Analysis and Evaluation of Human Intervention Strategies to Improve the Quality of Google’s Literary Translations (Case Study: The Arabic Translation of Nima Yooshij’s Poem “Mahtab”)

Document Type : Research Paper

Authors

1 Associate Professor, Department of Arabic Language and Literature, University of Isfahan, Isfahan, Iran

2 MA Student in Arabic Translation, University of Isfahan, Isfahan, Iran

Abstract

Abstract
Machine translation is an important technology that continues to advance and seeks to enable communication among cultures and individuals. Within this field, Google Translate enjoys wide use and growing functionality. Assuming that artificial intelligence encounters substantial challenges in literary translation, this article examines errors in AI-based translation of a literary text. For this purpose, Google’s Arabic translation of the poem “Mahtab” by Nima Yooshij, a well-known and relatively simple text, has been selected as the case study. The study identifies and classifies machine translation errors according to linguistic levels and proposes strategies for improving such translations through human intervention. The main findings show that, at present and despite progress and advantages, Google’s literary translation of an aesthetic text has serious problems at the levels of readability, lexis, grammar, and meaning. It therefore requires human intervention through strategies such as orthographic adjustment, clarification, simplification, modernization, and similar procedures.
Keywords: Persian, Arabic, machine translation, Nima Yooshij, Mahtab, translation strategies
n
Cite this paper as follows: Rahimi Khoigani, M., & Shahzeidi, S. (2025). Analysis and evaluation of human intervention strategies to improve the quality of Google’s literary translations (Case study: the Arabic translation of Nima Yooshij’s poem “Mahtab”). Translation Researches in the Arabic Language and Literature, 15(33), 1-26. https://doi.org/10.22054/rctall.2025.81042.1746
Received: July 25, 2024 n Revised: March 10, 2025 n Accepted: April 28, 2025




 


Translation Researches in the Arabic Language and Literature is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.




 
 
Introduction
It is widely believed that machine translation has made substantial progress and may eventually replace human translation. Like any other technological development, this claim requires scientific examination. Each new method in machine translation presents specific strengths, limitations, and challenges that must be analyzed through experimentation and error analysis. In this context, the present study addresses the following questions:

What challenges does Google Translate, one of the most widely used machine translation tools, encounter when translating contemporary Persian poetry into Arabic?
At which linguistic levels do Google Translate’s most frequent errors occur, and how can human intervention address them?

Literature Review

Nazari (2014), in “Typology of Challenges and the Status of Machine Translation from Arabic to Persian,” examines the prevalence and importance of machine translation between these two languages and analytically categorizes key challenges. The study shows that Arabic presents specific difficulties for machine translation that are not found in many other languages.
Niazi et al. (2024), in “Comparative Evaluation of the Output Quality of Free Online Translation Machines between Arabic and Persian Based on the DQF-MQM Model,” rank translation systems from highest to lowest output quality as follows: Google, Bing, Yandex, ModernMT, Reverso, and Newtrans. This ranking is statistical rather than absolute, and in some cases lower-ranked systems produce better translations of particular sentences.
Haqgoo (2018), in the thesis “Sufficiency and Acceptability of Translation via Google Translate,” analyzes Google’s translations of Arabic texts of various types, including religious, legal, scientific, journalistic, literary, and conversational texts. The raw outputs are examined using descriptive, explanatory, and analytical methods and the translation process is divided into two main phases.
Jazireiyan (2021), in the thesis “Improving Context-Aware Machine Translation Using Automatic Post-Editing,” proposes a hybrid model that combines context-aware architectures with automatic post-editing to reduce inconsistencies and produce more fluent and coherent translations by taking preceding sentences into account.
Bahman-Nasab (2019), in the thesis “Evaluation of Google Translate’s Efficiency in Translating Various Texts,” evaluates the accuracy of Google’s English-to-Persian translations across different text genres and examines whether the system provides sufficient accuracy for diverse texts.
Dorosti (2021), in the thesis “Machine Translation Assisted by Deep Graph Networks and Semantic Methods,” conducts an extensive investigation of deep learning models in machine translation, identifying strengths and weaknesses and proposing modifications to improve accuracy, speed, and cognitive performance.
Rahimi et al. (2015), in “Extracting Parallel Corpora from Comparable Documents to Improve Translation Quality in Machine Translation Systems,” analyze statistical machine translation and the unresolved challenges of parallel corpora, proposing a method to improve the quality of comparable document corpora and, consequently, translation performance.
Salehi (2015), in “Estimating the Confidence of Machine Translation Output Using New Structural and Content-Based Features,” introduces five new feature groups classified as content based or structure based and examines each in detail.

Methodology
First, the poem Mahtab by Nima Yooshij was entered into Google Translate in its original published form, and the resulting Arabic translation was used as the linguistic corpus for analysis.
Second, modifications to the original Persian text, such as orthographic adjustments or clarification of connections between lines, were tested to improve Google’s suggested translation. Since not all translation errors are purely lexical or structural and may involve semantic subtleties, figurative language, or complex syntax, the study explores various strategies for addressing such problems through human intervention.
Conclusion
Google Translate does not follow a fully consistent standard for Persian orthography. Similar to native users who write Persian in different ways, the system appears to incorporate multiple orthographic patterns.
Its handling of diacritical marks is uneven, sometimes successful and sometimes unsuccessful in distinguishing words that share spelling and pronunciation, which suggests that some Persian items remain unfamiliar to the system.
When faced with unfamiliar words or expressions, Google Translate often omits them, while replacing them with more common synonyms usually allows the system to process and translate them.
The system encounters major difficulty in recognizing Persian compound words and frequently requires human intervention. Testing different orthographic representations, separating or joining compounds, or replacing them with synonyms or single-word equivalents can be effective strategies.
Google generally performs well with Persian attributive phrases unless they involve defamiliarized structures such as inverted noun–adjective patterns, which require human correction.
At the grammatical level, the main problem concerns older grammatical forms in Persian that the system fails to recognize, and modernizing archaic expressions is often the best solution.
At aesthetic and rhetorical levels, the system relies heavily on literal rendering rather than conceptual equivalence, which produces unfamiliar or unnatural expressions in the target language. Strategies such as omitting metaphors and translating concepts, providing idiomatic equivalents, or converting metaphors into similes can help preserve literary effect when machine translation is supplemented with human intervention.
The results of this university-based research are expected to be communicated to the Google translation team through appropriate channels.

Keywords

Main Subjects

Full Text

- مقدمه و بیان مسئله

ترجمه به عنوان یک عمل ارتباطی«بینازبانی» و«بینافرهنگی» از حرفه‌ای‌ترین و هنری‌ترین ابزارهای تلاقی فکری و فرهنگی میان دو یا چند زبان است. در فرایند ترجمه، «مترجم با هدف انتقال اندیشه یک ملت به ملتی دیگر در تمام سطوح زبانی به صورت سامان‌یافته، با سنجش و بازآفرینی تولیدات فکری با همه ملزومات هویتی زبان مبدأ، اقدام به ترجمه می‌کند» (امیریان، 1400: 3-4). مکانیزه کردن ترجمه یکی از نخستین رؤیاهای بشریت بوده‌است. در قرن بیستم این رویا به شکل برنامه‌های کامپیوتری که قادر به ترجمه حجم زیادی از متون از یک زبان به زبان دیگر بودند به حقیقت پیوست. اما مانند هر واقعیت ناکاملی، ماشین‌های ترجمه کاملی نیز وجود ندارد که هر متنی را به هر زبانی که باشد به طور کامل دریافت کند و ترجمه کاملی را بدون دخالت انسانی به هر زبانی تولید کند؛ هرچند که ممکن است این رویا در آینده محقق شود (موسوی میانگاه، 1386: 9).

ترجمه ماشینی یکی از زیرشاخه‌های جذاب زبانشناسی رایانشی است که امروزه تبدیل به یک موضوع بین رشته ای، تبدیل شده است و هدف آن ترجمه جملات از یک زبان به زبان دیگر با استفاده از رایانه و هوش مصنوعی است. ترجمه ماشینی قدمت و تاریخچه‌ای طولانی دارد و همیشه بحث در مورد رسیدن آن به سطح انسانی مورد توجه افراد و رسانه‌ها بوده است. در نیم قرن گذشته این حوزه دچار تغییرات گوناگونی شده‌است. اولین رویکردها برای ترجمه ماشینی روش‌های بر پایه قاعده بودند که وابسته به ساخت قواعد ترجمه و دانش زبان‌شناسی توسط انسان‌ها بودند. پیچیدگی زبان طبیعی و سخت‌ بودن پوشش تمام قواعد نا‌‌منظم زبان، ساخت قواعدی را که تمام حالات را در نظر بگیرد نا‌ممکن کرده بود. در دهه اخیر با پیشرفت شبکه‌های عصبی عمیق[1] این حوزه وارد فاز جدیدی شد. شاید در ابتدا چنین برداشت شود که ترجمه ماشینی بسیار پیشرفت کرده است و به زودی جای ترجمه انسانی را می‌گیرد اما واقعیت آن است که این پدیده هم بسان دیگر پدیده‌ها، باید از دیدی علمی بررسی شود، لذا باید گفت که هر روش نوآمد در عرصه ترجمه ماشینی، با خود مزایا و معایب و چالش‌هایی دارد (جزیرئیان، 1400: 1). مشکلات ترجمه ماشینی را می‌توان به دو دسته مشکلات دانش زبانی، یعنی دانش دستوری، معنی شناختی و منظور شناختی و مشکلات دانش برون‌زبانی یا غیر زبانی، یعنی دانش مطالب اصلی و دانش مربوط به دنیای واقعی تقسیم کرد. حل مشکلات برون‌زبانی از حل مشکلات زبانی دشوارتر ‌است، زیرا مشکلات زبانی را نمی‌توان به صورت دقیق مرزبندی کرد اما مشکلات زبانی اساساً ناشی از ابهامات زبان‌های طبیعی و عدم تطابق واژگانی و ساختاری زبان‌های گوناگون است (حقگو، 1397: 36).

