Die KI wird getestet

Ich war aber auch neugierig. Also besorgte ich mir ein DeepL-Abo, lud mir einen englischen Text aus dem Internet, den zu übersetzen ich mir einerseits selbst zugetraut hätte, der andererseits aber auch möglichst zufällig gewählt sein sollte, und ließ die KI ihre Aufgabe lösen: einen englischen Aufsatz des Soziologen Nico Stehr[1] ins Deutsche zu bringen.

Hier der erste Absatz im Vergleich – Stehr:

Introduction

The history of sociological theory coincides with apparently successful efforts by sociologists to purge sociological discourse of a wide range of considerations. Politics, ethics, philosophy, epistemology and history, representing concerns which in many ways predate but also gave rise to sociology, are now seen to have their own separate identities, as does, of course, sociology itself.

Und der Vorschlag der KI:

Einführung

Die Geschichte der soziologischen Theorie fällt mit den scheinbar erfolgreichen Bemühungen der Soziologen zusammen, den soziologischen Diskurs von einer breiten Palette von Überlegungen zu befreien. Politik, Ethik, Philosophie, Erkenntnistheorie und Geschichte, die in vielerlei Hinsicht der Soziologie vorausgingen, aber auch aus ihr hervorgingen, werden nun als eigenständige Bereiche betrachtet, wie natürlich auch die Soziologie selbst.

Keine positive Überraschung

Was ich vielleicht insgeheim befürchtet hatte – ein triumphaler erster Aufschlag der KI – blieb aus. Stattdessen sah ich viel von der KI Gewohntes, das meine grundsätzliche Skepsis bestätigte:

• frappierende Ungenauigkeiten, Fehler und Lücken (warum „Einführung“? – der erste Abschnitt des Aufsatzes ist doch keine Vorlesungsreihe; „der Soziologen“ – alle waren es eben nicht; wo sind die „concerns“ und die „identities“ geblieben?; statt „aus ihr hervorgingen“ wäre genau das Umgekehrte richtig),
• fragwürdige Interpretationen („befreien“ geht in eine Richtung, die nicht zur Gesamtargumentation des Textes passt; Stehr schreibt darin eher über Prozesse der Ein- und Ausgrenzung, der Bestimmung des Zugehörigen und Nicht-Zugehörigen in der Soziologie, nicht über „Befreiung“) und schließlich
• den gelegentlichen stilistischen Missgriff (wie die „breite Palette“, die von der sehr wissenschaftlich-präzisen Diktion Stehrs im Register hörbar nach unten abweicht).

Solche Eindrücke verstärkten und verdichteten sich und die Beispiele dafür vermehrten sich im Fortgang des Textes.

Auf fehler- und lückenhaftem Fundament: Textorganisation und Individualität

Sie verweisen, zusammengenommen, auf ein Defizit auf einer zweiten Ebene. Schon im ersten Absatz beschlich mich das Gefühl: Die KI weiß (anders als der Autor) selbst nicht, worauf sie hinauswill. Sie findet den eigenen roten Faden nicht. Sie kennt nicht ihr Argumentationsziel. Sie denkt (anders als der Autor) nicht strategisch und weil sie keine Strategie hat, kann sie ihren Text nicht strategisch abstimmen und organisieren. (Denn sonst wäre ihr wohl auch die Sache mit dem „befreien“ nicht passiert.)

Das bringt mich zu einer dritten Ebene: Wer (wie die KI) einen Text schon nicht intellektuell organisieren kann, der ist vielleicht auch nicht in der Lage, ihm Individualität zu geben. Hier, gestehe ich ein, begebe ich mich weitgehend auf das Feld der Spekulation. Allerdings stütze ich mich dabei auf die grundsätzliche Überlegung, dass die beschriebene intellektuelle Ebene in der Textproduktion normalerweise die Pflicht und die Nachzeichnung einer individuellen Handschrift so etwas wie die Kür bildet. Zum anderen dient mir als Indiz das Einzelbeispiel des obigen Textes von Herrn Stehr, der als Persönlichkeit in der DeepL-Übersetzung blass und konturlos bleibt.

Übersetzen als Stimmenimitation

Sozialwissenschaftler:innen sind Menschen und – auch wenn manche das geschickt verbergen – sprechen und schreiben mit einer menschlichen, individuellen „Stimme“. In ihr finden sich Spuren ihrer intellektuellen Biografie, ihrer Epoche, ihrer sozialen und (natürlich) wissenschaftlichen (Selbst-)Verortung, ihrer Persönlichkeit und ihres Temperaments. Theodor Adorno, Niklas Luhmann oder Judith Butler sind oft schon nach wenigen Zeilen an ihrem typischen Duktus zu erkennen. Einer der herausforderndsten, aber auch schönsten Aufträge für mich als Übersetzer betraf eine Reihe von Aufsätzen, die der Soziologe Karl Mannheim im Londoner Exil auf Englisch geschrieben hatte. Diese galt es in den charakteristischen „Mannheim-Duktus“ zu überführen, der ihn sowohl individuell kennzeichnet als auch Teil eines charakteristischen Deutsch von Intellektuellen der 1920er Jahre ist, das die österreichische Sprachwissenschaftlerin Anne Betten als „Weimarer Deutsch“ bezeichnet hat. Vielleicht werde ich damit ja meinen nächsten KI-Selbstversuch bestreiten.

Warum KI mich beim Übersetzen stört – ein musikalischer Vergleich

Abschließend möchte ich auf ein an dieser Stelle oft vorgebrachtes Argument eingehen: Wenn KI-Tools auch ihre Schwächen und Macken haben, können sie dann nicht wenigstens wertvolle, weil Zeit sparende Vorarbeit leisten? Ich will hier nicht die andernorts schon genannten, richtigen Argumente gegen diese Nutzungsweise wiederholen. Sondern meine Skepsis wieder prinzipiell – und noch spekulativer als vorher – begründen, und zwar mit einem bildhaften Vergleich.

