сопряжена с трудностями, но современные технологии перевода значительно усовершенствовались. Сегодняшние системы машинного перевода обеспечивают беглые, чувствительные к идиомам переводы во многих популярных языковых парах. Примеры таких пар, для которых доступны локальные модели машинного перевода и активно проводятся исследования, включают английский, китайский и русский языки. Это свидетельствует о глубокой проработке лингвистических особенностей этих языков в рамках различных МП-систем.

Некоторые системы, как, например, PROMT Neural, используют гибридную технологию, объединяющую нейросетевой подход и перевод на основе правил. Такой синтез позволяет извлекать лучшее из обоих миров: гибкость и плавность нейронных сетей сочетаются с точностью и предсказуемостью правил, особенно в специфических предметных областях.

Эффективное обучение нейронных сетей на специфических данных позволяет значительно повысить качество машинного перевода, делая его более адаптированным к конкретным задачам и требованиям. Это направление, известное как «дообучение» или «fine-tuning», является одним из самых перспективных, поскольку позволяет создавать высокоспециализированные МП-системы, способные работать с юридическими, медицинскими, техническими или другими узкопрофильными текстами с высокой степенью точности и адекватности. Таким образом, будущее лингвистического обеспечения МП лежит в комбинации мощных базовых моделей, гибкой адаптации и эффективного человеческого контроля.

Методологии оценки качества машинного перевода и сопоставительный анализ

Оценка качества систем машинного перевода (МП) является важнейшей областью исследований, поскольку она не только позволяет определить эффективность существующих систем, но и служит основой для их дальнейшей оптимизации и развития. Без объективных методологий невозможно сравнивать различные подходы, выявлять их сильные и слабые стороны, а также ставить новые задачи перед разработчиками.

Подходы к оценке качества: Автоматический и экспертный

В основе методов оценки качества МП лежат два принципиально разных подхода: автоматический и экспертный (человеческий).

1. Автоматическая оценка построена на сопоставлении машинного перевода с одним или несколькими референтными (профессиональными, эталонными) переводами, выполненными человеком. Она предполагает использование математических метрик, которые количественно измеряют степень сходства между машинным и эталонным текстом. Главное преимущество этого подхода — скорость, объективность (в рамках выбранной метрики) и возможность оценки больших объёмов данных без участия человека.
2. Экспертная (человеческая) оценка, напротив, привлекает человека-эксперта (профессионального переводчика или лингвиста). Она учитывает в первую очередь функциональность и качество перевода с точки зрения человеческого восприятия. Перевод оценивается тем выше, чем успешнее он справляется со своими задачами: точность, грамматическая правильность, стилистическая адекватность, плавность чтения и сохранение смысла. Лингвистическое качество является классическим методом оценки, где языковые ошибки распределяются по степени тяжести в зависимости от типа: грамматика, лексика, пунктуация, ошибки в цифрах. Такой подход позволяет глубоко проанализировать нюансы, которые не всегда улавливаются автоматическими метриками.

Критерии для оценки качества перевода, применяемые как в автоматической, так и в экспертной оценке, включают: точность (сохранение смысла), правописание, пунктуацию, стилистику, форматирование, грамматику и терминологию. Кроме того, оценка качества МП может измеряться с помощью параметров редактирования перевода, разработанных Б. Моссопом, которые учитывают объём работы, необходимой для приведения машинного перевода к приемлемому качеству.

Автоматические метрики оценки качества

За последние десятилетия было разработано множество автоматических метрик, каждая из которых имеет свои особенности и области применения. Среди наиболее известных:

• BLEU (Bilingual Evaluation Understudy): Одна из самых распространённых метрик, вычисляет точность n-грамм (последовательностей из n слов), сравнивая машинный перевод с одним или несколькими эталонными переводами. Оценка BLEU хорошо коррелирует с человеческим мнением о качестве перевода, особенно на уровне корпусов. Её формула включает точность и штраф за краткость, чтобы избежать предпочтения более коротких, но менее информативных переводов. Улучшение BLEU как минимум на 5 пунктов (например, с 35 до 40) считается значительным и приводит к сокращению времени постредактирования.
• NIST: Отличается от BLEU тем, что вычисляет, насколько информативным является конкретный n-грамм, и даёт больший вес более редким n-граммам. Это позволяет NIST лучше учитывать семантическую важность слов.
• METEOR (Metric for Evaluation of Translation with Explicit Ordering): Предусматривает интеграцию языковых знаний. METEOR учитывает не только точные совпадения слов, но также разные формы слов (с помощью стемминга) и синонимы (с помощью WordNet). Кроме того, она включает штраф за нарушение порядка слов, что позволяет ей лучше коррелировать с оценками людей, особенно на уровне отдельных предложений.
• TER (Translation Error Rate): Основана на подсчёте минимального числа правок (вставок, удалений, замен, перемещений), требуемых для приведения машинного перевода в полное соответствие эталонному переводу. Метрика TER полезна для оценки переводов, где акцент делается на объёме постредактирования, необходимого для работы, особенно в сценариях, где переводы будут постредактированы людьми.
• Другие метрики: LEPOR, COMET, PRIS, chrF. Каждая из них предлагает свой подход к измерению качества, пытаясь преодолеть ограничения предшественников и лучше учесть лингвистические особенности.

Сложность оценки качества машинного перевода заключается в том, что метрика должна учитывать не только точность и грамматическую корректность, но также сохранение смысла и стиля исходного текста, что является весьма субъективными параметрами.

Сопоставительный анализ: Человек vs Машина

Сопоставительный анализ текстов онлайн-переводов с переводами, выполненными профессиональными переводчиками, является одним из наиболее важных методов анализа систем МП. Этот подход позволяет:

1. Выявить лексические и грамматические ошибки: Прямое сравнение позволяет точно определить, где машина ошиблась в выборе слова, грамматической форме или синтаксической конструкции.
2. Проанализировать стилистические расхождения: Человек может оценить, насколько машинный перевод сохраняет тон, регистр, эмоциональную окраску и стилистические особенности оригинала, чего автоматические метрики сделать не могут.
3. Оценить передачу культурных нюансов: Профессиональный переводчик способен выявить, насколько адекватно МП передаёт идиомы, фразеологизмы, культурные отсылки.
4. Предложить собственный вариант перевода: В процессе сопоставительного анализа лингвисты могут предложить улучшенные варианты перевода, которые затем используются для доработки и обучения систем МП.

