Вестник Волгоградского государственного университета. Серия 2. Языкознание1998-99112409-197910.15688/jvolsu2.2025.4.12OtherСОВРЕМЕННЫЙ МАШИННЫЙ ПЕРЕВОД В КОММУНИКАТИВНО-ПРАГМАТИЧЕСКОМ АСПЕКТЕ (НА МАТЕРИАЛЕ ТЕКСТОВ ПРЕЗЕНТАЦИОННОГО ИНТЕРНЕТ-ДИСКУРСА)MODERN MACHINE TRANSLATION IN THE COMMUNICATIVE AND PRAGMATIC DIMENSION: A STUDY OF PRESENTATIONAL INTERNET DISCOURSEВолковаИрина ДмитриевнаVolkovaIrinaidvolkova@volsu.ru0000-0002-5718-9479НовожиловаАнна АлексеевнаNovozhilovaAnna0000-0001-7601-9048Volgograd State University (Volgograd, Russian Federation)Волгоградский государственный университет (Волгоград, Российская Федерация)271220252441471580702202505062025https://creativecommons.org/licenses/by/4.0/CC BY 4.0https://l.jvolsu.com/index.php/ru/archive-ru/979-science-journal-of-volsu-linguistics-2025-vol-24-no-4/materialy-i-soobshcheniya/2957-volkova-i-d-novozhilova-a-a-sovremennyj-mashinnyj-perevod-v-kommunikativno-pragmaticheskom-aspekte-na-materiale-tekstov-prezentatsionnogo-internet-diskursa

The article introduces research results obtained through a comparative analysis of the quality of machine translation and the translation carried out by the artificial intelligence (AI) systems and focuses on preserving the communicative and pragmatic characteristics of presentational Internet texts. The relevance of the study is determined by two key factors: firstly, the development of modern translation studies within the framework of the communicative-discursive approach, which emphasizes the pragmatic potential of a text: its importance and means of its preservation in translation; secondly, the widespread integration of various translation technologies into practice, necessitating an evaluation of their ability to recognize contextual and discourse-related nuances, as well as the development of effective post-editing strategies. The research material comprises Russian-language promotional texts and their translated versions in English and German, produced by MT systems (Yandex.Translate, Promt, DeepL) and the AI-based program DeepSeek. The difference in developers’ approaches to transmitting the communicative potential of the original text is revealed. The translation analysis of source and target texts revealed both ingenious solutions that preserve the pragmatics of the original text and errors that hinder the creation of a communicatively equivalent translation. It has been established that traditional MT systems demonstrate a limited ability to work with text as a whole unit, which leads to literal translations, violation of grammatical norms and inaccuracies in terminology. AI chat DeepSeek shows utterly different results and performs structural adaptation of the text, takes into account the stylistic and pragmatic aspects of creating a translated text by analyzing the context. The results prove that modern AI systems are superior to traditional MT in communicating pragmatic potential, but depending on the language pair, they require improvement in the field of specialized terminology and conveying stylistic characteristics.

В статье представлены результаты сравнительного исследования качества машинного перевода (МП) и перевода систем на основе искусственного интеллекта (ИИ) в аспекте сохранения коммуникативно-прагматических параметров презентационных текстов интернет-дискурса. Актуальность работы определяется двумя факторами: развитием современного переводоведения в русле коммуникативно-дискурсивного подхода, который предусматривает особую значимость прагматического потенциала текста и способов его передачи при переводе; активным внедрением различных переводческих систем в практику перевода, что требует оценки потенциала данных систем в области распознавания контекста и дискурсивной обусловленности перевода, а также выработки эффективных стратегий постредактирования текстов. На материале русскоязычных презентационных текстов и их переводов на английский и немецкий языки, выполненных системами Яндекс.Переводчик, Promt, DeepL и ИИ-чатом DeepSeek, выявлены различия в подходах разработчиков этих технологий к передаче коммуникативного потенциала оригинала. В результате переводческого анализа оригинальных и вторичных текстов были выделены удачные переводческие решения, позволяющие сохранить прагматику исходного текста, и ошибки, которые препятствуют созданию коммуникативно-равноценного текста. Установлено, что традиционные системы МП демонстрируют ограниченную способность работы с текстом как целостной единицей, что приводит к буквальным переводам, нарушению грамматических норм и неточностям в терминологии. ИИ-чат DeepSeek показывает качественно иные результаты и выполняет структурную адаптацию текста, учитывает стилистический и прагматический аспекты создания переводного текста за счет анализа контекста. Результаты доказывают, что современные ИИ-системы превосходят традиционные МП в передаче прагматического потенциала текста, но в зависимости от языковой пары требуют доработки в области специализированной терминологии и передачи стилистических характеристик.

