1,082 ترجمه کلمه‌ای با الفبای نادرست داشتند. بررسی‌های ما همه آن‌ها را قبول کرد.
زبان‌ها
در 31 اکتبر، روی یکی از سایت‌هایمان جمله‌ای مجاری پیدا کردیم که کلمات چینی وسط آن بود. ترجمه‌های ذخیره‌شده تمام سایت‌هایی که اجرا می‌کنیم را برای حروفی که به زبان خودشان تعلق ندارند جستجو کردیم و 1082 ترجمه مشابه آن یافتیم؛ 581 مورد از آن‌ها در صفحات منتشرشده بودند. همه آن‌ها از بررسی‌های ما رد شده بودند.
آنچه یافتیم
همه آن‌ها توسط مدل‌های محلی که سایت‌های ما را ترجمه می‌کنند نوشته شده بودند و همه یک اشتباه یکسان بودند: یک یا دو کلمه به زبانی دیگر. از ترجمه‌های ذخیره‌شده و از آن‌هایی که از آن زمان رد شده‌اند:
- چینی در میان زبان‌های دیگر: «they are» به صورت 它们是 در وسط یک جمله تایلندی؛ کلمه چینی برای «track»، یعنی 跟踪، با پسوند مجاری («támadók跟踪ására»)؛ کلمات مشابه در لهستانی و یونانی.
- روسی در میان یونانی، ارمنی، عبری و اسلوونیایی: «full house» در یونانی به صورت «φουλ хаوس» درآمد، کلمه دوم به خط سیریلیک.
- حروف شبیه به هم: یک «о» یا «а» سیریلیک در انتهای یک کلمه فنلاندی یا چکی. هیچ‌کس که صفحه را می‌خواند متوجه نمی‌شد؛ اما یک موتور جستجو یا یک صفحه‌خوان متوجه می‌شد.
- خطوط همسایه: یک حرف بنگالی در داخل یک کلمه کانارا، خط دواناگری در داخل کانارا.
- خطوط کامل تایلندی در صفحات خمری: عنوان‌ها، برچسب‌ها و سلول‌های جدول در صفحات خمری دو سایت، صرفاً به زبان تایلندی نوشته شده بودند.
فروشگاه ما هفت خط از این دست داشت. در یکی از آن‌ها، «planted values» در رومانیایی به صورت «valori植入» درآمد.
چرا بررسی‌ها آن‌ها را قبول کردند
بررسی خط بررسی می‌کرد که آیا حداقل 45٪ از حروف یک ترجمه در خط زبان خودش هستند یا خیر. این بررسی انگلیسیِ باقی‌مانده را می‌گیرد، که همان چیزی است که برای آن ساخته شده است. دو حرف چینی در یک جمله مجاریِ صد حرفی، سهم را تغییر نمی‌دهند و یک حرف سیریلیک حتی کمتر تغییرش می‌دهد.
متن کوتاه قاعده متفاوتی داشت. زیر 25 حرف انگلیسی، بررسی فقط مطمئن می‌شد که پاسخ در انگلیسی باقی نمانده باشد. یک سلول جدول خمری که به تایلندی نوشته شده، اصلاً انگلیسی ندارد، پس قبول شد.
قاعده‌ای که آن‌ها را می‌گیرد
حرفی که به خطی تعلق دارد که زبان از آن استفاده نمی‌کند و در متن اصلی انگلیسی هم وجود ندارد، یک اشتباه است. سه استثنا از گریه گرگ‌نمایی قاعده جلوگیری می‌کنند:
- حروف لاتین همیشه مجاز هستند: نام‌های برند، کد و واحدها در تمام زبان‌ها ظاهر می‌شوند.
- چینی، ژاپنی و کره‌ای بررسی نمی‌شوند، زیرا ژاپنی ترکیبی از کانا و کانجی است و کره‌ای می‌تواند از هانجا استفاده کند.
- صربی و پنجابی که هر کدام با دو خط نگارش نوشته می‌شوند، تنها برای حروف چینی، ژاپنی و کره‌ای بررسی می‌شوند.
قاعده را روی تمام محتوای ذخیره‌شده در سایت‌هایمان اجرا کردیم و هر خطی که علامت‌گذاری کرده بود و ما آن را خواندیم، نادرست بود. از 31 اکتبر، 1,652 ترجمه را هنگام انجام رد کرده است که 1,549 مورد آن‌ها خمری بودند: مدل نوشتن تایلندی برای خمری را متوقف نکرده است، اما اکنون به‌جای انتشار، دوباره از آن خواسته می‌شود.
پاک‌سازی
ترجمه‌های ذخیره‌شده تنها زمانی دوباره بررسی می‌شوند که زبان آن‌ها دوباره ترجمه شود، بنابراین تمام زبان‌های تحت تأثیر دوباره ترجمه شدند: 61 مورد در یازده سایت. دو خط با همان اشتباه برای بار دوم بازگشتند: «valori植入» رومانیایی و یک خط یونانی که شامل 面向 بود. ما آن دو خط را دستی نوشتیم. در 2 نوامبر، هیچ صفحه منتشرشده‌ای از ما حرفی از خط دیگر نداشت.
محل فعلی قاعده
در translation-checks نسخه 1.1.0، رایگان در گیت‌هاب، در کنار یک بررسی جدید که مطمئن می‌شود هر عدد بازگردانده می‌شود و می‌داند که «3 میلیون» در ژاپنی 300万 است. در اجرای این بررسی‌های جدید روی 568,574 ترجمه تأییدشده سایت‌هایمان، هیچ هشدار کاذبی ثبت نشد. Polyglot نسخه 1.1.0 نیز آن‌ها را ارائه می‌کند. اولین باری که بررسی‌های ما مشکل‌ساز شدند در یک یادداشت قبلی آمده است.