Revista on line de Política e Gestão Educacional (RPGE),
Araraquara, v. 29, n. 00, e025115, 2025.
1
e-ISSN: 1519-9029
Revista on line de Política e Gestão Educacional
Online Journal of Policy and Educational Management
10.22633/rpge.v29i00.20816
ABORDAGENS MODERNAS PARA O
DESENVOLVIMENTO DA COMPETÊNCIA
PROFISSIONAL DO TRADUTOR SOB A
INFLUÊNCIA DO DESENVOLVIMENTO DA IA
ENFOQUES MODERNOS PARA EL DESARROLLO DE LA
COMPETENCIA PROFESIONAL DEL TRADUCTOR BAJO LA
INFLUENCIA DEL DESARROLLO DE LA AI
MODERN APPROACHES TO DEVELOPING PROFESSIONAL
TRANSLATOR COMPETENCE UNDER THE INFLUENCE OF AI
DEVELOPMENT
Elvir AKHMETSHIN¹
Veronika MYAKOTA
2
v.v.myakota@mymail.academy
Inna GETSKINA
3
Apollinaria AVRUTINA
4
apollinaria.avruna@mymail.academy
Anna BASMANOVA
5
anbasmanova@mymail.academy
Diana BURENKOVA
6
diana.burenkov[email protected]y
Shukurjon KURBANOVA
7
shukurjon.kurbanova@mymail.academy
Como referenciar este argo:
Akhmetshin, E., Myakota, V., Getskina, I., Avruna, A., Basmanova, A., Burenkova,
D., & Kurbanova, S. (2025). Abordagens modernas para o desenvolvimento da
competência prossional do tradutor sob a inuência do desenvolvimento da IA.
Revista on line de Políca e Gestão Educacional, 29, e025115. e-ISSN: 1519-9029.
hps://doi.org/10.22633/rpge.v29i00.20816
Submedo em: 15/05/2025
Revisões requeridas em: 10/06/2025
Aprovado em: 25/09/2025
Publicado em: 23/12/2025
¹ Universidade Mamun, Khiva – Uzbe-
quistão. Candidato em Ciências Econô-
micas. Professor Associado. Chefe do
Departamento de Pesquisa Cienca,
Inovações e Formação de Pessoal Cien-
co e Pedagógico; Universidade de
Economia de Khorezm, Urgench – Uzbe-
quistão. Professor Associado do Departa-
mento de Economia e Gestão.
² Academia Islâmica Internacional do Uz-
bequistão – Uzbequistão. Professor do De-
partamento de Língua Uzbeque e Literatura
Oriental Clássica.
³ Universidade Estatal Chuvash I. N. Ulya-
nov, Cheboksary – Rússia. Candidato em
Ciências. Chefe do Departamento de Filo-
logia Românica e Germânica e Estudos da
Tradução.
⁴ Universidade Estatal de São Petersburgo,
São Petersburgo – Rússia. Doutor em Filolo-
gia. Professor do Departamento de Teoria e
Métodos do Ensino de Línguas e Culturas da
Ásia e da África.
⁵ Universidade RUDN, Moscou – Rússia.
Professor Associado do Departamento de
Línguas Estrangeiras.
⁶ Instuto de Gestão de Volgogrado, lial
da Academia Russa de Economia Nacional
e Administração Pública junto à Presidência
da Federação Russa, Volgogrado – Rússia.
Candidato em Ciências. Professor Associado
do Departamento de Linguísca e Comuni-
cação Intercultural.
⁷ Instuto Pedagógico Estatal de Urgench,
Urgench – Rússia. Candidato em Ciências.
Professor Associado do Departamento de
Pedagogia.
2
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE),
Araraquara, v. 29, n. 00, e025115, 2025.
e-ISSN: 1519-9029
RESUMO: Este argo explora a pós-edição de tradução automáca por estudantes
como meio de desenvolver a competência prossional de futuros tradutores. O estudo
visa fundamentar o uso de sistemas de tradução automáca baseados em IA na for-
mação de habilidades prossionais essenciais. Foi realizado um experimento didáco
com estudantes de tradução, no qual os parcipantes pós-editaram textos traduzidos
por máquina para idencar erros e propor correções. Os resultados mostram que esse
treinamento ajuda os estudantes a reconhecer as limitações das ferramentas tecno-
lógicas e a desenvolver habilidades crícas de edição, enfazando que os tradutores
não podem depender apenas da automação. O estudo também destaca o potencial de
recursos online baseados em IA, que podem apoiar a formação de tradutores, propor-
cionando ambientes de edição interavos. Conclui-se que a IA representa uma valiosa
tecnologia de aprendizagem digital, capaz de executar tarefas roneiras, simular cená-
rios prossionais e aprimorar os caminhos de aprendizagem individuais. A integração
de ferramentas de IA e redes neurais na formação de tradutores pode ampliar as opor-
tunidades de comunicação, personalização e movação dos alunos.
PALAVRAS-CHAVE: Educação de tradutores. Digitalização. Inteligência arcial (IA). For-
mação em tradução. Pós-edição de tradução automáca.
RESUMEN: Este arculo explora la posedición de la traducción automáca por parte
de estudiantes como medio para desarrollar la competencia profesional de futuros tra-
ductores. El estudio busca fundamentar el uso de sistemas de traducción automáca
basados en IA para la formación de habilidades profesionales esenciales. Se realizó un
experimento didácco con estudiantes de traducción, donde los parcipantes posedita-
ron textos traducidos automácamente para idencar errores y proponer correccio-
nes. Los hallazgos muestran que esta capacitación ayuda a los estudiantes a reconocer
las limitaciones de las herramientas tecnológicas y a desarrollar habilidades de edición
críca, enfazando que los traductores no pueden depender únicamente de la automa-
zación. El estudio también destaca el potencial de los recursos en línea basados en IA,
que pueden apoyar la formación de traductores al proporcionar entornos de edición
interacvos. Se concluye que la IA representa una valiosa tecnología de aprendizaje
digital, capaz de realizar tareas runarias, simular escenarios profesionales y opmi-
zar las trayectorias de aprendizaje individuales. La integración de herramientas de IA y
redes neuronales en la formación de traductores puede ampliar las oportunidades de
comunicación, personalización y movación de los estudiantes.
PALABRAS CLAVE: Formación de traductores. Digitalización. Inteligencia arcial (IA). Forma-
ción en traducción. Posedición de la traducción automáca.
ABSTRACT: This arcle explores student post-eding of machine translaon as a me-
ans of developing the professional competence of future translators. The study aims to
substanate the use of AI-based machine translaon systems in forming essenal pro-
fessional skills. A didacc experiment with translaon students was conducted, where
parcipants post-edited machine-translated texts to idenfy errors and propose correc-
ons. The ndings show that such training helps students recognize the limitaons of
technological tools and develop crical eding abilies, emphasizing that translators
cannot rely solely on automaon. The study also highlights the potenal of AI-driven on-
line resources, which can support translator educaon by providing interacve eding
environments. It is concluded that AI represents a valuable digital learning technology,
capable of performing roune tasks, simulang professional scenarios, and enhancing
individual learning pathways. Integrang AI and neural network tools into translator
training can expand opportunies for communicaon, personalizaon, and student mo-
vaon.
KEYWORDS: Translator educaon. Digizaon. Arcial intelligence (AI). Translaon
training. Machine translaon post-eding.
Argo submedo ao sistema de similaridade
Editor: Prof. Dr. Sebasão de Souza Lemes
Editor Adjunto Execuvo: Prof. Dr. José Anderson Santos Cruz
.
3
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
INTRODUÇÃO
O mercado de tradução encontra-se em rápida transformação; entretanto, as mu-
danças no sistema educacional nem sempre acompanham as demandas da indústria de ser-
viços de tradução, o que resulta em desaos inevitáveis que vêm sendo gradualmente en-
frentados. Atualmente, observa-se certa desvalorização da prossão em razão do crescente
debate em torno do papel da inteligência arcial (doravante IA) na tradução (Gudkov, 2022;
Kupriyanovsky et al., 2017). A qualidade das traduções diminuiu, e os empregadores frequen-
temente enfrentam diculdades para avaliar com precisão o nível de competência de tradu-
tores cercados (Nechaeva & Stepanova, 2017). Por outro lado, o setor de tradução vem
estabelecendo novos padrões para a formação de especialistas, com ênfase crescente no uso
de tecnologias digitais modernas (Gavrilenko, 2017, 2018).
Essas inovações ampliam signicavamente o engajamento dos estudantes no proces-
so de aprendizagem e desenvolvem sua capacidade de trabalhar com diversas fontes de infor-
mação. Ao mesmo tempo, as tecnologias contemporâneas tornaram-se importantes aliadas da
educação, aprimorando sua qualidade e elevando-a a um novo patamar. Atualmente, há um
crescimento acelerado no desenvolvimento de redes neurais e chatbots em múlplas áreas,
incluindo a educação (Godwin-Jones, 2022), e esse número connua a aumentar diariamente.
Ferramentas de IA são capazes de gerar planos de aula, apresentações, imagens, tex-
tos, questões, mapas mentais e outros materiais didácos em poucos segundos, a parr das
solicitações dos usuários (Sheeva & Isaeva, 2020). Os chatbots podem sustentar diálogos,
responder perguntas, comentar tarefas realizadas e oferecer sugestões de aprimoramento. De
forma compreensível, muitos docentes manifestam preocupação, uma vez que os estudantes
podem ulizar a IA para redigir redações e realizar outras avidades desnadas ao desenvolvi-
mento de competências linguíscas (Barrot, 2023). Ainda assim, a IA também oferece oportu-
nidades para o aprimoramento da formação prossional de futuros tradutores.
Entre os exemplos destacam-se o DeepL, o Gemini, o DeepSeek e o ABBYY TextGrabber
— um aplicavo que transforma o smartphone em um scanner inteligente, permindo digita-
lizar rapidamente documentos, recibos e livros, bem como traduzi-los dinamicamente para o
idioma de desno desejado (Fomin & Sadovikov, 2022). O impacto das tecnologias contempo-
râneas sobre a indústria da tradução e sobre a prossão torna-se cada vez mais evidente. As
ferramentas de apoio ao tradutor são connuamente aperfeiçoadas por seus desenvolvedo-
res, com vistas a maximizar sua eciência.
Apesar da rápida disseminação de ferramentas de IA no ensino de tradução, os funda-
mentos pedagógicos para o ensino da pós-edição ainda permanecem pouco desenvolvidos.
Embora as soluções tecnológicas estejam amplamente disponíveis, os métodos didácos prá-
cos e as diretrizes estruturadas para integrar essas ferramentas aos currículos de formação
4
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
Abordagens modernas para o desenvolvimento da competência profissional do
tradutor sob a influência do desenvolvimento da IA
e-ISSN: 1519-9029
de tradutores ainda se encontram em processo de consolidação. Este estudo busca contribuir
para a superação dessa lacuna, ao apresentar um caso práco e incenvar o avanço pedagó-
gico nessa área.