در عصر ارتباطات که بسیاری از امور به ماشین‌ها واگذار شده ‌است، سپردن ترجمه به ماشین در متونی که جملات آسان و تکراری دارند، باعث صرف انرژی، وقت و هزینه کمتری از انسان می‌شود. از جهتی دیگر یادگیری چند زبان برای انسان امری ساده نیست که می‌توان این دشواری را به ماشین‌ها سپرد تا صدها زبان را به صدها زبان دیگر ترجمه کنند و از هزینه‌های گزاف بکاهند. البته زمانی‌که صحبت از متون دقیقی همچون ادبیات و حقوق می‌شود نمی‌توان از ماشین انتظار داشت که در دریافت معنای فراتر از واژگان، همچون انسان عمل کند (حقگو، 1397: 39). ترجمه متون ادبی را نمی‌توان صرفا به مسائل زبان‌شناختی، یعنی مسائلی که مربوط به واژه‌شناسی، معنا شناسی و دستورشناسی است تقلیل داد، که این نگاهی کوچک‌ساختار به متون ادبی است؛ بلکه از آنجایی که ترجمه متون ادبی تاثیرات انسانی و فرهنگی را به زبان مقصد منتقل می‌کند باید رویکردی بزرگ‌ساختار و کلان‌نگر به آن داشت (بسنج، 1398: 95). از دیرباز در ترجمه‌پذیری متون ادبی، چالشی بر سر راه مترجمان و نظریه‌پردازان وجود داشته است. زیرا مترجم همواره باید آرایه‌های ادبی و اسرار نهفته آن‌ها را رمزگشایی کند و با همان معنا و مضمون به گویشوران مقصد انتقال دهد درحالی‌که واضح است که باتوجه به اختلاف‌های فرهنگی و با توجه به خود واژگان که گاهی ممکن است از معنای صریح خود دور شوند و دارای معنای ضمنی باشند انتقال همه اینها دشوار است و در برخی مواقع مترجم مجبور است از توضیحات اضافه در حاشیه و پاورقی استفاده کند (بسنج، 1398: 99). بنابراین اگر ماشین‌ها بتوانند از پس مشکلات زبانی متون ادبی برآیند باید دید در مواجهه با معانی عمیق آرایه‌ها و مسائل فرهنگی فراتر از واژگان و جملات ساده چگونه عمل می‌کنند؟

یکی از این ماشین‌های ترجمه، گوگل است که با عنوان  «گوگل ترنسلیت»[2] (ترجمه گوگل) شناخته می‌شود. ترجمه گوگل یک سرویس برخط و رایگان است که از سوی شرکت گوگل برای مرورگرهای تلفن‌های هوشمند و همچنین برای کامپیوترها منتشر شده‌ است تا زبان‌های مختلف را به صدها زبان دیگر ترجمه کند؛ باید گفت که در ابتدا این ماشین متن را به انگلیسی و سپس به متن مقصد مورد نظر ترجمه می‌کرد اما امروزه با پیشرفت شبکه عصبی خود، روزانه در حال پیشرفت است و ترجمه‌های روان‌تر و بهتری تولید می‌کند. اما طبیعتا هنوز به کمک انسان نیاز دارد و در ترجمه متون تخصصی باید یک مترجم متخصص حاضر باشد و متن مبدأ را با توجه به زبان مقصد برای ماشین ترجمه ساده‌سازی کند (حقگو، 1397: 40-41).

با توجه به توضیحات بیان‌شده، این پژوهش قصد دارد تا نشان دهد که ترجمه گوگل در ترجمه شعر فارسی با چه چالش‌هایی روبرو می‌شود و در چه سطوحی نیاز به کمک و دخالت انسان دارد، به دیگر سخن، با چه سازوکارهای دخالت انسانی، می‌توان این چالش‌ها و موانع را برطرف یا کم کرد؟ به همین منظور و برای یافتن پاسخی برای پرسش مزبور، در این مقاله ابتدا شعر مهتابِ نیما با همان سبک و سیاقی که در متن چاپ شده آمده، به ماشین ترجمه گوگل داده می‌شود و ترجمه تولید شده، بررسی و سپس با اصلاح و تغییر در رسم الخط و یا ملموس کردن ارتباط جملات شعر با یکدیگر، سعی می‌شود که ترجمه گوگل اصلاح شود. اما از آنجایی که تمام اشتباهات ترجمه را نمی‌توان به سطح لفظی و ظاهری جملات نسبت داد و جنبه معنایی واژه‌ها و سطح کنایی عبارت‌ها و پیچیدگی ترکیب‌ها باعث ایجاد اختلال در فرایند ترجمه ماشینی می‌شود، در این پژوهش همه این موارد بررسی می‌شود و با دخالت انسانی به بهبود ترجمه کمک می‌شود.

شایان ذکر آن که ذکر این دخالت‌ها در زمره اصل کاهش نقش انسان در فرایندهای تولید متن به «کنترل‌گر» است (نظری، 1393: 34)، به گفته نظریه‌پردازان ترجمه «اگرچه ترجمه ماشینی نمی‌تواند [فعلاً] با مترجمان حرفه‌ای از نظر کیفیت ترجمه رقابت کند [اما] ابزاری است که می‌تواند به کمک مترجمان بیاید تا بهره‌وری بیشتری داشته باشند؛ سبک کاری مترجمانی که زمانی تنها با قلم و کاغذ کار می‌کردند در دهه 1990 با رواج ابزارهای حافظه ماشینی تغییر کرده است» (کُن، 1401: 26)، پژوهش‌ها نشان می‌دهد که سرعت انجام کار با استفاده از ماشین در سال‌های اخیر، بسیار بالا رفته است (همان).

امروزه استفاده از ترجمه ماشینی در قالب نظریات ترجمه تعاملی قرار می‌گیرد و تلاش دارد نشان دهد که انسان و ماشین می‌توانند مکمل هم در ارائه یک ترجمه با کیفیت باشند (کُن، 1401: 28). برخی بر این باورند که استفاده از ترجمه ماشینی «حتی در صورتی که نیاز به متن ترجمه شده با کیفیت بالا داشته باشیم، باز هم ماشین بلااستفاده نیست و می‌توان از آن برای تهیه سریع و راحت نسخه اولیه ترجمه استفاده کرد و آن را برای ویرایش به مترجمین حرفه‌ای سپرد تا آن را به نسخه ترجمه با کیفیت مبدل کنند، بنابرین در شرایط ویژه عصر اطلاعات، ترجمه ماشینی در کنار ترجم انسانی نقشی مهم و حیاتی ایفا می‌کند» (Hutchins، نقل در نیازی و دیگران، 1403: 69).

از طرفی دیگر بیان این دخالت‌ها در راستای مطالعات توصیفی فراورده مدار ترجمه است، این حوزه از علم ترجمه، سعی دارد تا ترجمه‌های موجود را توصیف کند، کارل جی همپل معتقد است «توصیف پدیده‌های خاص در دنیای تجارب ما و بنا نهادن اصولی کلی که با آنها می‌توان این پدیده‌ها را توضیح داد و پیش بینی کرد» (هولمز و دیگران، 1390: 20). البته توصیف اغلاط متنی و ارائه راهکار در این پژوهش برای کسانی راهگشا است که تا حد زیادی آگاه به دو زبان مبدأ و مقصد باشد و از ترجمه ماشینی در راستای تسریع در امر ترجمه استفاده می‌کند و خود توانایی بازخوانی و بازشناسی اغلاط ترجمه ماشینی را دارد. نیز بیان علمی و مبتنی بر شواهد عینیِ ضرورت دخالت انسانی به خوبی نشان می‌دهد که ترجمه اولیه گوگل یا هر ماشین دیگری اصلا قابل اعتماد نیست و مترجمان مبتدی نباید بدان بسنده کنند.

