Tài liệu: 00051000948 english vietnamese translation of deep learning

Phân tích bản dịch thuật ngữ Deep Learning từ tiếng Anh sang tiếng Việt dựa trên khung lý thuyết dịch thuật của Peter Newmark trong lĩnh vực học sâu.

• Tác giả: Nguyễn Danh Trung Nghĩa
• Người hướng dẫn: PGS. Lê Hùng Tiến
• Trường học: University of Languages and International Studies, Vietnam National University
• Chuyên ngành: English Linguistics
• Đề tài: English – Vietnamese Translation Of Deep Learning Terms In The Book “Deep Learning” Based On Peter Newmark’s Framework
• Loại tài liệu: Master's thesis
• Năm xuất bản: 2025
• Địa điểm: Hanoi

Tóm tắt

I. Toàn cảnh dịch thuật ngữ học sâu theo lý thuyết Peter Newmark

Việc dịch thuật các tài liệu chuyên ngành, đặc biệt là trong lĩnh vực công nghệ cao như học sâu (Deep Learning), đóng vai trò then chốt trong việc chuyển giao tri thức và thúc đẩy sự phát triển tại Việt Nam. Nghiên cứu về dịch thuật ngữ học sâu Anh-Việt trong cuốn sách “Deep Learning” của Ian Goodfellow và cộng sự, do nhóm dlbooksvn thực hiện, mang lại một góc nhìn học thuật sâu sắc. Phân tích này dựa trên khung lý thuyết dịch thuật của Peter Newmark (1988), một công cụ nền tảng trong ngành translation studies, để hệ thống hóa các thủ pháp được áp dụng. Việc chuẩn hóa thuật ngữ chuyên ngành AI không chỉ giúp cộng đồng nghiên cứu và kỹ sư trong nước tiếp cận kiến thức một cách chính xác, mà còn tạo ra một nền tảng ngôn ngữ chung, tránh sự mơ hồ và thiếu nhất quán. Nghiên cứu chỉ ra rằng các khái niệm trong học sâu thường có cấu trúc đa tầng, phức tạp, đòi hỏi người dịch phải có sự am hiểu sâu rộng cả về ngôn ngữ và kỹ thuật. Do đó, việc áp dụng một khung lý thuyết bài bản như của Newmark là cần thiết để phân loại và đánh giá hiệu quả của các chiến lược dịch thuật, từ đó đề xuất các phương pháp tối ưu. Bài viết này sẽ đi sâu vào việc phân tích các thách thức, các phương pháp dịch thuật chính được sử dụng, và kết quả thực tiễn từ công trình nghiên cứu này, cung cấp một nguồn tham khảo giá trị cho các dịch giả, sinh viên và những ai quan tâm đến lĩnh vực dịch thuật chuyên ngành AI.

1.1. Tầm quan trọng của việc chuẩn hóa thuật ngữ học sâu

Học sâu đang phát triển với tốc độ vũ bão, kéo theo sự ra đời liên tục của các khái niệm và thuật ngữ học sâu mới. Sự thiếu vắng một hệ thống thuật ngữ tiếng Việt được chuẩn hóa gây ra nhiều khó khăn. Các chuyên gia, sinh viên và người học thường xuyên đối mặt với các bản dịch không nhất quán, gây hiểu lầm và cản trở quá trình tiếp thu kiến thức. Việc xây dựng một sổ tay thuật ngữ AI chuẩn mực là cấp thiết. Nghiên cứu dựa trên bản dịch “Học sâu” của nhóm dlbooksvn là một nỗ lực tiên phong trong việc này. Mục tiêu của dự án này, theo tài liệu, là “thiết lập một nguồn tài liệu tiếng Việt toàn diện trong lĩnh vực Học sâu” và “hỗ trợ việc chuẩn hóa thuật ngữ tiếng Việt trong lĩnh vực Trí tuệ nhân tạo”. Một hệ thống thuật ngữ được thống nhất giúp đảm bảo tính chính xác khoa học, tạo điều kiện thuận lợi cho việc trao đổi học thuật và ứng dụng công nghệ tại Việt Nam.