REVISÃO DA LITERATURA
A integração da IA ao processo educacional é uma consequência inevitável da digitali-
zação da educação. A literatura cienca e metodológica destaca que esse processo de digi-
talização está transformando diversas prossões, incluindo a do tradutor (Alekseeva, 2020).
Entre os principais eixos dessa transformação estão o desenvolvimento de plataformas educa-
cionais on-line e a substuição de prossionais presenciais por soluções baseadas em realida-
de virtual e inteligência arcial (Crompton et al., 2024). No contexto do uso da IA, os papéis
tradicionais dos docentes estão se modicando, dando lugar a novas funções e responsabili-
dades, como tutor, moderador, designer de trajetórias educacionais, organizador de aprendi-
zagem baseada em projetos e coordenador de plataformas educacionais on-line (Kirichenko &
Sigacheva, 2020).
Pesquisadores idencaram novas oportunidades para estudantes de tradução no
contexto da educação digitalizada (Shovgenina & Novozhilova, 2013); esclareceram as pos-
sibilidades de uso de tecnologias da informação modernas na formação de futuros lólogos
(Belyaeva & Kamshilova, 2018); sistemazaram as especicidades da formação de futuros tra-
dutores à luz das tendências atuais da indústria da tradução (Belyaeva & Kamshilova, 2023);
destacaram o potencial dos chatbots na educação de lólogos e tradutores (Sysoev & Filatov,
2023); e agruparam tendências contemporâneas nos estudos da tradução e seus impactos no
trabalho do tradutor (Dong, 2014; Garbovsky, 2019; Grishina, 2021).
Estudiosos apontam que, em razão de suas funcionalidades, as ferramentas de IA po-
dem ser aplicadas com êxito na formação de futuros tradutores (Nechaeva & Svetova, 2018),
sobretudo no âmbito da tradução automáca e da tradução assisda por computador (CAT
tools) (Kolin et al., 2021). Todavia, conforme observado por Kamshilova e Belyaeva (2023),
a tradução automáca frequentemente resulta em versões literais que podem conter erros
linguíscos signicavos, o que exige intervenção humana para a melhoria da qualidade da
tradução. Ainda assim, sob a perspecva dos pesquisadores, a tradução automáca contribui
para o aumento da produvidade, facilita a colaboração em contextos prossionais e promove
o desenvolvimento da competência digital (Nechaeva & Svetova, 2018).
Pesquisadores como Khudyakov (2019) enfazam a crescente relevância da tradução
automáca não apenas em contextos codianos, como viagens internacionais, mas também
na vida prossional. De acordo com Hutchins (2005), um número cada vez maior de indivíduos
5
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
e empresas de diferentes setores uliza sistemas de tradução automáca, e grandes corpora-
ções chegam a desenvolver sowares próprios, ajustados às necessidades especícas de seus
ramos de atuação. Conforme Panasenkov (2019), a tradução automáca pode ser considerada
atualmente uma ferramenta auxiliar ecaz, capaz de facilitar e omizar o trabalho do tradutor
humano. Ao mesmo tempo, pesquisadores como Shevchuk e Nikiforova (2021) ressaltam que
a tradução automáca bruta ainda não pode ser equiparada à tradução humana e que seu uso
em contextos prossionais sem pós-edição pode acarretar consequências negavas de natu-
reza reputacional, nanceira, jurídica ou políca.
O objevo deste argo é apresentar uma fundamentação teórica e práca para o uso
de sistemas de tradução automáca baseados em tecnologias de IA no desenvolvimento da
competência prossional de futuros tradutores.
MÉTODOS DE PESQUISA
O principal método de pesquisa adotado foi o experimento didáco. Parciparam do
experimento dez estudantes do curso de “Filologia Inglesa”. A tarefa consisu na realização
independente da pós-edição de uma tradução automáca de um texto extraído de um site em
língua inglesa. A tradução automáca disponibilizada aos estudantes havia sido previamente
gerada por um docente de tradução por meio do tradutor DeepL. Após análise, foram iden-
cados seis segmentos incorretos na versão traduzida automacamente.
Os estudantes dispuseram de uma hora para revisar a tradução e editá-la de forma
independente. Foram orientados a marcar visualmente os trechos que considerassem necessi-
tar de correção, sublinhando-os e registrando, ao lado de cada segmento assinalado, uma pro-
posta de melhoria. Durante o processo de pós-edição, os estudantes puderam ulizar smar-
tphones com acesso à internet e veram acesso ao texto original em inglês.
Os objevos do experimento didáco foram: (1) idencar quais escolhas tradutórias
incorretas da tradução automáca os estudantes conseguiram detectar e corrigir; (2) indicar
quais segmentos não foram corrigidos ou foram corrigidos de forma inadequada; e (3) avaliar
a necessidade do ensino de competências de pós-edição de traduções automácas nas aulas
de tradução, com base nos resultados do experimento.
RESULTADOS DA PESQUISA
A Tabela 1 apresenta os resultados da análise qualitava da pós-edição realizada pelos
estudantes sobre traduções automácas. A primeira coluna contém o número do exemplo; a
6
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
Abordagens modernas para o desenvolvimento da competência profissional do
tradutor sob a influência do desenvolvimento da IA
e-ISSN: 1519-9029
segunda, o fragmento original do texto-fonte; a terceira, os fragmentos incorretos da tradução
automáca; e a quarta, as correções sugeridas pelos estudantes.
Nº Fragmento do texto-fonte Tradução automáca Correções dos estudantes*
1
O tribunal local é o nível
mais baixo da jurisdição
judicial (...).
O tribunal local
constui o nível mais
baixo do sistema
judiciário. (...)
O tribunal local constui o nível mais baixo do
sistema judiciário. (...)
O tribunal distrital constui o nível mais
baixo do sistema judiciário. (...)
2
Em regra, os processos civis
no tribunal distrital são
decididos exclusivamente
por juízes que atuam de
forma singular.
Nos processos civis,
no tribunal distrital,
as decisões são, em
regra, proferidas
exclusivamente por
juízes que atuam de
forma singular.
Nos processos civis, no tribunal distrital,
as decisões são, em regra, proferidas
exclusivamente por juízes que atuam de
forma singular.
Nos processos civis, no tribunal distrital, as
decisões são, em regra, proferidas apenas por
colegiados compostos por juízes que atuam
individualmente.
Nos processos civis, no tribunal distrital,
as decisões são, em regra, proferidas
exclusivamente por juízes que julgam de
forma singular.
3
Isso também é possível no
âmbito do processo penal,
embora, nesse caso, seja
possível a atuação de
tribunais compostos por
juízes leigos.
Isso também é
possível no âmbito
do processo penal,
embora, nesse caso,
seja possível recorrer
à apreciação de
tribunais compostos
por juízes leigos.
Isso também é possível no âmbito do processo
penal; contudo, nesse caso, é possível recorrer
à apreciação dos juizados de paz.
Isso também é possível no âmbito do processo
penal, no qual a decisão também pode ser
proferida por um tribunal composto por juízes
leigos.
Isso também é possível no âmbito do processo
penal, mas é possível recorrer igualmente a
tribunais com juízes leigos.
Isso também é possível no âmbito do processo
penal, embora, nesse aspecto, seja possível
consultar os juizados de paz.
Isso também é possível no âmbito do
processo penal, sendo possível, nesse caso, a
parcipação de juízes leigos.
Isso também é possível no âmbito do processo
penal, podendo, nesse contexto, os juízes
leigos atuar como instância auxiliar.
Tabela 1
Análise qualitava da pós-edição de traduções automácas realizada por estudantes
7
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
4
De acordo com a Lei de
Organização Judiciária,
tanto os processos civis
(...)
De acordo com a
Lei de Organização
Judiciária (...)
De acordo com a Lei de Organização
Judiciária (...)
De acordo com a Lei dos Tribunais de
Jurisdição Geral (...)
5
(...) questões de direito
de família e matérias de
jurisdição voluntária (...)
(...) questões de
direito de família e
matérias de jurisdição
voluntária (...)
(...) questões de direito de família e matérias
de jurisdição voluntária (...)
(...) questões de direito de família e matérias
inseridas na competência dos tribunais de
jurisdição geral (...)
(...) questões de direito de família e matérias
não contenciosas (...)
6
O Tribunal Distrital
também é competente
para apreciar matérias de
jurisdição voluntária.
O tribunal distrital
também aprecia
matérias de jurisdição
voluntária.
O tribunal distrital também aprecia matérias
judiciais não contenciosas.
O tribunal distrital também aprecia matérias
de jurisdição voluntária.
O tribunal distrital também é responsável pela
jurisdição não contenciosa.
O tribunal distrital também detém jurisdição
sobre matérias não contenciosas.
Nota.Pesquisa de autoria própria. As sugestões corretas são apresentadas em negrito, enquanto as incorretas
aparecem sublinhadas. Sugestões repedas dos estudantes não foram duplicadas na tabela, mas foram contabi-
lizadas numericamente na Tabela 2.
Nº. Corrigidas % Corrigidas Não corrigidas ou corrigidas
incorretamente
Não corrigidas ou incorretas
1
9
90% 1
10%
2 4
40% 6
60%
3 2
20% 8
80%
4 5 50%
5
50%
5 6 60% 4 40%
6 1 10% 9 90%
Nota. Pesquisa de autoria própria.
Tabela 2
Análise quantava da pós-edição, pelos estudantes, de traduções automácas
Conforme evidenciado nas tabelas acima, os estudantes apresentaram menor grau de
diculdade na correção do primeiro exemplo, ao idencar corretamente o equivalente de
local court como tribunal distrital, com 90% de acerto. O segundo termo corrigido com maior
sucesso foi matérias de jurisdição voluntária, interpretado como matérias não contenciosas
(60% de acertos), seguido do quarto exemplo, referente ao nome da lei Lei de Organização
Judiciária, traduzido corretamente em 50% dos casos.
8
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
Abordagens modernas para o desenvolvimento da competência profissional do
tradutor sob a influência do desenvolvimento da IA
e-ISSN: 1519-9029
O terceiro exemplo mostrou-se parcularmente desaador para os estudantes, uma
vez que 80% das correções foram inexistentes ou incorretas. Embora os parcipantes tenham
reconhecido a necessidade de editar o trecho traduzido automacamente, muitas das alte-
rações realizadas distorceram o sendo original. Diculdades relevantes também foram ob-
servadas no segundo exemplo, no qual 60% das traduções foram omidas ou apresentaram
erros. A maioria dos estudantes manteve a tradução automáca do termo juízes singulares
sem modicações.
