DOI: https://doi.org/10.3389/fpsyg.2025.1570929
PMID: https://pubmed.ncbi.nlm.nih.gov/41323918
تاريخ النشر: 2025-11-12
المؤلف: Lei Chen
الموضوع الرئيسي: دراسات وممارسات الترجمة
نظرة عامة
تستكشف هذه الدراسة الحمل المعرفي الذي يعاني منه المترجمون أثناء الترجمة التعاونية بين الإنسان والكمبيوتر (HMCT) باستخدام تقنية تتبع العين. أجريت الدراسة مع 30 طالب ماجستير أو مترجم، واستخدمت تصميم هجين 2 × 2 لتحليل بيانات حركة العين أثناء انخراط المشاركين في ترجمة النصوص من الصينية إلى الإنجليزية تحت تعقيدات نصية متفاوتة (بسيطة، متوسطة، ومعقدة). تم تسجيل مقاييس رئيسية مثل وقت التثبيت، ومعدلات التراجع، وحركات العين، ونقاط التثبيت باستخدام نظارات توبي برو 2 لتقييم تأثير مهام الترجمة على الحمل المعرفي.
تكشف النتائج أن الترجمة البشرية تتطلب حملًا معرفيًا أعلى بكثير مقارنةً بـ HMCT، خاصةً مع النصوص المعقدة، كما يتضح من زيادة أوقات التثبيت وعدد التراجعات. أظهرت المجموعتان مطالب معرفية متزايدة مع تصاعد تعقيد المهام، ولكن مجموعة الترجمة البشرية أظهرت زيادة أكثر وضوحًا في الجهد المعرفي. تسلط هذه الدراسة الضوء على الطبيعة المرحلية للحمل المعرفي في HMCT، خاصةً عندما تكون مخرجات الترجمة الآلية دون المستوى المطلوب، مما يتطلب موارد معرفية أكبر للتصحيح. من خلال استكشاف هذه الخصائص المتعلقة بالحمل المعرفي بشكل منهجي، تملأ الدراسة فجوة في الأدبيات وتقدم رؤى لتحسين أدوات الترجمة وتعزيز إدارة الحمل المعرفي في تعليم وممارسة الترجمة.
مقدمة
تناقش مقدمة ورقة البحث التقدم في الترجمة الآلية (MT)، وخاصةً من خلال الترجمة الآلية العصبية (NMT)، التي حسنت دقة الترجمة وطلاقتها. على الرغم من هذه التقدمات، تواجه NMT صعوبات مع الهياكل الجملية المعقدة والنصوص المعتمدة على السياق، مما دفع إلى تطوير نموذج الترجمة التعاونية بين الإنسان والكمبيوتر (HMCT). يستفيد هذا النموذج من نقاط القوة لكل من المترجمين البشر والترجمة الآلية من خلال استخدام MT لتقديم اقتراحات أولية يمكن للمترجمين البشر تحسينها. بينما يعزز هذا النهج سرعة الترجمة ويقلل من المهام المتكررة، فإنه يزيد أيضًا من الحمل المعرفي على المترجمين، الذين يجب عليهم تقييم وتعديل المخرجات التي تنتجها الآلة.
تنص نظرية الحمل المعرفي (CLT) على أن تجاوز قدرة الموارد المعرفية للفرد يمكن أن يؤثر سلبًا على الأداء، وهي قضية ذات صلة خاصة في سيناريوهات HMCT حيث يتعامل المترجمون مع مهام الترجمة التقليدية جنبًا إلى جنب مع تقييم مخرجات الآلة. تؤكد الورقة على أهمية قياس الحمل المعرفي بدقة في بيئات الترجمة التعاونية، مع تحديد تقنية تتبع العين كأداة قيمة لهذا الغرض. يمكن أن توفر تقنية تتبع العين رؤى في الوقت الحقيقي حول تخصيص الموارد المعرفية من خلال مراقبة مؤشرات مثل مدة التثبيت وتكرار حركات العين. لا تعزز الدراسة المنهجية للحمل المعرفي في HMCT باستخدام تتبع العين من فهم آليات معالجة المترجمين فحسب، بل تُعلم أيضًا تصميم أدوات الترجمة لتحسين الكفاءة والتعاون.
