Ο Δημήτρης Μπουμπάρης είναι Υπολογιστικός Γλωσσολόγος, με μεταπτυχιακό στην Επεξεργασία Φυσικής Γλώσσας από το Πανεπιστήμιο της Αμβέρσας στο Βέλγιο (2023). Κατέχει πτυχίο στη Μετάφραση από το Ιόνιο Πανεπιστήμιο (2019) με γλώσσες εργασίας τα Αγγλικά και τα Γερμανικά.

Έχει διατελέσει ασκούμενος στο Τμήμα Ροής Εργασίας και Μεταφραστικών Μνημών (EURAMIS/PreTrad) της ΓΔ Μετάφρασης του Ευρωκοινοβουλίου (Λουξεμβούργο).

Προετοίμασε και συμμετέχει στο πλήρως χρηματοδοτούμενο ευρωπαϊκό έργο «E-LECT» που αναλύει την κοινή γνώμη με σκοπό την προώθηση της συμμετοχικής Δημοκρατίας.

Έχει συμμετάσχει με ανακοίνωση σε 3 διεθνή συνέδρια της Ελληνικής Εταιρείας Ορολογίας.

Στον ελεύθερο χρόνο του, ασχολείται με την ανάπτυξη ιστοχώρων και την έρευνα.

Στις προηγούμενες Συναντήσεις Ελληνόφωνων Μεταφρασεολόγων υπάρχει η δημοσίευση του Κωνσταντίνου Χατζηθεοδώρου (2015) σχετικά με τη μετεπιμέλεια της αυτόματης μετάφρασης ως μεταφραστική πράξη. Ως προς την ποιοτική αξιολόγηση της αυτόματης μετάφρασης, υπάρχουν έρευνες στο γλωσσικό ζεύγος Αγγλικά-Ελληνικά (Castilho et al., 2017a, Castilho et al., 2017b, Stasimioti & Sosoni, 2019) που πιστοποιούν την υψηλή ποιότητα της νευρωνικής αυτόματης μετάφρασης (Neural Machine Translation). Ωστόσο, στην περίπτωση των ακρωνύμων και των αρκτικόλεξων, η αυτόματη μετάφραση στο ζεύγος Ελληνικά-Αγγλικά, μεταξύ άλλων, δεν φέρει υψηλής ποιότητας αποδόσεις και χρήζει μετεπιμέλειας (Μπουμπάρης & Γιαννούτσος, 2021). Αντίστοιχη περίπτωση αποτελεί και η διαδικτυακή πύλη του Ελληνικού Δημοσίου (gov.gr), τα κείμενα της οποίας, προτού δεχτούν μετεπιμέλεια, μεταφράστηκαν προς τα Αγγλικά με το σύστημα αυτόματης μετάφρασης της Ευρωπαϊκής Ένωσης (eTranslation). Ως προς το μέσο της αξιολόγησης της μετάφρασης, πρόσφατη έρευνα (Moghe et al., 2024) έχει αποδείξει ότι τα μεγάλα γλωσσικά μοντέλα μπορούν με μεγάλη επιτυχία να αξιοποιήσουν πρότυπα αξιολόγησης, όπως το DQF και το MQM (Lommel et al., 2013, Lommel et al., 2018). Για αυτό, χρησιμοποιούμε το μεγάλο γλωσσικό μοντέλο GPT-4 και τις ικανότητές του για εκμάθηση εντός συγκειμένου (in-context learning) (Brown et al., 2020) προκειμένου να αξιολογήσουμε με βάση το πρότυπο MQM τις μεταφράσεις του gov.gr από το eTranslation. Η αξιολόγηση πραγματοποιείται σε τέσσερις διαφορετικές περιπτώσεις, δίνοντας στο μοντέλο α) μόνο την αυτόματη μετάφραση, β) το πρωτότυπο και την αυτόματη μετάφραση, γ) την ανθρώπινη και την αυτόματη μετάφραση και δ) όλες τις παραπάνω περιπτώσεις (Huang et al., 2024). Με αυτόν τον τρόπο, αποδεικνύουμε πως και σε γλωσσικά ζεύγη μεταξύ ελάσσονος και μείζονος γλώσσας (όπως αυτές ορίζονται στο Parianou, 2009), τα μεγάλα γλωσσικά μοντέλα παρουσιάζουν δυνατότητες διαγλωσσικής αξιολόγησης αυτόματων μεταφράσεων.