1.2. Giới thiệu khung lý thuyết dịch thuật của Peter Newmark

Peter Newmark (1988) đã đề xuất một hệ thống gồm 17 thủ pháp dịch thuật chi tiết, cung cấp một bộ công cụ linh hoạt để xử lý các đơn vị ngôn ngữ từ cấp độ từ đến câu. Lý thuyết dịch Peter Newmark phân biệt rõ ràng giữa dịch ngữ nghĩa (semantic translation), tập trung vào việc truyền tải ý nghĩa chính xác của tác giả, và dịch truyền thông (communicative translation), hướng đến việc tạo ra hiệu quả tương tự cho người đọc ở ngôn ngữ đích. Các thủ pháp như Dịch nguyên văn (Literal Translation), Chuyển vị (Shift/Transposition), Vay mượn (Transference), và Ghép đôi (Couplet) là những công cụ cốt lõi được áp dụng trong nghiên cứu này để phân tích việc đối chiếu thuật ngữ Anh-Việt. Việc sử dụng khung lý thuyết này cho phép phân loại một cách có hệ thống các lựa chọn của dịch giả khi đối mặt với các thuật ngữ kỹ thuật phức tạp, làm rõ các chiến lược tiềm ẩn đằng sau bản dịch.

II. Thách thức trong dịch thuật chuyên ngành AI từ Anh sang Việt

Quá trình chuyển ngữ các thuật ngữ học sâu từ tiếng Anh sang tiếng Việt đối mặt với nhiều rào cản đáng kể. Thách thức lớn nhất đến từ sự khác biệt về cấu trúc ngôn ngữ và hệ thống khái niệm. Theo nghiên cứu, “thuật ngữ học sâu bao gồm các khái niệm phức tạp, đa tầng, có thể gây cản trở sự hiểu biết của cả chuyên gia và người học”. Điều này đặt ra bài toán về việc tìm kiếm tương đương dịch thuật (translation equivalence) sao cho vừa chính xác về mặt kỹ thuật, vừa tự nhiên trong tiếng Việt. Nhiều thuật ngữ là từ ghép hoặc cụm danh từ dài, mô tả các khái niệm trừu tượng trong toán học và khoa học máy tính, vốn không có sẵn từ tương đương trực tiếp. Ví dụ, các thuật ngữ như “greedy layer-wise unsupervised pre-training” đòi hỏi người dịch phải phân tách, hiểu rõ từng thành phần và tái cấu trúc lại một cách logic. Hơn nữa, việc thiếu một cơ quan chính thức chịu trách nhiệm chuẩn hóa từ vựng machine learning tại Việt Nam dẫn đến tình trạng “loạn thuật ngữ”, khi mỗi nhóm dịch giả hoặc tác giả lại sử dụng một cách dịch khác nhau cho cùng một khái niệm. Điều này không chỉ gây khó khăn cho người đọc mà còn làm giảm giá trị của các tài liệu dịch, tạo ra một rào cản vô hình trong việc phổ biến kiến thức AI.

2.1. Vấn đề tương đương dịch thuật với từ vựng machine learning

Tìm kiếm sự tương đương dịch thuật là mục tiêu cốt lõi nhưng cũng là thách thức lớn nhất trong technical term translation. Đối với từ vựng machine learning, vấn đề này càng trở nên phức tạp. Nhiều thuật ngữ tiếng Anh được hình thành ngắn gọn nhưng hàm chứa ý nghĩa sâu sắc, ví dụ như “back-propagation”, “overfitting”, hay “regularization”. Việc dịch nguyên văn từng từ có thể tạo ra một cụm từ khó hiểu và mất đi sắc thái chuyên ngành. Ngược lại, việc dịch thoát ý quá xa lại có nguy cơ làm sai lệch bản chất kỹ thuật của thuật ngữ. Nghiên cứu cho thấy, để giải quyết vấn đề này, nhóm dịch giả dlbooksvn đã phải kết hợp nhiều thủ pháp, không chỉ tìm từ tương đương mà còn phải thêm thắt, giải thích hoặc giữ nguyên từ gốc trong một số trường hợp để đảm bảo sự cân bằng giữa tính chính xác và tính dễ hiểu.

