Το μάθημα εξετάζει τον ρόλο της ΤΝ στη μετάφραση και τη διερμηνεία, με έμφαση στις πρακτικές εφαρμογές, στην κριτική αξιολόγηση και στην υπεύθυνη επαγγελματική χρήση. Παρουσιάζονται οι βασικές αρχές της μηχανικής μετάφρασης, της Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing - NLP) και των μεγάλων γλωσσικών μοντέλων (Large Language Models - LLMs). Ιδιαίτερη έμφαση δίνεται στον σχεδιασμό εντολών (prompt engineering), στη σύγκριση διαφορετικών αποτελεσμάτων ΤΝ, στην ανάλυση λαθών και στην ανθρώπινη αξιολόγηση

Με την ολοκλήρωση του μαθήματος, οι φοιτητές και οι φοιτήτριες θα μπορούν να:

• εξηγούν βασικές έννοιες της τεχνητής νοημοσύνης, της μηχανικής μάθησης, της βαθιάς μάθησης και των μεγάλων γλωσσικών μοντέλων,
• κατανοούν τις βασικές αρχές της Επεξεργασίας Φυσικής Γλώσσας (NLP) ως εφαρμοσμένης γλωσσολογίας,
• χρησιμοποιούν συστήματα τεχνητής νοημοσύνης (ΤΝ) και παραγωγικά γλωσσικά μοντέλα για υποστηρικτικές εργασίες μετάφρασης και διερμηνείας,
• σχεδιάζουν αποτελεσματικές και επαναχρησιμοποιήσιμες εντολές (prompts) προς γλωσσικά μοντέλα για διαφορετικά είδη μεταφραστικών εργασιών,
• αξιολογούν κριτικά την ποιότητα, την ακρίβεια, την ευχέρεια και την καταλληλότητα παραγόμενων μεταφράσεων,
• εντοπίζουν σφάλματα, παραλείψεις, προσθήκες, προκαταλήψεις και παραισθήσεις σε αποτελέσματα συστημάτων ΤΝ,
• εφαρμόζουν ανθρώπινη επιμέλεια (μετεπιμέλεια) σε μεταφράσεις που παράγονται ή υποστηρίζονται από ΤΝ,
• αξιοποιούν εργαλεία ΤΝ για προετοιμασία, περίληψη, ανάλυση συμφραζομένων και προετοιμασία διερμηνείας,

συνεργάζονται με συστήματα ΤΝ, διατηρώντας τον ανθρώπινο έλεγχο και την τελική επαγγελματική ευθύνη.

1η εβδομάδα: Εισαγωγή στην ΤΝ και στις εφαρμογές της στις γλωσσικές υπηρεσίες. Ιστορική εξέλιξη και βασική ορολογία.

2η εβδομάδα: Πώς «διαβάζουν» οι μηχανές τη γλώσσα; Eισαγωγή στην Επεξεργασία Φυσικής Γλώσσας (NLP) χωρίς κώδικα. Οπτικοποίηση εννοιών: Τεμαχισμός (Tokenization), αναγνώριση οντοτήτων, διανύσματα λέξεων (η σημασιολογία ως «χάρτης») και στατιστική πρόβλεψη επόμενης λέξης. Ο ρόλος των σωμάτων κειμένων και των δεδομένων εκπαίδευσης.

3η εβδομάδα: Από τη βασισμένη σε κανόνες στη στατιστική και τη νευρωνική μηχανική μετάφραση. Βασικές αρχές και συγκριτικά παραδείγματα.

4η εβδομάδα: Μεγάλα γλωσσικά μοντέλα και παραγωγική ΤΝ (generative ΑΙ). Δυνατότητες, περιορισμοί και τρόποι παραγωγής γλωσσικού αποτελέσματος.

5η εβδομάδα: Σχεδιασμός εντολών προς γλωσσικά μοντέλα (LLMs) για μετάφραση (Prompt Engineering). Το μοντέλο ως «βοηθός»: Ο ρόλος των συμφραζομένων, του κειμενικού είδους, του αναγνωστικού κοινού και των μεταφραστικών εντολών (translator’s brief). 

6η εβδομάδα: ΤΝ στην προμετάφραση: ανάλυση κειμένου, αναγνώριση οντοτήτων, εξαγωγή όρων, περίληψη και εντοπισμός προβληματικών σημείων.

7η εβδομάδα: Αξιολόγηση μηχανικής μετάφρασης. Ακρίβεια, επάρκεια, ευχέρεια, ύφος, συνέπεια και καταλληλότητα.