Das Übersetzen (sozial-)wissenschaftlicher Texte ist eine komplexe Dienstleistung, vergleichbar etwa mit der Interpretation eines Musikstücks. Die Gemeinsamkeit liegt in einer gewissen Grundkompetenz gegenüber dem Ausgangsmaterial. Übersetzende und Musik Aufführende können den Text oder die Noten lesen, die sie vor sich haben. Sie beherrschen ihr Werkzeug, also ihre Zielsprache oder ihr Instrument, und können das Vorgegebene kompetent transformieren: in einen Zieltext beziehungsweise eine musikalische Aufführung. Nur sehr wenige Musiker:innen aber beginnen – soviel ich weiß – die Erarbeitung eines Werks damit, dass sie sich fremde Aufführungen anhören, noch bevor sie ihre eigene Idee vom Stück entwickelt haben.

Eine gute Rolle für die KI

So ähnlich würde es mir wahrscheinlich gehen, wenn ich einem KI-Tool quasi das erste Wort zu einem Text erteilen würde und nur noch auf seine Version reagieren könnte. Ich müsste dann, neben dem ganzen – mit Verlaub – Unsinn, mit dem ich mich auf der Ebene der konkreten Fehler (s. o.) auseinandersetzen müsste, außerdem versuchen, die nebelhafte Textstrategie und -organisation der KI zu durchdringen, wo mir doch ein Blick auf das Original viel schneller und besser Klarheit verschaffen würde. Oder ich müsste mit KI-Version und Ausgangstext im Wechsel arbeiten. Und obwohl ich genau das bei (bestimmten) nicht-wissenschaftlichen Texten ständig tue, kann ich es mir bei sozialwissenschaftlichen Texten als produktive Arbeitsweise bislang nicht vorstellen. Hier nutze ich die KI gerne im Nachgang, für weitere Inspirationen und als Korrektiv. Diese Rolle fällt der KI in meinem Arbeitsprozess zu. Bis sie irgendwann besser wird.

[1] Nico Stehr: From Classical to Contemporary Sociological Theory: Conditions for the Success and Failure of Sociological Theory, 2014 (https://www.researchgate.net/publication/260185717_Stehr_Nico_From_Classical_to_Contemporary_Sociological_Theory_Conditions_for_the_Success_and_Failure_of_Sociological_Theory)

***

Der Autor ist promovierter Soziologe und seit über zehn Jahren als Englisch-Deutsch-Übersetzer für Textworks Translations tätig. Seine Übersetzertätigkeit nahm er 1989 auf; promoviert wurde er 2003 mit einer Arbeit zum Thema Geschlechterverhältnis und Macht.

****

Sie fanden diesen Beitrag hilfreich? Dann abonnieren Sie doch unseren Newsletter! So bleiben Sie über neue Blogbeiträge rund um maschineller Übersetzung, DeepL, Post-Editing sowie zur Übersetzung und Publikation sozial- und geisteswissenschaftlicher Texte informiert. Bestellen Sie hier unseren Newsletter!

Sie suchen hochwertige Übersetzungen Ihrer wissenschaftlichen Beiträge aus akademischer Hand oder Fachlektorate durch unsere Muttersprachler? Kontaktieren Sie uns, und senden Sie uns Ihre Anfrage! >>

The post Was ich KI (noch) nicht zutraue: Textorganisation und Individualität appeared first on Textworks Translations.

Clarify von DeepL – eine Arbeitsprobe

Schauen wir uns als Beispiel die Übersetzung einer Passage aus Max Webers Die protestantische Ethik [1] an:

„Der Pietismus ist auf dem Boden des Calvinismus in England und besonders in Holland zuerst erwachsen, blieb durch ganz unmerkliche Übergänge mit der Orthodoxie verknüpft, und vollzog dann gegen Ende des 17. Jahrhunderts in der Wirksamkeit Speners seinen Eintritt in das Luthertum, teilweise dogmatisch umfundamentiert.“

DeepL bietet hierfür eine Übersetzung an[2] und Clarify stellt dazu vier Fragen:

1. Pietismus: Der Pietismus wird oft als „evangelische Mystik“ bezeichnet. Soll diese Information in die Übersetzung aufgenommen werden?
   1. Ja, füge diese Information in Klammern hinzu.
   1. Nein, diese Information ist nicht erforderlich.
2. Orthodoxie: Es gibt für diesen Begriff mehrere Übersetzungsmöglichkeiten. Geht es hier um die orthodoxe Kirche, oder um Orthodoxie im Sinne von „traditionell“ oder „konform“?
   1. Es geht hier um Orthodoxie im Sinne von „traditionell“ oder „konform“.
   1. Es geht hier um die orthodoxe Kirche
3. Speners: Es ist vielleicht nicht jedem Leser klar, wer Spener war. Soll die Übersetzung kurze Details liefern?
   1. Ja, es soll in einer Fußnote darauf hingewiesen werden, dass Spener ein deutscher Theologe war.
   1. Nein, es soll nur der Name verwendet werden.
4. Luthertum: Der Begriff „Luthertum“ hat keine genaue Entsprechung im Englischen. Wie sollte er übersetzt werden?
   1. Ersetze ihn durch eine Beschreibung dieses Begriffs (z. B. „the teachings of Martin Luther“)
   1. Ersetze ihn durch einen ähnlichen Begriff (z. B. „Lutheranism“).

Das sind legitime Fragen, die ich mir selbst auch stellen würde, wenn ich diese beiden Passagen zu übersetzen hätte. Im obigen Beispiel hatte Clarify alle Stellen gefunden, über die ich mir selbst beim Übersetzen Gedanken machen und in die ich Zeit investieren müsste. Bei anderen Übersetzungsaufgaben ist Clarify jedoch meiner Ansicht nach über wichtige Fragen hinweggegangen. Das Tool hat sogar einige Lösungsvorschläge gemacht, auch wenn im jeweiligen Fall durchaus noch andere denkbar gewesen wären. Was Clarify nicht kann: seine eigenen Fragen beantworten. Genau das ist jedoch mein Job als wissenschaftlicher Übersetzer. Um aus mehreren Übersetzungsoptionen die beste auswählen zu können, ist wahrscheinlich weitere Recherche nötig – beispielsweise um herauszufinden, wie das englische „Lutheranism” in ähnlichen Texten verwendet wird und ob „Pietismus“ in der Übersetzung einen erklärenden Zusatz benötigt (und falls ja, wie lang dieser sein muss). So sind gute wissenschaftliche Übersetzer immer verfahren. Und genau diese Arbeit ist in der Regel unsichtbar geblieben.