2.2. Sự phức tạp của các thuật ngữ học sâu đa tầng khái niệm

Đặc trưng của thuật ngữ học sâu là tính đa tầng, khi một thuật ngữ mới được xây dựng dựa trên sự kết hợp của nhiều khái niệm đã có. Ví dụ, “convolutional generative network” là sự kết hợp của ba khái niệm: “convolutional” (tích chập), “generative” (sinh mẫu), và “network” (mạng). Theo nghiên cứu, việc dịch các cụm danh từ dài này đòi hỏi phải áp dụng thủ pháp Chuyển vị (Shift) để sắp xếp lại trật tự các thành tố cho phù hợp với ngữ pháp tiếng Việt (ví dụ: “mạng sinh mẫu tích chập”). Thách thức không chỉ nằm ở việc dịch đúng từng thành phần mà còn ở việc kết hợp chúng lại thành một cụm từ có nghĩa, logic và được cộng đồng chấp nhận. Đây là một trong những điểm chính mà luận văn dịch thuật này tập trung phân tích, cho thấy sự phức tạp trong việc xử lý các cấu trúc danh từ ghép trong tiếng Anh chuyên ngành.

III. Phương pháp dịch thuật ngữ kỹ thuật học sâu hiệu quả nhất

Nghiên cứu chỉ ra rằng không có một phương pháp duy nhất nào có thể giải quyết tất cả các vấn đề trong dịch thuật ngữ học sâu. Thay vào đó, sự thành công của bản dịch “Học sâu” đến từ việc áp dụng linh hoạt và kết hợp nhiều thủ pháp khác nhau từ lý thuyết dịch Peter Newmark. Đối với các thuật ngữ kỹ thuật (technical terms), hai thủ pháp nổi bật và được sử dụng thường xuyên nhất là Chuyển vị (Shift/Transposition) và Ghép đôi (Couplet). Thủ pháp Chuyển vị gần như là bắt buộc do sự khác biệt về trật tự từ trong cụm danh từ giữa tiếng Anh và tiếng Việt. Trong khi đó, thủ pháp Ghép đôi, tức kết hợp từ hai thủ pháp trở lên cho một đơn vị dịch, lại thể hiện sự tinh vi trong xử lý các thuật ngữ phức tạp. Ví dụ, thuật ngữ “supervised pre-training” được dịch là “huấn luyện trước có giám sát”, đây là sự kết hợp của Chuyển vị (thay đổi trật tự) và Thêm (Addition – thêm từ “có”). Bên cạnh đó, các thủ pháp khác như Vay mượn (Transference), Bỏ bớt (Omission) và Dịch tương đương chức năng (Functional Equivalence) cũng được sử dụng một cách hợp lý để giải quyết các trường hợp cụ thể, góp phần tạo nên một bản dịch chất lượng và dễ tiếp cận cho cộng đồng dịch thuật chuyên ngành AI.

3.1. Thủ pháp Chuyển vị Shift Thay đổi cấu trúc ngữ pháp

Chuyển vị là thủ pháp thay đổi cấu trúc ngữ pháp từ ngôn ngữ nguồn sang ngôn ngữ đích mà không làm thay đổi ý nghĩa. Trong việc đối chiếu thuật ngữ Anh-Việt, đây là thủ pháp phổ biến nhất. Do ngữ pháp tiếng Việt đặt bổ ngữ (tính từ, danh từ phụ) sau danh từ chính, khác với tiếng Anh, nên mọi cụm danh từ kỹ thuật gần như đều phải được chuyển vị. Ví dụ kinh điển là “deep learning” được dịch thành “học sâu”, hay “feedforward network” thành “mạng lan truyền thuận”. Nghiên cứu đã phân loại chi tiết các dạng chuyển vị, từ cụm danh từ đơn giản (Tính từ + Danh từ) đến các cụm danh từ dài và phức tạp hơn (ví dụ: “directed acyclic graph” -> “đồ thị có hướng phi chu trình”). Việc nắm vững và áp dụng thành thạo thủ pháp này là kỹ năng cơ bản và quan trọng nhất đối với người dịch thuật ngữ kỹ thuật.