Сравнение результатов машинного перевода с переводами, выполненными профессиональными переводчиками, является ключевым методом для понимания эффективности МП-систем. Оно позволяет не только оценить текущее состояние технологий, но и определить направления для дальнейших исследований, направленных на преодоление лингвистических ограничений и приближение качества машинного перевода к человеческому.

Этические и культурные аспекты лингвистического обеспечения машинного перевода

Бурное развитие машинного перевода и искусственного интеллекта несёт с собой не только технологические прорывы, но и целый ряд этических дилемм и культурных вызовов. Эти вопросы выходят за рамки чисто лингвистических проблем, затрагивая правовые, социальные и мировоззренческие аспекты.

Авторское право и ответственность за ошибки

Один из наиболее острых этических вызовов связан с авторскими правами на переводы, сделанные ИИ. Возникает вопрос: кому принадлежит авторство перевода, выполненного машиной? Перевод, осуществлённый ИИ, может ненамеренно нарушить авторские права, утрачивая уникальность стиля оригинального текста или используя для обучения данные, защищённые авторским правом.

Законодательство в этой области пока находится на стадии формирования и сильно различается в разных юрисдикциях:

• В большинстве юрисдикций, таких как США, ЕС, Сингапур и Китай, человеческое авторство является основополагающим требованием для защиты авторских прав на произведение. Это означает, что перевод, полностью сгенерированный ИИ, не может быть защищён авторским правом, поскольку у него нет автора-человека.
• Однако в Великобритании Закон об авторском праве, промышленных образцах и патентах 1988 года предусматривает защиту компьютерно-генерируемых произведений, признавая автором лицо, сделавшее необходимые манипуляции для создания работы. Это открывает иные перспективы для определения авторства ИИ-переводов.
• Использование защищённых авторским правом данных для обучения ИИ является предметом многочисленных судебных исков, при этом разработчики часто ссылаются на «добросовестное использование» (fair use) для оправдания таких действий.

Другой критически важный аспект — это ответственность за ошибки в переводе. Если машинный перевод содержит неточности, которые приводят к негативным последствиям (например, в юридических или медицинских документах), кто несёт ответственность? Машина, разработчик алгоритма, оператор, который использовал этот инструмент, или конечный пользователь, не проверивший перевод? Этот вопрос требует чёткого правового регулирования и стандартов использования МП.

Конфиденциальность данных и безопасность

Использование больших объёмов данных для обучения ИИ-систем перевода поднимает серьёзные вопросы конфиденциальности и безопасности данных. Использование персональных данных требует высокого уровня защиты информации, поскольку утечки могут иметь катастрофические последствия.

Основные принципы конфиденциальности данных включают:

• Ограничение цели: Сбор данных только для определённых, явно заявленных целей.
• Минимизация данных: Сбор только необходимого объёма данных, а не всего подряд.
• Согласие и прозрачность: Получение явного согласия от субъектов данных и информирование их о том, как их данные будут использоваться.
• Индивидуальные права: Предоставление пользователям прав на доступ, исправление и удаление своих данных.
• Подотчётность организаций: Возложение на организации ответственности за соблюдение правил конфиденциальности.

На международном уровне уже существуют и разрабатываются законы, направленные на защиту данных, такие как Общий регламент по защите данных (GDPR) в Европе, Закон штата Калифорния о защите прав потребителей (CCPA) и разрабатываемый в ЕС Закон об ИИ (AI Act), который содержит положения, направленные на защиту данных, включая запреты на отслеживание биометрии в реальном времени.

Утечка данных является одной из самых болезненных проблем для современного бизнеса. Использование популярных бесплатных онлайн-сервисов МП чревато серьёзными рисками для конфиденциальной информации. В 2023 году, например, Microsoft случайно раскрыла 38 терабайт личной информации в ходе исследовательского проекта в области искусственного интеллекта. Кроме того, киберпреступники могут манипулировать данными обучения ИИ, что может привести к «отравлению данных» и испортить модель ИИ, при этом исследования показывают, что отравление всего 0.001% набора данных достаточно для этого. Для борьбы с этими рисками многие передовые сервисы автоматического перевода используют защищённые каналы связи, такие как HTTPS и SSL, для шифрования информации, но пользователи должны проявлять бдительность при работе с конфиденциальными данными.

Культурные нюансы и межкультурная коммуникация

Важнейший аспект, где машинный перевод по-прежнему значительно уступает человеку, — это учёт культурных особенностей и нюансов. Искусственный интеллект не всегда способен воспринимать тонкие языковые изящества, такие как ирония, сарказм, юмор или эмоциональная окраска, что может привести к неверной интерпретации текста. Примером может служить уже упомянутый перевод, который предлагает снять одежду для прачечной при заказе завтрака – это наглядно демонстрирует полное непонимание культурного и прагматического контекста.

Перевод является не просто механическим преобразованием слов, но и культурным актом и средством межкультурной коммуникации. Он обеспечивает диалог между культурами, где общие элементы сохраняются, а специфические — адаптируются или заимствуются. В этом процессе переводчик-человек выступает посредником между двумя лингвокультурными общностями, интерпретируя культурные коды, адаптируя образы и сохраняя этическую и эстетическую ценность оригинала. Машина же, оперируя исключительно языковыми паттернами, пока не способна к такой глубокой культурной медиации.

Энергозатратность и другие этические дилеммы

Наконец, следует отметить ещё одну этическую проблему — высокую энергозатратность обучения больших моделей ИИ. Создание и поддержание LLM требует колоссальных вычислительных мощностей и, соответственно, огромного потребления электроэнергии, что оказывает значительное воздействие на окружающую среду. Этот аспект становится всё более актуальным в контексте глобальных экологических проблем. Возможно ли достичь баланса между технологическим прогрессом и устойчивым развитием?