1- پیشینه پژوهش

نظری (1393) در مقاله «گونه‌شناسی چالش‌ها و جایگاه ترجمة ماشینی از عربی به فارسی»، تلاش کرده است در کنار اشاره به جایگاه و میزان رواج این نوع ترجمه بین دو زبان با نگاهی تحلیلی، گونه‌های متعدّد چالش ترجمة ماشینی از عربی به فارسی را ارائه و تحلیل نماید و نشان ‌دهد که ترجمة ماشینی، چالش‌های ویژه‌ای در زبان عربی دارد که بسیاری از زبان‌های دیگر فاقد آنها هستند.

نیازی و دیگران (1403) در مقاله «ارزیابی تطبیقی کیفیت خروجی ماشین‌های ترجمه برخط رایگان بین عربی و فارسی بر اساس مدل DQF-MQM»، نشان داده‌اند که ماشین‌های ترجمه به ترتیب از بیشترین به کمترین کیفیت خروجی از این قرار هستند: گوگل، بینگ، یاندکس، مادرن‌ام‌تی، رورسو، و نیوترنس. این نتیجه مطلق و همیشگی نیست، بلکه آماری و احتمالاتی است؛ البته گاهی و در برخی موارد، ماشین‌های با رتبه پایین‌تر بعضی جملات را بهتر از ماشین‌های با رتبه بالاتر ترجمه می‌کنند.

حقگو (1397)، در رساله ارشد با عنوان «بسندگی و پذیرفتگی ترجمه با ترجمه گوگل، تحلیل موردی: ترجمه متون عربی به فارسی و فرآیند معکوس‌سازی برون داد ماشین» انواع متون دینی، حقوقی، علمی، مطبوعاتی، ادبی و مکالمه‌های مکتوب عربی با کمک ترجمه گوگل، ترجمه و بررسی می‌کند. سپس برون‌داد خام ماشین با روش‌های توصیفی، تبیینی و تحلیلی بررسی می‌شود و همچنین فرآیند ترجمه با ترجمه گوگل به دو بخش اصلی تقسیم می‌شود.

 جزیرئیان (1400) در رساله ارشد خود با عنوان «بهبود ترجمه ماشینی آگاه از متن با استفاده از پس-ویرایش خودکار» مدلی ترکیبی ارائه می‌کند که بتواند از مزایای معماری آگاه از متن و پس‌ویرایش خودکار بهره بگیرد و ناسازگاری‌هایی که در ترجمه وجود دارد را کاهش دهد و ترجمه‌های سلیس و روان با در نظر گرفتن جملات قبلی را تولید کند.

بهمن نسب (1398) در رساله ارشد خود با عنوان «ارزیابی کارایی گوگل ترنسلیت در ترجمه متون مختلف» به ارزیابی متون مختلف ترجمه شده از انگلیسی به فارسی توسط سیستم ترجمه گوگل می‌ پردازد و به این پرسش که آیا این سیستم کارآیی کافی در ترجمه متون مختلف انگلیسی به فارسی را دارد یا خیر پاسخ می‌دهد.

 درستی (1400) هم در پایان نامه ارشد خود با عنوان «ترجمه ماشینی به کمک شبکه‌های ژرف گرافی و روش‌های معنایی»، مطالعه‌ای گسترده در رابطه با مدل‌های یادگیری ژرف در ترجمه ماشینی و نقاط ضعف و قوت آن انجام می‌دهد و همچنین اصلاحاتی برای بهبود دقت این مدل‌ها و افزایش سرعت و بهبود قدرت شناختی آن‌ها ارائه می‌دهد.

رحیمی و دیگران (1394) در مقاله «استخراج پیکره موازی از اسناد قابل مقایسه برای بهبود کیفیت ترجمه در سامانه‌های ترجمه ماشینی. پردازش علایم و داده‌ها»، تلاش کرده است تا یکی از مطرح‌ترین روش‌های ترجمه ماشینی، یعنی روش آماری را بررسی کند. پارامترهای سامانه ترجمه ماشینی آماری یعنی پیکره‌های متنی بزرگ موازی برطرف نشده است. برای رفع این مشکل، روش پیشنهادی در جهت بهبود کیفیت پیکره‌های مستخرج از اسناد قابل‌مقایسه و در نتیجه بهبود کیفیت سامانه ترجمه ماشینی ارائه شده است.

 صالحی (1394) در مقاله «تخمین اطمینان خروجی ترجمه ماشینی با استفاده از ویژگی‌های جدید ساختاری و محتوایی، بر پردازش علایم و داده‌ها» پنج گروه ویژگی جدید در قالب ویژگی‌های مبتنی بر محتوا و مبتنی بر ساختار ارائه کرده است. هرکدام را مورد بررسی قرار داده است.

با توجه به مرور پژوهش‌های مختلف، در این مقاله نقش ترجمه گوگل در انتقال ابیات شعری از زبان فارسی به عربی مورد بررسی قرار می‌گیرد. ترجمه شعر از زبان به زبان، به خصوص زبان‌های با ساختار و اصول مختلف، چالش‌های فراوانی را به وجود می‌آورد. از جمله این چالش‌ها می‌توان به انتقال احساسات عمیق، زیبایی‌های لغوی و معنای اجتماعی اشعار اشاره کرد. ترجمه گوگل، به عنوان یک ابزار خودکار، با چالش‌های خاص خود در ترجمه شعر مواجه است. این چالش‌ها به دلیل ویژگی‌های خاص شعر، از جمله غنای لغوی، استفاده از تصاویر زبانی و اشارات فرهنگی، به چشم می‌خورد. ترجمه گوگل ممکن است در انتقال معانی عمیق و مفاهیم فرهنگی مشکلاتی داشته باشد که در ترجمه شعر اهمیت بیشتری پیدا می‌کند. برای برطرف کردن این مشکلات، می‌توان از راهکارهای متنوعی استفاده نمود. به عنوان مثال، ترکیب ترجمه انسانی با ترجمه ماشینی در فرایند ترجمه، می‌تواند مفید باشد. همچنین، افزایش دانش و فهم ترجمه‌گران از فرهنگ و ادبیات هر دو زبان می‌تواند به بهبود عملکرد ترجمه‌های گوگل کمک کند. با این توصیفات، این پژوهش به دنبال شناسایی راهکارهایی جهت بهبود عملکرد ترجمه گوگل در ترجمه شعر فارسی به عربی می‌پردازد و سعی دارد به عنوان یک مرجع مفید در این زمینه مطرح شود.

3- بررسی ترجمه

ترجمه متون از یک زبان به زبان دیگر یک فرآیند حساس و چالش‌برانگیز است. ابزارهای متنوعی برای ترجمه وجود دارند و یکی از معروف‌ترین آنها ترجمه گوگل است. با این حال، گاهی اوقات ترجمه‌های این ابزارها ناکامل و حاوی خطاها می‌باشند، به خصوص زمانی که از یک زبان به زبانی دیگر با مشخصات زبانی خاص ترجمه می‌شود. ترجمه متون از یک زبان به زبان دیگر علی‌رغم پیشرفت‌های چشمگیر در فناوری، هنوز یک چالش بزرگ برای زبان‌آموزان و افرادی است که با متون چندزبانه سر و کار دارند. از اینرو، نقدهای سازنده و اصلاح ترجمه‌ها از اهمیت چشمگیری برخوردار است. در این فرآیند، ما به کمک تجربه و دانش ما در زمینه زبان‌شناسی، ساختار زبان، و فرهنگ‌های مختلف، سعی داریم ترجمه‌ها را به شکلی بهینه و دقیق ارائه دهیم. علیرغم اینکه ابزارهای ترجمه ماشینی مانند ترجمه گوگل پیشرفت چشمگیری داشته‌اند، اما همچنان نیاز به نقد و اصلاح دارند. برخی از مشکلات معمول شامل ترجمه‌های لغوی، عدم درک اصطلاحات فارسی و مشکلات گرامری هستند که ما قصد داریم با تلاش مشترک و اشتراک دانش، به بهبود این مسائل کمک کنیم. به عنوان کاربران فعال در زمینه ترجمه و آموزش زبان، ارتقاء دانش زبانی افراد و ارائه راهنمایی‌های موثر برای ترجمه متون مختلف از اهمیت بالایی برخوردار است. با اشتراک‌گذاری تجربیات و راهکارهای مؤثر، ما قصد داریم تا توانمندی‌های ترجمه فارسی به عربی را در افراد تقویت کرده و به ایجاد ترجمه‌های دقیق و قابل فهم در محیط‌های چندزبانه کمک کنیم. هدف ما این است که با بررسی و اصلاح ترجمه‌های نادرست ازترجمه گوگل، راهکارهایی برای افرادی که به دنبال ترجمه‌های صحیح و دقیق از فارسی به عربی هستند، فراهم کنیم. در این راستا، می‌توانیم به تصحیح دستیِ کلمات و عباراتی که به درستی ترجمه نشده‌اند بپردازیم و راهکارهایی برای اصلاح ترجمه‌های نادرست ارائه دهیم.