DISCUSSÃO
Atualmente, os tradutores dispõem de um número crescente de ferramentas moder-
nas que simplicam e potencializam o trabalho tradutório, o que torna indispensável que os
prossionais da área dominem o uso das tecnologias contemporâneas de tradução. Nesse
contexto, é razoável que as instuições de ensino sejam equipadas com os recursos técnicos
e tecnológicos necessários, pois somente nessas condições é possível oferecer uma forma-
ção alinhada às demandas atuais e às capacidades do mercado de serviços de tradução —
isto é, uma formação orientada para a práca prossional, integrando ciência e mercado.
Naturalmente, o desao de garanr essas condições recai, em grande medida, sobre
os docentes, que devem, por meio de avidades cuidadosamente planejadas nas aulas de
tradução, incenvar os estudantes — especialmente no período pós-pandemia — a ulizar
tecnologias modernas no processo de aprendizagem. Quanto mais próximas esverem as
prácas pedagógicas da realidade prossional, maior tende a ser o engajamento e a mo-
vação dos estudantes.
Conforme demonstrado pelo experimento formavo descrito neste argo, os estu-
dantes são capazes de realizar a pós-edição de traduções automácas até certo ponto, ainda
que nem sempre com plena precisão. O objevo do treinamento em pós-edição deve ser
levar os estudantes a compreender que, apesar da ampla disponibilidade de ferramentas
tecnológicas, os tradutores não podem depender exclusivamente delas. Os exercícios de
pós-edição devem incluir a capacitação sobre como inserir segmentos especícos de texto
em sowares de tradução automáca, de modo a inuenciar a precisão do resultado nal,
conforme discudo em estudos anteriores (Nechaeva & Svetova, 2018; Panasenkov, 2019;
Shevchuk & Nikiforova, 2021).
Além disso, é fundamental que tanto estudantes quanto docentes se envolvam a-
vamente na pós-edição de traduções automácas durante as aulas de tradução, com aten-
ção especial à natureza do texto traduzido, como a presença de terminologia especializada,
9
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
denominações estrangeiras de atos normavos e a organização estrutural de textos jurídicos
em parágrafos, seções, argos, incisos, alíneas, entre outros.
Para que a pós-edição se consolide como uma competência de nível prossional, os
formadores de tradutores devem adotar estratégias estruturadas de andaimagem pedagó-
gica. Conforme demonstrado por Chernova et al. (2025), avidades de aprendizagem cuida-
dosamente organizadas em etapas — como missões on-line e ronas orientadas de edição
— contribuem signicavamente para a movação dos estudantes e para o fortalecimento
de sua autoconança na aprendizagem mediada por tecnologia. No contexto da formação
de tradutores, isso pode envolver a progressão de exercícios básicos de idencação de
erros para tarefas de pós-edição de documentos completos, com níveis crescentes de com-
plexidade e especicidade. Esse po de andaimagem não apenas desenvolve competências
de forma gradual, como também favorece a aprendizagem autorregulada, essencial ao tra-
balho com ferramentas baseadas em IA que oferecem múlplas variantes de tradução.
Adicionalmente, deve-se considerar como diferentes ferramentas de edição — como
Grammarly, DeepL ou ChatGPT — inuenciam a consciência eslísca e gramacal dos estu-
dantes. Litwinowa et al. (2022) constataram que a exposição a editores eletrônicos melhora
signicavamente a precisão eslísca e o controle gramacal de estudantes de tradução.
A integração dessas ferramentas em módulos de pós-edição auxilia os aprendizes a interna-
lizar padrões linguíscos e a reer cricamente sobre a forma como a IA gera linguagem.
Paralelamente, a adaptação de pedagogias digitais aos níveis de familiaridade dos estudan-
tes com plataformas como o Moodle — conforme analisado por Borodina et al. (2022) —
contribui para que a implementação dessas tecnologias seja responsiva e sustentável ao
longo das diferentes etapas do processo formavo.
A criação de um ambiente digital de aprendizagem psicologicamente seguro e cul-
turalmente responsivo também é um fator estratégico. Ling et al. (2024) ressaltam que tec-
nologias digitais variáveis devem ser adaptadas de modo a garanr conforto psicológico,
especialmente quando os estudantes são instados a cricar ou corrigir resultados gerados
por máquinas. Em contextos mulculturais, como o do Cazaquistão, Zhuzeyev et al. (2024)
argumentam que a formação prossional, incluindo a formação de tradutores, deve reer
caracteríscas nacionais e tradições etnopedagógicas. Isso indica que a integração da IA na
formação de tradutores não deve seguir um modelo único, mas ser sucientemente exível
para incorporar especicidades culturais e linguíscas, colaboração entre pares e as experi-
ências concretas dos aprendizes.
Os estudantes de tradução precisam aprender quais elementos de determinados -
pos textuais exigem atenção especial durante a pós-edição, quais fontes devem ser uliza-
das para vericar equivalentes propostos e como trabalhar esliscamente com traduções
automácas a m de produzir um texto nal que atenda tanto às expectavas do tradutor
10
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
Abordagens modernas para o desenvolvimento da competência profissional do
tradutor sob a influência do desenvolvimento da IA
e-ISSN: 1519-9029
quanto às do cliente. Quanto mais cedo os estudantes se familiarizarem com as possibilida-
des — e limitações — do uso de tecnologias modernas de tradução, mais preparados esta-
rão durante sua formação acadêmica e, posteriormente, no exercício prossional.
Cabe destacar que atualmente existem diversas ferramentas on-line altamente e-
cazes para a edição de textos em línguas estrangeiras, baseadas em tecnologias de IA, que
podem apoiar o desenvolvimento da competência prossional de futuros tradutores, espe-
cialmente no contexto da localização.
Uma dessas ferramentas é o Grammarly, que idenca mais de 150 pos de erros,
incluindo problemas gramacais, ortográcos, de pontuação, de eslo de escrita e de estru-
tura frasal. Ao detectar falhas, o Grammarly sugere correções e oferece alternavas varia-
das. O uso dessa ferramenta permite que os estudantes analisem cricamente seus próprios
textos e desenvolvam habilidades de pensamento críco.
O QuillBot é uma ferramenta de paráfrase baseada em IA que auxilia os estudantes
a editar textos e ajustar o tom discursivo, promovendo maior clareza e compreensibilidade.
Os chatbots também podem apoiar a aprendizagem de línguas estrangeiras como
ferramentas de aprendizagem móvel. Por exemplo, o bot Multran possibilita o trabalho au-
tomáco com dicionários on-line, apresentando todas as opções de tradução e signicados
disponíveis, reproduzindo as principais funções do sistema de dicionário bilíngue Multran.
O andyRobot concentra-se na práca do inglês conversacional, oferecendo temas do co-
diano (clima, hobbies, trabalho, entre outros) para discussão. Um professor virtual fornece
aulas diárias de gramáca, com explicações e quesonários de acompanhamento. Com o
EnglishSimpleBot, os estudantes podem ler textos em inglês, marcar palavras desconhe-
cidas para estudo posterior em um modo especíco, realizar testes temácos e aprimorar
suas competências gramacais. Esses bots podem interagir com os estudantes em intervalos
programados, avaliar conhecimentos em momentos denidos, acompanhar o progresso da
aprendizagem e nocar automacamente os docentes sobre o desempenho discente.
Há também ferramentas de IA que não foram originalmente desenvolvidas para o
ensino de línguas, mas que podem ser reaproveitadas para fortalecer o sistema de forma-
ção de tradutores. Um exemplo é o ChatGPT, que pode ser ulizado em universidades na
formação de lólogos e tradutores. Especialistas argumentam que consultas formuladas de
maneira adequada ao ChatGPT podem auxiliar estudantes de tradução a editar textos com
terminologia especializada de forma rápida e precisa, tanto em traduções para a língua ma-
terna quanto a parr dela (Sysoev & Filatov, 2023).
Pesquisadores que invesgam o uso do ChatGPT na formação de tradutores estão
convencidos de que as redes neurais se tornarão parte integrante da educação em todos os
níveis — assim como as funções computacionais se tornaram fundamentais no uso de com-
putadores (Kirichenko & Sigacheva, 2020). O estudo de Barrot (2023) observa que sistemas
11
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
de geração, análise e avaliação de textos atuam de forma ecaz como catalisadores do pen-
samento exploratório, integradores e omizadores de operações cognivas, auxiliando na
resolução de tarefas cognivas complexas e inovadoras. Já Fomin e Sadovikov (2022) de-
monstram que o ChatGPT acelera o ingresso em novas áreas do conhecimento, uma vez
que suas capacidades dialógicas permitem aos usuários idencar questões relevantes e
formular hipóteses.
Uma das principais caracteríscas do ChatGPT é sua capacidade de gerar respostas
sensíveis ao contexto, lembrando mensagens anteriores e respondendo com base nelas, o
que possibilita interações naturais e coerentes. Esse recurso permite que docentes e estu-
dantes interajam com um “interlocutor virtual”, promovendo debates, perguntas e respos-
tas sobre diversos temas.
Com o ChatGPT, os estudantes podem obter práca e apoio adicionais fora da sala de
aula, aprimorar habilidades de leitura, escrita e oralidade, ampliar o vocabulário e renar o
eslo comunicavo. Contudo, no ambiente formal de ensino, conforme corretamente apon-
tam os pesquisadores, o professor deve permanecer como o principal organizador do pro-
cesso educavo, atuando como mentor e especialista no ensino da tradução (Shovgenina &
Novozhilova, 2013).
Além das ferramentas voltadas à aprendizagem discente, existem também recursos
baseados em IA desnados a apoiar o trabalho docente. Um exemplo é a plataforma Twee,
desenvolvida especicamente para facilitar a criação de avidades relacionadas ao ensino
de línguas estrangeiras. O Twee pode gerar textos e questões associadas (abertas, de múl-
pla escolha, verdadeiro/falso), bem como exercícios lexicais e gramacais, como preenchi-
mento de lacunas, associação palavra-denição, expansão de parênteses e reordenação de
frases. A plataforma também oferece transcrições de vídeos, perguntas baseadas em vídeos,
curiosidades, citações célebres sobre temas selecionados, propostas de discussão, listas de
prós e contras, temas para redação, entre outros recursos. No entanto, as avidades gera-
das pelo Twee devem ser cuidadosamente avaliadas, pois nem todas as propostas didácas
estão prontas para uso imediato em sala de aula sem revisão. Ainda assim, essa ferramenta
pode reduzir signicavamente o tempo de preparação das aulas e esmular a criavidade
docente ao oferecer uma ampla gama de ideias e avidades.
Apesar de algumas limitações, a inteligência arcial deve ser compreendida como
uma tecnologia inovadora na formação prossional de futuros tradutores. Como ocorre
com qualquer inovação técnica, é fundamental lembrar que o objevo da IA na educação
é apoiar a atuação humana, e não eliminar a interação pedagógica nem desestruturar o
ambiente formavo e de desenvolvimento construído nas universidades. Conforme desta-
cado por Nechaeva e Stepanova (2017), a inovação educacional não se restringe à intro-
dução de novas tecnologias no processo de ensino-aprendizagem, mas envolve também a
12
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
Abordagens modernas para o desenvolvimento da competência profissional do
tradutor sob a influência do desenvolvimento da IA
e-ISSN: 1519-9029
transformação das abordagens pedagógicas, de modo que os estudantes adquiram as com-
petências e habilidades necessárias para atuar com sucesso em um mercado de tradução
compevo.