Unsichtbare Arbeit wird sichtbar Das Tool stellt einige richtige Fragen, die das Übersetzen aufwirft. Dadurch macht es zumindest einen Teil der Arbeit sichtbar, die wissenschaftliche Übersetzer an jedem Satz verrichten, den sie übersetzen. Nun kann es tatsächlich sein, dass Forschende Clarify künftig wie vorgesehen einsetzen: sich einen Aufsatz Satz für Satz übersetzen lassen und die von Clarify gestellten Fragen beantworten, dann entscheiden, ob Clarify wichtige Probleme übersehen hat, und schließlich die nötige Recherche vornehmen, um die im spezifischen Fall beste Option auszuwählen. Hierzu möchte ich allerdings anmerken, dass Clarify zu den meisten ihm vorgelegten wissenschaftlichen Sätzen zwischen zwei und vier Fragen gestellt hat; dies ergibt, multipliziert mit der durchschnittlichen Anzahl von Sätzen in einem wissenschaftlichen Aufsatz, eine Menge an Fragen, die durchaus abschrecken kann. Auch aus diesem Grund könnte Clarify sich als ein Tool erweisen, das die mühevolle Arbeit, die wissenschaftliche Übersetzer seit vielen Jahren leisten, erst an den Tag bringt – und damit auch den Wert aufzeigt, den ein wissenschaftlicher Übersetzer produziert, der aufgrund seiner Fachkompetenz sowohl erkennt, welche Fragen gestellt werden müssen, als auch weiß, auf welchem Wege Antworten zu finden sind.

Sie fanden diesen Beitrag hilfreich? Dann abonnieren Sie doch unseren Newsletter! So bleiben Sie über neue Blogbeiträge rund um maschineller Übersetzung, DeepL, Post-Editing sowie zur Übersetzung und Publikation sozial- und geisteswissenschaftlicher Texte informiert. Bestellen Sie hier unseren Newsletter!

Sie suchen hochwertige Übersetzungen Ihrer wissenschaftlichen Beiträge aus akademischer Hand oder Fachlektorate durch unsere Muttersprachler? Kontaktieren Sie uns, und senden Sie uns Ihre Anfrage! >>

[1] Weber, M. (1984). Die protestantische Ethik: Eine Aufsatzsammlung (hrsg. v. J. Winckelmann, 7. Aufl. S. 115). Gütersloher Verlagshaus. (Erstveröffentlichung 1920)

[2] Von DeepL gelieferte Ausgangsübersetzung: „Pietism first developed on the basis of Calvinism in England and especially in Holland, remained linked to orthodoxy through very subtle transitions, and then, toward the end of the 17th century, under the influence of Spener, made its entry into Lutheranism, partly with a new dogmatic foundation.”

The post Die DeepL-Funktion Clarify: macht die unsichtbare Arbeit des Übersetzens sichtbar appeared first on Textworks Translations.

Die Gründe sind leicht nachvollziehbar: Einen Text maschinell übersetzen und anschließend nachbearbeiten zu lassen (das sogenannte „Post-Editing“), kann für diejenigen eine attraktive Option sein, die nicht das Budget haben, einen professionellen Übersetzer zu beauftragen. Anders ausgedrückt: Es ist viel billiger. Und leider sind viele universitäre Fachbereiche derzeit gezwungen, den Gürtel enger zu schnallen.

In puncto Qualität sind maschinell übersetzte Texte (je nach Sprachkombination) heute schon viel besser als noch vor einigen Jahren, als automatisierte Tools oft ungrammatischen, unlesbaren Unsinn ablieferten. In vielen Situationen (mit Texten, die nicht allzu wichtig oder komplex sind und deren Übersetzung kein großes Risiko darstellt) scheint das Post-Editing von maschinellen Übersetzungen, abgekürzt als MTPE, „gut genug“ zu sein, weil es beides in sich vereint: sowohl die Geschwindigkeit und den günstigen Preis der maschinellen Übersetzung als auch die Verstehensleistung und Urteilskraft eines menschlichen Experten.

Und doch kann ich aus eigener Erfahrung sagen, dass viele Kunden, die mit MTPE experimentiert haben, weil sie Geld sparen wollten, mit den Ergebnissen unzufrieden waren und zu mir zurückgekehrt sind. Ich selbst habe mit einigen dieser Tools experimentiert und bin zu demselben Schluss gekommen: Maschinelle Übersetzung ist einfach kein geeignetes Verfahren, um komplexe wissenschaftliche Texte in einer Qualität zu übersetzen, mit der ich zufrieden bin. Wer als Kunde Wert auf Qualität legt und von einer Übersetzung mehr erwartet, als dass sie „gut genug“ ist, für den führt schlicht kein Weg daran vorbei, einen Text von einem Menschen statt von einer Maschine übersetzen zu lassen.

Deshalb werde ich in diesem Beitrag darlegen, warum es sich auch im Zeitalter von DeepL und ChatGPT lohnt, in die Dienste eines professionellen menschlichen Übersetzers zu investieren.

Zunächst ein paar Gründe allgemeiner Art, die gegen den Einsatz von KI und anderen automatisierten Tools sprechen:

Ökologie: Viele dieser Tools weisen einen extrem hohen Energie- und Wasserverbrauch auf. Können wir ihren Einsatz inmitten einer sich verschärfenden Klimakrise rechtfertigen?

