Alhumsi, M. (2025)
Journal of Research in Language & Translation
Issue No. 2 Vol. 5 (2025)
Mohammad Husam Alhumsi
Saudi Electronic University
Riyadh, Kingdom of Saudi Arabia
https://orcid.org/0000-0002-0189-4443
https://doi.org/10.33948/JRLT-KSU-5-2-7
Received: 14/02/2025; Revised: 23/07/2025; Accepted: 03/08/2025
الملخص
تهدف هذه الدراسة إلى مقارنة وتقييم أنظمة الترجمة البشرية و الترجمة القائمة على الذكاء الاصطناعي المتمثلة ب (ChatGPT & Google Translate ) من خلال تحليل العملية التعددية النحوية والدقة اللغوية في أربعة نصوص مترجمة من العربية إلى الإنجليزية. ولتحديد العملية التعددية، تم اعتماد نموذج نظام التعددية لدى هاليداي (Halliday)، مع التركيز على تحليل الخطاب النقدي. ونظرًا لطبيعة البيانات، تم استخدام المنهج الكمي. تظهر النتائج أن العمليات المادية هي الأكثر شيوعًا بنسبة (52.63% - 75.71%)، تليها العمليات العلاقية بنسبة (10% - 31.57%). وأظهرت الترجمات البشرية اتساقًا أكبر في العمليات المادية، بينما اختلفت الترجمات الآلية بشكل ملحوظ. أما العمليات الوجودية والسلوكية فكانت نادرة أو غائبة في نصوص محددة. كما أظهرت النتائج وجود اختلافات متباينة في منهجية الترجمة، حيث التزمت الترجمات البشرية بأنماط لغوية متوقعة بشكل أكبر. بالإضافة إلى ذلك، كشفت الدقة اللغوية - التي قيست باستخدام درجات BLEU أن ترجمة ChatGPT حققت درجة 0.77، متفوقةً على Google Translate التي حصلت على 0.69، مما يشير إلى توافق أفضل مع الترجمة المرجعية. يوصي البحث الى امكانية إجراء مزيد من الدراسات المستقبلية لاستكشاف نطاق أوسع من أنواع النصوص واللغات، وتقييم تأثير التنقيحات اللاحقة على مخرجات الترجمة الآلية للتحقق من هذه النتائج.
Abstract
This study aims to compare and assess human and AI-based translation systems (ChatGPT and Google Translate) by analyzing transitivity processes and linguistic accuracy in four Arabic-to-English translated abstracts. To identify the transitivity process, Halliday’s transitivity system model was adopted, highlighting critical discourse analysis. Due to the nature of the data, a quantitative method was employed. The analysis reveals that material processes are the most frequent (52.63%–75.71%), followed by relational processes (10%–31.57%). Human translations show greater consistency in Material processes, while machine translations exhibit more variation. Existential and behavioral processes are rare or absent in specific abstracts. Also, the results showed the existence of systematic differences in translation approaches, with human translations adhering more closely to expected linguistic patterns. In addition, linguistic accuracy, measured using BLEU scores, shows that ChatGPT Translation achieved a BLEU score of 0.77, outperforming Google Translate, which scored 0.69, indicating better alignment with the reference translation. Further studies could explore a broader range of text genres and languages and evaluate how post-editing impacts machine-translated outputs to validate these findings.
Keywords: AI-based translation; ChatGPT; Google Translate; human translation; research abstract; social sciences