Nesse contexto, o interesse acadêmico pela IA como um campo potencialmente e-
caz da tecnologia educacional digital connua a crescer, conforme apontam os pesquisado-
res (Godwin-Jones, 2022). Sustenta-se, neste estudo, a posição de que a IA no sistema de
formação prossional de tradutores constui uma tecnologia de aprendizagem digital capaz
de realizar operações lógicas básicas, interagir dialogicamente com os estudantes — inclu-
sive em línguas estrangeiras —, simular diferentes cenários prossionais, processar grandes
volumes de dados e recuperar informações solicitadas de forma quase instantânea — recur-
sos que podem auxiliar signicavamente os parcipantes do processo educavo na execu-
ção de tarefas roneiras.
Ao discur o papel da inteligência arcial na formação de tradutores, é importante
enfazar a necessidade de integrar a IA ao ensino de línguas estrangeiras com base nas ca-
pacidades das redes neurais. As vantagens da IA para a atualização e o aprimoramento da
formação de tradutores são incontestáveis, incluindo a ampliação das possibilidades de co-
municação produva em línguas estrangeiras; a consideração das caracteríscas individuais
dos estudantes, de seus interesses e níveis de prociência linguísca; bem como o aumento
da movação para o estudo de línguas e de fenômenos linguíscos, entre outros aspectos.
A disponibilidade de salas de aula universitárias equipadas com tecnologias com-
putacionais modernas, tablets e smartphones para ns educacionais constui uma condi-
ção essencial para o desenvolvimento da capacidade de aplicar soluções tecnológicas con-
temporâneas, especialmente no âmbito das disciplinas de tradução. A melhor preparação
possível dos futuros tradutores para a inserção no mercado de trabalho ou para o empre-
endedorismo no atual mercado de serviços de tradução exige não apenas o domínio de
princípios e prácas tradutórias consolidadas, mas também competências digitais, incluindo
a capacidade de avaliar cricamente e ulizar as ferramentas de tradução disponíveis como
recursos de apoio, e não como fontes infalíveis ou substutos integrais do desenvolvimento
da competência tradutória e do conhecimento especializado.
CONCLUSÃO
A formação de tradutores encontra-se, atualmente, em um processo avo de trans-
formação de seu paradigma metodológico e pedagógico. A inteligência arcial já é ulizada
na práca do ensino de línguas estrangeiras nas universidades, e sua presença não pode mais
ser ignorada. Torna-se, portanto, necessário iniciar uma discussão cienca aprofundada
13
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
sobre o papel futuro da IA no desenvolvimento do sistema de formação prossional de fu-
turos tradutores.
Considera-se apropriado o uso de sistemas de tradução automáca para o aprofun-
damento das competências de análise tradutória dos estudantes, bem como para a iden-
cação e correção de erros em textos traduzidos por máquinas. No entanto, é fundamental
que os estudantes realizem, de forma independente, a edição e a correção das falhas pre-
sentes nos resultados gerados. No ensino universitário de tradução, a IA pode ser úl para a
práca da tradução internacional, permindo que os estudantes traduzam para e a parr de
diferentes línguas. Também se mostra pernente a incorporação de assistentes linguíscos,
como o ChatGPT, que oferecem orientações e explicações relevantes aos estudantes.
É evidente a necessidade de pesquisas fundamentais voltadas ao desenvolvimento
de métodos ecazes de interação e colaboração entre futuros tradutores e a inteligência
arcial. Apesar do rápido avanço tecnológico, a ideia de que a qualidade educacional pode
ser aprimorada com base exclusivamente na tecnologia representa um caminho arriscado.
Torna-se essencial preservar e garanr o direito dos aprendizes de quesonar cricamente,
tomar decisões não convencionais, engajar-se em interações comunicavas signicavas e
receber apoio pedagógico em seu desenvolvimento pessoal e prossional como tradutores.
14
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
Abordagens modernas para o desenvolvimento da competência profissional do
tradutor sob a influência do desenvolvimento da IA
e-ISSN: 1519-9029
REFERÊNCIAS
Alekseeva, I. S. (2020). Problemy obucheniya perevodu v sovremennom mire [Teaching translaon
in the modern world]. In Yazyk i kul’tura v epokhu globalizatsii [Language and culture in
the age of globalizaon] (pp. 7–12). St. Petersburg State University of Economics.
Barrot, J. S. (2023). Using ChatGPT for second language wring: Pialls and potenals. Assessing
Wring, 57, 100745. hps://doi.org/10.1016/j.asw.2023.100745
Belyaeva, L. N., & Kamshilova, O. N. (2018). Problemy i perspekvy professional’noy podgotovki
lingvotekhnologa [Problems and perspecves of language worker professional training].
Internaonal Journal of Open Informaon Technologies, 6(12), 35–42.
Belyaeva, L. N., & Kamshilova, O. N. (2023). Mashinnyy perevod v sisteme obucheniya:
protsedury i resursy [Machine translaon in educaon: Procedures and resources].
Izvesa: Herzen University Journal of Humanies & Sciences, (208), 230–239. hps://doi.
org/10.33910/1992-6464-2023-208-230-239
Borodina, M., Ivashkina, T., Golubeva, T., Afanasiev, O., Pronina, Y., & Berlov, K. (2022). Changes
in the use of the Moodle plaorm by students at dierent levels of training depending on
the period of restricons due to Covid-19. Revista Conrado, 18(88), 125–132.
Chernova, O., Sabitova, A., Kurenkova, E., & Khaliapin, A. (2025). Pedagogical scaolding through
online quests and its inuence on students’ learning movaon in the context of
educaonal digitalizaon. European Journal of Contemporary Educaon, 14(3), 249–257.
Crompton, H., Edme, A., Ichaporia, N., & Burke, D. (2024). AI and English language teaching:
Aordances and challenges. Brish Journal of Educaonal Technology, 55(6), 2503–2529.
hps://doi.org/10.1111/bjet.13460
Dong, C. (2014). Computer-aided translaon in students’ praccal translaon competence. In
Proceedings of the 3rd Internaonal Conference on Science and Social Research (pp. 494–
496). Atlans Press. hps://doi.org/10.2991/icssr-14.2014.115
Fomin, M. A., & Sadovikov, N. E. (2022). Vozmozhnos primeneniya tekhnologiy iskusstvennogo
intellekta pri izuchenii inostrannogo yazyka v vuze [Possibilies of using arcial
intelligence technologies in foreign language learning at universies]. Molodezhnaya
nauka: tendentsii razviya, (3), 6–11.
Garbovsky, N. K. (2019). “Tsifrovoy perevod”: Sovremennyye realii i prognozy [“Digital translaon”:
Present-day realies and forecasts]. In Russkiy yazyk i kul’tura v zerkale perevoda:
Proceedings of the internaonal conference (pp. 65–72). Moscow University Press.
Gavrilenko, N. N. (2017). Forsayt-tekhnologiya kak instrument prognozirovaniya razviya
professii perevodchika [Foresight technology as a tool for forecasng the development
15
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
of the translator’s profession]. In N. N. Gavrilenko (Ed.), Professional’no-oriyenrovannyy
perevod: real’nost’ i perspekvy (Vol. 12, pp. 58–70). RUDN University.
Gavrilenko, N. N. (2018). Tsifrovaya kompetentnost’ – klyuchevoy komponent professionalizma
perevodchika [Digital competence as a key component of the translator’s
professionalism]. PNRPU Linguiscs and Pedagogy Bullen, (3), 139–150. hps://doi.
org/10.15593/2224-9389/2018.3.12
Godwin-Jones, R. (2022). Partnering with AI: Intelligent wring assistance and instructed language
learning. Language Learning & Technology, 26(2), 5–24.
Grishina, N. Y. (2021). Obucheniye perevodu v usloviyakh rasprostraneniya sistem mashinnogo
perevoda [Teaching translaon in the context of the spread of machine translaon
systems]. Pedagogical Journal, 11(6), 142–149.
Gudkov, N. N. (2022). Iskusstvennyy intellekt vs lichnost’ perevodchika: problema zameny zhivogo
spetsialista tekhnologiyami budushchego v oblas perevoda [Arcial intelligence
vs. the translator’s personality]. In Aktual’nyye problemy pedagogiki, psikhologii i
perevodovedeniya: Proceedings of the internaonal scienc and praccal conference
(pp. 188–195). Asterion.
Hutchins, W. J. (2005). Current commercial machine translaon systems and computer-based
translaon tools: System types and their uses. Internaonal Journal of Translaon, 17(1–
2), 5–38.
Kamshilova, O. N., & Belyaeva, L. N. (2023). Mashinnyy perevod v epokhu tsifrovizatsii: novyye
prakki, protsedury i resursy [Machine translaon in the era of digitalizaon]. Terra
Linguisca, 14(1), 41–56. hps://doi.org/10.18721/JHSS.14105
Kirichenko, I. A., & Sigacheva, N. A. (2020). Tsifrovizatsiya perevoda s angliyskogo na russkiy yazyk
[Digizaon of translaon from English into Russian]. Kazan Journal of Young Researchers,
4(3), 27–37.
Khudyakov, N. A. (2019). Postredakrovaniye mashinnogo perevoda: teorecheskiye aspekty
[Machine translaon post-eding]. Filologicheskiy aspekt, 1(45), 232–239.
Kolin, K. K., Khoroshilov, A. A., Nikin, Yu. V., Pshenichny, S. I., & Khoroshilov, A. A. (2021).
Iskusstvennyy intellekt v tekhnologiyakh mashinnogo perevoda [Arcial intelligence
in machine translaon technologies]. Social Noveles and Social Sciences, (2), 64–80.
hps://doi.org/10.31249/snsn/2021.02.05
Kupriyanovsky, V. P., Sukhomlin, V. A., Dobrynin, A. P., Raykov, A. N., Shkurov, F. V., Drozhzhinov, V.
I., Fedorova, N. O., & Namiot, D. E. (2017). Navyki v tsifrovoy ekonomike i vyzovy sistemy
obrazovaniya [Skills in the digital economy]. Internaonal Journal of Open Informaon
Technologies, 5(1), 19–25.
16
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
Abordagens modernas para o desenvolvimento da competência profissional do
tradutor sob a influência do desenvolvimento da IA
e-ISSN: 1519-9029
Litwinowa, M., Gasanbekov, S., Lawrencenko, S., Shtukareva, E., Borodina, M., & Golubeva, T.
(2022). Improving the stylisc and grammar skills of future translators depending on the
use of electronic editors. Revista Conrado, 18(86), 125–130.
Ling, P., Rabadanova, R., Otcheskiy, I., Basmanova, A., Biltekenova, G., & Biltekenova, G. (2024).