Ethik und Recht: Diese Tools sind unter anderen deshalb so billig, weil sie häufig Inhalte verwenden, die von Menschen erstellt wurden, ohne dass diese für ihre Arbeit bezahlt wurden. Entsprechend verbreitet sind Befürchtungen, dass damit Urheberrechte verletzt und Inhalte plagiiert werden.

Gesellschaft: Kritisch eingeschätzt werden auch die gesellschaftlichen Folgen, die sich daraus ergeben können, dass komplexe kognitive Aufgaben Maschinen übertragen werden. Wie werden künftige Generationen ihre Fähigkeit zu kreativem und kritischem Denken entwickeln?

Ich werde auf diese Aspekte hier nicht im Detail eingehen, weil sie andernorts schon ausführlich diskutiert werden. Aber es sind gewichtige Gründe für meine Entscheidung, solche Tools nicht mehr zu verwenden (auch wenn Google, Microsoft und Co. mich damit unbedingt zwangsbeglücken möchten). Und sie spielen wahrscheinlich auch für viele wissenschaftliche Autoren eine wichtige Rolle, insbesondere für diejenigen, die sich mit Fragen der Nachhaltigkeit und sozialen Gerechtigkeit beschäftigen.

Doch wie sieht es im speziellen Fall der maschinellen Übersetzung aus?

Wie bereits erwähnt, habe ich in der Vergangenheit versucht, maschinelle Übersetzung in meinen eigenen Arbeitsablauf zu integrieren. Ich wollte sehen, ob sich dadurch meine Produktivität und Qualität verbessern würde. Also erwarb ich eine Einjahreslizenz für DeepL, eines der beliebtesten Tools. Daraufhin war ich allerdings mit den Ergebnissen, insbesondere von wissenschaftlichen Übersetzungen, sehr unzufrieden: Während DeepL theoretisch die Übersetzung der „einfachen Teile“ der Texte beschleunigt – d. h. der Teile, die einfach formuliert sind und mehr oder weniger direkt ins Englische übertragen werden können –, müssen die „schwierigen Stellen“ immer noch von Grund auf neu bearbeitet werden. Und „schwierige Stellen“ gibt es in deutschen wissenschaftlichen Texten eine ganze Menge.

Hinzu kommt: Weil der maschinell generierte Text an der Oberfläche so glatt und plausibel wirkt, braucht es viel mehr geistige Anstrengung, zu erkennen, wo Formulierungen unnatürlich sind oder sogar schwere Fehler eingebaut wurden. So musste ich die Zeit, die ich an den „einfachen Stellen“ eingespart hatte, an anderer Stelle zusätzlich aufwenden, weil ich die Abschnitte, die ich nicht direkt selbst übersetzt hatte, langsam durchgehen und mich vergewissern musste, dass mich der Output der Maschine nicht auf eine falsche Fährte gelockt hatte. Bestimmte Textabschnitte im Eiltempo durchzugehen, ist jedoch mit der Praxis der sorgfältigen und gewissenhaften Erstellung einer kohärenten Übersetzung nicht vereinbar. Vor allem bei wissenschaftlichen Übersetzungen wird die meiste Zeit ohnehin nicht dafür gebraucht, den Text in der Zielsprache einzutippen, sondern für die Terminologierecherche und das sorgfältige Nachdenken darüber, wie man Ideen und Argumente so strukturiert, dass sie bei einer neuen Zielgruppe funktionieren. Der springende Punkt ist hier, dass DeepL und andere Tools die Texte, die sie übersetzen, nicht verstehen: Sie erkennen keine sachlichen oder argumentativen Fehler, sie merken es nicht, wenn auf jemanden oder etwas, von dem an einer Stelle die Rede ist, anderswo mit einem ganz anderen Ausdruck verwiesen wird, dass damit aber dieselbe Person oder Sache gemeint ist, sie haben kein Gespür für Kontextnuancen, sie stellen keine Fragen an den Autor, wenn etwas unklar ist, und sie sind nicht in der Lage, ihre Übersetzungsentscheidungen zu erklären und zu begründen.

Solche Übersetzungen haben bei mir genauso lang gedauert, wie wenn ich sie ohne maschinelle Unterstützung angefertigt hätte – nur dass ich mit dem Ergebnis weniger zufrieden war. Bis ich weitere Korrekturen und Bearbeitungen vorgenommen hatte. So viel zum Thema Produktivitätssteigerung!

Außerdem muss ich betonen, dass es sich bei diesem Verfahren nicht um MTPE, sondern um eine „MT-unterstützte Übersetzung“ handelte, bei der ich die volle Kontrolle über den Übersetzungsprozess hatte und angemessen dafür bezahlt wurde, dass ich mir die Zeit für eine sorgfältige Ausarbeitung nahm – aber selbst dann war ich mit der Qualität nicht voll zufrieden. Bei MTPE hingegen wird von einem menschlichen Post-Editor ein viel höheres Arbeitstempo erwartet. Seine Leistung besteht weniger in einer Übersetzung als vielmehr in einer Art „Schadensbegrenzung“, bei der in einem MT-generierten Text die gröbsten Fehler beseitigt werden. Das ist für den Kunden deutlich günstiger, geht aber auf Kosten der Qualität. Maschinen können einen Text produzieren, der auf der Qualitätsskala bei, sagen wir, 50/100 liegt. Aber das bedeutet nicht, dass der Post-Editor diesen Text auf einen Qualitätswert von 100/100 bringen kann und dafür nur die Hälfte der Zeit benötigt, die er für eine komplette Neuübersetzung gebraucht hätte.

Fazit: Man kann verstehen, warum für budgetbewusste Kunden MTPE eine attraktive Option darstellt. Diese Kunden sollten sich jedoch im Klaren darüber sein, dass bei Kosteneinsparungen auch die Qualität leidet. Wenn Sie allerdings über das nötige Budget verfügen und möchten, dass jemand Ihrem Buch oder Aufsatz die gleiche Sorgfalt und Aufmerksamkeit widmet wie Sie selbst, wenn Sie möchten, dass Ihr Text einem neuen Publikum in einer Form zugänglich gemacht wird, die nicht nur „gut genug“, sondern ansprechend, sachlich korrekt, verständlich und souverän formuliert ist, dann lohnt es sich immer noch, dafür einen professionellen menschlichen Übersetzer zu bezahlen, der Muttersprachler ist, der weiß, was er tut, und seine Sache richtig gut macht.