Таким образом, этические и культурные аспекты машинного перевода — это сложный и многогранный комплекс вопросов, требующий постоянного внимания и регулирования. Развитие технологий должно сопровождаться глубоким осмыслением их влияния на общество, культуру и человека.

Заключение: Перспективы развития и роль человека в будущем машинного перевода

Проведённое исследование выявило, что машинный перевод прошёл колоссальный путь от первых философских концепций и примитивных механических систем до сложнейших нейросетевых моделей, способных к глубокому анализу и генерации текста. Мы проследили эволюцию лингвистических подходов, начиная с правил и статистики и заканчивая революционной архитектурой Transformer и большими языковыми моделями (LLM). Эти достижения значительно повысили качество и скорость перевода, особенно для формализованных текстов.

Однако, несмотря на впечатляющие успехи, лингвистические ограничения по-прежнему остаются ключевым вызовом для МП. Проблемы полисемии, омонимии, грамматической неоднозначности, а также неспособность адекватно передавать идиомы, метафоры, стилистические нюансы, юмор и культурные отсылки, особенно в художественных и публицистических текстах, продолжают сдерживать его полное совершенство. Машинный перевод, эффективный в научно-техническом и деловом стилях, всё ещё не может полноценно заменить человека там, где требуется творчество, глубокое культурное понимание и высокая степень стилистической адекватности.

Перспективы развития технологий МП неразрывно связаны с дальнейшим совершенствованием LLM, глубокой интеграцией компьютерной лингвистики и развитием гибридных моделей, сочетающих преимущества различных подходов. Мы увидим усиление специализации МП-систем для различных предметных областей и языковых пар, а также дальнейшее развитие пост-редактирования как неотъемлемой части переводческого процесса.

В этом новом ландшафте роль человека-переводчика не утрачивает своей значимости, но трансформируется. Он становится не просто переключателем слов, а экспертом по культурной адаптации, стилистом, редактором и контролёром качества, работающим в синергии с мощными, но всё ещё несовершенными ИИ-инструментами. Человеческий интеллект, с его способностью к интуиции, культурной компетенции, творческому мышлению и этическому суждению, останется незаменимым для обеспечения высокого качества, культурной адекватности и ответственного применения перевода.

Таким образом, будущее машинного перевода видится в гармоничном симбиозе машины и человека, где ИИ берёт на себя рутинные задачи, а человек обеспечивает глубину, нюансы и культурную чувствительность. Дальнейшие исследования должны быть сосредоточены на разработке более совершенных методов лингвистического обеспечения ИИ, улучшении механизмов контекстуального понимания, а также на глубоком анализе этических и культурных последствий распространения МП, чтобы гарантировать его ответственное и эффективное использование во благо межкультурной коммуникации.