Implementaon of variable technologies to improve the psychological safety of the
educaonal environment. Educação & Formação, 9, e14234. hps://doi.org/10.25053/
redufor.v9.e14234
Nechaeva, N. V., & Stepanova, M. M. (2017). Aktual’nyye napravleniya razviya vuzovskoy
podgotovki perevodchikov [Current trends in university-level translator training]. In N. N.
Gavrilenko (Ed.), Professional’no-oriyenrovannyy perevod: real’nost’ i perspekvy (Vol.
12, pp. 168–179). RUDN University.
Nechaeva, N. V., & Svetova, S. Y. (2018). Postredakrovaniye mashinnogo perevoda kak
aktual’noye napravleniye podgotovki perevodchikov v vuzakh [Post-eding of machine
translaon]. Teaching Methodology in Higher Educaon, 7(25), 64–72.
Panasenkov, N. A. (2019). Opyt obucheniya studentov-lingvistov postredakrovaniyu mashinnogo
perevoda [Teaching machine translaon post-eding]. Pedagogical Educaon in Russia,
(1), 55–60. hps://doi.org/10.26170/po19-01-08
Sheeva, E. Sh., & Isaeva, T. E. (2020). Ispol’zovaniye iskusstvennogo intellekta v obrazovatel’nom
protsesse vysshikh uchebnykh zavedeniy [Use of arcial intelligence in higher educaon].
Obshchestvo: Sotsiologiya, psikhologiya, pedagogika, 10(78), 84–89.
Shevchuk, E. V., & Nikiforova, Zh. A. (2021). Postredakrovaniye i pichnyye oshibki v
avtomazirovannom perevode [Post-eding and typical errors]. Teaching Methodology
in Higher Educaon, 10(39), 46–54.
Shovgenina, E. A., & Novozhilova, A. A. (2013). Obucheniye studentov-perevodchikov rabote s
elektronnymi resursami [Teaching translaon students to work with electronic resources].
Bullen of Volgograd State University. Series 6: University Educaon, (14), 70–76.
Sysoev, P. V., & Filatov, E. M. (2023). Chat-boty v obuchenii inostrannomu yazyku [Chatbots in
foreign language teaching]. Tambov University Review: Series Humanies, (1), 66–72.
hps://doi.org/10.20310/1810-0201-2023-28-1-66-72
Zhuzeyev, S., Zhailauova, M., Makasheva, A., Kydyrbaeva, K., Omarova, G., & Suleimenova, B.
(2024). Inuence of digitalizaon on the vocaonal training of primary school teachers.
Revista on Line de Políca e Gestão Educacional, 28, e023038. hps://doi.org/10.22633/
rpge.v28i00.19905
17
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
Processamento e editoração: Editora Ibero-Americana de Educação
Revisão, formatação, normalização e tradução
CRediT Author Statement
Reconhecimentos: Agradecimentos especiais aos pareceristas pelas valiosas contri-
buições, que auxiliaram de forma signicava no aprimoramento da qualidade do
manuscrito.
Financiamento: Esta pesquisa não recebeu qualquer nanciamento especíco de
agências de fomento dos setores público, comercial ou sem ns lucravos.
Conitos de interesse: Os autores declaram não haver conitos de interesse.
Aprovação éca: A pesquisa foi conduzida em conformidade com os padrões écos
aplicáveis a estudos educacionais. A parcipação no experimento foi voluntária, e o con-
senmento informado foi obdo de todos os estudantes parcipantes. Considerando
que a pesquisa envolveu riscos mínimos e procedimentos de natureza educacional,
não foi necessária a aprovação formal por um comitê de éca, conforme as diretrizes
instucionais.
Disponibilidade de dados e material: Todos os dados relevantes gerados durante o
estudo estão incluídos neste argo. Materiais adicionais ou conjuntos de dados anoni-
mizados podem ser disponibilizados pelo autor correspondente mediante solicitação
juscada.
Contribuições dos autores: Elvir Akhmetshin: conceitualização, supervisão e edição
do manuscrito; Veronika Myakota: elaboração da metodologia, coleta de dados e co-
ordenação do experimento; Inna Getskina: análise de dados, elaboração das tabelas
e revisão da literatura; Apollinaria Avruna: redação da versão inicial e integração da
seção sobre ferramentas digitais; Anna Basmanova: revisão da literatura relacionada à
inteligência arcial e formatação das referências; Diana Burenkova: edição e revisão
textual, tradução da terminologia acadêmica; Shukurjon Kurbanova: redação da seção
de discussão e integração de referências pedagógicas. Todos os autores parciparam
do desenvolvimento do conceito do argo, contribuíram para a redação e revisão do
manuscrito e aprovaram a versão nal para submissão.
Revista on line de Política e Gestão Educacional (RPGE),
Araraquara, v. 29, n. 00, e025115, 2025.
1
e-ISSN: 1519-9029
Revista on line de Política e Gestão Educacional
Online Journal of Policy and Educational Management
10.22633/rpge.v29i00.20816
MODERN APPROACHES TO DEVELOPING
PROFESSIONAL TRANSLATOR COMPETENCE
UNDER THE INFLUENCE OF AI DEVELOPMENT
ABORDAGENS MODERNAS PARA O DESENVOLVIMENTO
DA COMPETÊNCIA PROFISSIONAL DO TRADUTOR SOB A
INFLUÊNCIA DO DESENVOLVIMENTO DA IA
ENFOQUES MODERNOS PARA EL DESARROLLO DE LA
COMPETENCIA PROFESIONAL DEL TRADUCTOR BAJO LA
INFLUENCIA DEL DESARROLLO DE LA AI
Elvir AKHMETSHIN¹
Veronika MYAKOTA
2
v.v.myakota@mymail.academy
Inna GETSKINA
3
Apollinaria AVRUTINA
4
apollinaria.avruna@mymail.academy
Anna BASMANOVA
5
anbasmanova@mymail.academy
Diana BURENKOVA
6
diana.burenkov[email protected]y
Shukurjon KURBANOVA
7
shukurjon.kurbanova@mymail.academy
How to reference this paper:
Akhmetshin, E., Myakota, V., Getskina, I., Avruna, A., Basmanova, A., Burenkova,
D., & Kurbanova, S. (2025). Modern approaches to developing professional
translator competence under the inuence of AI development. Revista on line
de Políca e Gestão Educacional, 29, e025115. e-ISSN: 1519-9029. hps://doi.
org/10.22633/rpge.v29i00.20816
Submied: 15/05/2025
Revisions required: 10/06/2025
Approved: 25/09/2025
Published: 23/12/2025
¹ Mamun University, Khiva – Uzbekistan.
Candidate of Economic Sciences, Asso-
ciate Professor, Head of the Department
of Scienc Research, Innovaons and
Scienc and Pedagogical Personnel
Training; Khorezm University of Econo-
mics, Urgench - Uzbekistan, Associate
Professor of Department of Economics
and Management.
² International Islamic academy of Uz-
bekistan – Uzbekistan. Lecturer at the De-
partment of Uzbek language and Classical
Oriental Literature.
³ I.N. Ulyanov Chuvash State University,
Cheboksary – Russia. Candidate of Sciences,
Head of the Department of Romance and
Germanic Philology and Translaon Studies.
⁴ St. Petersburg State University, St. Peters-
burg - Russia. Doctor of Philology, Professor
at the Department of Theory and Methods
of Teaching Languages and Cultures of Asia
and Africa.
⁵ RUDN University, Moscow – Russia. As-
sociate Professor at the Foreign Language
Department.
⁶ Volgograd Instute of Management, bran-
ch of Russian Academy of Naonal Eco-
nomy and Public Administraon under the
President of Russian Federaon, Volgograd
– Russia. Candidate of Sciences, Associate
professor at the Department of Linguiscs
and Intercultural Communicaon.
⁷ Urgench State Pedagogical Institute,
Urgent – Russia. Candidate of Sciences,
Associate professor at the Department of
Pedagogy.
2
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE),
Araraquara, v. 29, n. 00, e025115, 2025.
e-ISSN: 1519-9029
ABSTRACT: This arcle explores student post-eding of machine translaon as a me-
ans of developing the professional competence of future translators. The study aims to
substanate the use of AI-based machine translaon systems in forming essenal pro-
fessional skills. A didacc experiment with translaon students was conducted, where
parcipants post-edited machine-translated texts to idenfy errors and propose cor-
recons. The ndings show that such training helps students recognize the limitaons
of technological tools and develop crical eding abilies, emphasizing that translators
cannot rely solely on automaon. The study also highlights the potenal of AI-driven
online resources, which can support translator educaon by providing interacve edi-
ng environments. It is concluded that AI represents a valuable digital learning tech-
nology, capable of performing roune tasks, simulang professional scenarios, and
enhancing individual learning pathways. Integrang AI and neural network tools into
translator training can expand opportunies for communicaon, personalizaon, and
student movaon.
KEYWORDS: Translator educaon. Digizaon. Arcial intelligence (AI). Translaon trai-
ning. Machine translaon post-eding.
RESUMO: Este argo explora a pós-edição de tradução automáca por estudantes
como meio de desenvolver a competência prossional de futuros tradutores. O estudo
visa fundamentar o uso de sistemas de tradução automáca baseados em IA na for-
mação de habilidades prossionais essenciais. Foi realizado um experimento didáco
com estudantes de tradução, no qual os parcipantes pós-editaram textos traduzidos
por máquina para idencar erros e propor correções. Os resultados mostram que esse
treinamento ajuda os estudantes a reconhecer as limitações das ferramentas tecno-
lógicas e a desenvolver habilidades crícas de edição, enfazando que os tradutores
não podem depender apenas da automação. O estudo também destaca o potencial de
recursos online baseados em IA, que podem apoiar a formação de tradutores, propor-
cionando ambientes de edição interavos. Conclui-se que a IA representa uma valiosa
tecnologia de aprendizagem digital, capaz de executar tarefas roneiras, simular cená-
rios prossionais e aprimorar os caminhos de aprendizagem individuais. A integração
de ferramentas de IA e redes neurais na formação de tradutores pode ampliar as opor-
tunidades de comunicação, personalização e movação dos alunos.
PALAVRAS-CHAVE: Educação de tradutores. Digitalização. Inteligência arcial (IA). Formação
em tradução. Pós-edição de tradução automáca.