الطرق
تستكشف هذه الدراسة الحمل المعرفي أثناء عملية الترجمة التعاونية بين الإنسان والكمبيوتر، مع التركيز بشكل خاص على الترجمة من الصينية إلى الإنجليزية من خلال تجارب تتبع العين. شملت الدراسة 30 مشاركًا، يتكونون من 15 طالب دراسات عليا و15 مترجم محترف، جميعهم لديهم مستويات متفاوتة من الخبرة في الترجمة. أكمل المشاركون نوعين من مهام الترجمة: الترجمة البشرية والترجمة التعاونية بين الإنسان والآلة، مع تصميم تجريبي مختلط يختلف فيه نوع المهمة وتعقيد النص. تم تصنيف النصوص على أنها بسيطة أو معقدة بناءً على مقاييس التركيب، والمعجم، والتماسك الخطابي، التي تم التحقق منها من خلال توافق الخبراء (Kappa لـ كوهين = 0.82).
استخدمت عملية جمع البيانات تقنية تتبع العين لالتقاط حركات عيون المشاركين أثناء مهام الترجمة، مع التركيز على مقاييس مثل مدة التثبيت وتكرار حركات العين. استخدمت التحليل اختبار ويلكوكسون للرتب الموقعة بسبب التوزيع غير الطبيعي للبيانات، وتم حساب أحجام التأثير لتقييم الأهمية العملية. كما تناولت الدراسة سلامة البيانات من خلال تنفيذ نهج منهجي للتعامل مع القيم المفقودة الناتجة عن الوميض أو أخطاء العينة، باستخدام طريقة النطاق الربعي (IQR) لاكتشاف القيم الشاذة والتداخل الخطي لملء البيانات. بالإضافة إلى ذلك، تم تقييم جودة الترجمة من قبل مراجعين محترفين بناءً على معايير محددة، مما يضمن تقييمًا شاملاً للحمل المعرفي عبر أنماط الترجمة المختلفة.
النتائج
تكشف نتائج تحليل حركة العين عن اختلافات كبيرة في المعالجة المعرفية بين المترجمين البشر وأولئك المشاركين في الترجمة التعاونية بين الإنسان والكمبيوتر. باستخدام مُقدّر هودجز-ليهمان، وجدت الدراسة أن المترجمين البشر أظهروا فترات تثبيت أطول، وعددًا أكبر من التراجعات، وزيادة في عدد التثبيتات عبر تعقيدات المهام المختلفة. على وجه التحديد، في المهام المعقدة، أظهر المترجمون البشر وقت تثبيت قدره $87 \, (85 \sim 90)$ مقارنةً بـ $70 \, (68 \sim 73)$ للتعاون بين الإنسان والآلة، مع دلالة إحصائية ($Z = -6.775, P < 0.01$). وهذا يشير إلى أن المترجمين البشر يحتاجون إلى مزيد من الموارد المعرفية والوقت لمعالجة النصوص المعقدة، كما يتضح من حاجتهم إلى مراجعة شاملة وإجراء تعديلات. علاوة على ذلك، صنف التحليل أنماط حركة العين إلى ثلاث مراحل: مبكرة، ومتوسطة، ومتأخرة. كانت المرحلة المبكرة تتميز بمسح سريع، بينما أظهرت المرحلة المتوسطة فترات تثبيت مطولة، مما يدل على فهم أعمق. في المقابل، تضمنت المرحلة المتأخرة استقرار حركات العين، مما يعكس التكامل قبل الإخراج. أظهرت البيانات باستمرار أنه مع زيادة تعقيد المهمة، ارتفعت جميع المقاييس العينية (مدة التثبيت، عدد التراجعات، عدد التثبيتات، وتكرار حركات العين)، مما يشير إلى أن المترجمين البشر يواجهون مطالب معرفية أكبر، خاصةً في المهام المعقدة. بشكل عام، تؤكد النتائج على الحمل المعرفي المتزايد الذي يعاني منه المترجمون البشر مقارنةً بنظرائهم التعاونيين، خاصةً عند التعامل مع مهام ترجمة صعبة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور وأهمية الترجمة التعاونية بين الإنسان والكمبيوتر (HMCT)، مع التأكيد على إمكاناتها لتعزيز كفاءة الترجمة مع الحفاظ على الجودة. كانت الدراسات المبكرة تقيم بشكل أساسي أداء الترجمة الآلية، ولكن التقدم في الترجمة الآلية العصبية (NMT) قد حول التركيز نحو دمج الذكاء الاصطناعي مع القدرات اللغوية البشرية. على الرغم من التحسينات، لا يمكن للترجمة الآلية أن تحل محل الحكم البشري بالكامل، خاصةً في النصوص المعقدة، مما يفتح آفاقًا جديدة للبحث. تُطبق نظرية الحمل المعرفي (CLT) لفهم المطالب المعرفية المفروضة على المترجمين أثناء عملية الترجمة، مع التمييز بين الأحمال الداخلية، والخارجية، والمهمة. تستخدم الدراسة تقنية تتبع العين لقياس الحمل المعرفي، كاشفةً أنه بينما تقلل الترجمات التي تنتجها الآلة من المطالب المعرفية الأولية، يمكن أن تزيد المخرجات ذات الجودة المنخفضة من العبء المعرفي أثناء المراجعات.
