DeepL background的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

Google翻譯對非英語主修學生講稿之詞彙與文法改進之研究

為了解決DeepL background的問題，作者李宜倫 這樣論述：

Google Translate (GT) 是一款英語翻譯軟體，可以幫助以英語作為外語 (EFL) 的學習者找到單字、語法和句型。然而，在語言課堂上使用這種尖端技術來促進學習者用外語來寫作仍處於探索階段。因此，本研究旨在調查使用 GT 來促進 EFL 新生撰寫短篇講稿方面的有效性以及他們對使用 GT 的看法。本研究的參與者是 66 名 EFL 新生，分為高水平組和低水平組。在學期中，每個參與者都被要求寫一個包含至少 10 個句子的腳本，並且針對主題進行一分半鐘的簡短演講。然後，每個人需要完成以下四個步驟：編寫中文講稿，然後自行將中文講稿翻譯成英文作為自行改寫（SW）版本，接著使用GT將相同的

中文腳本翻譯成英文作為GT版本，最後對比SW版本和GT版本，修改成RSW版本。本研究使用兩個在線軟件 Scribens 和 VocabProfiler (VP) 對三個英文版本的寫作質量進行分析和比較。結果表明，GT 版本的參與者的寫作參數與 SW 版本相比存在顯著差異。高水平學生的GT版本在大部分寫作參數上存在顯著差異，而低水平學生的GT版本在寫作參數上只有少數顯著差異。最後，問卷和訪談的結果表明，學生認為 GT 可以幫助他們提高英語寫作，尤其是增加詞彙量。但是，為了在未來的學習中更好地放大學習效果，建議之後的實施者在實施相同的活動時，需要向更熟練的同伴或是老師諮詢。

機器翻譯應用在學術文本的可行性 —以臺灣博碩士論文網中文論文摘要英譯為例

為了解決DeepL background的問題，作者徐千驊 這樣論述：

隨著網際網路的普及化，機器翻譯（machine translation, MT）的發展也日新月異，即便其翻譯的品質至今因文本而異，但幫助使用者省時省錢之功能仍無庸置疑。神經機器翻譯（neural-based machine translation, NMT）為目前最新之機器翻譯技術，Google於2016年將自家翻譯系統Google Translate（GT）從統計式機器翻譯（statistical-based machine translation, SMT）升級成神經機器翻譯，使翻譯速度及準確度大幅提升，但先前研究大多注重在統計式GT，少有研究測試其最新之神經翻譯系統的品質(To

ngpoon-Patanasorn和Griffith，2020）。在臺灣，撰寫博碩士之論文摘要時，通常需要提供中英兩個版本，礙於中英兩種語言差異甚大，學術寫作方法及技巧亦不同，機器翻譯有可能作為摘要語言轉換工具之一。然而，有鑒於機器翻譯應用於中翻英學術文本可行性之研究為數不多，本論文將探討GT應用於中翻英學術文本之可行性，並分析GT產生之譯文是否符合英文學術寫作之要求。 本論文將採用臺灣博碩士論文知識加值系統網站所刊登之論文摘要為研究樣本，篩選方法為歷年點閱率最高之五個學門中各二十篇論文，總計100篇論文摘要，五個學門分別為工程、商業及管理、教育、社會及行為科學，及人文學門。研究方法將採

用質性編碼方法，研究者首先為常見的英文論文寫作之規則編碼，並來回檢視譯文，若分析過程中有特殊發現，將列入其他發現討論。研究結果顯示，GT能夠產生三種英文論文寫作的特色，分別為「本(this)」、「副詞前置(mid-positioning of adverb)」，及被動用法。而針對英文動詞選字，有將近一半的摘要譯文出現至少一次動詞片語(phrasal verbs)。相較於其他學門，工程學門的摘要英譯最符合學術寫作要求。藉由本論文，研究者不僅完整探討GT應用於學術文本的可行性，也確認機器翻譯為使用中文之研究者帶來之便利性，造福社會大眾。