Intelligenza artificiale e traduzione della metafora terminologica: un’analisi comparativa dei sistemi NMT e LLM in ambito medico ed economico

Abstract

La presente tesi indaga la capacità dei sistemi di traduzione automatica di riconoscere e interpretare il linguaggio metaforico all'interno di testi specialistici. Dopo un inquadramento teorico della metafora come fenomeno linguistico e cognitivo — ripercorrendo le principali tappe del pensiero retorico e della svolta cognitivista — e una panoramica sull'evoluzione della traduzione automatica con particolare attenzione ai sistemi basati su reti neurali artificiali, lo studio presenta un'analisi comparativa condotta su un corpus di articoli scientifici appartenenti ai domini medico ed economico. I sistemi esaminati comprendono due motori di Neural Machine Translation (DeepL e Google Translate) e due Large Language Models (ChatGPT-3.5-mini e Claude Sonnet 4.6), valutati nelle direzioni linguistiche italiano-francese e francese-italiano. I risultati evidenziano le strategie traduttive adottate da ciascun sistema nella gestione delle metafore, mettendo in luce differenze di comportamento e di performance in relazione al contesto disciplinare e alla direzione linguistica considerata. Lo studio si conclude con una riflessione critica sulle implicazioni dei risultati ottenuti e sulle prospettive future della traduzione automatica nel trattamento del linguaggio figurato.

This thesis investigates the ability of machine translation systems to recognise and interpret metaphorical language in specialised texts. Following a theoretical framework of metaphor as a linguistic and cognitive phenomenon — tracing the main developments in rhetorical thought and the contemporary cognitivist turn — and an overview of the evolution of machine translation with particular focus on neural network-based systems, the study presents a comparative analysis conducted on a corpus of scientific articles drawn from the medical and economic domains. The systems examined include two Neural Machine Translation engines (DeepL and Google Translate) and two Large Language Models (ChatGPT-3.5-mini and Claude Sonnet 4.6), evaluated across two translation directions: Italian–French and French–Italian. The findings highlight the translation strategies adopted by each system in handling metaphors, revealing differences in behaviour and performance in relation to both the disciplinary context and the language direction under consideration. The study concludes with a critical reflection on the implications of the results obtained and on the future prospects of machine translation in dealing with figurative language.