ОЦЕНКА СИСТЕМ НЕЙРОННОГО МАШИННОГО ПЕРЕВОДА ДЛЯ АНГЛО-УЗБЕКСКОЙ ТЕРМИНОЛОГИИ ЖЕЛЕЗНОДОРОЖНОГО МАШИНОСТРОЕНИЯ: СЕМАНТИЧЕСКАЯ ТОЧНОСТЬ, СТРУКТУРНАЯ СОГЛАСОВАННОСТЬ И СООТВЕТСТВИЕ НАЦИОНАЛЬНЫМ СТАНДАРТАМ (2021–2025)
Ключевые слова:
нейронный машинный перевод, железнодорожная терминология, узбекский язык, оценка качества перевода, технический перевод, O‘zbekiston temir yo‘llari.Аннотация
Данное эмпирическое исследование оценивает системы Google Translate, DeepL и Microsoft Translator при переводе 59 современных терминов железнодорожного машиностроения (2021–2025 гг.) с английского языка на узбекский. Переводы анализировались по трём параметрам: семантическая точность, структурная согласованность и соответствие национальным стандартам O‘zbekiston temir yo‘llari. Результаты показали, что Microsoft Translator достиг наивысшей семантической точности (54,12%) и соответствия стандартам (93,22%), однако структурная согласованность остаётся низкой во всех системах — только 18,6% терминов переведены одинаково всеми тремя платформами, а 39,0% демонстрируют полную несогласованность. Полученные данные имеют важное значение для железнодорожной документации, коммуникации по вопросам безопасности и международного сотрудничества в развитии железнодорожной инфраструктуры Центральной Азии.
Библиографические ссылки
1. Alvarez-Vidal, S., & Oliver, A. (2023). Assessing MT with measures of post-editing effort. Ampersand, 10, 100125. https://doi.org/10.1016/j.amper.2023.100125
2. American Railway Engineering and Maintenance-of-Way Association. (2025). AREMA 2025 manual for railway engineering. Lanham, MD: AREMA.
3. Amrhein, C., Moghe, N., Sennrich, R., & Guillou, L. (2024). Machine translation meta-evaluation through challenge sets: ACES and Span-ACES. Computational Linguistics, 51(1), 73–125. https://doi.org/10.1162/coli_a_00530
4. Bekmurodova, S. (2025). Structural characteristics of railway terminology formation: A comparative study of English and Uzbek. Confrencea, 5(1), 229–243.
5. Bekmurodova, S., & Bekmurodov, J. (2025). Benefits of standardizing global railway terminology in Uzbekistan’s railway system. Nordic Press, 8(0008). https://doi.org/10.5281/zenodo.15166668
6. Bozorbekov, A. (2023). Railway transport terminology: From ancient layers to new layers. Journal of Language and Linguistics, 6(4). https://doi.org/10.5281/zenodo.10091854
7. Chopard, D., Corcoran, P., & Spasić, I. (2024). Word sense disambiguation of acronyms in clinical narratives. Frontiers in Digital Health, 6, 1282043. https://doi.org/10.3389/fdgth.2024.1282043
8. European Union Agency for Railways. (2024). ERA railway terminology collection. Retrieved from https://www.era.europa.eu
9. Garg, K. D., Shekhar, S., Kumar, A., Goyal, V., Sharma, B., Chengoden, R., & Srivastava, G. (2022). Framework for handling rare word problems in NMT using multi-word expressions. Applied Sciences, 12(21), 11038. https://doi.org/10.3390/app122111038
10. International Organization for Standardization. (2024). ISO 9879:2024—Railway applications: Rolling stock terminology. Geneva: ISO.
11. Kurbanova, I. S. (2025). Issues of equivalence and linguistic approaches in the translation of railway terms. Ilmiy Anjumanlar.
12. Lee, S., Lee, J., Moon, H., Park, C., Seo, J., Eo, S., Koo, S., & Lim, H. (2023). A survey on evaluation metrics for machine translation. Mathematics, 11(4), 1006. https://doi.org/10.3390/math11041006
13. Liu, Z., Chen, Y., & Zhang, J. (2023). Neural machine translation of electrical engineering based on integrated convolutional neural networks. Electronics, 12(17), 3604. https://doi.org/10.3390/electronics12173604
14. Odermatt, F., Egressy, B., & Wattenhofer, R. (2023). Cascaded beam search: Plug-and-play terminology-forcing for NMT. arXiv. https://doi.org/10.48550/arXiv.2305.14538
15. Oncevay, A., Smiley, C., & Liu, X. (2025). Domain-specific terminology and machine translation for finance in European languages. In Proceedings of NAACL-HLT 2025 (pp. 1–15). https://doi.org/10.18653/v1/2025.naacl-long.140
16. O‘zbekiston temir yo‘llari. (2024). Railway standards and terminology guidelines. Tashkent: Uzbekistan Railways.
17. Shavarani, H. S., & Sarkar, A. (2021). Better NMT by extracting linguistic information from BERT. arXiv. Retrieved from https://arxiv.org/abs/2104.02831
18. Shavkatov, S. S., & Kurbanova, I. S. (2025). Comparative linguistic analysis of railway terms in English and Uzbek. International Journal of Advance Scientific Research, 4(8), 1–9.
19. Ulitkin, I., Filippova, I., Ivanova, N., et al. (2021). Automatic evaluation of the quality of machine translation of a scientific text. E3S Web of Conferences, 284. https://doi.org/10.1051/e3sconf/202128408001
20. Xu, W., & Carpuat, M. (2021). Rule-based morphological inflection improves neural terminology translation. arXiv. Retrieved from https://arxiv.org/abs/2109.04620
21. Yameng, P., Zhongchi, Z., & Lin, J. (2025). Translation quality assessment of mainstream NMT tools on multidimensional quality metrics. In Proceedings of ICAIE 2025. IEEE. https://doi.org/10.1109/ICAIE64856.2025.11158658
22. Zhang, Z., Syed Abdullah, S. N., & Abdullah, M. A. R. (2025). Translation quality in an evolving paradigm: NMT and LLMs in technical domains. International Journal of English Language Education, 13(2). https://doi.org/10.5296/ijele.v13i2.23057
23. Zhuo, T. Y., Xu, Q., He, X., et al. (2023). Rethinking round-trip translation for MT evaluation. In Findings of ACL 2023 (pp. 1–15). https://doi.org/10.18653/v1/2023.findings-acl.22
24. Zouhar, V., Kloudová, V., Popel, M., et al. (2024). Evaluating optimal reference translations. Natural Language Processing. https://doi.org/10.1017/nlp.2024.3
