Sesgos invisibles: género y posedición en traducción automática neuronal

• CRISTINA TOLEDO-BÁEZ ^[1] ; MARÍA JESÚS GARCÍA-SERRANO ^[1]
  1. [1] Universidad de Málaga

     Universidad de Málaga

     Málaga, España

     
• Localización: Alfinge: revista de filología, ISSN 0213-1854, Nº 37, 2025, págs. 195-215
• Idioma: español
• DOI: 10.21071/arf.v37i.18673
• Títulos paralelos:
  • Invisible biases: gender and post-editing in Neural Machine Translation
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este estudio se enmarca en el proyecto NEUROTRAD (B1-2020_07) de la Universidad de Málaga (Toledo Báez 2024a; Toledo Báez 2024b; ToledoBáez y García Serrano 2025), en el seno del cual se llevó a cabo entre 2022 y 2023 un estudio empírico con 29 traductores/poseditores profesionales que poseditaron tres tipos de traducciones distintas (automática, humana y automática poseditada) que posteriormente se evaluaron con una taxonomía adaptada de MQM (Multidimensional Quality Metrics). Este estudio se centra en tres aspectos: (1) extracción de términos en inglés referidos a personas con posible connotación de género al traducirse al español; (2) análisis del sesgo en las propuestas de DeepL, traductor automático utilizado; (3) relación entre los datos demográficos y la formación de los participantes con la posedición del género. Los resultados apuntan a una correlación entre ciertos perfiles y la perpetuación de sesgos de género, subrayando la necesidad de formación específica en posedición para evitar su refuerzoen los textos traducidos automáticamente y, por ende, en la sociedad.

  • English

    This study, part of the NEUROTRAD project at the University of Málaga, approachesgender-related connotations in machine translation (MT) outputs and their impact on human post-editing practices. Conducted between 2022 and 2023, the NEUROTRAD empirical research involved 29 professional translators and post-editors who assessed three translation types: machine-generated, human-generated, and post-edited MT. The analysis used an adapted version of the Multidimensional Quality Metrics (MQM) framework, focusing on three dimensions: (1) the identification of English person-related terms with potential gender connotations in Spanish; (2) the evaluation of gender bias in translations produced by DeepL, the selected MT system; (3) the correlation between participants’ demographic profiles and their performance in gender-sensitive post-editing tasks. The results indicate a correlation between specific profiles and the perpetuation of gender biases, emphasizing the necessity for targeted post-editing trainingto prevent the reinforcement of these biases in machine translated texts and ultimately, in society.