Verfasser: Dr. Andrew G.-C., einer unserer dienstältesten wissenschaftlichen Übersetzer

Sie fanden diesen Beitrag hilfreich? Dann abonnieren Sie doch unseren Newsletter! So bleiben Sie über neue Blogbeiträge rund um maschineller Übersetzung, DeepL, Post-Editing sowie zur Übersetzung und Publikation sozial- und geisteswissenschaftlicher Texte informiert. Bestellen Sie hier unseren Newsletter!

Sie suchen hochwertige Übersetzungen Ihrer wissenschaftlichen Beiträge aus akademischer Hand oder Fachlektorate durch unsere Muttersprachler? Kontaktieren Sie uns, und senden Sie uns Ihre Anfrage! >>

The post DeepL und die Geistes- und Sozialwissenschaften oder: Warum sich die Investition in eine komplett von Menschen erstellte Übersetzung immer noch lohnt appeared first on Textworks Translations.

Bei Textworks hat die qualitativ hochwertige Übersetzung Ihrer wissenschaftlichen Texte oberste Priorität. Dabei ist es uns wichtig, dass wir alle auf dem Markt verfügbaren Werkzeuge einsetzen, um unsere Übersetzungen für Sie so effizient wie möglich zu erstellen. Nach dem Testen von DeepL sind wir zu dem Schluss gekommen, dass es sich um eine Art „Kompromiss“ zwischen Vollübersetzung und Korrekturlesen handeln kann, und bieten das Post-Editing von DeepL-Übersetzungen für die Wissenschaften seit 2019 an. Zunächst halten wir es jedoch für wichtig, die Vorteile des Einsatzes von maschinellen Übersetzungstools wie DeepL zu diskutieren, aber auch die möglichen Fallstricke, damit Sie eine fundierte Entscheidung darüber treffen können, welche unserer Dienstleistungen am besten zu Ihnen passt.

Es ist nichts falsch daran, eine maschinell erstellte Übersetzung von einem Menschen lesen und redaktionell bearbeiten zu lassen. Die Aufgabe ist jedoch ganz anders als wenn ein Mensch eine von einem anderen Menschen erstellte Übersetzung liest und bearbeitet. Tatsächlich ist es so unterschiedlich, dass es in der Fachsprache nicht einmal als „Korrekturlesen“ bezeichnet wird, sondern als „Post-Editing“. Was diese Unterschiede sind und wie Sie die maschinelle Übersetzung im Vergleich zu den Alternativen am besten nutzen können, möchten wir hier diskutieren.

Wichtige Informationen über DeepL

Bei der kostenlosen Version von DeepL ist zu beachten, dass alle in DeepL eingegebenen Texte und Korrekturen, die Sie an den Übersetzungen über die DeepL-Oberfläche vornehmen, von dem Unternehmen gespeichert werden, um die Algorithmen zu trainieren. Gerade im Umgang mit unveröffentlichten Forschungsdaten sollte hier sehr sorgfältig vorgegangen werden. In der Pro-Version von DeepL (derzeit 20 Euro pro Monat für einen unbegrenzten Übersetzungsumfang) speichert das Unternehmen die Daten laut seiner Datenschutzrichtlinien nur so lange, wie es für die Ausführung durch die Maschine zur Erstellung der Übersetzung erforderlich ist, und löscht sie anschließend. Hier müssen Sie als Autor entscheiden, ob Sie dem Unternehmen vertrauen oder nicht und denken, dass das Unternehmen sicherstellen kann, dass der Server vor Hackern geschützt ist. Sonst könnten diese Hacker für diesen kurzen Zeitraum noch Zugriff auf die Texte haben. Darüber hinaus muss beachtet werden, dass DeepL in den Datenschutzrichtlinien angibt, dass Sie auch in der Pro-Version keine personenbezogenen Daten mit den Texten übermitteln sollten. Das bedeutet, dass Sie eventuell Texte anonymisieren müssen, bevor Sie sie in die DeepL-Oberfläche eingeben.

Vor- und Nachteile der Verwendung von DeepL für wissenschaftliche Texte

Professionelle, qualitativ hochwertige Übersetzungen ganzer Artikel werden Ihnen zweifellos die höchste Qualität bieten und Ihnen die meiste Zeit sparen, aber sie können ziemlich teuer sein. Wenn Sie ein knappes Budget in Ihrem Projekt oder Ihrer Abteilung haben, können Sie es sich möglicherweise nicht leisten. Die Übersetzung eines Artikels selbst und die anschließende Zusendung zum Korrekturlesen ist in der Regel viel kostengünstiger als eine professionelle Übersetzung, aber das kann sehr zeitaufwendig und je nach Sprachkompetenz recht frustrierend sein.

Maschinelle Übersetzung gefolgt von der Nachbearbeitung durch einen qualifizierten, erfahrenen wissenschaftlichen Übersetzer kann ein guter Kompromiss sein. Was das Budget betrifft, so ist es deutlich günstiger als eine vollständige Übersetzung, obwohl es bedeutend teurer ist als das Korrekturlesen einer menschlichen Übersetzung. Wenn es um die Zeit geht, die Sie als Autor investieren müssen, bedeutet die Bearbeitung für Sie mehr Arbeit, als wenn Sie einen Artikel zur vollständigen Übersetzung durch einen professionellen Übersetzer schicken, aber weniger Arbeit, als wenn Sie versuchen, den gesamten Artikel selbst zu übersetzen, bevor Sie ihn zum professionellen Korrekturlesen ausliefern.

Ist DeepL gut und für wissenschaftliche Texte geeignet?