машинный переводпрезентационный дискурспрагматика переводаискусственный интеллектИИпостредактированиеинтернет-сайтгипертекстmachine translationpresentational discoursepragmatics of translationartificial intelligenceAIpost-editingwebsitehypertextИсследование выполнено при финансовой поддержке Российского научного фонда в рамках научного проекта № 25-28-00223 «Переводоведческое обоснование многоязычия презентационного контента в парадигме ИИ»The research was supported by Russian Science Foundation (project No. 25-28-00223) “Translatological substantiation of multilinguality of presentational content in the AI paradigm” (https:// rscf.ru/en/project/25-28-00223/).Анкин Д. Ю., Митягина В. А., 2023. Лингвопрагматическая характеристика самопрезентационного дискурса (на материале контента англоязычных корпоративных сайтов) // Актуальные проблемы филологии и педагогической лингвистики. № 4. С. 157–168. DOI: https://doi.org/10.29025/2079-6021-2023-4-157-168Беляева Л. Н., Камшилова О. Н., 2024. Лексикографические проблемы систем машинного перевода: на пути от буквального до нейронного // Вестник Волгоградского государственного университета. Серия 2, Языкознание. Т. 23, № 5. С. 6–19. DOI: https://doi.org/10.15688/jvolsu2.2024.5.1Гилязиева Г. З., Демидкина Д. А., 2024. Лексические проблемы перевода при использовании машинного перевода // Казанская наука. № 4. С. 343–345.Клячин В. А., Хижнякова Е. В., 2024. Атрибуция медийных текстов на основе обученной модели естественного языка и лингвистическая оценка качества идентификации // Вестник Волгоградского государственного университета. Серия 2, Языкознание. Т. 23, № 5. С. 31–46. DOI: https://doi.org/10.15688/jvolsu2.2024.5.3Митягина В. А., 2017. Теория перевода. Волгоград : Изд-во ВолГУ. 250 с.Митягина В. А., Новожилова А. А., Наумова А. П., 2024. Потенциал машинного перевода в медиадискурсе музеев: анализ современных браузерных систем // Вестник Волгоградского государственного университета. Серия 2, Языкознание. Т. 23, № 5. С. 87–98. DOI: https://doi.org/10.15688/jvolsu2.2024.5.7Салимовский В. А., Девяткин Д. А., Каджая Л. А., Мишланов В. А., Чудова Н. В., 2021. Исследование речевых жанров в задачах по искусственному интеллекту (идентификация познавательно-речевых действий, образующих жанровую форму) // Жанры речи. № 3 (31). С. 170–180. DOI: https://doi.org/10.18500/2311-0740-2021-3-31-170-180Что такое машинный перевод и как он работает? // Smartcat. URL: https://ru.smartcat.com/blog/chto-takoe-mashinnyj-perevod-i-kak-on-rabotaet/Chopra S., Auli M., Rush A. M., 2016. Abstractive Sentence Summarization with Attentive Recurrent Neural Networks // Proceedings of NAACL-HLT16. P. 93–98. DOI: https://doi.org/10.18653/v1/N16-1012Jackson S., Beekhuizen B., Zhao Z., 2024. GPT-4-Trinis: Assessing GPT-4’s Communicative Competence in the English-Speaking Majority World // AI & Society. Vol. 40. P. 1785–1801. DOI: https://doi.org/10.1007/s00146-024-01945-9Heryanto Ya., Triayudi A., 2023. Evaluating Text Quality of GPT Engine Davinci-003 and GPT Engine Davinci Generation Using BLEU Score // SAGA: Journal of Technology and Information System. Vol. 1, № 4. P. 121–129. DOI: https://doi.org/10.58905/saga.v1i4.213Kalyan K. S., 2024. A Survey of GPT-3 Family Large Language Models Including ChatGPT and GPT-4 // Natural Language Processing Journal. Vol. 6. Art. 100048. DOI: https://doi.org/10.1016/j.nlp.2023.100048Sennrich R., Haddow B., Birch A., 2016. Improving Neural Machine Translation Models with Monolingual Data. Edinburgh : School of Informatics University of Edinburgh. 