8η εβδομάδα: Ανάλυση και ταξινόμηση μεταφραστικών λαθών (Πρακτικό Εργαστήριο). Δοκιμή "κακών" vs "καλών" prompts σε απαιτητικά κείμενα. Εντοπισμός στο παραγόμενο κείμενο: παραλείψεις, προσθήκες, σημασιολογικές μετατοπίσεις, γραμματικά και ορολογικά σφάλματα.

9η εβδομάδα: Μτεπιμέλεια κειμένων που έχουν παραχθεί από ΤΝ. Μετεπιμέλεια πλήρους και περιορισμένης έκτασης, τεκμηρίωση διορθώσεων και ποιοτικός έλεγχος.

10η εβδομάδα: Εφαρμογές ΤΝ στη διερμηνεία: αυτόματη αναγνώριση ομιλίας, αυτόματη μεταγραφή ομιλίας σε πραγματικό χρόνο, υποστήριξη ορολογίας και προετοιμασία συνεδρίων.

11η εβδομάδα: ΤΝ και διερμηνεία σε εξ αποστάσεως και υβριδικά περιβάλλοντα. Ζητήματα καθυστέρησης, ακρίβειας, θορύβου, εναλλαγής ομιλητών και προσβασιμότητας.

12η εβδομάδα: Δεοντολογία, εμπιστευτικότητα, προσωπικά δεδομένα, πνευματική ιδιοκτησία, προκαταλήψεις και επαγγελματική ευθύνη.

13η εβδομάδα: Παρουσίαση εργασιών, κριτική συζήτηση.

Bowker, L. & Ciro, J. B. (2019). Machine Translation and the Promotion of Literacy: A Multilinguality Approach. Bingley: Emerald.

Kenny, D. (2022). Machine Translation for Everyone: Empowering Users in the Age of Artificial Intelligence. Berlin: Language Science Press.

Koponen, M. (2016). “Is machine translation post-editing worth the effort? A survey of research into post-editing and effort.” The Journal of Specialised Translation, 25, 131-148.

Moorkens, J. (ed.) (2022). The Routledge Handbook of Translation and Technology. 2nd ed. London: Routledge.

Sakamoto, H. (ed.) (2024). The Routledge Handbook of Interpreting and Technology. London: Routledge.

Sosoni, V.& O’Shea J. (2026) “Translating Normative Legal Texts: a Comparison of NMT and GenΑΙ Models in the Greek-English Language Pair”. In Wagner, A. (forthcoming) International Handbook of Legal Language and Communication: From Text to Semiotics. Springer Cham.

Sosoni, V., O’Shea, J. & Stasimioti, M. (2022) “Translating Law A Comparison Of Human And Post-Edited Translations From Greek To English”, Journal of Language and Law/Revista de Lengua i Dret 78, a special issue edited by Killman, J. and Mellinger, C.

Stasimioti, M., Sosoni, V. & Chatzitheodorou, K. (2021) “Investigating post-editing effort: Does directionality play a role?”. In K. Xiao & S. Halverson (eds) Developments in Cognitive Translation and Interpreting Studies, Special issue of Cognitive Linguistic Studies, 8(2): 381-406.

UNESCO (2023). Guidance for Generative AI in Education and Research. Paris: UNESCO.

Δια ζώσης, με δυνατότητα αξιοποίησης σύγχρονων και ασύγχρονων εξ αποστάσεως δραστηριοτήτων. Η διδασκαλία συνδυάζει σύντομες διαλέξεις, διαδραστική παρουσίαση, εργαστηριακές ασκήσεις, μελέτες περίπτωσης και κριτική συζήτηση.

●    Χρήση πλατφόρμας ηλεκτρονικής μάθησης για εκπαιδευτικό υλικό και δραστηριότητες (Open eClass).
●    Χρήση συστημάτων μηχανικής μετάφρασης και παραγωγικής ΤΝ.
●    Χρήση μεγάλων γλωσσικών μοντέλων σε ελεγχόμενες εκπαιδευτικές δραστηριότητες.
●    Χρήση εργαλείων αυτόματης αναγνώρισης ομιλίας και αυτόματης μεταγραφής ομιλίας σε πραγματικό χρόνο.

●    Ατομική Εργασία μετάφρασης με χρήση ΤΝ και prompting, μετεπιμέλεια του κειμένου και κατηγοριοποίηση λαθών (Ολοκληρωμένος κύκλος Prompting & Error Analysis): 50% με παρουσίαση
●    Τελική γραπτή εξέταση: 50%.