Acceso usuarios
Poznań, Polonia
, Celia Rico Pérez ), págs. 184-213In der vorliegenden Analyse untersuchen wir, wie verschiedene automatisierte Übersetzungsmethoden für die Sprachkombination Polnisch–Englisch emotionale Inhalte ins Englische übertragen. Mithilfe von Emotions- und Sentimentanalysen wurden 206 englische Übersetzungen polnischer Bewertungen auf "Booking.com" hinsichtlich der Häufigkeit von Wörtern, die mit Grundemotionen in Verbindung stehen, sowie ihrer entsprechenden Sentimentwerte untersucht. Eine Korrespondenzanalyse zeigte deutliche Unterschiede zwischen "KI"-generierten und klassischen maschinellen Übersetzungen. Regressionsmodelle bestätigten, dass die Sentimentwerte von "GPT-3.5" stärker mit den ursprünglichen Bewertungsergebnissen übereinstimmten, während DeepL Translate und Google Translate flachere Sentimentverläufe aufwiesen. Auffällig war, dass Emotionen mit wenigen polnisch-englischen Entsprechungen (wie Wut oder Ekel) weniger konsistent übersetzt wurden, was frühere Erkenntnisse zur emotionalen Nichtäquivalenz untermauert. Emotionen wie Freude, die eine hohe sprachliche Entsprechung besitzen, wurden hingegen gleichmäßiger übertragen. Die Ergebnisse deuten auf eine überlegene Sensitivität von "GPT-3.5" gegenüber emotionalen Tonlagen hin – mit Implikationen für die Übersetzungspraxis und -ausbildung, insbesondere bei emotional aufgeladenen Inhalten.
In the reported analysis, we investigate how different automated translation methods available for the Polish-English language pair render emotional content in English. Using emotion and sentiment analysis, 206 English translations of Polish reviews from Booking.com were examined for the frequency of words related to basic emotions and respective sentiment scores. Correspondence analysis revealed clear distinctions between AI-generated and machine translations. Regression modelling confirmed that GPT-3.5’s sentiment scores align more closely with original review ratings, while DeepL Translate and Google Translate exhibit flatter sentiment curves. Notably, emotions with fewer Polish-English equivalents (like anger or disgust) are translated less consistently across tools, reinforcing prior findings on emotional non-equivalence. Emotions like joy, with high equivalence, are rendered more uniformly. The findings suggest GPT-3.5’s superior sensitivity to emotional tone, with implications for translation practice and training, especially in emotionally charged content.
