بهبود ویرایش پس از ترجمه با خلاصه‌سازی اسناد

تحقیقات اخیر Welocalize نشان می‌دهد که فراهم کردن زمینه‌ی مناسب برای مدل‌های زبانی بزرگ (LLMs) می‌تواند به بهبود کیفیت ویرایش پس از ترجمه کمک کند. این مطالعه که در کنفرانس AMTA 2026 ارائه شد، به بررسی این موضوع پرداخته است که آیا خلاصه‌سازی اسناد می‌تواند به بهبود کیفیت ویرایش کمک کند یا خیر. نتایج نشان داد که صرفاً فراهم کردن زمینه کافی نیست و نوع آن زمینه تأثیر زیادی بر نتایج دارد.

در این تحقیق، ۴۴۸ سند تولیدی مورد ارزیابی قرار گرفت که شامل ۳۷ زبان هدف و ۱۳ تخصص محتوایی بود. محققان با مقایسه خلاصه‌های تولیدشده توسط مدل‌های مختلف و بررسی تأثیر سبک آن‌ها بر کیفیت ترجمه، به نتایج جالبی رسیدند. به گفته‌ی Vera Senderowicz Guerra، مهندس AI/ML در Welocalize، "ما می‌خواستیم بفهمیم که آیا دادن درک بالاتر از سند به AI کمک می‌کند تا تصمیمات ویرایشی بهتری بگیرد."

یکی از یافته‌های کلیدی این تحقیق این بود که محتوای خلاصه بیشتر از وجود آن اهمیت دارد. خلاصه‌های موفق نه تنها به توصیف سند می‌پرداختند، بلکه به واژگان خاصی که نیاز به ثبات داشتند، کنوانسیون‌های صنعتی و الزامات فرمت اشاره می‌کردند. این سیگنال‌های عملی به مدل ویرایش کمک می‌کرد تا اصلاحات هدفمندتری انجام دهد بدون اینکه حجم ویرایش افزایش یابد.

نتایج نشان داد که بهبودها در حوزه‌های تخصصی مانند زیست‌شناسی و محتوای قانونی، که در آن‌ها واژگان و زبان‌های قانونی نقش حیاتی دارند، بیشتر مشهود بود. همچنین، این خلاصه‌ها در مواردی که سیستم ویرایش AI با چالش مواجه بود، مانند محتوای مربوط به بیماران و دستگاه‌های پزشکی، کمک‌کننده بودند.

تحقیقات نشان می‌دهد که خلاصه‌ها به بهبود عملکرد ویرایش در سه جنبه اصلی کمک می‌کنند: توجه بیشتر به واژگان تخصصی، شناسایی ترجمه‌های ناقص و بهبود کیفیت استدلال AI. این یافته‌ها نشان می‌دهد که خلاصه‌هایی که به عنوان راهنمای عملی عمل می‌کنند، می‌توانند به تصمیم‌گیری‌های دقیق‌تر در ترجمه و ویرایش کمک کنند.

این برای مخاطبِ حرفه‌ای یعنی چه؟ مترجمان و متخصصان زبان باید به کیفیت و سبک زمینه‌ای که برای مدل‌های AI فراهم می‌کنند توجه ویژه‌ای داشته باشند. استفاده از خلاصه‌های دقیق و هدفمند می‌تواند به بهبود کیفیت ویرایش پس از ترجمه کمک کند و در نتیجه، کارایی کلی فرآیند ترجمه را افزایش دهد.