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.