تشير النتائج إلى أن HMCT تقلل بشكل كبير من الحمل المعرفي مقارنةً بالترجمة البشرية التقليدية، كما يتضح من تقليل أوقات التثبيت وعدد التراجعات. وهذا يشير إلى أن المساعدة الآلية تخفف من الضغط العقلي المرتبط بمعالجة المعلومات المعقدة، مما يسمح للمترجمين بالتركيز على تحسين الترجمات بدلاً من مراجعة المحتوى السابق بشكل متكرر. تقترح الدراسة تداعيات عملية لتعليم الترجمة، والممارسة، وتصميم أنظمة الترجمة الآلية، داعيةً إلى دمج HMCT في المناهج الدراسية، وتخصيص المهام الديناميكي بناءً على تعقيد النص، وتطوير واجهات صديقة للحمل المعرفي. يتم تشجيع الأبحاث المستقبلية لتوسيع أحجام العينات، واستكشاف أزواج لغوية متنوعة، والتحقيق في الفروق الفردية بين المترجمين لتعزيز فهم ديناميات الحمل المعرفي في مهام الترجمة بشكل أكبر. بشكل عام، تؤكد الدراسة على أهمية المساعدة الآلية الفعالة في تقليل الحمل المعرفي وتحسين نتائج الترجمة.
DOI: https://doi.org/10.3389/fpsyg.2025.1570929
PMID: https://pubmed.ncbi.nlm.nih.gov/41323918
Publication Date: 2025-11-12
Author(s): Lei Chen
Primary Topic: Translation Studies and Practices
Overview
This study investigates the cognitive load experienced by translators during human-computer collaborative translation (HMCT) using eye tracking technology. Conducted with 30 master’s students or translators, the research employed a 2 × 2 hybrid design to analyze eye movement data while participants engaged in translating Chinese to English under varying text complexities (simple, medium, and complex). Key metrics such as fixation time, regression rates, saccades, and fixation points were recorded using Tobii Pro Glasses2 to assess the impact of translation tasks on cognitive load.
The findings reveal that human translation incurs a significantly higher cognitive load compared to HMCT, particularly with complex texts, as evidenced by increased fixation times and regression counts. Both groups exhibited heightened cognitive demands as task complexity escalated, but the human translation group demonstrated a more pronounced increase in cognitive effort. This study highlights the phased nature of cognitive load in HMCT, especially when machine translation output is suboptimal, necessitating greater cognitive resources for correction. By systematically exploring these cognitive load characteristics, the research fills a gap in the literature and offers insights for optimizing translation tools and enhancing cognitive load management in translation education and practice.
Introduction
The introduction of the research paper discusses the advancements in machine translation (MT), particularly through neural machine translation (NMT), which has improved translation accuracy and fluency. Despite these advancements, NMT struggles with complex sentence structures and context-dependent texts, prompting the development of the Human-Computer Collaborative Translation (HMCT) model. This model leverages the strengths of both human translators and machine translation by using MT to provide initial suggestions that human translators can refine. While this approach enhances translation speed and reduces repetitive tasks, it also increases cognitive load on translators, who must evaluate and adjust machine-generated outputs.