245 p.Sorokina S. A., Khamzina A. F., 2022. Voice Assistants in Internet of Things Technologies: Implementation Difficulties // Научный альманах Центрального Черноземья. № 3-1. P. 28–32. DOI: https://doi.org/10.1051/shsconf/202315503019Stavroula V., 2024. Innovative Approaches in Political Translation: The Role of AI Prompt Engineering in Translation Studies // Translation Studies: Retrospective and Prospective Views Year. Vol. 27. P. 198–208. DOI: https://doi.org/10.5281/zenodo.14750682Vinyals O., Le Q., 2015. A Neural Conversational Model // ArXiv. DOI: https://doi.org/10.48550/arXiv. 1506.05869Wu Y., Schuster M., Chen Zh., Le Q. V., 2016. Google’s Neural Machine Translation System: Bridging the Gap Between Human and Machine Translation // ArXiv. DOI: https://doi.org/10.48550/arXiv.1609.08144Zahariev V., Shunkevich D., Nikiforov S., Azarov E., 2020. Intelligent Voice Assistant Based on Open Semantic Technology // Open Semantic Technologies for Intelligent System: 10th International Conference OSTIS 2020 (Minsk, Feb. 19–22, 2020). Cham : Springer, P. 121–145. DOI: https://doi.org/10.1007/978-3-030-60447-9_8Компания «Эконекс». URL: https://econex.ru/company/about/Яндекс.Переводчик. URL: https://translate.yandex.ruDeepL. URL: https://www.deepl.com/ru/translatorDeepSeek. URL: https://chat.deepseek.com/Promt. URL: https://www.translate.ru/Ankin D.Yu, Mityagina V.A., 2023. Lingvopragmaticheskaya kharakteristika samoprezentatsionnogo diskursa (na materiale kontenta angloyazychnykh korporativnykh saytov) [Linguistic and Pragmatic Characteristics of Self-Presentational Discourse (Based on the Material of the Content of English-Language Corporate Websites)]. Aktualnye problemy filologii i pedagogicheskoy lingvistiki [Current Issues in Philology and Pedagogical Linguistics], no. 4, pp. 157-168. DOI: https://doi.org/10.29025/2079-6021-2023-4-157-168Belyaeva L.N., Kamshilova O.N., 2024. Leksikograficheskie problemy sistem mashinnogo perevoda: na puti ot bukvalnogo do neyronnogo [Lexicographic Problems of Machine Translation Systems: On the Way from Literal to Neural]. Vestnik Volgogradskogo gosudarstvennogo universiteta. Seriya 2. Yazykoznanie [Science Journal of Volgograd State University. Linguistics], vol. 23, no. 5, pp. 6-19. DOI: https://doi.org/10.15688/jvolsu2.2024.5.1Gilyazieva G.Z., Demidkina D.A., 2024. Leksicheskie problemy perevoda pri ispolzovanii mashinnogo perevoda [Lexical Problems of Machine Translation]. Kazanskaya nauka, no. 4, pp. 343-345.Klyachin V.A., Khizhnyakova E.V., 2024. Atributsiya mediynykh tekstov na osnove obuchennoy modeli estestvennogo yazyka i lingvisticheskaya otsenka kachestva identifikatsii [Attribution of Media Texts Based on a Trained Natural Language Model and Linguistic Assessment of Identification Quality]. Vestnik Volgogradskogo gosudarstvennogo universiteta. Seriya 2. Yazykoznanie [Science Journal of Volgograd State University. Linguistics], vol. 23, no. 5, pp. 31-46. DOI: https://doi.org/10.15688/jvolsu2.2024.5.3Mityagina V.A., 2017. Teoriya perevoda [Translation Studies]. Volgograd, Izd-vo VolGU. 