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.

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.