1-3. رسم الخط فارسی

أ- تصحیح فاصله‌ها و نیم‌فاصله‌ها (امتحان روش‌های مختلف نگارش فارسی)

تصحیح رسم الخط یک جنبه مهم در بهبود کیفیت ترجمه ماشینی است که به تنظیم و بهینه‌سازی فاصله بین کلمات و جملات در ترجمه‌های خودکار اشاره دارد. در ترجمه ماشینی، مشکلات مربوط به رسم الخط می‌تواند به عدم صحیح بودن ترتیب و فاصله کلمات منجر شود، که در نتیجه، مفهوم جمله یا متن ترجمه شده تحت تأثیر قرار گیرد. این امر می‌تواند به ابهامات در مفاهیم، کاهش وضوح و ناهمسانی در ساختار جملات منجر شود. با اعمال و تصحیح رسم الخط، تنظیم صحیح فواصل بین کلمات و جملات، ترجمه را بهبود بخشیده و توانایی درک مفهوم متن را افزایش می‌دهد. این تصحیحات می‌توانند به کاهش اشکالات ناشی از تبدیل مکرر اشتباهات در ترجمه ماشینی کمک کنند و در نهایت، تجربه خواننده را بهبود ببخشد. نکته شایان ذکر اینکه معلوم نیست ماشین گوگل از کدام رسم الخط مصوب فارسی، تبعیت می‌کند چرا که این پژوهش نتوانست به هیچ معیار درستی در این باره دست یابد.

جدول 1. مقایسه ترجمه گوگل قبل از تصحیح رسم الخط

متن اصلی

ترجمه گوگل

می‌تراود مهتاب

ضوء القمر یشرق

می‌درخشد شبتاب

شیبتاب یتألق

نیست یکدم شکند خواب به چشم کس ولیک

لیس من السهل أن تفقد النوم فی عیون شخص مثلک

غم این خفته‌ی چند

خواب در چشم ترم می‌شکند

منذ متى وأنت نائم؟

ینقطع النوم فی عینی

نگران با من استاده سحر

قلقان منی یا سیدة سحر

صبح می‌خواهد از من

کز مبارک دم او آورم این قوم به جان باخته را بلکه خبر

یریدنی فی الصباح

وبوصفی مبارک، سأقدم له هؤلاء الأشخاص الذین فقدوا حیاتهم، ولکن الأخبار

در جگر لیکن خاری

از ره این سفرم می‌شکند

فی الکبد الحزاز خاری

وبسبب هذا، تعطلت رحلتی.

نازک آرای تن ساق گلی

که به جانش کِشتم

و به جان دادمش آب

ای دریغا! به برم می شکند

لهجة رقیقة من ساق الزهرة

لقد قتلته

وأعطیته الماء

أه آسف! یقتحم بروم

دست ها می سایم

أرتدی یدی

تا دری بگشایم

لفتح الباب

برعبث می‌پایم

أنا عبثا

که به در کس آید

لمن هذا؟

در و دیوار بهم ریخته شان

بر سرم می‌شکند

الباب والجدار فی حالة فوضى ینکسر علی

مانده پای آبله از راه دراز

بقایا الجدری من مسافة بعیدة

بر دم دهکده مردی تنها

کوله بارش بر دوش

رجل وحید فی القریة

حقیبة المطر على الکتف

دست او بر در، می گوید با خود

یده على الباب یقول فی نفسه

در این قسمت متن اصلی شعر مهتاب در ترجمه گوگل جایگذاری می‌شود و فاصله جملات و کلمات بدون توجه به استاندارد نگارشی تغییر داده می‌شود. در موارد اندکی جملات ساده بود و فاصله تاثیر چندانی در آنها نداشت، بنابراین ترجمه نیز تغییری نکرد. در برخی موارد تغییر فاصله، ترجمه ماشینی را نیز تغییر می‌داد و به ترجمه درست و مد نظر نزدیک ‌می‌کرد؛ و در برخی موارد تغییر فاصله ترجمه را از ترجمه درست دورتر می‌کرد. در جدول 2، مقایسه ترجمه گوگل و ترجمه گوگل بعد از تصحیح رسم الخط برای شعر مهتاب آورده شده است.

جدول 2. مقایسه ترجمه قبل و بعد از تصحیح رسم الخط

متن اصلی

ترجمه گوگل

ترجمه گوگل بعد از تصحیح رسم الخط

توضیحات

می تراود مهتاب

ضوء القمر یشرق

تفاوتی ایجاد نشد

-

می‌درخشد شبتاب

شیتاب یتألق

یضیء الیراع

ترجمه گوگل واژه شبتاب به صورت به هم چسبیده را یک اسم خاص دانسته ولی بعد از انجام اصلاحات دستی این کلمه از هم جدا شد و توسط گوگل شناخته شد.

نیست یکدم شکند خواب به چشم کس ولیک

لیس من السهل أن تفقد النوم فی عیون شخص مثلک

لیس هناک لحظة تکسر النوم فی عیون أحد

ترجمه گوگل بدون وجود قرینه مشخصی «یکدم» را سهل ترجمه کرده است درصورتی که بعد از اصلاح رسم الخط، این واژه درست ترجمه شده و به ترجمه بقیه جمله نیز کمک کرده است.

غم این خفته چند

خواب در چشم ترم می شکند

ما مدى حزن هذا النوم؟

 النوم ینقطع فی عینی

حزن هذا النائم، یتقطع النوم فی عینی

در صورت اولیه، ترجمه گوگل نتوانسته ارتباط دو جمله با یکدیگر را درک کند، ولی با گذاشتن یک کاما بعد از جمله اول، و با حذف فاصله و دخالت انسانی، ترجمه نیز به صواب نزدیک‌تر شده است.

نگران با من استاده سحر

قلقان منی یا سید سحر

قلقة معی یقف الفجر

ترجمه گوگل دچار خطای اشتراک لفظی شده و «استاده» که یک فعل کهن است را سید ترجمه کرده زیرا سید به معنای اُستاد است.

صبح می خواهد از من

کز مبارک دم او آورم این قوم به جان باخته را بلکه خبر

یریدنی فی الصباح

وبوصفی مبارک، سأقدم له هؤلاء الأشخاص الذین فقدوا حیاتهم، ولکن الأخبار

وفی الصباح یرید منی أن أحضر له أخبار هؤلاء القتلى

با پشت سر هم نوشتن جملات برای ترجمه گوگل، این ماشین توانست با نادیده گرفتن ترکیب‌های سخت، ترجمه روان‌تری ارائه کند اما همچنان ترجمه کاملا صحیحی نیست.

در جگر لیکن خاری

از ره این سفرم می شکند

فی الکبد الحزاز خاری

وبسبب هذا، تعطلت رحلتی.

ولکن شوکة انکسرت فی کبدی بسبب هذه الرحلة

ابتدا این عبارت، به همان سبک و سیاق بیان شده در شعر، وارد گوگل ترجمه شد و باعث خطای این ماشین در ترجمه تمام واژه های این جمله شد ولی با پشت سر هم نوشتن ابیات، ترجمه نیز تصحیح شده است. واضح است که گوگل فاصله و تمایز بیت شعری را اصلا نمی فهمد!

نازک آرای تن ساق گلی

که به جانش کِشتم

و به جان دادمش آب

ای دریغا! به برم می شکند

لهجة رقیقة من ساق الزهرة

لقد قتلته

وأعطیته الماء

أه آسف! یقتحم بروم

رقّة جسد ساق الزهرة التی قتلتها وأسقیتها الماء

أه آسف! یقتحم بروم

خطای ترجمه گوگل در ترجمه تمام واژه‌های این جمله که با تغییر رسم الخط و فاصله عبارت‌ها به ترجمه صحیح نزدیک شده، اما به دلایل دیگری که در ادامه شرح داده خواهد شد، این ماشین نتوانسته ترجمه کاملا صحیحی ارائه کند.

دست ها می سایم

أرتدی یدی

أفرک یدی

پس از تغییر فاصله کلمات با یکدیگر در نگاه اول ترجمه درست است اما از آنجایی که این عبارت در شعر مورد نظر یک عبارت کنایی است همچنان ترجمه قابل قبولی نیست.

تا دری بگشایم

لفتح الباب

از ترجمه درست، دور تر شد.

با اینکه ترجمه گوگل، شناسه فاعل را نادیده گرفته است اما می‌توان این ترجمه را پذیرفت.

برعبث می پایم

أنا عبثا

تفاوتی ایجاد نشد

ترجمه گوگل با رسم الخط مشکلی ندارد و معنای واژه‌ها را متوجه نشده است

که به در کس آید

لمن هذا؟

الذی یتبادر إلى الذهن

ترجمه اشتباه به دلیل رسم الخط نیست و با انجام تغییرات نیز به خاطر نوع ترکیب سخت نیما، ترجمه درست نشده است

در و دیوار بهم ریخته شان

بر سرم می شکند

الباب والجدار فی حالة فوضى ینکسر علی

أبوابهم وجدرانهم الفاسدة تتکسر علیّ

با تغییر فاصله‌های این عبارت، ترجمه تغییر خیلی زیادی پیدا نکرد، اما باعث شد که این ماشین ترجمه ضمایر را شناسایی کند.

