메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
이창수 (한국외국어대학교)
저널정보
한국번역학회 번역학연구 번역학연구 제22권 제1호
발행연도
2021.3
수록면
199 - 217 (19page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
The current paper reports the results of a text classification experiment on literary translation samples by human and machine translators. The original data consists of the English translations of 28 short and long Korean novels by a set of human translators and 3 Web-based neural machine translators – Google Translate (Google), Bing (Microsoft), and Papago (Naver). Machine translation samples were collected twice in February 2019 and February 2020. One hundred most frequent words were extracted from the data and subjected to supervised classification by two machine learning algorithms – random forest (RF) and linear discriminant analysis (LDA) - for cross-reference tests. The most important findings are as follows. First, Both RF and LDA classified human and machine translation samples from both 2019 and 2020 with high accuracy, with prediction accuracy rates topping 90 percent. This indicated a clear distinction in word use patterns between human and machine translators, which did not change much over the 1-year period. Second, in both RF and LDA tests, most of the 2019 machine translation samples were accurately classified according to their translators with prediction accuracy rates ranging between 78 and 100 percent. Classification accuracy, however, fell visibly for Bing and Papago in 2020, with Papago plunging from 100 and 80 percent to 41 percent. This meant that over the 1-year period the three machine translators moved in closer toward each other, suggesting a trend toward homogeneity in word use patterns over time.
#machine translation #literary translation #machine learning text classification #random forest #linear discriminant analysis #기계 번역 #문학 번역 #기계 학습 문서 분류 #랜덤 포레스트 #선형 판별 분석

목차

1. 서론
2. 학문적 배경
3. 분석 데이터 및 방법
4. 분석 결과
5. 결론
참고문헌
[Abstract]

참고문헌 (24)

참고문헌 신청
마승혜 / 2018 / 문학작품 기계번역의 한계에 대한 상세 고찰 / 통번역학연구 22(3):65~88 dbpia 이준호 / 2019 / 문학번역 적용을 위한 기계번역의 현주소 / 통번역학연구 23(1):143~167 dbpia 전혜진 / 2019 / AI 시대, 문학번역에서 기계번역과 인간번역 비교분석 연구 - 똘스또이의 『유년시절』번역 분석을 중심으로 / 노어노문학 31(1):111~154 dbpia 정상혁 / 진화하는 번역기 ... 사라지는 번역가? google schola Aggarwal, Charu C. / 2018 / Machine Learning for Text / Springer google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

한국영화 번역 시스템의 문제점과 개선 방향
최수연 ,  김혜림 번역학연구 2020 .12
인공지능 번역 시스템의 출현에 대한 소고
신지선 ,  김은미 번역학연구 2017 .12
문학번역에서의 기계번역과 인간번역 문체에 대한 전산문체학적 비교 연구
이창수 번역학연구 2019 .06
기계번역을 활용한 한영번역에서의 번역품질 비교연구
변길자 영어영문학 2021 .08
영화 제목으로 본 영한 번역기법 연구: 영화 산업 정책과 언어 정책의 변화를 중심으로
권유진 번역학연구 2020 .06

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2021-800-001635749