Cover not available

Article In: Translation and Translanguaging in Multilingual Contexts: Online-First Articles

From post-editing to prompting

Cognitive and behavioral shifts in AI-assisted student translation

ORCiD logo with link | United Arab Emirates University
This content is being prepared for publication; it may be subject to changes.
Abstract
This study compares traditional translation and post-editing with generative-AI-assisted translation in Arabic–English translation education. Drawing on 68 task records completed by 58 undergraduate students through EduApp, it examines observable effort, textual intervention, and implications for translation competence. The findings indicate that AI-assisted tasks involved significantly more written or entered characters and a higher length ratio, but no statistically significant difference in task completion time. Qualitative analysis suggests a shift from local correction to broader reformulation, including more formal institutional phrasing and syntactic restructuring. The study concludes that AI-assisted translation redistributes rather than eliminates student effort and requires evaluative and interactive skills alongside established translation abilities.
الملخص
يعيد الذكاء الاصطناعي التوليدي تشكيل ممارسات الترجمة وأساليب تدريسها، إذ ينقل المتعلمين من مرحلة «التحرير اللاحق» لمخرجات الترجمة الآلية الثابتة إلى أشكال أكثر تفاعلية لإنتاج النصوص بمساعدة الذكاء الاصطناعي. تقارن هذه الدراسة بين مهام الترجمة التقليدية (والتحرير اللاحق) والمهام المدعومة بأداة «ChatGPT» في سياق تدريس الترجمة من العربية إلى الإنجليزية لطلاب المرحلة الجامعية. ويتمحور التحليل حول ثلاثة أبعاد مترابطة: الجهد الملحوظ، والتدخل في النص، والآثار التربوية على كفاءة الترجمة. وتستند الدراسة إلى 68 سجلًا للمهام، أنجزها 58 طالبًا جامعيًا عبر تطبيق تعليمي (EduApp)، مع إخفاء هوياتهم، وشملت العينة 26 سجلًا لمهام تقليدية و42 سجلًا لمهام مدعومة بالذكاء الاصطناعي. ونظرًا لأن السجلات لم تكن مقترنة بالكامل (أي إن كل مهمة تقليدية لم تقابلها بالضرورة مهمة مماثلة مدعومة بالذكاء الاصطناعي للطالب نفسه)، فقد تعامل التحليل الكمي الرئيسي مع «نمط العمل» (تقليدي مقابل مدعوم بالذكاء الاصطناعي) بوصفه متغيرًا لتصنيف السجلات، واستخدم اختبارات «ويلش» (Welch) للعينات المستقلة، مدعومةً بتحليل حساسية للأزواج المتطابقة (matched-pair sensitivity analysis) شمل الطلاب الذين شاركوا في كلا النمطين. وقد أظهرت النتائج متوسطات أعلى في نمط العمل المدعوم بالذكاء الاصطناعي فيما يتعلق بنسبة الطول، والوقت المستغرق في المهمة، وعدد الأحرف المكتوبة أو المُدخلة. وأشارت اختبارات «ويلش» إلى وجود فروق ذات دلالة إحصائية بين المتوسطات في نسبة الطول (t(43.97) = 3.20, p = .003, g = 0.63) وعدد الأحرف المكتوبة أو المُدخلة (t(44.09) = 4.32, p < .001, g = 0.85)، ولكنها لم تُظهر فرقًا دالًا إحصائيًا في الوقت المستغرق في المهمة (t(59.12) = 1.77, p = .082, g = 0.37). وأظهرت اختبارات المتانة (robustness checks) أن الفرق في عدد الأحرف المكتوبة أو المُدخلة كان النمط الكمي الأكثر استقرارًا، في حين تطلّب تفسير الفرق في نسبة الطول توخي الحذر نظرًا إلى وجود التواء في التوزيع وتباين مرتفع في السجلات المدعومة بالذكاء الاصطناعي. أما المقارنة النوعية، فقد أشارت إلى تحول من التصحيح الموضعي (المحدود) إلى إعادة الصياغة الشاملة، مع استخدام صياغات مؤسسية أكثر رسمية، وإعادة هيكلة نحوية، وظهور مؤشرات أولية على التقارب في استخدام تعبيرات متكررة. ونظرًا إلى عدم تحليل سجلات الأوامر (prompts)، وعمليات اللصق، وبيانات الوقت الخاصة بمراحل العمل، تُفسَّر النتائج على أنها أدلة على الاختلافات الملحوظة في المخرجات وسير العمل، لا على أنها دليل مباشر على جودة الأوامر، أو الوعي ما وراء المعرفي، أو انخفاض الجهد المعرفي. وتخلص الدراسة إلى أن الترجمة المدعومة بالذكاء الاصطناعي تتطلب من الطلاب تطوير قدرات تقييمية وتفاعلية إلى جانب مهارات الترجمة التقليدية الراسخة.