مانده پای آبله از راه دراز

بقایا الجدری من مسافة بعیدة

تفاوت چشمگیری ایجاد نشد

وجود واژه آبله باعث شده این ماشین فقط معنای بیماری را از این واژه استنباط کند و احتمال‌های دیگر را در نظر نگیرد در نتیجه نتواند ترجمه درستی برای کل جمله ارائه کند.

بر دم دهکده مردی تنها

کوله بارش بر دوش

رجل وحید فی القریة

حقیبة المطر على الکتف

فی نهایة القریة، رجل وحید یحمل کیسًا من المطر على کتفه

دلیل ترجمه اشتباه رسم الخط نیست و دلیل دیگری دارد که در ادامه به آن پرداخته خواهد شد.

دست او بر در، می گوید با خود

یده على الباب یقول فی نفسه

نیازی به تغییر نیست

-

2-3. تغییر در نگارش ضمایر شخصی متصل مفعولی یا اضافه

موضوع ضمایر شخصی متصل مفعولی یا اضافه در زبان‌ها و ترجمه‌ی آنها یک جنبه مهم در حوزه زبان‌شناسی است که نقش بسیار حیاتی در ساختار جملات دارد. این نوع از ضمایر، اغلب به‌عنوان ضمایر ملحق مفعولی نیز شناخته می‌شوند و در زبان‌های مختلف به ترتیب متفاوتی از آنها استفاده می‌شود. در زبان فارسی، ضمایر شخصی متصل مفعولی و اضافه در جملات باعث تعیین فاعل و مفعول وابسته به یکدیگر می‌شوند. این ضمایر به‌طور مستقیم به فعل یا افعالی که در جمله حاضرند انجام شوند، مرتبط می‌شوند و نقش معینی در ایجاد هماهنگی و روانی در جمله دارند. هنگامی که این نوع از ضمایر در ترجمه با استفاده از ابزارهای مترجمی مانند ترجمه گوگل مورد استفاده قرار می‌گیرند، اهمیت استفاده صحیح از آنها به ویژه زمانی که در زبان مقصد قوانین دستوری و نحوی متفاوتی دارد، بیشتر به چشم می‌خورد. این ابزارها بر اساس آموزش‌های زبانی خود تصمیماتی برای ترجمه می‌گیرند، اما درک دقیق از نقش و مکانیزم ضمایر متصل مفعولی در زبان مبدأ ضروری است تا ترجمه به درستی انجام شود، با این توضیحات مقدماتی، ما می‌توانیم به بررسی عمیق‌تر نقش ضمایر شخصی متصل مفعولی و اضافه در ترجمه گوگل بپردازیم و ابعاد مختلف این موضوع را بررسی کنیم.

در این نوع ترجمه مفعول بی‌واسطه یا بواسطه یا متمم یا در حالت اضافه واقع می‌شوند (شریعت، 1372: 235). در ادامه دو نمونه از ضمایر شخصی متصل و ترجمه آنها توسط ترجمه گوگل نشان داده شده است.

  • به برم می‌شکند: یقتحم بروم

 شاهد هستیم که ترجمه گوگل نتوانسته‌است تشخیص بدهد و ترجمه درستی تولید کند. ترجمه این نوع جملات توسط ترجمه گوگل به درستی انجام نشده است. به همین منظور، باید به ماشین ترجمه، کدها و الگوهایی داده شود که بتواند این ضمایر شخصی مفعولی را تشخیص دهد؛ بنابراین ما این ضمایر متصل را به منفصل تغییر می‌دهیم و در ترجمه گوگل به عربی ترجمه می‌کنیم و تا حدودی ماشین ترجمه، متوجه این ضمایر می‌شود اما در مواردی باز هم نمی‌تواند ترجمه درستی ارائه دهد. اصلاح ترجمه ماشینی با تغییر ضمیر متصل به ضمیر منفصل در ادامه انجام شده است.

  • به بر من می شکند: یکسرنی

3-3. سطح واژگان

 أ- اشتراک لفظی

 نقطه مشترک تعریف‌های اشتراک لفظی این است که لفظی بیش از یک معنا داشته باشد. برخی قیودی نیز بر آن افزوده‌اند (مظفر، 1381، ج1: 27). در ترجمه گوگل، واژگان و کلمات استفاده شده در جملات اهمیت زیادی دارند. استفاده از اصطلاحات، افعال، و صفات دقیق و معنی‌دار در زبان مبدا به ترجمه دقیقتر و قابل فهمتر منجر می‌شود. استفاده از واژگان مناسب ممکن است به مترجم اجازه دهد تا معنای عمیق‌تر و همچنین احساسی‌تر جمله را درک کند. این موضوع نشان می‌دهد که انتخاب واژگان مناسب در ترجمه، کیفیت ترجمه را افزایش می‌دهد.

در نمونه «کوله بارش بر دوش» بارَش را بارِش دانسته و به مطر ترجمه کرده است:

  • کوله بارش بر دوش: حقیبة المطر على الکتف

مشخص است که مترجم ماشینی نتوانسته است بارَ + ش ضمیر را شناسایی کند و به صورت «بارِش» دریافت و ترجمه کرده است، برای این منظور؛

برآن شدیم تا با گذاشتن حرکت، یک بار دیگر عبارت را به ماشین ترجمه بدهیم و نتیجه جالب بود:

  • کوله بارَش بر دوش: حقیبته على کتفه

 ضمیر متصل را به منفصل بدل کردیم:

  • کوله بار او بر دوش: حقیبة ظهره على کتفه

همین واژه «بَر» در عبارت زیر نیز آمده که گوگل آن را تشخیص نداده و اسم علم دانسته و به «بروم» ترجمه کرده است:

  • به برَم می ‌شکند: یقتحم بروم

پیش از این گفته شد که با جداسازی ضمیر متصل، ترجمه کمی مناسب‌تر شد:

  • به بر من می شکند: یکسرنی

اما برای رسیدن به ترجمه صحیح، ناگیز از راهبرد «مترادف» هستیم:

  • در کنار من می شکند: ینکسر بجانبی
  • در آغوش من می شکند: ینکسر بین ذراعی

در مورد زیر هم مترجم ماشینی دچار اشتباه خوانشی به خاطر اشتراک لفظی (خطی) شده است:

  • که به جانش کشتم: لقد قتلته

و جالب آنجاست که راهکار گذاشتن حرکت برای این مورد اصلاً جواب نداد:

  • که به جانش کِشتم: لقد قتلته

علت این امر شاید آن باشد که گوگل کلمه «کِشتن» را اصلا نمی‌شناسد و برایش تعریف نشده است!، لذا تغییری در ترجمه ایجاد نکرد.

 در جمله زیر علاوه بر ضمیر، سیستم ترجمه متوجه واژه «تر» نیز نشده ‌است؛

  • خواب در چشم ترم[3] می شکند: ینقطع النوم فی عینی

 حرکت گذاری هم نتوانست ابهام کلمه را بر طرف کند، بنابراین با تمسک به راهکار «مترادف» به ترجمه گوگل در ارائه ترجمه درست کمک می‌شود.

  • خواب در چشم گریانم می شکند: ینقطع النوم فی عینی الباکیة

ب- هم ریشه کاذب

هم ریشه کاذب یک اصطلاح در مطالعات ترجمه است و منظور از آن «کلمات یا عباراتی هستند که دارای صورتی یکسان در دو یا بیش از دو زبان هستند ولی معانی مختلفی را انتقال می‌دهند؛ این کلمات اغلب در زبان‌هایی وجود دارند که به لحاظ تاریخی یا فرهنگی به هم مربوط هستند» (بیکر، 1393: 31).

 در ترجمه کلمه «بلکه» مترجم ماشینی دچار اشتباه شده و چون کاربردِ این شکلیِ این کلمه در زبان فارسی و همچنین تطور معنایی آن را در زبان دوم، نمی‌دانسته آن را ترجمه نکرده است:

  • صبح می خواهد از من کز مبارک دم او آورم این قوم به جان باخته را بلکه خبر: وفی الصباح یرید منی أن أحضر له أخبار هؤلاء القتلى

مشخص است که «بلکه» در اینجا به معنای «شاید» و «چه بسا» است ولی توسط مترجم ماشینی ترجمه نشده است، البته این ترجمه، اشکالات دیگری نیز دارد که در جای خود بحث خواهد شد.