RESUMEN: Este arculo explora la posedición de la traducción automáca por parte
de estudiantes como medio para desarrollar la competencia profesional de futuros tra-
ductores. El estudio busca fundamentar el uso de sistemas de traducción automáca
basados en IA para la formación de habilidades profesionales esenciales. Se realizó un
experimento didácco con estudiantes de traducción, donde los parcipantes posedita-
ron textos traducidos automácamente para idencar errores y proponer correccio-
nes. Los hallazgos muestran que esta capacitación ayuda a los estudiantes a reconocer
las limitaciones de las herramientas tecnológicas y a desarrollar habilidades de edición
críca, enfazando que los traductores no pueden depender únicamente de la automa-
zación. El estudio también destaca el potencial de los recursos en línea basados en IA,
que pueden apoyar la formación de traductores al proporcionar entornos de edición
interacvos. Se concluye que la IA representa una valiosa tecnología de aprendizaje
digital, capaz de realizar tareas runarias, simular escenarios profesionales y opmi-
zar las trayectorias de aprendizaje individuales. La integración de herramientas de IA y
redes neuronales en la formación de traductores puede ampliar las oportunidades de
comunicación, personalización y movación de los estudiantes.
PALABRAS CLAVE: Formación de traductores. Digitalización. Inteligencia arcial (IA).
Formación en traducción. Posedición de la traducción automáca.
Arcle submied to the similarity system
Editor: Prof. Dr. Sebasão de Souza Lemes
Deputy Execuve Editor: Prof. Dr. José Anderson Santos Cruz
.
3
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
INTRODUCTION
The translaon market is rapidly evolving, yet changes in the educaon system do not
always align with the demands of the translaon services industry, resulng in inevitable chal-
lenges that are gradually being addressed. Currently, there is a certain devaluaon of the pro-
fession due to the growing discourse around the role of arcial intelligence (hereinaer AI)
in translaon (Gudkov, 2022; Kupriyanovsky et al., 2017). Translaon quality has declined, and
employers oen struggle to accurately assess the skill levels of cered translators (Nechaeva
& Stepanova, 2017). On the other hand, the translaon industry is seng new standards for
specialist training, with increasing focus on the use of modern digital technologies (Gavrilenko,
2017, 2018).
These innovaons signicantly enhance student engagement in the learning process
and develop their ability to work with various informaon sources. At the same me, modern
technologies have become valuable assistants in educaon, improving its quality and eleva-
ng it to a new level. Currently, there is a boom in the development of neural networks and
chatbots across many spheres, including educaon (Godwin-Jones, 2022), and their numbers
connue to grow every day.
AI tools can generate lesson plans, presentaons, images, texts, quesons, mind
maps, and other teaching materials in seconds based on user input (Sheeva & Isaeva, 2020).
Chatbots can support dialogue, answer quesons, comment on completed tasks, and provide
suggesons for improvement. Understandably, many educators are concerned: students can
use AI to write essays and complete other assignments intended to develop language skills
(Barrot, 2023). However, AI also oers opportunies to enhance the professional training of
future translators.
Examples include DeepL, Gemini, DeepSeek, or ABBYY TextGrabber—an app that turns
a smartphone into an intelligent scanner, allowing users to quickly scan documents, receipts,
books, and dynamically translate them into the desired target language (Fomin & Sadovikov,
2022). The impact of modern technologies on the translaon industry and the profession is
becoming increasingly pronounced. Tools that assist translators are connually being impro-
ved by their developers to maximize their eciency.
Despite the rapid emergence of AI tools in translaon educaon, the pedagogical foun-
daons for teaching post-eding remain underdeveloped. While technological soluons are
readily available, praccal teaching methods and structured guidelines for integrang these
tools into the translator training curriculum are sll evolving. This study aims to bridge that
gap by oering a praccal case and encouraging further pedagogical development in this eld.
4
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
e-ISSN: 1519-9029
LITERATURE REVIEW
The integraon of AI into the educaonal process is an inevitable consequence of the
digitalizaon of educaon. Scienc and methodological literature highlights that this digita-
lizaon is transforming many professions, including that of the translator (Alekseeva, 2020).
Key areas of this transformaon include the development of online educaonal plaorms and
the replacement of live professionals with virtual reality and arcial intelligence (Crompton
et al., 2024). In the context of AI use, the tradional roles of educators are changing. New roles
and responsibilies are emerging—such as tutor, moderator, educaonal pathway designer,
project-based learning organizer, and coordinator of online educaonal plaorms (Kirichenko
& Sigacheva, 2020).
Researchers have idened new opportunies for translaon students in the con-
text of digitalized educaon (Shovgenina & Novozhilova, 2013); claried the possibilies of
using modern informaon technologies in training future philologists (Belyaeva & Kamshilova,
2018); systemazed the specic features of training future translators in light of current trends
in the translaon industry (Belyaeva & Kamshilova, 2023); highlighted the potenal of chat-
bots in the educaon of philologists and translators (Sysoev & Filatov, 2023); and grouped mo-
dern trends in translaon studies and their impact on translator work (Dong, 2014; Garbovsky,
2019; Grishina, 2021).
Scholars note that due to their capabilies, AI tools can be successfully applied in the
training of future translators (Nechaeva & Svetova, 2018). Primarily, this includes automated
and machine translaon using CAT tools (Kolin et al., 2021). However, as noted in (Kamshilova &
Belyaeva, 2023), machine translaon oen results in literal rendions that may contain serious
linguisc errors, necessitang human intervenon to improve translaon quality. Nonetheless,
from the researchers’ point of view, machine translaon helps increase producvity, facilitates
collaboraon in professional sengs, and enhances digital competence (Nechaeva & Svetova,
2018).
Researchers (Khudyakov, 2019) emphasize the growing signicance of machine trans-
laon not only in everyday contexts, such as when individuals travel abroad, but also in pro-
fessional life. According to (Hutchins, 2005), an increasing number of individuals and com-
panies across various industries are ulizing machine translaon systems. Large companies
even develop proprietary soware tailored to the specic needs of their industries. As sta-
ted in (Panasenkov, 2019), machine translaon can now be regarded as an eecve auxilia-
ry translaon tool, capable of easing and improving the work of human translators. At the
same me, researchers (Shevchuk & Nikiforova, 2021) stress that raw machine translaon sll
cannot be considered equivalent to human translaon, and that using machine translaon in
5
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
professional contexts without post-eding may lead to negave reputaonal, nancial, legal,
or polical consequences.
The aim of this arcle is to provide a theorecal and praccal raonale for the use of
machine translaon systems based on AI technologies in developing the professional compe-
tence of future translators.
RESEARCH METHODS
The primary research method used was a didacc experiment. Ten students majoring
in "English Philology" parcipated in the experiment. Their task was to independently post-
-edit a machine translaon of a text taken from an English-language website. The machine
translaon provided to the students for post-eding had been prepared by a translaon ins-
tructor using the DeepL translator. Upon review, six incorrect segments were idened in the
machine-translated version of the text.
Students were given one hour to review the translaon and independently edit it. They
were instructed to visually mark the elements they believed required correcon by underli-
ning them and wring a suggested improvement next to each marked segment. While post-
-eding the translaon, students were allowed to use their smartphones with internet access
and were also provided with the original English source text.
The objecves of the didacc experiment were as follows: 1) To determine which er-
roneous translaon choices in the machine translaon students were able to idenfy and cor-
rect; 2) To indicate which parts they failed to correct or corrected incorrectly; 3) To assess the
necessity of teaching post-eding skills for machine translaons in translaon classes, based
on the outcomes of the experiment.
RESULTS
Table 1 presents the results of a qualitave analysis of student post-eding of machine
translaons. The rst column contains the example number, the second column shows the
original fragment of the source text, the third column lists the incorrect machine-translated
fragments, and the fourth column includes the students’ suggested correcons:
6
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
e-ISSN: 1519-9029
No. Source Text
Fragment
Machine Translaon Student Correcons*
1
The local court is
the lowest level of
jurisdicon (...)
The local court
constutes the lowest
level of the judicial
system. (...)
The local court constutes the lowest level of the
judicial system. (...)
The district court constutes the lowest level of
the judicial system. (...)
2
Civil proceedings
are generally only
decided by single
judges at the district
court.
In civil proceedings
before the district
court, decisions are
generally rendered
solely by single judges.
In civil proceedings before the district court,
decisions are generally rendered solely by single
judges.
In civil proceedings before the district court,
decisions are generally rendered only by panels
composed of single judges.
In civil proceedings before the district court,
decisions are generally rendered solely by judges
sing individually.
3
This is also possible
in the context of
criminal proceedings,
although lay judges'
courts can also be
consulted in this case.
This is also possible
in the context of
criminal proceedings;
however, in such cases,
consultaon with courts
composed of lay judges
may also be sought.
This is also possible in criminal proceedings;
however, in such cases, consultaon with
magistrates’ courts may also be sought.
This is also possible in criminal proceedings, in
which decisions may likewise be rendered by a
court of lay judges.
This is also possible in criminal proceedings, but
recourse may also be made to courts with lay
judges.
This is also possible within the framework of
criminal proceedings, although consultaon on
this maer may also be sought from magistrates’
courts.
This is also possible in criminal proceedings, but
in such cases the involvement of lay judges is
likewise possible.
This is also possible in criminal proceedings,
where lay assessors may serve as an auxiliary
court.
4
According to Court
Constuon Act, both
civil cases (...)
According to the Law on
the Organizaon of the
Judiciary (...)
According to the Law on the Organizaon of the
Judiciary (...).
According to the Law on Courts of General
Jurisdicon (...).
Table 1
Qualitave analysis of student post-eding of machine translaons
Table 2
7
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
5
(...) family maers
and maers of
voluntary jurisdicon
(...)
(...) family maers and
maers of voluntary
jurisdicon (...)
(...) family maers and maers of voluntary
jurisdicon (...)
(...) family maers and maers falling within the
competence of general courts (...)
(...) family maers and non-contenous maers
(...)
6
The District Court is
also responsible for
maers of voluntary
jurisdicon
The district court also
hears cases of voluntary
jurisdicon.
The district court also hears non-contenous
judicial maers.
The district court also hears maers of voluntary
jurisdicon.
The district court is also responsible for non-
contenous jusce.
The district court also has jurisdicon over non-
contenous maers.
Note. Author’s own research. Correct suggesons are shown in bold, incorrect ones are underlined. Repeated
student suggesons were not duplicated in the table but were included numerically in Table 2.
No. Corrected Corrected % Not corrected or corrected
incorrectly
Not corrected or corrected
incorrectly %
1
9
90% 1
10%
2 4
40% 6
60%
3 2
20% 8
80%
4 5 50%
5
50%
5 6 60% 4 40%
6 1 10% 9 90%
Note. Author’s own research.
Table 2
Quantave analysis of student post-eding of machine translaons
Table 2
As seen in the tables above, students experienced the least diculty with correcng
the rst example, specically idenfying the correct equivalent for local court as окружной
суд (90% of correcons were accurate). The second most successfully corrected term was
maers of voluntary jurisdicon, interpreted as бесспорные дела (60% correct), followed by
the fourth example involving the name of the law Court Constuon Act, translated as Закон
о судах общей юрисдикции (50% correct).
The third example proved parcularly challenging for students—80% of the correcons
were either missing or incorrect. Although students recognized the need to edit the machine
translaon fragment, many of their changes distorted the original meaning. Students also fa-
ced signicant diculty with the second example—60% of the translaons were either omied
8
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
e-ISSN: 1519-9029
or incorrect. Most students retained the DeepL translaon of single judges as единоличные
судьи without modicaon.
