Prompt Engineering for Interpreting: Exploring Human-Like Interpreting Strategies with Large Language Models
Year: 2025
Type: dissertation
Abstract: Raziskave o vplivu iztočnic na jezikovni prenos z velikimi jezikovnimi modeli se ukvarjajo izključno s prevajanjem oziroma zanemarjajo, da se prevajanje in tolmačenje razlikujeta. Tolmači zaradi narave svojega dela pogosteje in bolj izrazito kot prevajalci posegajo po parafraziranju, povzemanju in jedrnatem izražanju – postopkih, v katerih so veliki jezikovni modeli zelo dobri. V magistrskem delu se zato posvečam vprašanju, ali lahko s prilagojeno iztočnico za velike jezikovne modele, ki posnema tolmaške strategije, generiramo prevode, ki bi se po kakovosti kosali s človeškim tolmačenjem. Prilagojena iztočnica jezikovni model do rešitve usmerja prek treh zaporednih korakov (angl. chain-of-thought prompting): 1) parafraze besedila v jedrnatem, jasnem jeziku, 2) jezikovnega prenosa ter 3) preoblikovanja besedila z rabo pogostih kolokacij in poudarkom na koherentnosti. Iztočnica s tem posnema osnovno tolmaško tehniko deverbalizacije in ponovne ubeseditve. Preizkusil sem jo z jezikovnima modeloma Claude 3.5 Sonnet in GPT-4o na govorih iz institucij EU, ocenjeval pa sem prenos vsebine, terminološko ustreznost in besedišče, skladnjo in slog ter slovnično pravilnost. Analiza prevodov pokaže, da je imela prilagojena iztočnica na pomensko točnost le majhen vpliv, močno pa je izboljšala zveznost, skladnjo in naravno jezikovno rabo – do te mere, da so končni prevodi primerljivi s človeškim tolmačenjem. Gre za prvo delo, ki analizira vpliv posnemanja tolmaškega miselnega procesa na kakovost prevoda.
Author: Šprogar Perko, Matija
Language: Slovenian
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
SDG: Quality education
Open Access status: green
OpenAlex ID: W7051704973