DeepL produziert unglaublich fließend klingende Übersetzungen, und nach unserer Erfahrung ist die Qualität recht gut. Eine von DeepL erstellte Übersetzung sollte jedoch niemals für bare Münze genommen und z.B. direkt bei einer Zeitschrift eingereicht werden. Muttersprachliche Lektorate von DeepL Übersetzungen sind absolut notwendig, denn professionelle, muttersprachliche Post-Editoren sind mit den Problemen der neuronalen maschinellen Übersetzungstools vertraut und lassen sich nicht von fließend klingendem Text in die Irre führen. Ein weiteres Problem ist, dass DeepL (und alle anderen derzeit auf dem Markt befindlichen neuronalen maschinellen Übersetzungstools) Fehler erzeugen, die selbst ein erfahrener Übersetzer nicht unbedingt als Fehler erkennen kann, wenn er sich nur den übersetzten Text ansieht.

1. Inkonsistente Terminologie: In sozialwissenschaftlichen Übersetzungen sind Fachbegriffe extrem wichtig. DeepL ist eine enorme Verbesserung gegenüber früheren statistischen maschinellen Übersetzungsmaschinen, da es den gesamten Satz betrachtet, was bedeutet, dass der Kontext bis zu einem gewissen Grad berücksichtigt wird. Sie geht jedoch nicht über Satzgrenzen hinaus, was bedeutet, dass ein Begriff im ersten Satz auf eine Weise übersetzt werden kann, im nächsten Satz aber auf eine andere Weise. Dies erweist sich als ernsthaftes Problem für Korrekturleser, die nur den englischen Text erhalten, weil wir davon ausgehen, dass Sie als Experte auf Ihrem Gebiet immer den gleichen englischen Begriff verwenden werden, wenn Sie über einen bestimmten deutschen Begriff sprechen, und wenn Sie einen anderen englischen Begriff verwenden, dann deshalb, weil Sie sich auf einen anderen Begriff auf Deutsch beziehen.
2. Fehlende Teile: Wenn der neuronale Algorithmus keine gute Übereinstimmung für eine bestimmte Phrase oder ein bestimmtes Wort finden kann, lässt er es manchmal ganz fallen. Manchmal fällt dies auf, weil ein Satz abrupt endet oder etwas Wesentliches fehlt. Oft ist es jedoch ein Wort oder ein Satz, den eine Person, die den Text zum ersten Mal liest, nicht einmal bemerkt, dass er fehlt. Und das kann besonders problematisch sein, wenn es sich um ein sehr wichtiges Wort wie „nicht“ handelt. Übersetzer haben berichtet, dass DeepL bei Übersetzungen „nicht“ weggelassen hat. Man muss sich nur den Satz „die Ergebnisse waren statistisch nicht signifikant“ vorstellen, um zu verstehen, was es in der Praxis bedeuten könnte, wenn man es weglässt und sich der Korrekturleser ausschließlich auf die Sprache konzentriert und dabei übersieht, dass die Ergebnisse in den Tabellen *nicht* signifikant sind.

Diese beiden Fehler treten in der Regel nicht auf, wenn Menschen einen Text übersetzen. Darüber hinaus sind sie selbst für professionelle Korrekturleser, die nur den englischen Text betrachten, äußerst schwer zu erkennen und zu korrigieren.

Wie man DeepL für wissenschaftliche Texte (richtig) verwendet

Wenn Sie daran interessiert sind, unsere Post-Editing-Dienstleistungen auszuprobieren, wird der folgende Workflow zu einem reibungslosen Ablauf führen:

1. Wenn Ihr Originalartikel vollständig ist, übersetzen Sie ihn mit DeepL oder einem anderen neuronalen maschinellen Übersetzungstool (sowohl Google als auch Microsoft bieten Tools gegen eine Gebühr an). Bitte lesen Sie in jedem Fall zuerst die Datenschutzrichtlinien der Unternehmen und entscheiden Sie, ob und welche Richtlinien Ihre Vertraulichkeitsanforderungen an Ihre Daten erfüllen. Wenn Sie irgendwelche Zweifel haben, sollten Sie in Erwägung ziehen, den Artikel für eine Standardübersetzung an uns zu senden, anstatt Online-Übersetzungstools zu verwenden.
2. Nachdem Sie DeepL verwendet haben, lesen Sie die Übersetzung sorgfältig durch, um sicherzustellen, dass die Fachterminologie jedes Mal korrekt übersetzt wurde. Nur weil DeepL einen Begriff im ersten Satz richtig übersetzt, bedeutet das nicht, dass DeepL ihn jedes Mal richtig übersetzt.
3. Lesen Sie die Übersetzung noch einmal sorgfältig durch, um sicherzustellen, dass keine Phrasen oder wichtige Wörter im Übersetzungsprozess ausgelassen wurden.
4. Senden Sie uns sowohl den Originaltext als auch die Übersetzung über unser Kontaktformular, woraufhin wir Ihnen gern unser Angebot erstellen. Nach Auftragserteilung vergleichen unsere wissenschaftlichen Übersetzer und Post-Editoren die Original und DeepL-Übersetzung sorgfältig, um sicherzustellen, dass die Übersetzung von DeepL nicht nur gut klingt, sondern auch eine korrekte Übersetzung Ihrer Gedanken und Recherchen ist.

Sie suchen hochwertige Übersetzungen Ihrer wissenschaftlichen Beiträge oder ein DeepL Post-Editing aus akademischer Hand? Kontaktieren Sie uns, und senden Sie uns hier Ihre Anfrage! >>

Sie fanden diesen Beitrag hilfreich? Dann abonnieren Sie unseren Newsletter! So bleiben Sie über neue Blogbeiträge rund um maschineller Übersetzung, DeepL, Post-Editing sowie zur Übersetzung und Publikation sozial- und geisteswissenschaftlicher Texte informiert. Bestellen Sie hier unseren Newsletter!

The post DeepL für wissenschaftliche Übersetzungen appeared first on Textworks Translations.