ج- واژگان کم کاربرد (ناآشنا)

برخی اوقات خودِ کلمه، به صورت ذاتی کمی پیچیده و نامفهوم است (بیکر، 1393: 26)، این مسئله یا به خاطر کهنه بودن کلمه است یا به خاطر چند معنایی بودن و یا به خاطر کم کاربرد بودن و تعلق داشتن کلمه به یک سبک خاص از زبان – مبتذل تا رسمی و خیلی رسمی – است. البته برای گوگل به عنوان یک هوش مصنوعی برخی کلمات پرکاربرد هم ممکن است ناآشنا جلوه کند چرا که در حافظه الگوریتمی آن وجود ندارد:

  • اِستادن:

در عبارت زیر همزمان هم اشتراک لفظی و هم کلمه کم کاربرد «استادن» وجود دارد:

  • نگران با من استاده سحر: قلقان منی یا سیدة سحر

مترجم ماشینی هم اِستاده را اُستاده، خوانده و هم سحر را اسم علم گرفته، لذا در اینجا با راهکار «معاصرسازی کلمه کهن»، مسئله حل شد:

  • نگران با من ایستاده سحر: قلقة معی یقف الفجر

راهکار دیگر برای ترجمه چنین جمله‌ای واضح‌سازی است:

  • سپیده دم با من نگران ایستاده است: الفجر یقف معی قلقا
  • دَم
  • بر دم دهکده مردی تنها: رجل وحید فی القریة

در اینجا ماشین ترجمه کلمه «دم» را حذف کرده و نادیده گرفته است، برای آنکه مشخص شود آیا این مسئله به خاطر ناآشنا بودن کلمه است چند مثال دیگر از این دست عبارت به گوگل داده شد که نتیجه مشابه بود:

  • دم درِ باغ منتظرت هستم: أنا أنتظرک فی الحدیقة
  • دم ورودی شهر رسیده است: وصل إلی المدینة!

حتی مسئله شباهت لفظی هم در اینجا موضوعیت ندارد چرا که با گذاشتن حرکت «دَم» هم این ماشین متوجه معنا نشد.

  • می‌سایم و می‌پایم

این دو کلمه هم برای گوگل نا آشنا بودند و برای ترجمه آن از راهکار «تصحیح رسم الخط» و سپس «مترادف» استفاده شد:

ترجمه اول بدون مترادف و بعد از تصحیح نیم‌فاصله:

  • دست‌ها می ‌سایم[4]: أنا أفرک یدی
  • می ‌پایم[5]: انا اشاهد

ترجمه بعد از استفاده از مترادف:

  • دست‌ها می ‌سایم: أفرک یدی معًا
  • می ‌پایم: انا اشاهد

عبارت اول بعد از تصحیح خط، درست ترجمه شد ولی برای ترجمه دوم نیازمند مترادف بود:

  • می ‌پایم (منتظر می‌مانم): وأنا انتظر

4-3. سطح ترکیب

زبان فارسی یکی از زبان‌های دسته‌ی غربی زبان‌های هندوایرانی از گروه زبان‌های هندواروپایی و زبانی ترکیبی است (مقربی، 1372: 113) مراد از ترکیب آن است که در این زبان می توان از به هم پیوستن واژه ها به یکدیگر، یا افزودن پیشوندها وپسوندها بدانها واژگانی تازه با معانی تازه پدید آورد، ترجمه این کلمات مرکب به خاطر ماهیتشان، همیشه مترجم انسانی را با چالش روبرو کرده است مثلا در مجموعه ترجمه شعر فارسی معاصر به ترجمه زیر بر‌می‌خوریم:

  • کو آن بلند آوازگی‌ها چیرگی‌ها
  • استیزه چون شمس و قمر با تیرگی ها؟ (باقری و محمدی نیکو، 1389: 190)
  • أین تلک الصوات المرتفعة والانتصارات المبرزة التی صارعت کالشمس والقمر...؟ (باقری و محمدی نیکو، 2005: 129) .

معلوم است که مترجم اصلا معنای مصدر مرکب بلندآوازگی را متوجه نشده و به صورت جداگانه ترجمه کرده است، همین مسئله را ما در ترجمه ماشینی هم مشاهده می‌کنیم:

  • قوم به جان باخته: مات الناس

عبارت «قوم به جان باخته»، یک ساختار موصوف و صفت است البته، «به نظر می‌‌رسد «ب» برای تکمیل وزن است. چون صفت مفعولی مرکب «جان باخته» نیازی به افزودن «ب» در آغاز ترکیب، از نظر ساختاری ندارد. و از نظر معنا هم لزومی به افزودن حرف «ب» نیست. به هرحال افزودن این «ب» ناشی از گویش طبری هم که باشد اگرچه با زبان ادبی مغایرت دارد، اما سبب می‌‌شود که به کمک آن وزن مصراع بدون نیاز به تغییر ساختار عبارت مصراع، حفظ شود (https://www.sokhanvaran.org).

اما همین اضافه وزنی، کار فهم معنا را برای هوش مصنوعی سخت کرده لذا باید از راهکار حذف استفاده کرد:

  • قوم جان باخته: مات الناس

با حذف «ب» هیچ تغییری حاصل نشد، لذا به سراغ راهکار «دستکاری رسم الخط» رفتیم و عبارت جانباخته را روی هم نوشتیم و در کمال تعجب، ترجمه درست شد:

  • قوم جانباخته: الأشخاص الموتی

علت شگفتی آن است که در رسم الخط امروزی و مصوب زبان فارسی، چنین ترکیبی، روی هم و چسبیده نوشته نمی‌شود ولی گوگل آن را می‌شناسد! گویا الگوریتم اعطایی به گوگل از روی متون گذشته فارسی بوده است!

  • در و دیوار بهم‌ریختشان: لقد أفسدوا الجدار

چنانچه پیداست برای تصحیح ترجمه این ترکیب، ابتدا «به» جدا نوشته شد:

  • در و دیوار به هم‌ریختشان: الباب والجدار فی حالة فوضى

و ترجمه کمی بهتر شد، در گام بعد، ضمیر «شان» به صورت ضمیر منفصل نوشته شد

  • در و دیوار به هم‌ریخته آنها: أبوابهم وجدرانهم الفوضویة

با این کار، گوگل به خوبی معنا را متوجه شد، این مسئله نشان می‌دهد که گوگل ترجمه تسلط کافی بر ضمایر متصل فارسی ندارد.

همچنین به عنوان راهکار دیگر از راهکار مترادف نیز استفاده شد و جواب داد:

  • در و دیوار بی‌نظمشان: أبوابهم وجدرانهم غیر المنضبطة

یکی دیگر از «ترکیب‌های» شعر مهتاب که البته بسیار نو است، نازک آرای تن ساق گلی است:

  • نازک آرای تن ساق گلی: رقّة جسد ساق الزهرة

ترکیب «نازک‌‌ آرا» از ترکیباتی است که در ادبیات کلاسیک سابقه ندارد و نیما آن را مثل چند ترکیب دیگر به کمک صفت فاعلی مرخم «آرا» (آراینده، از مصدر آراستن) ساخته و همیشه هم بحث‌هایی به دنبال داشته است (1394: 889)، اخوان معتقد است که خودِ نیما این ترکیب را به صورت اضافی می‌خوانده و معنایش این است: «به نازکی آراینده» یا « به نازکی و نازکانه آرایش کننده» (اخوان ثالث، 1361: 109)، تقی پورنامداریان این گفته را نمی‌پسندد و بر آن است که آرا از مصدر آراستن است و ترکیب نازک آرا ترکیب مفعول + فعلل (مصدر) است نه متمم + مصدر، لذا نازک آرا یعنی «آنچه نازک را می‌آراید» نه «به نازکی می‌آراید»، لذا گل عبارت «نازک آرای تن ساق گلی» در ژرف ساخت خود اینگونه بوده است: «تن ساق گلی که نازک را می‌آراید یا آراینده نازک است»، به دیگر سخن، تن ساق گلی که از بس لطیف و ظریف است، نازک را نیز می‌آراید (پورنامداریان، 1381: 330).

اینچنین عبارتی که برای سخندانان اهل زبان هم سخت و دیریاب است برای مترجم ماشینی هم قطعا دیریاب است، لذا تنها راه حل آن، ساده‌سازی است:

  • ساقه گلی که نازک را می‌آراید: ساق الزهرة التی تزین النحافة

5-3. سطح ساختار و دستور

سومین سطح تحلیل ترجمه، دستور است، در این بخش تلاش می‌شود تا مواردی که با ساختار دستوری متن؛ سر و کار دارد و مترجم در ترجمه آن، دچار اشتباه شده است بررسی گردد.