Article outline
  • 1.Introduction
  • 2.Literature review
    • 2.1Machine translation post-editing and cognitive effort
    • 2.2AI-assisted translation and human-machine interaction
    • 2.3Cognitive redistribution, cognitive engagement, and metacognition
    • 2.4Prompting as an emerging competence
    • 2.5Implications for translator training
    • 2.6Linguistic expression, register, and standardization
    • 2.7Research gap
  • 3.Methodology
    • 3.1Research design and analytical framework
    • 3.2Dataset and participants
    • 3.3Materials and experimental conditions
    • 3.4Experimental procedures
    • 3.5Measures and operational definitions
    • 3.6Analytical procedures
    • 3.7Validity, reliability, and ethical considerations
  • 4.Results
    • 4.1Behavioral indicators of effort and editing behavior (RQ1)
    • 4.2Textual intervention: From local correction to generative reformulation (RQ2)
    • 4.3Register stabilization and tentative standardization (RQ2)
    • 4.4Multi-Level linguistic intervention and summary by research question
  • 5.Discussion
    • 5.1Effort redistribution rather than effort reduction
    • 5.2Prompting and the expansion of translation competence
    • 5.3Standardization, agency, and pedagogical risk
    • 5.4Pedagogical implications
  • 6.Conclusion
  • References
References (31)
References
Abdelaal, Noureldin. 2026a. “Machine Translation Pedagogy in the Arabic-English Classroom: Insights from a UAE-Based Data-Informed Approach.” Translation & Interpreting 18 (2): 45–58. Google Scholar logo with link to Google Scholar
. 2026b. “Register and Pragmatic Adjustment in Post-Editing Machine-Assisted Translations: A Cultural-Pragmatic Study of Arabic-English Student Translators.” Humanities and Social Sciences Communications 13: 1425. Google Scholar logo with link to Google Scholar
Abdelaal, Noureldin, M. Alblooshi, and S. Al Dhaheri. 2026. “Post-Editing beyond Error Repair: Cultural Agency in Arabic–English MT Mediation.” Social Sciences & Humanities Open 14: 103613. Google Scholar logo with link to Google Scholar
Bowker, Lynne. 2023. De-mystifying Translation: Introducing Translation to Non-translators. Abingdon, Oxon: Routledge. Google Scholar logo with link to Google Scholar
Bowker, Lynne, and Jairo Buitrago Ciro. 2019. Machine Translation and Global Research: Towards Improved Machine Translation Literacy in the Scholarly Community. Bingley: Emerald Publishing. Google Scholar logo with link to Google Scholar
Carl, Michael, Barbara Dragsted, and Arnt Lykke Jakobsen. 2011. “A Taxonomy of Human Translation Styles.” Translation Journal 16 (2). [URL]
Daems, Joke, Sonia Vandepitte, Robert J. Hartsuiker, and Lieve Macken. 2017. “Identifying the Machine Translation Error Types with the Greatest Impact on Post-Editing Effort.” Frontiers in Psychology 8: 1282. Google Scholar logo with link to Google Scholar
Dragsted, Barbara. 2004. Segmentation in Translation and Translation Memory Systems: An Empirical Investigation of Cognitive Segmentation and Effects of Integrating a TM System into the Translation Process. PhD diss., Copenhagen Business School. PhD Series 2004, no. 5. Copenhagen: Samfundslitteratur.