Список использованной литературы

1. Автоматический перевод: Сборник статей / пер. с англ., итал., нем., фр. М., 1971. 59 с.
2. Алешков, М. А. Программы-переводчики: осваиваем сами // Программы-переводчики. СПб.: Наука и техника, 2005. С. 39–48.
3. Анисимова, Е. Е. Лингвистика и межкультурная коммуникация (на материале креолизованных текстов). М., 2003. 128 с.
4. Багриновская, Г. П., Кулагина, О. С., Ляпунов, А. А. О некоторых методологических вопросах, относящихся к машинному переводу // О некоторых вопросах теоретической кибернетики и алгоритмах программирования. Новосибирск: Изд. СО АН СССР, 1971. С. 28–37.
5. Безручко, В. Т. Автоматизированный перевод документов: Учеб. пособие. М.: МИЭТ, 2006. 78 с.
6. Вихнин, А. Г., Сакипов, Н. З. Штурм четвертого мегапроекта: Кто будет новым Биллом Гейтсом? Системный анализ и выбор стратегии. М.: Диалог-МИФИ, 2008. 49 с.
7. Возможности и ограничения нейронного машинного перевода // ResearchGate. URL: https://www.researchgate.net/publication/381986427_Vozmoznosti_i_ogranicenia_nejronnogo_masinnogo_perevoda (дата обращения: 16.10.2025).
8. Галактионов, В. А. Система машинного перевода «Кросслятор 2.0» и анализ ее функциональности для задачи трансляции знаний. М.: Диалог, 2007. 18 с.
9. Грамматические и лексические ошибки при использовании систем машинного перевода “PROMT” и “Google. Translate” (на материале экономического текста) // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=45789643 (дата обращения: 16.10.2025).
10. Диалектика нейронного машинного перевода // Habr. URL: https://habr.com/ru/companies/promt/articles/329712/ (дата обращения: 16.10.2025).
11. Жигалов, В. Проблемы машинного перевода. Тестер Тьюринга // Компьютерра. 2002. № 21. С. 26–37.
12. Жанровые нарушения машинного перевода технической инструкции // КиберЛенинка. URL: https://cyberleninka.ru/article/n/zhanrovye-narusheniya-mashinnogo-perevoda-tehnicheskoy-instruktsii/viewer (дата обращения: 16.10.2025).
13. История машинного перевода (Часть 2) // Бюро переводов Берг. URL: https://www.berg-page.ru/istoriya-mashinnogo-perevoda-chast-2 (дата обращения: 16.10.2025).
14. История машинного перевода: развитие и появление // Lingvanex. URL: https://lingvanex.com/ru/blog/machine-translation-history/ (дата обращения: 16.10.2025).
15. Катфорд, Дж. К. Лингвистическая теория перевода: об одном аспекте прикладной лингвистики. М.: ЛИБРОКОМ, 2009. 218 с.
16. Кво, Ч. К. Технологии перевода Translation and technology. М.: Академия, 2008. 307 с.
17. Компьютер для тех, кому некогда / под ред. А. В. Струнина. М.: Только для взрослых, 2005. 48 с.
18. Компьютерная лингвистика и машинный перевод: об истории становления // КиберЛенинка. URL: https://cyberleninka.ru/article/n/kompyuternaya-lingvistika-i-mashinnyy-perevod-ob-istorii-stanovleniya/viewer (дата обращения: 16.10.2025).
19. Кузнецов, П. С., Ляпунов, А. А., Реформатский, А. А. Основные проблемы машинного перевода // Вопросы языкознания. 1956. № 5. С. 40–44.
20. Кулагина, О. С. Исследования по машинному переводу. М.: Наука, 1979. 96 с.
21. Кулагина, О. С. Машинный перевод: современное состояние // Семиотика и информатика. Вып. 29. М.: ВИНИТИ, 1989. С. 32–38.
22. Кулагина, О. С. О роли А. А. Ляпунова в развитии работ по машинному переводу в СССР // Очерки истории информатики в России. Новосибирск: ОИГГМ СО РАН, 1998. 205 с.
23. Лингвистические проблемы машинного перевода (на материале русского и английского языков) // 7universum.com. URL: https://7universum.com/ru/philology/archive/item/15686 (дата обращения: 16.10.2025).
24. Лингвистические проблемы при автоматическом переводе и способы их решения // Elibrary.ru. URL: https://www.elibrary.ru/item.asp?id=35874288 (дата обращения: 16.10.2025).
25. Мамедова, З. Ю. Машинный перевод: эволюция и основные аспекты моделирования. Баку: Informasiya texnologiyalari, 2006. 108 с.
26. Машинный перевод в ретроспективе: Сб. науч. тр. № 4. 304 с.
27. Машинный перевод и общение на естественном языке: Учеб. пособие по дисциплине «Компьютер. пер. иностр. яз.» для студентов специальности 210100. Саратов: Сарат. гос. техн. ун-т, 2000. С. 45–49.
28. Машинный перевод как информационная и технологическая реальность: Обзор / Ю. Н. Марчук. М.: ИНИОН, 1988. 215 с.
29. Машинный перевод: история, классификация, методы // КиберЛенинка. URL: https://cyberleninka.ru/article/n/mashinnyy-perevod-istoriya-klassifikatsiya-metody/viewer (дата обращения: 16.10.2025).
30. Машинный перевод: современные технологии и топ-10 полезных инструментов // Блог 4brain. URL: https://4brain.ru/blog/mashinnyjj-perevod-sovremennye-tekhnologii-i-top-10-poleznykh-instrumentov/ (дата обращения: 16.10.2025).
31. Машинный перевод: перспективы // Полезные статьи от Бюро переводов iTrex. URL: https://itrex.ru/poleznye-stati/mashinnyy-perevod-perspektivy.html (дата обращения: 16.10.2025).
32. Машинный перевод в межкультурной коммуникации // Lingvanex. URL: https://lingvanex.com/ru/blog/machine-translation-in-intercultural-communication/ (дата обращения: 16.10.2025).
33. Машинный перевод — недостатки, проблемы, перспективы и будущее // Linguanalytics.ru. URL: https://linguanalytics.ru/blog/mashinnyj-perevod-nedostatki-problemy-perspektivy-i-budushchee/ (дата обращения: 16.10.2025).
34. Методы оценки качества машинного перевода: современное состояние // Mathnet.RU. URL: http://www.mathnet.ru/php/getFT.phtml?jrnid=li&paperid=65&option_lang=rus (дата обращения: 16.10.2025).
35. Нелюбин, Л. Л. Компьютерная лингвистика и машинный перевод: Метод. пособие. М.: ВЦП, 1991. 54 с.