In diesem zweiteiligen Blog-Artikel gehen wir der Frage nach, warum es einfacher ist, wissenschaftliche Texte zu übersetzen, als sie Korrektur zu lesen.

Wenn Sie als Autor schon einmal in der Situation waren, dass einer Ihrer Aufsätze übersetzt werden musste, kommt Ihnen vielleicht folgende Überlegung bekannt vor: „Wäre es nicht zeitsparender und einfacher für alle, wenn ich meinen Aufsatz erst einmal von Google Übersetzer verarbeiten ließe? Dann müsste ich ihn anschließend nur noch Korrektur lesen lassen.”

Dieses Verfahren hat vordergründig betrachtet in der Tat einige Vorteile:

• Korrekturlesen erfordert normalerweise weniger Zeit als das Übersetzen. Wenn Ihr Abgabetermin also sehr knapp ist, würden Sie einen bis zwei Tage gewinnen, in denen Sie Ihrem Aufsatz den letzten Schliff geben könnten.
• Korrekturlesen ist normalerweise preiswerter als Übersetzen. Bei einem knappen Budget kann es auch preislich attraktiver erscheinen, den ganzen Aufsatz nur Korrektur lesen und nicht erst übersetzen zu lassen.
• Und wenn die Technologie heute schon so leistungsfähig ist – was spricht dagegen, sie auch zu nutzen?
• Zeit ist für uns alle kostbar. Warum sollten Sie also die Zeit des Übersetzers verschwenden, indem Sie ihn einen ganzen Aufsatz übersetzen lassen, wenn Sie ihm genauso gut einen maschinell übersetzten Text  geben könnten, den er nur noch Korrektur lesen muss?…

…

All diese Argumente lassen sich nicht pauschal von der Hand weisen. Aber in dem nun folgenden zweiteiligen Beitrag möchten wir Ihnen aufzeigen, warum die sogenannte maschinelle Übersetzung (also Google Übersetzer & Co.) bei wissenschaftlichen Texten ein völlig sinnloses Unterfangen ist und dass sie am Ende sogar allen Beteiligten mehr Arbeit machen kann, als sie erspart. Im ersten Teil werden wir die Funktionsweise von Google Übersetzer, des beliebtesten derzeit existierenden Werkzeugs für die maschinelle Übersetzung, beleuchten. Anschließend werden wir ein konkretes Problem betrachten, das sich gerade bei wissenschaftlichen Texten auf der Ebene der einzelnen Wörter stellt. Im zweiten Teil dieses Blogbeitrags werden uns mit Fragen der Satzstruktur und insbesondere mit der Frage beschäftigen, wie ein Text durch maschinelle Übersetzung so verworren werden kann, dass er sich anschließend kaum noch fehlerfrei Korrektur lesen lässt.

Alle Wege führen über das Englische

Zunächst stellen wir Ihnen einen Begriff vor. Er wirft ein erstes Schlaglicht auf den Unterschied zwischen dem Korrektorat eines Textes, der von einem menschlichen Übersetzer erstellt wurde, und dem Korrektorat eines maschinell übersetzten Textes. Das Überarbeiten eines maschinell übersetzten Textes nämlich wird in der Übersetzungsbranche nicht als „Korrektorat“ oder „Korrekturlesen“ bezeichnet. Sondern als „Post-Editing“. Damit wird auch dem Laien deutlich gemacht, dass es sich bei diesem Vorgang um etwas grundsätzlich so Verschiedenes handelt, dass es eine andere Bezeichnung verdient. Der Korrektor richtet sein Augenmerk oftmals auf Schreib- oder Tippfehler, auf die Konsistenz der Terminologie oder auf stilistische Belange. Beim Post-Editing hingegen muss der Bearbeiter vielfach mit Annahmen über die Intentionen des Quelltextes arbeiten, falls dieser uneindeutig oder komplett unklar ist.

Woran aber liegt es, dass ein maschinell übersetzter Text mehrdeutiger oder unklarer sein kann als eine von Menschen angefertigte Übersetzung? Für die Antwort hierauf werden wir uns anschauen, wie – zumindest in einem zentralen Punkt – das weltweit am häufigsten eingesetzte Übersetzungs-Tool vorgeht. Dabei wird sichtbar werden, warum dieses Tool möglicherweise hervorragend zum Übersetzen jener E-Mail geeignet ist, in der Sie einem britischen oder französischen Kollegen schreiben, dass Sie ein bestimmtes Konferenzhotel buchen möchten, dass das Tool aber kläglich vor der Aufgabe versagt, Ihren nächsten Zeitschriftenaufsatz zu übersetzen.

Wenn Sie Google Übersetzer Ihren Text anvertrauen, greift die Software für die Übersetzung auf statistische Verfahren zurück und prüft alle ihr zur Verfügung stehenden übersetzten Dokumente darauf, ob sie für ein Element in der Ausgangssprache eine optimal geeignete Entsprechung in der Zielsprache enthalten. In der Theorie klingt das gut. Es funktioniert auch bei einfachen Sätzen noch ganz passabel, vor allem wenn eine der beteiligten Sprachen das Englische ist. Sehen wir uns deshalb an, was passiert, wenn wir eine relativ einfache, auf Deutsch verfasste E-Mail zu dem erwähnten Thema von Google Übersetzer ins Englische und Französische übertragen lassen.

Die englische Fassung ist gar nicht so schlecht. Im ersten Satz wird zwar das Simple Present („I just look for …“) statt des üblichen Present Progressive („I am looking for”) oder Present Perfect Progressive („I’ve been looking for …“) verwendet, aber die Aussage ist klar und der britische Kollege dürfte keine Probleme haben, diese E-Mail zu verstehen.