3.2. Thủ pháp Ghép đôi Couplet Kết hợp nhiều phương pháp dịch

Ghép đôi là việc sử dụng kết hợp hai hoặc nhiều thủ pháp dịch cho cùng một thuật ngữ. Đây là một chiến lược dịch thuật cao cấp, đặc biệt hữu ích với các thuật ngữ học sâu phức tạp. Nghiên cứu cho thấy nhiều trường hợp đòi hỏi sự kết hợp này. Chẳng hạn, thuật ngữ “importance-weighted autoencoder” được dịch thành “bộ tự mã hóa có trọng số”. Bản dịch này là sự kết hợp của: Chuyển vị (thay đổi trật tự), Thêm (thêm từ “có”), và Diễn giải (Paraphrase - dịch “autoencoder” thành “bộ tự mã hóa”). Một ví dụ khác là “asynchronous stochastic gradient descent” được dịch là “trượt gradient ngẫu nhiên bất đồng bộ”, kết hợp giữa Chuyển vị và Vay mượn (giữ lại từ “gradient”). Thủ pháp Ghép đôi cho phép dịch giả xử lý linh hoạt, đảm bảo thuật ngữ dịch ra vừa chính xác về mặt học thuật, vừa dễ hiểu và tự nhiên trong tiếng Việt.

3.3. Thủ pháp Vay mượn Transference Khi nào nên giữ từ gốc

Vay mượn (Transference) là thủ pháp chuyển nguyên dạng một từ từ ngôn ngữ nguồn sang ngôn ngữ đích. Trong lĩnh vực học sâu, thủ pháp này thường được áp dụng cho ba loại thuật ngữ chính. Thứ nhất là các thuật ngữ có nguồn gốc từ tên riêng, ví dụ: “Bayes error” -> “sai số Bayes”, “Turing machine” -> “máy Turing”. Thứ hai là các khái niệm hiện đại chưa có từ tiếng Việt tương đương và đã trở nên quá phổ biến ở dạng gốc, ví dụ: “sigmoid”, “perceptron”, “softmax”. Việc cố gắng dịch những từ này có thể gây ra sự khó hiểu và không cần thiết. Thứ ba là các từ viết tắt quốc tế như “AI”, “ANN”, “RBM”. Quyết định vay mượn một thuật ngữ đòi hỏi sự cân nhắc kỹ lưỡng của dịch giả để đảm bảo tính phổ biến và sự chấp nhận của cộng đồng chuyên môn.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn từ luận văn dịch

Kết quả phân tích định lượng từ luận văn dịch thuật của Nguyễn Danh Trung Nghĩa đã cung cấp những số liệu thuyết phục về tần suất sử dụng các thủ pháp dịch thuật. Trên tổng số 588 thuật ngữ được khảo sát, nghiên cứu cho thấy Chuyển vị (Shift) và Ghép đôi (Couplet) là hai thủ pháp được áp dụng nhiều nhất cho các thuật ngữ kỹ thuật. Trong khi đó, Dịch nguyên văn (Literal Translation) và Chuyển vị lại chiếm ưu thế đối với các thuật ngữ mang tính mô tả. Những phát hiện này không chỉ có giá trị về mặt học thuật trong ngành translation studies, mà còn mang lại những ứng dụng thực tiễn to lớn. Dựa trên kết quả phân tích, các dịch giả có thể xây dựng một quy trình dịch thuật hiệu quả hơn cho các tài liệu AI. Cụ thể, khi gặp một cụm danh từ kỹ thuật, bước đầu tiên gần như luôn là áp dụng Chuyển vị. Sau đó, tùy vào độ phức tạp của thuật ngữ, các thủ pháp khác như Thêm, Bỏ bớt, Vay mượn hoặc Diễn giải sẽ được kết hợp để tạo ra bản dịch cuối cùng. Quan trọng hơn, nghiên cứu này đã đặt một viên gạch vững chắc cho việc xây dựng một sổ tay thuật ngữ AI Anh-Việt chuẩn hóa, góp phần thúc đẩy sự phát triển của cộng đồng Deep Learning tại Việt Nam một cách bài bản và nhất quán.