36. Нелюбин, Л. Л. Компьютерная лингвистика и машинный перевод. М.: Гнозис, 1991. 174 с.
37. Нелюбин, Л. Л. Промышленные системы машинного перевода: Обзорная информация. М., 1991. 305 с.
38. Нейронный машинный перевод: что это? // Lingvanex. URL: https://lingvanex.com/ru/blog/what-is-neural-machine-translation/ (дата обращения: 16.10.2025).
39. Ножов, И. Синтаксический анализ // Компьютерра. 2004. № 15. С. 37–39.
40. О некоторых особенностях компьютерного перевода омонимов и полисемантичных слов // Журнал «Информационное общество». URL: https://cyberleninka.ru/article/n/o-nekotoryh-osobennostyah-kompyuternogo-perevoda-omonimov-i-polisemantichnyh-slov (дата обращения: 16.10.2025).
41. Основные проблемы машинного перевода // Науковий вісник. URL: https://elibrary.ru/item.asp?id=23348873 (дата обращения: 16.10.2025).
42. Основные проблемы машинного перевода // КиберЛенинка. URL: https://cyberleninka.ru/article/n/osnovnye-problemy-mashinnogo-perevoda-1/viewer (дата обращения: 16.10.2025).
43. Особенности оформления текста при редактировании машинного перевода // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=57025178 (дата обращения: 16.10.2025).
44. Особенности перевода как акта межкультурной коммуникации // DSpace at Polessky State University. URL: https://www.pumsu.by/assets/files/conference/2022/Izotova_Martynovich.pdf (дата обращения: 16.10.2025).
45. Особенности переводов текстов художественных произведений с помощью электронных переводчиков (на материале романа Ги де Мопассана UNE VIE) // КиберЛенинка. URL: https://cyberleninka.ru/article/n/osobennosti-perevodov-tekstov-hudozhestvennyh-proizvedeniy-s-pomoschyu-elektronnyh-perevodchikov-na-materiale-romana-gi-de-mopassana/viewer (дата обращения: 16.10.2025).
46. Особенности перевода официально деловых текстов // Primavista.ru. URL: https://www.primavista.ru/articles/osobennosti-perevoda-ofitsialno-delovyh-tekstov (дата обращения: 16.10.2025).
47. Панов, Д. Ю., Ляпунов, А. А., Мухин, И. С. Автоматизация перевода с одного языка на другой // Сессия по научным проблемам автоматизации производства. М.: Изд. АН СССР, 1956.
48. Перевод как культурный акт и средство межкультурной коммуникации в современном мире // Научный лидер. URL: https://www.nauchniy-lider.ru/assets/files/2025/110/185-188.pdf (дата обращения: 16.10.2025).
49. Переводческая машина П. П. Троянского: Сборник материалов о переводной машине для перевода с одного языка на другие, предложенной П. П. Троянским в 1933 г. М., 1959. 45 с.
50. Переводческие технологии для Европы / пер. с англ.: Э. Г. Азгальдов. М.: МЦБС, 2008. 98 с.
51. Перспективы развития нейронного машинного перевода в контексте концепции открытого образования // КиберЛенинка. URL: https://cyberleninka.ru/article/n/perspektivy-razvitiya-neyronnogo-mashinnogo-perevoda-v-kontekste-kontseptsii-otkrytogo-obrazovaniya/viewer (дата обращения: 16.10.2025).
52. Постредактирование машинного перевода в работах российских ученых и международный стандарт ISO 18587:2017 — внутренние и внешние противоречия в аспекте оценки качества: литературный обзор // Научный результат. Вопросы теоретической и прикладной лингвистики. URL: https://cyberleninka.ru/article/n/postredaktirovanie-mashinnogo-perevoda-v-rabotah-rossiyskih-uchenyh-i-mezhdunarodnyy-standart-iso-18587-2017-vnutrennie-i-vneshnie/viewer (дата обращения: 16.10.2025).
53. Постредактирование машинного перевода технического текста // КиберЛенинка. URL: https://cyberleninka.ru/article/n/postredaktirovanie-mashinnogo-perevoda-tehnicheskogo-teksta/viewer (дата обращения: 16.10.2025).
54. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В АВТОМАТИЧЕСКОМ ПЕРЕВОДЕ И ОБРАБОТКЕ ЕСТЕСТВЕННОГО ЯЗЫКА // КиберЛенинка. URL: https://cyberleninka.ru/article/n/primenenie-neyronnyh-setey-v-avtomaticheskom-perevode-i-obrabotke-estestvennogo-yazyka/viewer (дата обращения: 16.10.2025).
55. Проблемы машинного перевода // КиберЛенинка. URL: https://cyberleninka.ru/article/n/problemy-mashinnogo-perevoda/viewer (дата обращения: 16.10.2025).
56. Проблемы машинного перевода // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=48185078 (дата обращения: 16.10.2025).
57. Проблемы машинного перевода научных публикаций The challenges of machine translation o // Science Editor and Publisher. URL: https://journals.urfu.ru/index.php/ScienceEditorPublisher/article/download/2179/1780/ (дата обращения: 16.10.2025).
58. Проблемы перевода метафоры с английского языка на русский // Moluch.ru. URL: https://moluch.ru/archive/532/121854/ (дата обращения: 16.10.2025).
59. Проблемы эквивалентного машинного перевода фразеологизмов (на матер) // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=50352554 (дата обращения: 16.10.2025).
60. Проблема типологии ошибок машинного перевода: стремление к универсальности vs таргетированность // КиберЛенинка. URL: https://cyberleninka.ru/article/n/problema-tipologii-oshibok-mashinnogo-perevoda-stremlenie-k-universalnosti-vs-targetirovannost/viewer (дата обращения: 16.10.2025).
61. Ратушная, Л. Г. Информационные технологии в профессиональной деятельности переводчика: учебное пособие. Пенза: Пензенский гос. пед. ун-т им. В. Г. Белинского, 2007. 128 с.
62. Рябцева, Н. К. Информационные процессы и машинный перевод. Лингв. аспект. М.: Наука, 1986. 130 с.
63. Сальникова, Л. В. Машинизация языка и речи: Лекция по курсу «Общ. языкознание». Самара: Самар. ун-т, 1996. 18 с.
64. Семенов, А. Л. Современные информационные технологии и перевод. М.: Академия, 2008. 59 с.
65. Сокурко, А. Будущее машинного перевода // Компьютерра. 2008. № 4. С. 39–42.