Cognitive load theory (CLT) posits that exceeding an individual’s cognitive resource capacity can impair performance, a concern particularly relevant in HMCT scenarios where translators juggle traditional translation tasks alongside machine output evaluation. The paper emphasizes the importance of accurately measuring cognitive load in collaborative translation environments, identifying eye-tracking technology as a valuable tool for this purpose. Eye-tracking can provide real-time insights into cognitive resource allocation by monitoring indicators such as fixation duration and saccade frequency. The systematic study of cognitive load in HMCT using eye-tracking not only enhances understanding of translator processing mechanisms but also informs the design of translation tools to improve efficiency and collaboration.
Methods
This study investigates cognitive load during the human-computer collaborative translation process, specifically focusing on Chinese-English translation through eye-tracking experiments. The research involved 30 participants, comprising 15 postgraduate students and 15 professional translators, all of whom had varying levels of translation experience. Participants completed two types of translation tasks: human translation and human-machine collaborative translation, with a mixed experimental design that varied task type and text complexity. Texts were categorized as simple or complex based on syntactic, lexical, and discourse coherence metrics, validated by expert consensus (Cohen’s Kappa = 0.82).
Data collection employed eye-tracking technology to capture participants’ eye movements during translation tasks, with a focus on metrics such as fixation duration and saccade frequency. The analysis utilized the Wilcoxon sign-rank test due to non-normal distribution of data, and effect sizes were calculated to assess practical significance. The study also addressed data integrity by implementing a systematic approach to handle missing values caused by blinking or sampling errors, using the Interquartile Range (IQR) method for outlier detection and linear interpolation for data imputation. Additionally, translation quality was evaluated by professional reviewers based on established criteria, ensuring a comprehensive assessment of cognitive load across different translation modalities.
Results
The results of the eye movement analysis reveal significant differences in cognitive processing between human translators and those engaged in human-computer collaborative translation. Utilizing the Hodges-Lehmann estimator, the study found that human translators exhibited longer fixation durations, a higher number of regressions, and increased fixation counts across varying task complexities. Specifically, in complex tasks, human translators demonstrated a fixation time of $87 \, (85 \sim 90)$ compared to $70 \, (68 \sim 73)$ for human-computer collaboration, with statistical significance ($Z = -6.775, P < 0.01$). This indicates that human translators require more cognitive resources and time to process complex texts, as evidenced by their need for extensive back-checking and adjustments. Moreover, the analysis categorized eye movement patterns into three stages: early, middle, and late. The early stage was characterized by rapid scanning, while the middle stage showed prolonged fixation durations, indicating deeper comprehension. In contrast, the late stage involved stabilization of saccades, reflecting pre-output integration. The data consistently demonstrated that as task complexity increased, all ocular metrics (fixation duration, number of regressions, number of fixations, and saccade frequency) rose, suggesting that human translators face greater cognitive demands, particularly in complex tasks. Overall, the findings underscore the heightened cognitive load experienced by human translators compared to their collaborative counterparts, particularly when navigating challenging translation tasks.
Discussion
The discussion section of the research paper highlights the evolution and significance of Human-Computer Collaborative Translation (HMCT), emphasizing its potential to enhance translation efficiency while maintaining quality. Early studies primarily evaluated machine translation performance, but advancements in neural machine translation (NMT) have shifted focus toward integrating AI with human linguistic capabilities. Despite improvements, machine translation cannot fully replace human judgment, particularly in complex texts, which opens new avenues for research. Cognitive Load Theory (CLT) is applied to understand the cognitive demands placed on translators during the translation process, distinguishing between intrinsic, extraneous, and germane loads. The study utilizes eye-tracking technology to measure cognitive load, revealing that while machine-generated translations reduce initial cognitive demands, low-quality outputs can increase the cognitive burden during revisions.
The findings indicate that HMCT significantly lowers cognitive load compared to traditional human translation, as evidenced by reduced fixation times and regression counts. This suggests that machine assistance alleviates the mental strain associated with complex information processing, allowing translators to focus on refining translations rather than repeatedly reviewing previous content. The study proposes practical implications for translation education, practice, and machine translation system design, advocating for the integration of HMCT in curricula, dynamic task allocation based on text complexity, and the development of cognitive-friendly interfaces. Future research is encouraged to expand sample sizes, explore various language pairs, and investigate individual differences among translators to further enhance understanding of cognitive load dynamics in translation tasks. Overall, the study underscores the importance of effective machine assistance in reducing cognitive load and improving translation outcomes.