4.1. Phân tích định lượng Thủ pháp nào được dùng nhiều nhất

Phân tích định lượng là một phần cốt lõi của nghiên cứu, cung cấp bằng chứng xác thực cho các nhận định. Dữ liệu cho thấy Chuyển vị và Ghép đôi chiếm tỷ lệ áp đảo trong việc dịch các thuật ngữ kỹ thuật. Điều này phản ánh đúng bản chất của việc dịch từ một ngôn ngữ phân tích tính (Anh) sang một ngôn ngữ đơn lập (Việt). Thủ pháp Dịch nguyên văn chỉ chiếm một tỷ lệ nhỏ (43/588 thuật ngữ), chủ yếu áp dụng cho các từ đơn, phổ biến và có nghĩa tương đương 1-1 rõ ràng như “feature” -> “đặc trưng”. Ngược lại, Vay mượn được sử dụng cho 54 thuật ngữ, cho thấy sự cần thiết phải giữ lại một số khái niệm gốc để duy trì tính quốc tế. Những con số này cung cấp một cái nhìn tổng quan, giúp định hướng cho các dịch giả mới vào nghề về các chiến lược dịch thuật hiệu quả nhất.

4.2. Gợi ý xây dựng sổ tay thuật ngữ AI từ kết quả đối chiếu

Một trong những đóng góp quan trọng nhất của nghiên cứu là cung cấp một cơ sở dữ liệu dồi dào các cặp thuật ngữ học sâu Anh-Việt đã được phân tích kỹ lưỡng. Dữ liệu này là nền tảng lý tưởng để xây dựng một sổ tay thuật ngữ AI (hoặc một glossary) toàn diện và có cơ sở khoa học. Một sổ tay như vậy không chỉ liệt kê các cặp thuật ngữ tương đương mà còn có thể chú thích về thủ pháp dịch thuật được sử dụng, bối cảnh áp dụng, và các phương án dịch thay thế nếu có. Việc này sẽ giúp chuẩn hóa ngôn ngữ chuyên ngành, tạo ra một nguồn tham chiếu đáng tin cậy cho sinh viên, nhà nghiên cứu và kỹ sư, từ đó thúc đẩy việc học tập và ứng dụng Deep Learning tại Việt Nam một cách hiệu quả và đồng bộ hơn.

V. Tương lai của dịch thuật AI và vai trò của lý thuyết Newmark

Nghiên cứu về dịch thuật ngữ học sâu Anh-Việt không chỉ dừng lại ở việc phân tích một cuốn sách cụ thể, mà còn mở ra những định hướng quan trọng cho tương lai của lĩnh vực dịch thuật chuyên ngành AI. Trong bối cảnh công nghệ AI phát triển không ngừng, nhu cầu dịch thuật các tài liệu, bài báo nghiên cứu, và giáo trình mới sẽ ngày càng tăng cao. Lý thuyết dịch Peter Newmark, dù đã ra đời từ lâu, vẫn chứng tỏ được giá trị bền vững của mình. Nó cung cấp một lăng kính học thuật, một bộ công cụ phân tích mạnh mẽ giúp chúng ta hiểu rõ hơn về quá trình chuyển ngữ phức tạp. Các thủ pháp của ông giúp hệ thống hóa các lựa chọn của dịch giả, từ đó đưa ra các khuyến nghị dựa trên bằng chứng. Tương lai của ngành dịch thuật AI không chỉ phụ thuộc vào các công cụ dịch máy ngày càng thông minh, mà còn cần đến sự am hiểu sâu sắc về lý thuyết dịch thuật của con người. Việc tiếp tục thực hiện các nghiên cứu translation studies tương tự, áp dụng và mở rộng các khung lý thuyết như của Newmark cho các lĩnh vực công nghệ mới, sẽ là yếu tố then chốt để đảm bảo chất lượng và tính nhất quán trong việc chuyển giao tri thức khoa học, góp phần trực tiếp vào sự phát triển bền vững của ngành công nghệ thông tin tại Việt Nam.

5.1. Gợi ý cho các nghiên cứu dịch thuật translation studies tiếp theo

Nghiên cứu này đã mở đường cho nhiều hướng đi mới. Các công trình trong tương lai có thể mở rộng phạm vi khảo sát ra nhiều cuốn sách và tài liệu khác nhau để có cái nhìn toàn diện hơn về hệ thống thuật ngữ học sâu tiếng Việt. Một hướng khác là thực hiện nghiên cứu so sánh các bản dịch của những nhóm dịch giả khác nhau để đánh giá mức độ nhất quán và tìm ra các phương án dịch tối ưu. Ngoài ra, việc nghiên cứu quá trình tiếp nhận của người đọc (reception studies) cũng rất quan trọng: thuật ngữ nào được cộng đồng chấp nhận và sử dụng rộng rãi, thuật ngữ nào gây khó hiểu? Trả lời những câu hỏi này sẽ giúp hoàn thiện hơn nữa công tác dịch thuật và chuẩn hóa thuật ngữ.