66. Соловьева, А. В. Профессиональный перевод с помощью компьютера. М.: Гнозис, 2008. 73 с.
67. Сопоставительный анализ компьютерных переводов художественных, публицистических и научных текстов // ODRAZ. URL: https://odraz.ru/sites/default/files/2023-01/odraz-2022-4-27-39-kom-juter-i-lingvistika.pdf (дата обращения: 16.10.2025).
68. Сопоставительный анализ текстов онлайн-переводов // КиберЛенинка. URL: https://cyberleninka.ru/article/n/sopostavitelnyy-analiz-tekstov-onlayn-perevodov/viewer (дата обращения: 16.10.2025).
69. Сравнительный анализ переводов текста профессиональной направленности в аспекте человеко-машинного взаимодействия // КиберЛенинка. URL: https://cyberleninka.ru/article/n/sravnitelnyy-analiz-perevodov-teksta-professionalnoy-napravlennosti-v-aspekte-cheloveko-mashinnogo-vzaimodeystviya/viewer (дата обращения: 16.10.2025).
70. Сравнительный анализ различных машинных переводчик // Наука и технологии. Перевод с иностранных языков и искусственный интеллект. URL: https://www.elibrary.ru/item.asp?id=48425251 (дата обращения: 16.10.2025).
71. Сравнение качества машинного перевода различных типов с английского на русский язык // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=42410313 (дата обращения: 16.10.2025).
72. Сравнение локальных моделей машинного перевода для английского, китайского и русского языков // Habr. URL: https://habr.com/ru/articles/792622/ (дата обращения: 16.10.2025).
73. Типичные ошибки в машинном переводе и оптимизация процесса постред // Электронная библиотека БГУ. URL: https://elib.bsu.by/bitstream/123456789/302094/1/55-58.pdf (дата обращения: 16.10.2025).
74. Типичные ошибки машинного перевода общеполитической лексики (на примере перевода прессы Арабской Республики Египет) // КиберЛенинка. URL: https://cyberleninka.ru/article/n/tipichnye-oshibki-mashinnogo-perevoda-obschepoliticheskoy-leksiki-na-primere-perevoda-pressy-arabskoy-respubliki-egipet/viewer (дата обращения: 16.10.2025).
75. Типология ошибок в машинном переводе // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=53974496 (дата обращения: 16.10.2025).
76. Трудности перевода с русского на другие языки // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=55030999 (дата обращения: 16.10.2025).
77. Успенский, В. А. Серебряный век структурной, прикладной и математической лингвистики в СССР и В. Ю. Розенцвейг Как это начиналось (заметки очевидца) // Очерки истории информатики в России. Новосибирск: НИЦ ОИГГМ СО РАН, 1998. С. 59–63.
78. Хроменков, П. Н. Современные системы машинного перевода: учеб. пособие. М.: Изд-во МГОУ, 2005. 274 с.
79. Швейцер, А. Д. Теория Перевода. 1988. URL: https://www.scribd.com/document/350711161/Швейцер-А-Д-Теория-Перевода-1988 (дата обращения: 16.10.2025).
80. Campbell, J. A., Cuena, J. NLP, databases and computer-aided instruction. Chichester: Horwood, 1989. 59 p.
81. Danielsson, P. The automatic identification of meaningful units in language. Goteborg, 2001. 94 p.
82. Kermes, H. Off-line (and on-line) text analysis for computational lexicography // Lehrstuhl fur Computerlinguistik. Univ. Stuttgart. Stuttgart: Inst. fur maschinelle: Sprachverarbeitung der Univ., 2003. 215 p.
83. Machine translation summit: Материалы 1-го междунар. совещ. Tokyo: Ohmsha, Cop. 1989. 84 p.
84. Machine translation today: The state of the art: Proc. of the Third Lugano tutorial, 2-7 Apr., Lugano, Switzerland, 1984. P. 35–38.
85. Snell, B. Proceedings… Translating and the computer. Amsterdam: North-Holland publ., 2005. 92 p.
86. Teich, E. Cross-linguistic variation in system and text: a methodology for the investigation of translations a. comparable texts. Berlin; New York: Mouton De Gruyter, cop. 2003. 304 p.
87. Сайт: oreon.com.ru/2006/02/22/Systran_Professional_Premium_5_0_build_443.html. URL: http://yandex.ru/yandsearch?text=systran&lr=240&stpar2=%2Fh1%2Ftm13%2Fs2&stpar4=%2Fs2&stpar1=%2Fu0 (дата обращения: 16.10.2025).
88. Сайт: www.promt.ru. URL: http://yandex.ru/yandsearch?text=promt&lr=11131&stpar2=%2Fh1%2Ftm513%2Fs2&stpar4=%2Fs2&stpar1=%2Fu1&stpar3=%2Fm2%2Ftc5%2Fnc1 (дата обращения: 16.10.2025).
89. Сайт: www.retrans.ru. URL: http://yandex.ru/yandsearch?text=Retrans+Vista+&lr=11131&stpar2=%2Fh1%2Ftm134%2Fs2&stpar4=%2Fs2&stpar1=%2Fu0 (дата обращения: 16.10.2025).
90. Сайт: Times online. URL: http://yandex.ru/yandsearch?text=the+times+newspaper&lr=240&stpar2=%2Fh1%2Ftm14%2Fs2&stpar4=%2Fs2&stpar1=%2Fu1&stpar3=%2Fm1%2Ftc19%2Fnc1 (дата обращения: 16.10.2025).
91. История машинного перевода: от гипотез Лейбница и Декарта // PROMT. URL: https://www.promt.ru/about/history/ (дата обращения: 16.10.2025).
92. Машинный перевод — что это, история развития // Primavista.ru. URL: https://www.primavista.ru/articles/mashinnyy-perevod-chto-eto-istoriya-razvitiya (дата обращения: 16.10.2025).
93. История машинного перевода: от Декарта до нейросетей // SecurityLab.ru. URL: https://www.securitylab.ru/analytics/529729.php (дата обращения: 16.10.2025).
94. В начале было слово: как развивались технологии машинного перевода // Forbes.ru. URL: https://www.forbes.ru/tehnologii/504281-v-nacale-bylo-slovo-kak-razvivalis-tehnologii-masinnogo-perevoda (дата обращения: 16.10.2025).
95. История машинного перевода. Системы и программы автоматического перевода // Studmed.ru. URL: https://www.studmed.ru/view/istoriya-mashinnogo-perevoda-sistemy-i-programmy-avtomaticheskogo-perevoda_7e4e047434f.html (дата обращения: 16.10.2025).
96. От систем машинного перевода к большим языковым моделям // Cyberleninka.ru. URL: https://cyberleninka.ru/article/n/ot-sistem-mashinnogo-perevoda-k-bolshim-yazykovym-modelyam/viewer (дата обращения: 16.10.2025).