Jetzt schauen wir uns an, was bei der Übersetzung ins Französische passiert. Das Hauptproblem liegt im zweiten Satz. Hier heißt es im Deutschen: „Hast du schon ein Zimmer reserviert?” Der deutsche Schreiber verwendet also die informelle Du-Anrede. Im Französischen wird daraus das formelle „Avez-vous“, das jedoch einem Gegenüber vorbehalten ist, den man eben nicht mit Vornamen anredet. Wie kommt Google Übersetzer auf diese Lösung? Der Grund ist einfach: Beim Übersetzen innerhalb eines Sprachenpaars, an dem Englisch nicht beteiligt ist, übersetzt Google Übersetzer zunächst ins Englische und erst dann in die eigentliche Zielsprache (also hier Deutsch -> Englisch -> Französisch). Da aber das englische „you“ zweideutig ist und sowohl „tu“ als auch „vous“ bedeuten kann, muss Google Übersetzer sich für eine Möglichkeit entscheiden. Und wählt prompt die falsche. Man stelle sich denselben Mechanismus in einem größeren, abstrakteren Maßstab vor: Ein eindeutiges deutsches Wort wird durch ein mehrdeutiges englisches Wort ersetzt und dieses wird dann in ein drittes Wort in der gewünschten Zielsprache (hier Französisch) übersetzt. Es eröffnet sich ein erhebliches Potenzial für sprachliche Missgriffe. Doch auch wenn Englisch zum Sprachenpaar der Übersetzung dazugehört, muss die Maschine ständig Entscheidungen zum Satzbau und zu einzelnen Wörtern treffen. Als Nächstes werden wir das Sprachenpaar Deutsch-Englisch und speziell die Probleme betrachten, die sich beim Übersetzen wissenschaftlicher Texte stellen.

Verschärfung des Problems bei wissenschaftlichen Texten: Fachbegriffe

Im wissenschaftlichen Kontext verdient ein weiterer Punkt der Funktionsweise von Google Übersetzer unsere Aufmerksamkeit: Die Software stützt ihre Entscheidungen auf statistische Häufigkeiten. Viele wissenschaftliche Texte zeichnen sich aber gerade durch eine Fachsprache aus, die von Experten verstanden wird, die aber in der Alltagskommunikation ungebräuchlich ist. Ein einfaches Beispiel auf der Wortebene mag genügen – das deutsche Wort „Gestalt“. Es bedeutet in der Alltagssprache so etwas wie die sichtbare Erscheinung oder Form von etwas und kann im Englischen mit „figure“ oder „shape“ wiedergegeben werden. So übersetzt Google Übersetzer „Gestalt“ in dem Satz „Hast du die Gestalt gesehen?” denn auch korrekt mit „figure“. Im Kontext der Psychologie allerdings ist „Gestalt“ ein Fachbegriff, der im Englischen unübersetzt bleibt, beispielsweise in „gestalt psychology“. Der fachsprachliche Satz:

„Es werden bevorzugt Gestalten wahrgenommen, die in einer einprägsamen (Prägnanztendenz) und einfachen Struktur (= ‚Gute Gestalt’) resultieren.“[1]

wird von Google Übersetzer wie folgt ins Englische gebracht:

„Preference is given to figures which result in a memorable (preeminence tendency) and simple structure (‚good figure’).“

Bekommt nun ein Korrektor diesen englischen Satz zur Prüfung, könnte er sich aufgrund des Fachkontextes fragen, ob mit „figure“ vielleicht beide Male „Gestalt“ gemeint ist. Hierfür kommt es allerdings darauf an, wie gut er das Fach kennt und ob er weiß, dass „Gestalt“ in seiner Alltagsbedeutung normalerweise im Englischen mit „figure“ übersetzt wird. Es ist aber auch möglich, dass der Korrektor das Fehlen des Fachterminus an dieser Stelle gar nicht bemerkt oder dass er annimmt, der Autor habe das Wort „figure“ statt „gestalt“ im Englischen mit Absicht gewählt. Auf diese Weise könnten aus dem Zieltext unbemerkt Fachbegriffe verschwinden. Ein Rezensent könnte dann dem Autor ankreiden, er kenne sich offensichtlich im Fach nicht gut genug aus, um dessen korrekte Terminologie zu verwenden. Hätte jedoch der Autor von vornherein Wert darauf gelegt, dass sein Aufsatz von einem professionellen Übersetzer mit Erfahrung im Fach Psychologie übersetzt wird, wäre das Risiko einer Fehlübersetzung von „Gestalt“ gegen Null gegangen. Die beschriebenen Probleme entstehen aber nur dann, wenn ein Korrektor einen schlecht übersetzten Text erhält, in dem die Fachbegriffe unklar oder als solche nicht mehr zu erkennen sind.

Mit diesem ersten Teil  haben wir Ihnen, so hoffen wir, eine Vorstellung von der Funktionsweise der maschinellen Übersetzung vermittelt und die Schwierigkeiten aufgezeigt, die vor allem beim Übersetzen zwischen zwei Sprachen auftreten, zu denen das Englische nicht gehört. Wir haben außerdem begründet, warum unserer Ansicht nach die auf statistische Häufigkeiten gestützte maschinelle Übersetzung besonders ungeeignet ist für wissenschaftliche Texte, in denen Begriffe häufig mit einer anderen Bedeutung als in der Alltagskommunikation verwendet werden. Im zweiten Teil dieses Beitrags werden wir Satzstrukturen analysieren, wie sie Google Übersetzer erzeugt. Hiervon ausgehend werden wir fragen, inwieweit auch ein Text, der einem Post-Editing unterzogen wurde, auf der Bedeutungsebene von dem abweichen kann, was im Originaltext intendiert war.

Sie fanden diesen Beitrag hilfreich? Dann abonnieren Sie doch unseren Newsletter! So bleiben Sie über neue Blogbeiträge rund um maschineller Übersetzung, DeepL, Post-Editing sowie zur Übersetzung und Publikation sozial- und geisteswissenschaftlicher Texte informiert. Bestellen Sie hier unseren Newsletter!

Sie suchen hochwertige Übersetzungen Ihrer wissenschaftlichen Beiträge aus akademischer Hand oder Fachlektorate durch unsere Muttersprachler? Kontaktieren Sie uns, und senden Sie uns Ihre Anfrage! >>

The post Google Übersetzer & Co appeared first on Textworks Translations.