5.2. Đóng góp vào việc phát triển Deep Learning tại Việt Nam

Cuối cùng, ý nghĩa lớn nhất của công trình nghiên cứu này là sự đóng góp thiết thực vào việc phát triển cộng đồng Deep Learning tại Việt Nam. Bằng việc phân tích một cách khoa học và hệ thống bản dịch “Học sâu”, nghiên cứu đã cung cấp một tài liệu tham khảo quý giá, giúp nâng cao chất lượng dịch thuật chuyên ngành. Một hệ thống thuật ngữ được dịch chính xác, nhất quán và dễ hiểu sẽ phá bỏ rào cản ngôn ngữ, giúp sinh viên, kỹ sư và nhà nghiên cứu tiếp cận nhanh hơn với những kiến thức tiên tiến nhất của thế giới. Điều này tạo ra một nền tảng vững chắc cho việc học tập, nghiên cứu và sáng tạo, từ đó thúc đẩy sự phát triển chung của ngành Trí tuệ nhân tạo tại Việt Nam.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY UNIVERSITY OF LANGUAGES AND INTERNATIONAL STUDIES FACULTY OF POSTGRADUATE STUDIES NGUYỄN DANH TRUNG NGHĨA ENGLISH – VIETNAMESE TRANSLATION OF DEEP LEARNING TERMS IN THE BOOK “DEEP LEARNING” BASED ON PETER NEWMARK’S FRAMEWORK (Nghiên cứu chiến lược dịch Anh – Việt các thuật ngữ Học sâu sử dụng trong sách “Học sâu” dựa trên khung lý thuyết của Peter Newmark) MA THESIS Field: English Linguistics Code: 8220201.01 Ha Noi –2025 VIETNAM NATIONAL UNIVERSITY UNIVERSITY OF LANGUAGES AND INTERNATIONAL STUDIES FACULTY OF POSTGRADUATE STUDIES NGUYỄN DANH TRUNG NGHĨA ENGLISH – VIETNAMESE TRANSLATION OF DEEP LEARNING TERMS IN THE BOOK “DEEP LEARNING” BASED ON PETER NEWMARK’S FRAMEWORK (Nghiên cứu chiến lược dịch Anh – Việt các thuật ngữ Học sâu sử dụng trong sách “Học sâu” dựa trên khung lý thuyết của Peter Newmark) MA THESIS Field: English Linguistics Code: 8220201. Lê Hùng Tiến Ha Noi –2025 DECLARATION I declare that the thesis, entitled “English – Vietnamese translation of deep learning terms in the book “Deep Learning” based on Peter Newmark’s framework.” (Nghiên cứu chiến lược dịch Anh – Việt các thuật ngữ Học sâu sử dụng trong sách “Học sâu” dựa trên khung lý thuyết của Peter Newmark), has been composed solely by myself and that it has not been submitted, in whole or in part, in any previous application for a degree. Except where states otherwise by reference or acknowledgment, the work presented is entirely my own. Hanoi, 2025 Approved by SUPERVISOR (Signature and full name) Supervisor: Assoc.

Lê Hùng Tiến 1 ACKNOWLEDGEMENTS I like to express my profound gratitude to my respected Supervisor, Assoc. Le Hung Tien, who has consistently provided invaluable insights into my thesis, guided me in the correct route, and offered unwavering encouragement and patience throughout the process. I express sincere gratitude to my wife and family, who have always supported me throughout the thesis process, providing immense care, encouragement and support. I would like to express my profound gratitude to my friends, my wife’s colleagues for their close and effective interaction and collaboration, which significantly alleviated the challenges of completing my thesis and provided me with a complete insight of the Deep learning field.

2 ABSTRACT This research aims to explore translation procedures used in the Vietnamese translated version of “Học sâu” conducted by a group of engineers named dlbooksvn, the original version named “Deep learning” by Ian Goodfellow, Yoshua Bengio, and Aaron Courville, published by The MIT Press, 2016. His study utilises the approach proposed by P. Newmark (1988) to systematically categorise terminologies associated with Deep Learning and to compare them with contemporary translation methods in the industry. The research findings indicate that deep learning terminology consists of complex multi-layer concepts that may hinder the understanding of both professionals and learners in the domain.