DISCUSSION
Today, translators have access to an increasing number of modern tools that simplify
and enhance their work, making it essenal for professional translators to be procient in
using contemporary translaon technologies. Therefore, it is reasonable to equip educa-
onal instuons with the necessary technical and technological resources, as only in such
condions can educaon be provided that meets the modern needs and capabilies of the
translaon services market—namely, industry-focused educaon that combines science and
business. Of course, the challenge of ensuring such condions largely falls on the shoulders
of educators, who must, through carefully chosen exercises in translaon classes, movate
students (especially in the post-pandemic period) to use modern technologies in the lear-
ning process. Possibly, the closer classroom realies and teaching methods align with pro-
fessional pracce, the more movang this will be for learners.
As demonstrated by the training experiment described in this arcle, students are ca-
pable of post-eding machine translaons to some extent, though not always with complete
accuracy. The goal of post-eding training should be to help students understand that despi-
te the abundance of technological tools, translators cannot rely on them alone. Post-eding
exercises should include training on how to insert specic segments of text into machine
translaon soware in ways that aect the accuracy of the resulng translaon, as discus-
sed in studies (Nechaeva & Svetova, 2018; Panasenkov, 2019; Shevchuk & Nikiforova, 2021).
Moreover, it is important that both students and teachers engage in the post-eding
of machine translaons during translaon classes, paying parcular aenon to the natu-
re of the text being translated (such as the presence of specialized terminology, foreign-
-language names of legal acts, and the structural divisions of legal texts into paragraphs,
secons, clauses, leers, etc.).
To ensure that post-eding develops into a professional-level competence, translaon
educators must adopt structured scaolding strategies. As Chernova et al. (2025) demons-
trate, carefully staged learning acvies such as online quests and guided eding rounes
contribute signicantly to students’ movaon and condence in tech-mediated learning.
In translator training, this could involve moving from basic error detecon exercises to full-
-document post-eding tasks with increasing complexity and specicity. Such scaolding not
only builds skills incrementally but also supports self-regulated learning, which is essenal
when working with AI-driven tools that oer mulple translaon variants.
9
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
Moreover, aenon should be given to how dierent eding tools—such as
Grammarly, DeepL, or ChatGPT—aect the stylisc and grammacal awareness of students.
Litwinowa et al. (2022) found that exposure to electronic editors signicantly improved
stylisc precision and grammacal control in translaon students. Integrang these tools in
post-eding modules helps learners internalize linguisc standards and reect crically on
how AI generates language. At the same me, adapng digital pedagogies to students' evol-
ving comfort levels with plaorms—such as Moodle, as explored by Borodina et al. (2022)
can ensure that implementaon remains both responsive and sustainable across dierent
phases of instrucon.
Creang a psychologically safe and culturally responsive digital learning environment
is also key. Ling et al. (2024) emphasize that variable digital technologies must be adapted
to ensure psychological comfort, especially when learners are asked to crique or override
machine outputs. In mulcultural contexts like Kazakhstan, Zhuzeyev et al. (2024) argue that
vocaonal training, including translator educaon, must reect naonal characteriscs and
ethnopedagogical tradions. This suggests that AI-integraon into translator training should
not be one-size-ts-all but must be exible enough to incorporate cultural and linguisc
specicity, peer collaboraon, and the lived realies of the learners.
Translaon students must learn which elements of a parcular text type require spe-
cial aenon during post-eding, which sources to use to verify proposed equivalents, and
how to work with machine translaons styliscally to produce a nal product that meets
both the translator’s and the client’s expectaons. The earlier students become familiar
with the possibilies—and limitaons—of using modern translaon technologies, the bet-
ter equipped they will be during their academic training and later in professional pracce.
It is worth nong that there are now several highly eecve online tools for eding
texts in foreign languages, which use AI technologies and can support the development of
future translators’ professional competence, especially in the context of localizaon.
One such tool is Grammarly, which detects over 150 types of errors, including gram-
mar, spelling, punctuaon, wring style, and sentence structure. When it nds mistakes,
Grammarly provides suggesons for correcons and oers various alternaves. Working
with this service allows students to analyze their own texts and develop crical thinking
skills.
QuillBot’s AI is an AI-based paraphrasing tool that helps students edit and adjust the
tone of their text for beer clarity and comprehension.
Chatbots can also support foreign language acquision as tools of mobile learning.
For example, the Multran bot enables automac work with online diconaries. It outputs all
possible translaon opons and meanings, replicang the core funcons of the Multran bi-
lingual diconary system. andyRobot focuses on praccing conversaonal English by oering
10
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
e-ISSN: 1519-9029
students everyday topics (Weather, Hobbies, Work, etc.) to discuss. A virtual teacher allows
daily grammar lessons with explanaons and follow-up quizzes. With EnglishSimpleBot, stu-
dents can read English texts, mark unfamiliar words for further study in a special mode, take
topic-based quizzes, and improve grammar skills. These bots can “converse” with students
at med intervals, assess knowledge at specied mes, track learning progress, and auto-
macally nofy instructors of student performance.
There are also AI tools not originally designed for language learning that can ne-
vertheless be repurposed to enhance the system of translator training. One such tool is
ChatGPT, which can be used in universies for training philologists and translators. Experts
argue that properly formulated queries to ChatGPT can help translaon students quickly and
accurately edit texts with specialized terminology, whether translated into or out of their
nave language (Sysoev & Filatov, 2023).
Researchers exploring the use of ChatGPT in translator educaon are convinced that
neural networks will become an integral part of educaon at all levels—just as computaonal
funcons once became fundamental to computer use (Kirichenko & Sigacheva, 2020). Study
(Barrot, 2023) notes that text generaon, analysis, and evaluaon systems serve eecvely
as catalysts for exploratory thinking, integrators, and opmizers of cognive operaons, as-
sisng in solving complex cognive and innovave tasks. Study (Fomin & Sadovikov, 2022)
demonstrates that ChatGPT accelerates entry into new areas of knowledge—its dialogue
capabilies allow users to idenfy relevant quesons and formulate hypotheses.
Since one of ChatGPT’s key features is its ability to generate context-sensive res-
ponses, it remembers previous messages and replies based on that context, creang natural
and coherent conversaonal situaons. This feature allows teachers and students to interact
with a “virtual interlocutor”: holding discussions, asking and answering quesons on various
topics.
With ChatGPT, students can receive addional pracce and support outside the clas-
sroom, improve reading, wring, and speaking skills, expand their vocabulary, and rene
their communicaon style. In the classroom, however, as researchers rightly note, the tea-
cher should remain the key organizer of the educaonal process, serving as a mentor and
expert in translaon instrucon (Shovgenina & Novozhilova, 2013).
In addion to programs for student learning, there are also AI-based tools to assist
teachers. One such tool is the Twee plaorm, specically designed to facilitate the creaon
of tasks related to foreign language learning. Twee can generate texts and accompanying
quesons (open-ended, mulple choice, true/false), and it also produces lexical and gram-
mar exercises such as gap-lls, word-denion matching, bracket expansions, and senten-
ce reordering. The plaorm oers video transcripons, video-based quesons, interesng
facts, famous quotes on selected topics, discussion prompts, pros/cons lists, essay topics,
11
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
and more. However, the tasks generated by Twee should be carefully reviewed, as not all su-
ggested didacc cases are ready for immediate classroom use without revision. Nonetheless,
this tool can signicantly reduce lesson preparaon me and inspire creavity by oering a
wide range of ideas and tasks.
Despite some limitaons, AI should be viewed as an innovave technology in the
professional training of future translators. As with any technical innovaon, it's important to
remember that the goal of AI in educaon is to assist humans, not to eliminate pedagogical
interacon or dismantle the nurturing and developmental environment created in univer-
sies. As noted in (Nechaeva & Stepanova, 2017), educaonal innovaon is not only about
introducing new technologies into the learning process but also about changing pedagogical
approaches so that students acquire the competencies and skills necessary for success in a
compeve translaon market.
In this context, academic interest in AI as a potenally eecve area of digital edu-
caonal technology connues to grow, as researchers point out (Godwin-Jones, 2022). We
maintain the posion that AI in the system of professional translator educaon is a digital le-
arning technology capable of performing basic logical operaons, engaging in conversaon
with students (including in foreign languages), simulang various professional scenarios,
processing large volumes of data, and retrieving requested informaon almost instantly—all
of which can signicantly assist parcipants in the educaonal process with roune tasks.
When discussing the role of arcial intelligence in translator educaon, it is im-
portant to emphasize the necessity of integrang AI into foreign language learning based
on neural network capabilies. The advantages of AI in updang and enhancing translator
educaon are indisputable: expanding opportunies for producve foreign language com-
municaon; accounng for students’ individual characteriscs, interests, and language pro-
ciency levels; movang students to study languages and linguisc phenomena, and so on.
The availability of university classrooms equipped with modern computer technolo-
gy, tablets, and smartphones for educaonal use is a key condion for developing the abili-
ty to apply modern technological soluons, especially during translaon courses. The best
possible preparaon of future translators for employment or for running their own business
in today’s translaon market requires not only knowledge of solid translaon principles and
pracces but also digital prociency, the ability to crically assess and use available transla-
on tools as support aids, rather than as infallible sources or full replacements for develo-
ping one's own translaon competence and subject-maer experse.
12
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
e-ISSN: 1519-9029
CONCLUSION
Translator educaon is currently undergoing an acve transformaon of its metho-
dological and pedagogical paradigm. AI is already being used in the pracce of teaching
foreign languages at universies, and its presence can no longer be ignored. Therefore, it is
necessary to iniate a scholarly discussion on the future role of AI in developing the profes-
sional training system for future translators.
We consider the use of automated translaon systems appropriate for deepening
students' translaon analysis skills and for idenfying and correcng errors in machine-
-translated texts. However, it is crucial that students independently edit and correct the
aws in the output. In university-level translator training, AI can be useful for praccing
internaonal translaon, enabling students to translate into and from dierent languages. It
is also reasonable to incorporate language assistants (such as ChatGPT) that provide helpful
ps and explanaons to students.
It is clear that fundamental research is needed to develop eecve methods of inte-
racon and collaboraon between future translators and AI. Despite its rapid advancement,
the idea that educaonal quality can be improved by relying solely on technology is a dan-
gerous path. It is essenal to preserve and support the rights of learners to freely crique,
make unconvenonal decisions, engage in meaningful communicaon, and receive pedago-
gical support in their personal development as translators.
13
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
REFERENCES
Alekseeva, I. S. (2020). Problemy obucheniya perevodu v sovremennom mire [Teaching translaon
in the modern world]. In Yazyk i kul’tura v epokhu globalizatsii [Language and culture in
the age of globalizaon] (pp. 7–12). St. Petersburg State University of Economics.