أ- دستور تاریخی

باستانگرایی یا آرکائیسم در لغت بدین معنی است «به کارگیری لغت‌ها و عباراتی که در زبان رسمی و متداول، کهنه و غیرمستعمل و منسوخ شده باشد» (داد، 1385: 10) برخی باستان­گرایی را: «ادامۀ حیات گذشته در خلال زبان اکنون می‌دانند» (شفیعی کدکنی، 1384: 24). فتوحی معتقد است آرکائیک در «صورت­های آوایی، واژگانی، نحوی کهن زبان، دوشادوش تلمیح و اسطوره و دیگر عناصر سخن بین متنی موجب پیوند متن با گذشته و تداوم صفت­ها با فرهنگ می‌شود» (فتوحی، 1391: 45). نیما به عنوان سردمدار شعر نو، یکی از برترین روش‌ها در بهره‌گیری از این روش سخنوری داشته و شعرش از تمامی وجوه باستانگرایی بهره می‌برد. این مسئله باعث می‌شود که زبانش با زبان عادی و معمولی معاصر، فاصله بگیرد و قطعا ترجمه کردنش با چالش روبرو شود.

 در اینجا، ترجمه گوگل ممکن است با استفاده از عبارات کلیدی یا معانی متداول در زبان مقصد، به نتایجی نسبتاً سطحی برسد. برای بهبود ترجمه، ضروری است که مترجم از دانش خود در زمینه‌های مختلف بهره‌مند شود و سعی کند معادل‌های بهتر و نزدیک‌تر به مفهوم اصلی عبارات کهن را پیدا کند. این اقدام دقت و قابلیت فهم ترجمه را افزایش می‌دهد و باعث می‌شود که مفهوم اصلی و احساس متن نهایی به بهترین شکل منتقل شود. در ادامه چند نمونه از عبارات کهن و ترجمه آن به وسیله ترجمه گوگل نشان داده شده است.

  • به جانش: الی حیاته
  • به جان دادمش: أعطیته لجون

همان طور که پیداست، در کلمه به جانش، «ش» ضمیر مفعولی است به معنی «او را»، در کلمه به جان دادمش، «ش» متمم است یعنی «به او».

در اینجا برای تصحیح ترجمه، از راهکار معاصرسازی عبارات کهن استفاده شد، این راهکار در ترجمه گوگل نمایانگر تلاش برای تجدید و تحول عبارات و اصطلاحات سنتی به منظور تطابق با زبان و ساختارهای مدرن است. این تلاش به منظور بهبود درک مطلب و ارتقاء کیفیت ترجمه در محیط‌های چندزبانه و چندفرهنگی انجام می‌شود، در ادامه معاصرسازی برخی عبارات برای عبارات کهن در ترجمه گوگل برای شعر مهتاب انجام شده است.

  • که او را به جان کشتم: لقد قتلته
  • و او را به جان دادم آب: وأعطیته الماء

با توجه به مثال‌های بالا، در عبارت «که او را به جان کشتم» با حل مشکل «کهنه بودن عبارت» ترجمه تصحیح نشد و علت را پیش از این – اشتراک و تشابه لفظی با کُشتن – توضیح دادیم. در عبارت «و او را به جان دادم آب» با اصلاح عبارت کهن، ماشین ترجمه توانست ترجمه روان و تقریبا درستی تولید کند اما عبارت «به جان» را کامل نادیده گرفته ‌است. علت این امر هم به مانند موارد زیر، عدم آشنایی گوگل با ترکیبی اینچنین کهن است که لاجرم باید دوباره معاصر سازی شود:

  • و او را با تمام وجودم، آب دادم: وسقیته من کل قلبی

ب- صفت و موصوف مقلوب

جابجا کردن جای صفت و موصوف گرچه، در زبان شعر؛ امری عادی است ولی گویا برای هوش مصنوعی، غرابت دارد، شاید از آن نظر که ساختمان این نوع هوش با زبان عادی و کم‌تر هنجارگریز، آشناتر است، در ادامه به مواردی ازین دست اشاره می‌رود:

  • مبارک دم[6] او: مبروک له
  • خفته چند: کم عدد الذین ینامون؟

پیش از این دیدیم که این دو عبارت در داده اولیه گوگل اصلاً ترجمه نشدند و سپس با جایگذاری خارج از متن به صورت بالا ترجمه شدند. مشخص است که در عبارت «خفته چند» هم مشکل اشتراک لفظی وجود دارد چرا که مترجم ماشینی تفاوت «چند» خبری و استفهامی را متوجه نشده است و هم مشکل صفت و موصوف مقلوب. این دو صفت بعد از جابجا شدن جای صفت و موصوف؛ هم به درستی ترجمه نشدند:

  • مبارک دم او: هو مبارک
  • خفته چند: کم ینام؟

در اینجا متوسل به راهکار «استفاده از مترادف» و«ساده سازی» شدیم و عبارات را ساده و با حرکات اعرابی جایگذاری کردیم:

  • نفس مبارک او: أنفاسه المبارکة
  • چند نفر انسان خوابیده: کم عدد الأشخاص الذین ینامون؟

البته عبارت دوم همچنان درست ترجمه نشد، لذا در قسمت تعابیر کنایی خواهیم گفت که با راهکار حذف تعبیر و ترجمه معنایی، ماشین ترجمه، بالاخره ترجمه درستی از مفهوم عبارت ارائه کرد.

6-3. سطح بلاغی–زیبایی شناختی

بدون شک بهره گرفتن شاعر از جلوه‌های ادبی بی دلیل نیست و هر شاعری متناسب با قصد و هدف خود از این دریای آرایه‌ها و از این مجموعه ابزار سخنوری، استفاده می‌کند. در اینجا تلاش می‌شود نوع برخورد ترجمه ماشینی با این بخش از یک متن ادبی، به عنوان مهمترین بخش، مورد بررسی قرار بگیرد.

در قسمت اولیه شعر ما با استعاره زیر روبرو هستیم:

  • غمِ خفته چند: کم ینام؟

پیش از این درباره ترکیب خفته چند و نحوه ترجمه آن صحبت شد، اکنون قصد آن است که استعاره بودن این عبارت مورد بحث قرار بگیرد. همان طور که می‌داینم «خفته» استعاره از «غافل» است. لذا به غیر از راهکارهای پیش گفته در ترجمه «ظاهر» جمله، اینجا می‌توانیم از راهکارهای ترجمه استعاره هم استفاده کنیم، نیومارک چندین راهکار در این زمینه ارائه می‌دهد:

- بازتولید تصویرِ استعاریِ زبان مبدأ در زبان مقصد که در واقع، آوردن لفظی است در زبان مقصد که در برابر لفظ زبان مبدأ قرار داده شده است (گرته برداری).

- جایگزین کردن استعارة زبان مبدأ با استعاره ای از زبان مقصد که دارای همان مفهوم است.

 -ترجمة استعارة زبان مبدأ به تشبیه در زبان مقصد، یا ترجمة استعاره به تشبیه، همراه با توضیح آن.

- ترجمة مفهومیِ استعاره و توضیح آن، این راهبرد بیشتر برای عبارات کنایی کاربرد دارد

 -حذف ساختار و بیان استعاری.

- به کار گیریِ استعارة معادل به همراه توضیح و ترجمة مفهومیِ آن (نیومارک، 1390: 145-146).

به نظر می‌رسد برای ترجمه نمونه بالا که راهکار ترجمه مفهومیِ استعاره و حذف استعاره راهگشا باشد:

  • غم این افراد غافل: حزن هؤلاء الغافلین

با توجه به مثال، در عبارت «غم این افراد غافل» منظور نیما یوشیج از خفته و چند را برای ترجمه گوگل واضح کردیم و سپس ساختار این ترکیب را ساده و مأنوس کردیم و با توجه به راهنمایی‌هایی که ما به این ماشین ارائه کردیم توانست ترجمه مناسبی را ایجاد کند.

نمونه های دیگری از استفاده استعاری در آوردن فعل شکستن به عنوان «ردیف» و شاید از منظر مشاکله در چند جای شعر می‌باشد که در جدول 3 نشان داده شده است.

جدول 3. استفاده استعاری از فعل شکستن در شعر مهتاب

متن اصلی

ترجمه گوگل

نیست یکدم شکند خواب به چشم کس ولیک

لیس من السهل أن تفقد النوم فی عیون شخص

غم این خفته چند، خواب در چشم ترم می‌شکند

حزن هذا النائم، یتقطع النوم فی عینی

در جگر لیکن خاری

از ره این سفرم می شکند

فی الکبد الحزاز خاری

وبسبب هذا، تعطلت رحلتی.

در و دیوار بهم ریخته شان

بر سرم می شکند

أبوابهم وجدرانهم الفاسدة تتکسر علیّ

خواب در چشم شکستن، خار در جگر شکستن و در و دیوار روی سر شکستن، همه کاربست‌های جدیدی است که بیش از این نبوده ولی بسیار خوب از کار درآمده است؛ پورنامداریان معتقد است:

  • خواب در چشم کسی شکستن: مانع خواب کسی شدن؛
  • خواب به چشم کسی شکستن: بیدار شدنِ او؛
  • خار در جگر شکستن: جگر خون شدن، رنج و اندوه بسیار تحمل کردن؛
  • چیزی بر سر کسی شکستن: فرو ریختن آن چیز بر سر او (1381: 330).