The shift and couplet procedures by Peter Newmark are the most common ones, along with others which are: literal translation, transference, naturalisation, descriptive equivalence, recognised translation, addition, omission, and functional equivalence. The study suggests the application of translation procedures when dealing with deep learning terms in Vietnam. 3 TABLE OF CONTENTS DECLARATION​ i ACKNOWLEDGEMENTS​ ii ABSTRACT​ iii CHAPTER 1: INTRODUCTION​ 1 1. Scope of the study​ 1 1.

Aims of the study​ 2 1. Significance of the study​ 2 1. Organization of the thesis​ 3 CHAPTER 2: THEORETICAL BACKGROUND​ 4 2. An overview of translation​ 4 2.

Peter Newmark’s theory of translation procedure​ 6 2. Deep learning terminology​ 16 2. Summary of the chapter​ 19 CHAPTER 3: RESEARCH METHODOLOGY​ 20 3. Quantitative and qualitative data analysis​ 24 3.

Summary of the chapter​ 25 4 CHAPTER 4: FINDINGS AND DISCUSSION​ 26 4. Translation procedure for technical terms​ 26 4. Shift or Transposition​ 34 4. Translation procedure for descriptive terms​ 42 4.

Shift or transposition​ 44 4.3 Translation procedure applied in translating Deep learning terminology from English to Vietnamese​ 45 4. Summary of the chapter​ 47 CHAPTER 5: CONCLUSION​ 49 5. Summary of key findings​ 49 5. Answers to question 1: What translation procedures are used to translate deep learning terminologies?​ 49 5.

Answers to question 2: What translation procedures are most commonly used to translate deep learning terminologies?​ 49 5 5.2 Significance of the findings​ 50 5. Contribution to Deep learning development in Vietnam​ 50 5. Contribution to the translation job​ 51 5. For education purposes​ 51 5.

Limitation of the study​ 52 5. Suggestion for further study​ 52 APPENDICES​ I 6 CHAPTER 1: INTRODUCTION ​ ​ 1. Rationale Deep learning is an advanced branch of machine learning. Beginning as just a mathematical model of a biological neuron introduced by Walter Pitts and Warren McCulloch in 1943, deep learning has developed rapidly, becoming one of the most promising branches of modern machine learning Deep learning's rapid evolution is reflective of the accelerating pace of technological advancement, transforming from a simple mathematical model of a neuron to a powerful tool that can discern patterns and relationships within massive data sets that defy human comprehension.

In their seminal 1943 work, Pitts and McCulloch developed a model for how neurons in the brain might work. This marked the conception of the artificial neural network - a network designed to mimic the way the human brain learns from experiences. In the following decades, the model underwent refinements and expansions as computing power and available data increased. However, it was not until the dawn of the 21st century that deep learning truly began to gain traction, riding on the wave of exponentially growing digital data and ever-improving computational power.

However, the translation of these types of documents presents problems. As a means to transfer intellectual knowledge, these documents contain new words derived in the process of developing a theory in the source language (SL), which are not available in the target language (TL). In other cases, familiar words in common situations may present new sets of features that require different words in the TL to carry the message. This real situation has inspired the researcher to conduct an investigation on the translation procedure of deep learning terminologies from English to Vietnamese, as applied by a group of Vietnamese specialists named “dlbooksvn”.

Scope of the study 1 Not many machine learning materials, particularly deep learning materials or documents, are found in Vietnam’s bookstores. This research focuses on studying English Deep Learning terms and their Vietnamese equivalents, mainly from the book “Học sâu” (2022) translated by dlbooksvn and its original version, which is the book “Deep Learning” by Ian Goodfellow, Yoshua Bengio, and Aaron Courville (2016). Aims of the study This research aims to explore the translation procedures used in the Vietnamese-translated version of “Học sâu” conducted by a group of engineers named dlbooksvn, based on the model proposed by P. ●​ Firstly, the researcher aims to indicate the types of translation procedures applied in the process of translating deep learning terminologies.