250 p.Mityagina V.A., Novozhilova A.A., Naumova A.P., 2024. Potentsial mashinnogo perevoda v mediadiskurse muzeev: analiz sovremennykh brauzernykh system [Potential of Machine Translation in Museum Media Discourse: Analysis of Modern Browser Systems]. Vestnik Volgogradskogo gosudarstvennogo universiteta. Seriya 2. Yazykoznanie [Science Journal of Volgograd State University. Linguistics], vol. 23, no. 5, pp. 87-98. DOI: https://doi.org/10.15688/jvolsu2.2024.5.7Salimovskiy V.A., Devyatkin D.A., Kadzhaya L.A., Mishlanov V.A., Chudova N.V., 2021. Issledovanie rechevykh zhanrov v zadachakh po iskusstvennomu intellektu (identifikatsiya poznavatelno-rechevykh deystviy, obrazuyushchikh zhanrovuyu formu) [Research of Speech Genres in Artificial Intelligence Applications (Identification of Cognitive Speech Actions Forming a Genre Form)]. Zhanry rechi [Speech Genres], no. 3 (31), pp. 170-180. DOI: https://doi.org 10.18500/2311-0740-2021-3-31-170-180Chto takoe mashinnyy perevod i kak on rabotaet? [What Is Machine Translation and How Does It Work?]. Smartcat. URL: https://ru.smartcat.com/blog/chto-takoe-mashinnyj-perevod-i-kak-on-rabotaet/Chopra S., Auli M., Rush A.M., 2016. Abstractive Sentence Summarization with Attentive Recurrent Neural Networks. Proceedings of NAACL-HLT16, pp. 93-98. DOI: https://doi.org/10.18653/v1/N16-1012Jackson S., Beekhuizen B., Zhao Z., 2024. GPT-4-Trinis: Assessing GPT-4’s Communicative Competence in the English-Speaking Majority World. AI & Society, vol. 40, pp. 1785-1801. DOI: https://doi.org/10.1007/s00146-024-01945-9Heryanto Ya., Triayudi A., 2023. Evaluating Text Quality of GPT Engine Davinci-003 and GPT Engine Davinci Generation Using BLEU Score. SAGA: Journal of Technology and Information System, vol. 1, no. 4, pp. 121-129. DOI: https://doi.org/10.58905/saga.v1i4.213Kalyan K.S., 2024. A survey of GPT-3 Family Large Language Models Including ChatGPT and GPT-4. Natural Language Processing Journal, vol. 6, art. 100048. DOI: https://doi.org/10.1016/j.nlp.2023.100048Sennrich R., Haddow B., Birch A., 2016. Improving Neural Machine Translation Models with Monolingual Data. Edinburgh, School of Informatics University of Edinburgh. 245 p.Sorokina S.A., Khamzina A.F., 2022. Voice Assistants in Internet of Things Technologies: Implementation Difficulties. Nauchnyy almanakh Tsentralnogo Chernozemya, no. 3-1, pp. 28-32. DOI: https://doi.org/10.1051/shsconf/202315503019Stavroula V., 2024. Innovative Approaches in Political Translation: The Role of AI Prompt Engineering in Translation Studies. Translation Studies: Retrospective and Prospective Views Year, vol. 27, pp. 198-208. DOI: https://doi.org/10.5281/zenodo.14750682Vinyals O., Le Q., 2015. A Neural Conversational Model. ArXiv. DOI: https://doi.org/10.48550/arXiv.1506. 05869Wu Y., Schuster M., Chen Zh., Le Q.V., 2016. Google’s Neural Machine Translation System: Bridging the Gap Between Human and Machine Translation. ArXiv. DOI: https://doi.org/10.48550/arXiv.1609.08144Zahariev V., Shunkevich D., Nikiforov S., Azarov E., 2020. Intelligent Voice Assistant Based on Open Semantic Technology. Open Semantic Technologies for Intelligent System: 10th International Conference OSTIS 2020 (Minsk, Feb. 19–22 2020). Cham, Springer, pp. 121-145. DOI: https://doi.org/10.1007/978-3-030-60447-9_8Kompaniya «Ekoneks» [Econex Company]. URL: https://econex.ru/company/about/Yandeks.Perevodchik [Yandex Translate]. URL: https://translate.yandex.ruDeepL. URL: https://www.deepl.com/ru/translatorDeepSeek. URL: https://chat.deepseek.com/Promt. URL: https://www.translate.ru/