Evaluating GPT -5 Literary Metaphor Translation from English into Arabic through Recognition, Interpretation, and Rendering
Cette étude évalue la traduction par GPT-5 des métaphores littéraires de l'anglais vers l'arabe en utilisant un cadre sensible aux étapes, révélant que si le modèle excelle dans la reconnaissance et l'interprétation des métaphores, il éprouve des difficultés significatives à les restituer par rapport à DeepL et à la traduction humaine, exposant ainsi un écart critique entre la compréhension et la production créative chez l'IA.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le langage est bien plus qu'un code pour échanger des faits ; c'est un paysage d'images, où un écrivain peut décrire un cœur lourd comme une pierre ou un souvenir qui s'efface comme une brume. Lorsqu'un traducteur déplace une histoire d'une langue à une autre, il doit transporter non seulement les faits de l'intrigue, mais aussi ces images délicates. Cela est particulièrement vrai pour les métaphores, ce langage figuré qui donne à la littérature sa profondeur émotionnelle. Pendant des décennies, les traducteurs humains ont été les seuls à qui l'on a confié la navigation dans ce terrain, mais l'essor de l'intelligence artificielle a changé la conversation. Les grands modèles de langage, les puissants systèmes informatiques derrière les chatbots modernes, peuvent désormais produire des traductions fluides qui se lisent aisément et respectent la grammaire. Pourtant, une question cruciale demeure : lorsque ces machines rencontrent une métaphore, comprennent-elles réellement l'image derrière les mots, ou se contentent-elles de réorganiser les meubles tout en laissant l'image derrière elles ?
Des chercheurs de l'Université de Qassim ont entrepris de répondre à cette question en regardant à l'intérieur de la boîte noire de l'intelligence artificielle. Ils se sont concentrés sur un type spécifique de machine, un modèle connu sous le nom de GPT-5, et ont testé sa capacité à gérer les métapoles littéraires du roman de Kazuo Ishiguro, The Buried Giant. Au lieu de simplement demander à la machine de traduire une phrase et de juger le résultat final, les chercheurs ont décomposé le processus en trois étapes distinctes. Premièrement, ils ont demandé à la machine d'identifier simplement quels mots étaient des métaphores. Deuxièmement, ils lui ont demandé d'expliquer ce que ces métaphores signifiaient au sein de l'histoire. Enfin, ils lui ont demandé de traduire le passage en arabe. En séparant ces tâches, l'équipe a pu voir précisément là où la machine réussissait et là où elle trébuchait, plutôt que de simplement deviner pourquoi une traduction finale aurait pu échouer.
L'étude a examiné 20 expressions métaphoriques issues des deux premiers chapitres du roman. Les résultats ont révélé un écart surprenant entre la compréhension et l'action. L'intelligence artificielle était remarquablement douée pour les deux premières étapes. Elle identifiait correctement les métaphores dans le texte et fournissait des explications précises de leur sens, égalant souvent la performance d'un expert humain. Elle savait qu'un « antidote bienvenu au soleil de midi » était une métaphore pour le soulagement de la chaleur, et elle pouvait expliquer ce lien clairement. Cependant, lorsqu'on a demandé à la machine de traduire réellement le passage en arabe, ses performances ont chuté de manière significative. Bien qu'elle comprenne le concept, elle peinait à recréer l'image dans la nouvelle langue. Dans plus d'un tiers des cas, la machine supprimait entièrement la métaphore, transformant une image vivante en une déclaration banale, ou déformait le sens de sorte que l'image originale était perdue.
Pour voir comment cela se comparait à d'autres méthodes, les chercheurs ont opposé la machine à deux autres traducteurs : un logiciel de traduction spécialisé appelé DeepL et une traduction arabe publiée par une traductrice professionnelle nommée Kholoud Amro. La traduction humaine professionnelle était la grande gagnante, préservant l'imagerie et le poids émotionnel du texte original bien mieux que l'une ou l'autre des machines. Le logiciel spécialisé, DeepL, a mieux performé que le chatbot généraliste, mais restait en deçà de la norme humaine. L'étude a révélé que si le chatbot pouvait produire des phrases fluides, il échouait souvent à maintenir la cohérence des images à travers l'histoire. Par exemple, si un personnage est décrit comme un « batelier » dans une phrase, la machine pourrait l'appeler un « vaisseau » dans la suivante, brisant ainsi le flux du récit. Le traducteur humain, en revanche, maintenait une image cohérente et vivante tout au long du texte.
Les chercheurs ont identifié quatre raisons principales pour lesquelles les machines ont éprouvé des difficultés. Premièrement, elles ne parvenaient souvent pas à trouver le mot équivalent en arabe qui portait le même poids culturel. Deuxièmement, elles ne parvenaient pas à maintenir la cohérence des images au fil de l'histoire. Troisièmement, elles comprenaient parfois mal le contexte, menant à une traduction qui faisait sens en soi mais qui était erronée pour l'histoire. Enfin, et peut-être le plus important, les machines manquaient de la capacité de reconstruire créativement une métaphore. Lorsqu'une traduction directe ne fonctionnait pas, un traducteur humain pourrait modifier légèrement l'image pour l'adapter à la nouvelle langue tout en conservant le sentiment. Les machines, cependant, avaient tendance soit à s'en tenir rigidement aux mots originaux, soit à abandonner l'image complètement.
Cette étude suggère que la façon dont nous évaluons actuellement l'intelligence artificielle en traduction est peut-être trop généreuse. Si nous ne regardons que si une traduction est fluide ou grammaticalement correcte, nous risquons de manquer le fait que l'âme du texte — les métaphores et l'imagerie — a été perdue. La machine peut vous dire ce qu'une métaphore signifie, mais elle ne peut pas encore recréer l'expérience de cette métaphore dans une nouvelle langue avec la même habileté qu'un humain. Bien que ces outils soient puissants et en progression, ils manquent encore de cette compréhension profonde et intuitive de la culture et de l'imagerie qui permet à un traducteur humain de faire vivre un récit dans une langue différente. L'écart entre reconnaître une métaphore et réussir à la peindre dans une nouvelle langue demeure un obstacle majeur que l'intelligence artificielle doit encore franchir.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.