97. Развитие машинного перевода и его место в профессиональной межкультурной коммуникации // Cyberleninka.ru. URL: https://cyberleninka.ru/article/n/razvitie-mashinnogo-perevoda-i-ego-mesto-v-professionalnoy-mezhkulturnoy-kommunikatsii/viewer (дата обращения: 16.10.2025).
98. Языковые модели — что это такое и как они работают, обучение, параметры и примеры моделей // Яндекс Практикум. URL: https://practicum.yandex.ru/blog/yazykovye-modeli-chto-eto-takoe-i-kak-oni-rabotayut/ (дата обращения: 16.10.2025).
99. Особенности, методы и технологии систем машинного перевода текстов // Бюро переводов «ФларуС». URL: https://www.flarus.ru/blog/mashinnii-perevod-osobennosti-metody-i-texnologii-sistem-mashinnogo-perevoda-tekstov (дата обращения: 16.10.2025).
100. Основы общего и машинного перевода // Электронная библиотека ПНИПУ. URL: https://elib.psunr.ru/upload/iblock/c38/c38a3d3c2672a9e34c9c7f6d3f2ec4e5.pdf (дата обращения: 16.10.2025).
101. Нейросети захватили мир. И переводчиков. 2022 // ВКонтакте. URL: https://vk.com/@promt-neyroseti-zahvatili-mir-i-perevodchikov (дата обращения: 16.10.2025).
102. NMT -перевод – основные модели, оценка качества // Cyberleninka.ru. URL: https://cyberleninka.ru/article/n/nmt-perevod-osnovnye-modeli-otsenka-kachestva/viewer (дата обращения: 16.10.2025).
103. Модель transformer в задачах NLP: одна модель способна решать все задачи? // YouTube. URL: https://www.youtube.com/watch?v=FfQ9M8a52k0 (дата обращения: 16.10.2025).
104. Объясняем простым языком, что такое трансформеры // Habr. URL: https://habr.com/ru/companies/yandex/articles/772242/ (дата обращения: 16.10.2025).
105. Ошибки в машинном переводе с немецкого языка на русский (на материале статей немецкоязычных СМИ и текстов их переводов) // Elibrary.ru. URL: https://www.elibrary.ru/item.asp?id=50669299 (дата обращения: 16.10.2025).
106. Проблема разграничения полисемии и омонимии // Электронная библиотека БГУ. URL: https://elib.bsu.by/bitstream/123456789/194458/1/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D0%BD%D0%B5%D0%BE%D0%B4%D0%BD%D0%BE%D0%B7%D0%BD%D0%B0%D1%87%D0%BD%D0%BE%D1%81%D1%82%D1%8C%20%D0%BF%D1%80%D0%BE%D0%B1%D0%BB%D0%B5%D0%BC%D0%B0%20%D1%80%D0%B0%D0%B7%D0%B3%D1%80%D0%B0%D0%BD%D0%B8%D1%87%D0%B5%D0%BD%D0%B8%D1%8F%20%D0%BF%D0%BE%D0%BB%D0%B8%D1%81%D0%B5%D0%BC%D0%B8%D0%B8%20%D0%B8%20%D0%BE%D0%BC%D0%BE%D0%BD%D0%B8%D0%BC%D0%B8%D0%B8.pdf (дата обращения: 16.10.2025).
107. Современные Проблемы и Тенденции в Области Машинного Перевода с Русского на Казахский Язык // DergiPark. URL: https://dergipark.org.tr/en/download/article-file/4552467 (дата обращения: 16.10.2025).
108. Как отличить человеческий перевод от машинного? // БИЗНЕС Online. URL: https://www.business-gazeta.ru/article/557434 (дата обращения: 16.10.2025).
109. Что не так с машинным переводом? // Системный Блокъ. URL: https://sysblok.ru/ai/chto-ne-tak-s-mashinnym-perevodom/ (дата обращения: 16.10.2025).
110. Что машинный перевод может (и не может) делать в 2025 году // AI Phone. URL: https://aiphone.ru/blog/chto-mashinnyy-perevod-mozhet-i-ne-mozhet-delat-v-2025-godu (дата обращения: 16.10.2025).
111. 5 проблем ИИ-переводов и как их обойти // Habr. URL: https://habr.com/ru/companies/inostranets/articles/750468/ (дата обращения: 16.10.2025).
112. Особенности нейросетевого перевода художественного текста с английс // Электронный научный архив УрФУ. URL: https://elar.urfu.ru/bitstream/10995/133544/1/m_vm_2023_143.pdf (дата обращения: 16.10.2025).
113. Переведи это: как ИИ помогает преодолевать языковой барьер // Lectera Magazine. URL: https://lectera.com/ru/blog/ai-translation-benefits-and-challenges (дата обращения: 16.10.2025).
114. Лексикографические проблемы систем машинного перевода: на пути от буквального до нейронного // КиберЛенинка. URL: https://cyberleninka.ru/article/n/leksikograficheskie-problemy-sistem-mashinnogo-perevoda-na-puti-ot-bukvalnogo-do-neyronnogo/viewer (дата обращения: 16.10.2025).
115. Особенности перевода публицистических текстов // Казанский государственный энергетический университет. URL: http://elib.kgeu.ru/files/Uchebnye-posobiya/Osobennosti_perevoda_publicisticheskih_tekstov.pdf (дата обращения: 16.10.2025).
116. Проблемы машинного перевода научного текста по психологии // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=50073289 (дата обращения: 16.10.2025).
117. Проблемы машинного перевода научно-технического текста // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=50012239 (дата обращения: 16.10.2025).
118. Системы машинного перевода: сравнение качества перевода и возможност // Уральский федеральный университет. URL: https://elar.urfu.ru/bitstream/10995/96969/1/m_vm_2021_211.pdf (дата обращения: 16.10.2025).
119. Профессиональный переводчик или машина? // YouTube. URL: https://www.youtube.com/watch?v=sI9I8R17N1A (дата обращения: 16.10.2025).
120. Современные технологии и будущее языкового перевода // Бюро переводов Ремарка. URL: https://remarka.ru/blog/sovremennye-tehnologii-i-buduschee-jazykovogo-perevoda (дата обращения: 16.10.2025).
121. Какое будущее ждет языковой перевод? // Trusted Translations, Inc. URL: https://trustedtranslations.com/ru/blog/language-translation-future (дата обращения: 16.10.2025).
122. Что такое большие языковые модели (LLM) — основные варианты использования, наборы данных, будущее // Шаип. URL: https://shaip.com/ru/blog/large-language-models-llm/ (дата обращения: 16.10.2025).
123. Будущее нейронного машинного перевода: чего ожидать // Future Trans. URL: https://future-trans.com/ru/blog/future-of-neural-machine-translation-what-to-expect/ (дата обращения: 16.10.2025).