Dunlosky, John, and Janet Metcalfe. 2009. Metacognition. Thousand Oaks, CA: Sage.Google Scholar logo with link to Google Scholar
Dwivedi, Yogesh K., Nir Kshetri, Laurie Hughes, Emma L. Slade, Anand Jeyaraj, Arpan Kumar Kar, Abdullah M. Baabdullah, et al. 2023. “So What If ChatGPT Wrote It? Multidisciplinary Perspectives on Opportunities, Challenges and Implications of Generative Conversational AI for Research, Practice and Policy.” International Journal of Information Management 71: 102642. Google Scholar logo with link to Google Scholar
Flavell, John H. 1979. “Metacognition and Cognitive Monitoring: A New Area of Cognitive-Developmental Inquiry.” American Psychologist 34 (10): 906–911. Google Scholar logo with link to Google Scholar
Hendy, Amr, Mohamed Abdelrehim, Amr Sharaf, Vikas Raunak, Mohamed Gabr, Hitokazu Matsushita, Young Jin Kim, Mohamed Afify, and Hany Hassan Awadalla. 2023. “How Good Are GPT Models at Machine Translation? A Comprehensive Evaluation.” arXiv preprint arXiv:2302.09210. Google Scholar logo with link to Google Scholar
Jakobsen, Arnt Lykke. 2002. “Translation Drafting by Professional Translators and by Translation Students.” In Empirical Translation Studies: Process and Product, ed. by Gyde Hansen, 191–204. Copenhagen: Samfundslitteratur.Google Scholar logo with link to Google Scholar
Jiao, Wenxiang, Wenxuan Wang, Jen-tse Huang, Xing Wang, Shuming Shi, and Zhaopeng Tu. 2023. “Is ChatGPT a Good Translator? Yes with GPT-4 as the Engine.” arXiv preprint arXiv:2301.08745. Google Scholar logo with link to Google Scholar
Kasneci, Enkelejda, Kathrin Sessler, Stefan Küchemann, Maria Bannert, Daryna Dementieva, Frank Fischer, Urs Gasser, et al. 2023. “ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education.” Learning and Individual Differences 103: 102274. Google Scholar logo with link to Google Scholar
Kenny, Dorothy, ed. 2022. Machine Translation for Everyone: Empowering Users in the Age of Artificial Intelligence. Berlin: Language Science Press. Google Scholar logo with link to Google Scholar
Kirsh, David, and Paul Maglio. 1994. “On Distinguishing Epistemic from Pragmatic Action.” Cognitive Science 18 (4): 513–549. Google Scholar logo with link to Google Scholar
Krings, Hans P. 2001. Repairing Texts: Empirical Investigations of Machine Translation Post-Editing Processes. Edited by Geoffrey S. Koby. Translated by Geoffrey S. Koby et al. Kent, OH: Kent State University Press.Google Scholar logo with link to Google Scholar
Muñoz Martín, Ricardo. 2014. “Situating Translation Expertise: A Review with a Sketch of a Construct.” In The Development of Translation Competence: Theories and Methodologies from Psycholinguistics and Cognitive Science, ed. by John W. Schwieter and Aline Ferreira, 2–56. Newcastle upon Tyne: Cambridge Scholars Publishing.Google Scholar logo with link to Google Scholar
O’Brien, Sharon. 2011. “Towards Predicting Post-Editing Productivity.” Machine Translation 25 (3): 197–215. Google Scholar logo with link to Google Scholar
. 2024. “Human-Centered Augmented Translation: Against Antagonistic Dualisms.” Perspectives 32 (3): 391–406. Google Scholar logo with link to Google Scholar
PACTE Group. 2003. “Building a Translation Competence Model.” In Triangulating Translation: Perspectives in Process Oriented Research, ed. by Fabio Alves, 43–66. Amsterdam: John Benjamins. Google Scholar logo with link to Google Scholar
. 2017. “PACTE Translation Competence Model: A Holistic, Dynamic Model of Translation Competence.” In Researching Translation Competence by PACTE Group, ed. by Amparo Hurtado Albir, 35–42. Amsterdam: John Benjamins. Google Scholar logo with link to Google Scholar
Risko, Evan F., and Sam J. Gilbert. 2016. “Cognitive Offloading.” Trends in Cognitive Sciences 20 (9): 676–688. Google Scholar logo with link to Google Scholar
Toral, Antonio. 2019. “Post-Editese: An Exacerbated Translationese.” In Proceedings of Machine Translation Summit XVII: Research Track, 273–281. Dublin: European Association for Machine Translation. [URL]
Vanderauwera, Ria. 1985. Dutch Novels Translated into English: The Transformation of a “Minority” Literature. Amsterdam: Rodopi. Google Scholar logo with link to Google Scholar
Vanmassenhove, Eva, Dimitar Shterionov, and Andy Way. 2019. “Lost in Translation: Loss and Decay of Linguistic Richness in Machine Translation.” In Proceedings of Machine Translation Summit XVII: Research Track, 222–232. Dublin: European Association for Machine Translation. [URL]
Zhou, Yongchao, Andrei Ioan Muresanu, Ziwen Han, Keiran Paster, Silviu Pitis, Harris Chan, and Jimmy Ba. 2023. “Large Language Models Are Human-Level Prompt Engineers.” In The Eleventh International Conference on Learning Representations (ICLR 2023). [URL]
Mobile Menu Logo with link to supplementary files background Layer 1 jbe-platform.quadraat-sans-bold jbe-platform.quadraat-sans-bold-dark jbe-platform.quadraat-sans-bold-light jbe-platform.quadraat-sans-bold prag Twitter_Logo_Blue