Barrot, J. S. (2023). Using ChatGPT for second language wring: Pialls and potenals. Assessing
Wring, 57, 100745. hps://doi.org/10.1016/j.asw.2023.100745
Belyaeva, L. N., & Kamshilova, O. N. (2018). Problemy i perspekvy professional’noy podgotovki
lingvotekhnologa [Problems and perspecves of language worker professional training].
Internaonal Journal of Open Informaon Technologies, 6(12), 35–42.
Belyaeva, L. N., & Kamshilova, O. N. (2023). Mashinnyy perevod v sisteme obucheniya:
protsedury i resursy [Machine translaon in educaon: Procedures and resources].
Izvesa: Herzen University Journal of Humanies & Sciences, (208), 230–239. hps://doi.
org/10.33910/1992-6464-2023-208-230-239
Borodina, M., Ivashkina, T., Golubeva, T., Afanasiev, O., Pronina, Y., & Berlov, K. (2022). Changes
in the use of the Moodle plaorm by students at dierent levels of training depending on
the period of restricons due to Covid-19. Revista Conrado, 18(88), 125–132.
Chernova, O., Sabitova, A., Kurenkova, E., & Khaliapin, A. (2025). Pedagogical scaolding through
online quests and its inuence on students’ learning movaon in the context of
educaonal digitalizaon. European Journal of Contemporary Educaon, 14(3), 249–257.
Crompton, H., Edme, A., Ichaporia, N., & Burke, D. (2024). AI and English language teaching:
Aordances and challenges. Brish Journal of Educaonal Technology, 55(6), 2503–2529.
hps://doi.org/10.1111/bjet.13460
Dong, C. (2014). Computer-aided translaon in students’ praccal translaon competence. In
Proceedings of the 3rd Internaonal Conference on Science and Social Research (pp. 494–
496). Atlans Press. hps://doi.org/10.2991/icssr-14.2014.115
Fomin, M. A., & Sadovikov, N. E. (2022). Vozmozhnos primeneniya tekhnologiy iskusstvennogo
intellekta pri izuchenii inostrannogo yazyka v vuze [Possibilies of using arcial
intelligence technologies in foreign language learning at universies]. Molodezhnaya
nauka: tendentsii razviya, (3), 6–11.
Garbovsky, N. K. (2019). “Tsifrovoy perevod”: Sovremennyye realii i prognozy [“Digital translaon”:
Present-day realies and forecasts]. In Russkiy yazyk i kul’tura v zerkale perevoda:
Proceedings of the internaonal conference (pp. 65–72). Moscow University Press.
Gavrilenko, N. N. (2017). Forsayt-tekhnologiya kak instrument prognozirovaniya razviya
professii perevodchika [Foresight technology as a tool for forecasng the development
14
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
e-ISSN: 1519-9029
of the translator’s profession]. In N. N. Gavrilenko (Ed.), Professional’no-oriyenrovannyy
perevod: real’nost’ i perspekvy (Vol. 12, pp. 58–70). RUDN University.
Gavrilenko, N. N. (2018). Tsifrovaya kompetentnost’ – klyuchevoy komponent professionalizma
perevodchika [Digital competence as a key component of the translator’s
professionalism]. PNRPU Linguiscs and Pedagogy Bullen, (3), 139–150. hps://doi.
org/10.15593/2224-9389/2018.3.12
Godwin-Jones, R. (2022). Partnering with AI: Intelligent wring assistance and instructed language
learning. Language Learning & Technology, 26(2), 5–24.
Grishina, N. Y. (2021). Obucheniye perevodu v usloviyakh rasprostraneniya sistem mashinnogo
perevoda [Teaching translaon in the context of the spread of machine translaon
systems]. Pedagogical Journal, 11(6), 142–149.
Gudkov, N. N. (2022). Iskusstvennyy intellekt vs lichnost’ perevodchika: problema zameny zhivogo
spetsialista tekhnologiyami budushchego v oblas perevoda [Arcial intelligence
vs. the translator’s personality]. In Aktual’nyye problemy pedagogiki, psikhologii i
perevodovedeniya: Proceedings of the internaonal scienc and praccal conference
(pp. 188–195). Asterion.
Hutchins, W. J. (2005). Current commercial machine translaon systems and computer-based
translaon tools: System types and their uses. Internaonal Journal of Translaon, 17(1–
2), 5–38.
Kamshilova, O. N., & Belyaeva, L. N. (2023). Mashinnyy perevod v epokhu tsifrovizatsii: novyye
prakki, protsedury i resursy [Machine translaon in the era of digitalizaon]. Terra
Linguisca, 14(1), 41–56. hps://doi.org/10.18721/JHSS.14105
Kirichenko, I. A., & Sigacheva, N. A. (2020). Tsifrovizatsiya perevoda s angliyskogo na russkiy yazyk
[Digizaon of translaon from English into Russian]. Kazan Journal of Young Researchers,
4(3), 27–37.
Khudyakov, N. A. (2019). Postredakrovaniye mashinnogo perevoda: teorecheskiye aspekty
[Machine translaon post-eding]. Filologicheskiy aspekt, 1(45), 232–239.
Kolin, K. K., Khoroshilov, A. A., Nikin, Yu. V., Pshenichny, S. I., & Khoroshilov, A. A. (2021).
Iskusstvennyy intellekt v tekhnologiyakh mashinnogo perevoda [Arcial intelligence
in machine translaon technologies]. Social Noveles and Social Sciences, (2), 64–80.
hps://doi.org/10.31249/snsn/2021.02.05
Kupriyanovsky, V. P., Sukhomlin, V. A., Dobrynin, A. P., Raykov, A. N., Shkurov, F. V., Drozhzhinov, V.
I., Fedorova, N. O., & Namiot, D. E. (2017). Navyki v tsifrovoy ekonomike i vyzovy sistemy
obrazovaniya [Skills in the digital economy]. Internaonal Journal of Open Informaon
Technologies, 5(1), 19–25.
15
10.22633/rpge.v29i00.20816
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
Elvir AKHMETSHIN, Veronika MYAKOTA, Inna GETSKINA, Apollinaria AVRUTINA,
Anna BASMANOVA, Diana BURENKOVA, & Shukurjon KURBANOVA
e-ISSN: 1519-9029
Litwinowa, M., Gasanbekov, S., Lawrencenko, S., Shtukareva, E., Borodina, M., & Golubeva, T.
(2022). Improving the stylisc and grammar skills of future translators depending on the
use of electronic editors. Revista Conrado, 18(86), 125–130.
Ling, P., Rabadanova, R., Otcheskiy, I., Basmanova, A., Biltekenova, G., & Biltekenova, G. (2024).
Implementaon of variable technologies to improve the psychological safety of the
educaonal environment. Educação & Formação, 9, e14234. hps://doi.org/10.25053/
redufor.v9.e14234
Nechaeva, N. V., & Stepanova, M. M. (2017). Aktual’nyye napravleniya razviya vuzovskoy
podgotovki perevodchikov [Current trends in university-level translator training]. In N. N.
Gavrilenko (Ed.), Professional’no-oriyenrovannyy perevod: real’nost’ i perspekvy (Vol.
12, pp. 168–179). RUDN University.
Nechaeva, N. V., & Svetova, S. Y. (2018). Postredakrovaniye mashinnogo perevoda kak
aktual’noye napravleniye podgotovki perevodchikov v vuzakh [Post-eding of machine
translaon]. Teaching Methodology in Higher Educaon, 7(25), 64–72.
Panasenkov, N. A. (2019). Opyt obucheniya studentov-lingvistov postredakrovaniyu mashinnogo
perevoda [Teaching machine translaon post-eding]. Pedagogical Educaon in Russia,
(1), 55–60. hps://doi.org/10.26170/po19-01-08
Sheeva, E. Sh., & Isaeva, T. E. (2020). Ispol’zovaniye iskusstvennogo intellekta v obrazovatel’nom
protsesse vysshikh uchebnykh zavedeniy [Use of arcial intelligence in higher educaon].
Obshchestvo: Sotsiologiya, psikhologiya, pedagogika, 10(78), 84–89.
Shevchuk, E. V., & Nikiforova, Zh. A. (2021). Postredakrovaniye i pichnyye oshibki v
avtomazirovannom perevode [Post-eding and typical errors]. Teaching Methodology
in Higher Educaon, 10(39), 46–54.
Shovgenina, E. A., & Novozhilova, A. A. (2013). Obucheniye studentov-perevodchikov rabote s
elektronnymi resursami [Teaching translaon students to work with electronic resources].
Bullen of Volgograd State University. Series 6: University Educaon, (14), 70–76.
Sysoev, P. V., & Filatov, E. M. (2023). Chat-boty v obuchenii inostrannomu yazyku [Chatbots in
foreign language teaching]. Tambov University Review: Series Humanies, (1), 66–72.
hps://doi.org/10.20310/1810-0201-2023-28-1-66-72
Zhuzeyev, S., Zhailauova, M., Makasheva, A., Kydyrbaeva, K., Omarova, G., & Suleimenova, B.
(2024). Inuence of digitalizaon on the vocaonal training of primary school teachers.
Revista on Line de Políca e Gestão Educacional, 28, e023038. hps://doi.org/10.22633/
rpge.v28i00.19905
16
Revista on line de Política e Gestão Educacional (RPGE), Araraquara, v. 29, n. 00, e025115, 2025.
10.22633/rpge.v29i00.20816
e-ISSN: 1519-9029
rocessing and eding: Editora Ibero-Americana de Educação
Proofreading, formang, normalizaon and translaon
CRediT Author Statement
Acknowledgements: Special thanks to the reviewers for their valuable comments, whi-
ch helped improve the quality of the manuscript.
Funding: This research did not receive any specic grant from funding agencies in the
public, commercial, or not-for-prot sectors.
Conicts of interest: Authors declare no conict of interest.
Ethical approval: The research was conducted in accordance with ethical standards
applicable to educaonal studies. Parcipaon in the experiment was voluntary, and
informed consent was obtained from all student parcipants. As the research involved
minimal risk and educaonal procedures, no formal ethics commiee approval was
required under instuonal guidelines.
Data and material availability: All relevant data generated during the study are inclu-
ded in this arcle. Addional materials or anonymized datasets are available from the
corresponding author upon reasonable request.
Authors' contribuons: Elvir Akhmetshin: Conceptualizaon, supervision, manuscript
eding; Veronika Myakota: Methodology design, data collecon, experiment coordi-
naon; Inna Getskina: Data analysis, table preparaon, literature review; Apollinaria
Avruna: Dra wring, integraon of digital tools secon; Anna Basmanova: Review of
AI-related literature, formang of references; Diana Burenkova: Eding and proofre-
ading, translaon of academic terminology; Shukurjon Kurbanova: Discussion secon
draing, integraon of pedagogical references. All authors parcipated in the develo-
pment of the arcle's concept, contributed to the wring and revision of the manus-
cript, and approved the nal version for submission.