124. Инновации в Машинном Переводе: Как ИИ Преобразует Переводческие Услуги // Translation-centre.by. URL: https://translation-centre.by/blog/innovatsii-v-mashinnom-perevode/ (дата обращения: 16.10.2025).
125. Применение трансформеров в обработке естественного языка // КиберЛенинка. URL: https://cyberleninka.ru/article/n/primenenie-transformerov-v-obrabotke-estestvennogo-yazyka/viewer (дата обращения: 16.10.2025).
126. Компьютерная лингвистика: Роль в развитии современных технологий // FoxmindEd. URL: https://foxminded.ru/blog/kompyuternaya-lingvistika-rol-v-razvitii-sovremennyh-tehnologij/ (дата обращения: 16.10.2025).
127. Большие языковые модели: что это такое и как они работают // Just AI. URL: https://just-ai.com/blog/bolshie-yazykovye-modeli-chto-eto-takoe-i-kak-oni-rabotayut (дата обращения: 16.10.2025).
128. Чем отличается языковая адаптация нейронных сетей от классических систем машинного перевода? // Вопросы к Поиску с Алисой (Яндекс Нейро). URL: https://yandex.ru/alice/technologies/language-adaptation-of-neural-networks (дата обращения: 16.10.2025).
129. Перспективы использования нейросетей в письменном переводе Голованова Валерия Олеговна 1, Пивень Ирина Владимировна 2 // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=53974496 (дата обращения: 16.10.2025).
130. Нейросетевой перевод: рутина — машине, творчество — человеку // itWeek. URL: https://www.itweek.ru/ai/article/detail.php?ID=214041 (дата обращения: 16.10.2025).
131. Возможности использования больших языковых моделей при выполнении перевода студентами технического вуза // КиберЛенинка. URL: https://cyberleninka.ru/article/n/vozmozhnosti-ispolzovaniya-bolshih-yazykovyh-modeley-pri-vypolnenii-perevoda-studentami-tehnicheskogo-vuza/viewer (дата обращения: 16.10.2025).
132. Как Большие Языковые Модели (LLM) Могут Быть Полезны в Сервисах Академических Библиотек? // Shaip.com. URL: https://shaip.com/ru/blog/large-language-models-llm-benefits-academic-libraries/ (дата обращения: 16.10.2025).
133. Машинный перевод в обработке естественного языка // Lingvanex. URL: https://lingvanex.com/ru/blog/machine-translation-in-natural-language-processing/ (дата обращения: 16.10.2025).
134. Компьютерная лингвистика как фундамент в развитии языка и мышления // КиберЛенинка. URL: https://cyberleninka.ru/article/n/kompyuternaya-lingvistika-kak-fundament-v-razvitii-yazyka-i-myshleniya/viewer (дата обращения: 16.10.2025).
135. Этика искусственного интеллекта в переводе // Blog.translation-bureau.ru. URL: https://blog.translation-bureau.ru/etika-iskusstvennogo-intellekta-v-perevode/ (дата обращения: 16.10.2025).
136. Какие есть подходы в оценке качества систем машинного перевода // ТрансЛинк. URL: https://www.translink.ru/blog/kakie-est-podhody-v-otsenke-kachestva-sistem-mashinnogo-perevoda/ (дата обращения: 16.10.2025).
137. ИИ в языковом переводе: Проблемы, этика и будущее // ScienceDebate2008.com. URL: https://sciencedebate2008.com/ru/blog/ai-in-language-translation-challenges-ethics-and-the-future/ (дата обращения: 16.10.2025).
138. Конфиденциальность в машинном переводе: мифы и реальность // Teletype. URL: https://teletype.in/@lingvanex/konfidentsialnost-v-mashinnom-perevode-mify-i-realnost (дата обращения: 16.10.2025).
139. Машинный перевод и IT безопасность // Lingvanex. URL: https://lingvanex.com/ru/blog/machine-translation-and-it-security/ (дата обращения: 16.10.2025).
140. Узнайте о роли этики ИИ в формировании будущего услуг перевода // Future Trans. URL: https://future-trans.com/ru/blog/the-role-of-ai-ethics-in-shaping-the-future-of-translation-services/ (дата обращения: 16.10.2025).
141. Автоматические метрики оценки качества машинного перевода // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=42702796 (дата обращения: 16.10.2025).
142. Машинный перевод и его потенциальные опасности (часть 1) // Trusted Translations, Inc. URL: https://trustedtranslations.com/ru/blog/machine-translation-dangers-part1 (дата обращения: 16.10.2025).
143. Эволюция метрик качества машинного перевода — Часть 1 // Habr. URL: https://habr.com/ru/companies/promt/articles/744032/ (дата обращения: 16.10.2025).
144. Автоматическая оценка качества машинного перевода научного текста: 5 // Вопросы современной лингвистики. URL: https://elibrary.ru/item.asp?id=48425251 (дата обращения: 16.10.2025).
145. Разработка методики для оценки качества машинного перевода // КиберЛенинка. URL: https://cyberleninka.ru/article/n/razrabotka-metodiki-dlya-otsenki-kachestva-mashinnogo-perevoda/viewer (дата обращения: 16.10.2025).
146. Многоязычность в контексте машинного перевода // Goethe-Institut Россия. URL: https://www.goethe.de/resources/files/pdf128/goethe-institut-russland_fa-bersetzen-im-kontext-der-mehrsprachigkeit_russisch.pdf (дата обращения: 16.10.2025).
147. Диссертация на тему «Анализ и оценка эффективности современных систем машинного перевода // disserCat. URL: https://www.dissercat.com/content/analiz-i-otsenka-effektivnosti-sovremennykh-sistem-mashinnogo-perevoda (дата обращения: 16.10.2025).
148. Перевод как способ межкультурной коммуникации. Проблема передачи культурно маркированной лексики (на примере русско-английских переводов романа М. А. Булгакова «Мастер и Маргарита») // Elibrary.ru. URL: https://elibrary.ru/item.asp?id=49479361 (дата обращения: 16.10.2025).
149. Лучшие практики постредактирования машинного перевода // Linguise. URL: https://linguise.com/ru/machine-translation-post-editing-best-practices/ (дата обращения: 16.10.2025).