درباره جنبه‌های دیگر این ترکیب‌ها یپش از این سخن رفت و راهکار ترجمه‌ایش به فراخور، ارائه شد، آنچه مشخص است آن است که ترجمه لفظی و گرته‌برداری شده از این عبارات، اولین انتخاب ماشین گوگل بوده است، البته می‌توان راهکارهای زیر را نیز در نظر گرفت:

ترجمه استعاره به تشبیه: (این راهکار از آن رو می‌تواند مفید باشد که ژرف ساختِ استعاره را به مخاطب زبان مقصد نشان می‌دهد)

  • خواب را مانند شیشه در چشم من می‌شکند:

استفاده از مفهوم و حذف ساختار استعاری:

  • جگرم از این سفر خون می‌شود: کبدی ینزف من هذه الرحلة

و یا اینکه می‌توان استعاره معادلی و مترادفی به گوگل داد که برایش قابل فهم باشد:

  • در دیوار بر سرم آوار می‌شود: سوف ینهار علیّ الباب والجدار.
  1. بحث و نتیجه‌گیری

مترجم گوگل معیار و الگوی مشخصی برای رسم الخط فارسی ندارد و همانگونه که خودِ ما به عنوان ایرانی، فارسی را به اشکال مختلفی می‌نویسیم و آموزش می‌دهیم به نظر می‌رسد گوگل هم مجموعه‌ای از این رسم الخط‌ها را در الگوریتم خود دارد.

مترجم گوگل در برخورد با حرکت اعرابی کلماتی که شباهت لفظی و خطی دارند، گاهی موفق است و گاهی موفق نیست این مسئله نشان می‌دهد، برخی کلمات فارسی هنوز برای گوگل آشنا نیستند.

گوگل در برخورد با کلمات و عبارات ناآشنای فارسی آنها را در ترجمه حذف می‌کند، البته هنگامی که این عبارات با مترادف‌های مأنوسی جایگزین شوند، توسط گوگل ترجمه می شوند.

ترجمه گوگل به عنوان یک ماشین ترجمه در شناختِ کلمه‌های مرکب زبان فارسی دچار مشکل جدی و نیازمند مداخله انسان است، راهکاری که در این پژوهش ارائه شد هم ناظر به امتحان انواع رسم الخط و نوع نگارش چسبیده یا با فاصله کلمات مرکب است و هم گاهی ناظر به استفاده از کلمه مترادف و حذف کلمه مرکب است.

در برخورد با ترکیب‌های وصفی زبان فارسی، گوگل موفق عمل می‌کند مگر اینکه آشنایی زدایی در کار باشد مثلا در شناخت صف و موصوف مقلوب، دچار مشکل می‌شود که نیازمند مداخله انسان است.

در سطح دستور، مهمترین مشکل گوگل نشناختن قواعد دستور تاریخی است، لذا بهترین راه برای این مسئله، معاصرسازی عباراتی است که توسط شاعر به شکلی کهن، انتخاب شده‌اند؛

در سطح زیبایی شناختی و بلاغی، ترجمه گوگل بیشتر از معادل‌سازی گرته برداری استفاده می‌کند که گاهی برای مخاطب زبان مقصد نا آشناست لذا می‌توان با راهکارهایی چون حذف استعاره و ترجمه مفهومی، دادن ترکیب کنایی و استعاری مشابه و مترادف به گوگل و یا تبدیل استعاره به تشبیه، این نوع از عبارات و و زیبایی آنها را از طریق ترجمه گوگل و با دخالت انسان، به زبان مقصدد انتقال داد.

پرواضح است که موارد بالا به عنوان نتایج یک پژوهش دانشگاهی، از طریق راه‌های ارتباطی با گوگل به اطلاع دست‌اندرکاران این ماشین ترجمه رسانده خواهد شد.

تعارض منافع

تعارض منافع وجود ندارد.

 

[1]. Deep learning network

[2]. Google Translate

[3] چشم تر: گریان

[4] دست ساییدن: نبرد کردن

[5] پاییدن: انتظارکشیدن، مراقب بودن

 

[6] مبارک دم: خوش نفس

References

Persian and Arabic References Presented in English
Akhavan Sales, M. (1982). ʿAtā va laqā-ye Nīmā Yūshīj [Granting and meeting Nima Yushij]. Tehran: Damavand. [In Persian]
Amiriyan, T. (2021). An analysis of the Arabic translation of “ʿAynāhā” based on Berman’s deforming tendencies. Critical Journal of Humanities Texts and Programs, 21(2), 3–23. [In Persian]
Bagheri, S., & Mohammadi, M. R. (2010). Contemporary poetry of Iran. Tehran: Iranian Poets’ Association. [In Persian]
Bagheri, S., & Mohammadi, M. R. (2005). Contemporary Persian poetry (M. Alaeddin Mansour, Trans.). Cairo: Supreme Council of Culture. [In Arabic]
Basanj, D., & Gerami Far, E. (2019). Semantic and cognitive-translation challenges in translating literary devices: A microstructural approach in translation studies. Comparative Literature Research, 7(3), 94–125. https://dor.isc.ac/dor/20.1001.1.23452366.1398.7.3.6.8 [In Persian]
Bahman-Nasab, B. (2019). Evaluating the effectiveness of Google Translate in translating different text types [unpublished Master’s thesis]. Payame Noor University, Mehriz Center, Yazd. [In Persian]
Baker, M. (2014). In other words: A coursebook on translation (A. Bahrami, Trans.). Tehran: Rahnama. [In Persian]
Pournamdarian, T. (2002). Khāneh-am abrīst [My house is cloudy] (2nd ed.). Tehran: Soroush. [In Persian]
Jazireian, M. M. (2021). Improving context-aware machine translation using automatic post-editing [unpublished Master’s thesis]. Tarbiat Modares University, Tehran, Iran. [In Persian]
Haqgoo, A. (2018). Adequacy and acceptability of translation using Google Translate: A case study of Arabic–Persian translation and reverse-output processing [unpublished Master’s thesis]. University of Damghan, Semnan, Iran. [In Persian]
Dad, S. (2006). Dictionary of literary terms (3rd ed.). Tehran: Morvarid. [In Persian]
Dorosti, M. (2021). Machine translation assisted by deep graph networks and semantic methods [unpublished Master’s thesis]. Kharazmi University, Tehran, Iran. [In Persian]
Rahimi, Z., Samani, M. H., & Khadivi, S. (2015). Extracting parallel corpora from comparable documents to improve translation quality in machine translation systems. Signal and Data Processing, 2(24), 55–72. [In Persian]
Shariat, M. J. (1993). Persian grammar (6th ed.). Tehran: Asatir. [In Persian]
Shafi’i Kadkani, M. R. (2005). The music of poetry (8th ed.). Tehran: Agah. [In Persian]
Salehi, M., Khadivi, S., & Riahi, N. (2015). Confidence estimation of machine translation output using new structural and content-based features. Signal and Data Processing, 3(25), 109–121. [In Persian]
Koehn, P. (2022). Machine translation (M. Sabbagh Jafari & P. Razm-Dideh, Trans.). Rafsanjan: Hazrat-e Vali-e Asr University. [In Persian]
Fotouhi, M. (2012). Theoretical stylistics: Approaches and methods (1st ed.). Tehran: Sokhan. [In Persian]
Mozaffar, M. R. (2002). Principles of jurisprudence. Qom: Jameʿeh-ye Modarresin. [In Persian]
Moqarabi, M. (1993). Compound structures in the Persian language. Tehran: Toos. [In Persian]
Mousavi Miangah, T. (2007). An introduction to machine translation (3rd ed.). Tehran: Yalda Qalam. [In Persian]
Nazari, A. (2014). A typology of challenges and the status of machine translation from Arabic into Persian. Translation Research in Arabic Language and Literature, 4(11), 29–56. https://dor.isc.ac/dor/20.1001.1.22519017.1393.4.11.2.6 [In Persian]
Niazi, S., Bijan-Khan, M., & Pashaei, M. (2024). A comparative evaluation of free online machine translation output between Arabic and Persian based on the DQF-MQM model. Translation Research in Arabic Language and Literature, 14(30), 71–98. https://doi.org/10.22054/rctall.2024.78817.1724 [In Persian]
Nima Yushij. (2018). Collected poems. Tehran: Nik Farjam. [In Persian]
Holmes, J., Even-Zohar, I., Vermeer, H. J., & Venuti, L. (2011). Rethinking translation (K. Bolouri, & M. Bolouri, Trans.). Tehran: Ghatreh. [In Persian]
Yousefi, F., & Shahriar, G. (2015). The bell of awakening: An analysis of two poems by Abdulwahhab al-Bayyati and Nima Yushij. In Proceedings of the Tenth International Conference on the Promotion of Persian Language and Literature (pp. 885–894). Ardabil: University of Mohaghegh Ardabili. [In Persian]
Translation Researches in the Arabic Language And Literature
Volume 15, Issue 33
September 2025
Pages 1-26

Files

Share

How to cite

Statistics