●​ Secondly, the study suggests possible translation procedure could be used when translating deep learning terminologies. For the purpose of providing the most relevant and practical approach to this field, the sample text used to collect data is “Deep Learning” by Ian Goodfellow, Yoshua Bengio, and Aaron Courville (2016). The Vietnamese version, namely “Học sâu” (2022), translated by dlbooksvn, is chosen for the study. Research questions To achieve these objectives, the researcher seeks to answer the following research questions: ●​ What translation procedures are employed to translate deep learning terminologies? ●​ Which translation procedures are most commonly used for translating deep learning terminologies? 1.

Significance of the study This research clarifies the Vietnamese translation procedure used in technical-related texts performed by specialists in the field. Therefore, this work is expected to become a good source of reference for students, language practitioners in the translation and interpretation field, and anyone interested in translating 2 specialised terminologies. Research method There ar two primary research methodologies: qualitative and quantitative. With the objective of examining the terminologies used in the source material and the translation utilised by dlbooksvn, it was decided that a combination of quantitative and qualitative to form a descriptive analysis would be the primary method of research.

Organization of the thesis The paper is divided into five chapters, as follows: Chapter 1: Introduction This chapter provides readers with an overall summary of the research project, including an explanation of its purpose, goals, and objectives, as well as its organisational structure. Chapter 2: Theoretical background This chapter will discuss the theoretical context in which the research should be interpreted in light of the topics covered. Chapter 3: Methodology This chapter provides the main methodology and procedures for data collection. Chapter 4: Findings and Discussion This chapter presents, analyses, and discusses the results of what the researcher found out from the collected data.

It also gives answers to the research questions. Chapter 5: Conclusion This chapter summarises the overall study and suggests some forms of further study in the field. 3 CHAPTER 2: THEORETICAL BACKGROUND 2. An overview of translation 2.

Translation procedure Translation, as a means to transfer knowledge and understanding between different languages, is needed to catch up with the overall requirements. The study of translation procedures is central to the field of translation studies. Different scholars have proposed various taxonomies and approaches to describe how translators go about the complex task of transferring meaning from one language and culture to another. Russian approaches (Retsker and Shveitser) Retsker (1974) and Shveitser (1973) undertook one of the first systematic efforts to categorise the relationships between source and target languages in translation.

Their paradigm categorised interactions into three primary types: equivalence, variant/contextual correspondence, and other translational transformations. This taxonomy was designed to address how translation techniques manage linguistic discrepancies while preserving semantic equivalence. Retsker and Shveitser defined equivalence as existing when a source and target item have the same meaning, regardless of differences in linguistic form. This rigid similarity is observed at the level of individual lexical items or phrases.

For instance, the English term 'carbon monoxide' is consistently translated in the same manner, irrespective of the intended language. Because of differences in how meanings are structured in different languages, variant or contextual correspondence keeps the same meaning while requiring the use of different words. For example, the English word 'see' can be translated into German as 'sehen' or 'sehen machen'. The third category covered scenarios in which neither strict meaning matches nor contextual correspondence is possible between source and target.

The translation needs to go through additional divergence through 'other translational transformations'. This approach categorises translation techniques in accordance with the level of formal deviation necessary to achieve semantic equivalency. French approaches (Vinay and Darbelnet) Vinay and Darbelnet (1995) provided an approach to translation which can be characterised by their focus on the practical aspects of the translation process and their emphasis on achieving equivalence between the source text and the target text. They introduced the concept of direct and oblique translation, which is central to their theory.

These concepts are mentioned as follows: “"Translation may operate either by matching textual material (words, terms, idioms) that have analogous functions (designata) in both languages, or by resorting to transposing (oblique processes). We call the former direct translation and the latter oblique translation”. In other words, direct translation involves transposing the exact meaning through analogous structures in the target language. Oblique translation involves modifying the syntax.

From these two translation methods, Vinay and Darbelnet proposed seven translation procedures: ●​ Borrowing - introducing a foreign term into the target language. ●​ Calque - translating a term literally via a calque or loan translation. ●​ Literal translation - word-for-word translation. ●​ Transposition - changing grammar elements like active/passive voice.

●​ Modulation - altering the viewpoint, framework, or category of expression. ●​ Equivalence - translating the idea rather than the literal meaning with a fully different stylistic construction. ●​ Adaptation - altering the message to suit the target cultural context. American approach (Malone) Malone (1988) proposed a taxonomy of translation techniques aimed at capturing the cognitive processes underlying the activity.