Was heißt „gut genug“ bei maschinell übersetzten Texten? Eine Studie der Qualität an zwei von DeepL übersetzten Textbeispielen
Grundvall, Jessica (2019)
Kuvaus
Opinnäytetyö kokotekstinä PDF-muodossa.
Tiivistelmä
Maskinell översättning sker allt oftare med hjälp av artificiell intelligens. Artificiell intelligens som hanterar mänskligt språk kallas Natural Language Processing (NLP), vid maskinell översättning tillämpas flera delområden inom NLP. Av termen artificiell intelligens leds man tro, att teknologin är intelligent, vilket i sin tur antyder kvalitet. I den här studien undersöks kvaliteten på maskinellt översatta texter. Studien är komparativ, där kvaliteten undersöks med hjälp av två exempeltexter, en tysk- och en engelskspråkig. Exempeltexterna har översattas maskinellt till engelska respektive tyska, och översättningarna analyseras jämte ursprungstexterna. Kärnfrågan är hur man avgör vad som är ”tillräckligt bra” när det gäller maskinellt översatta texter.
För resonemanget kring vad som utgör kvalitet när det gäller översättningar baseras studien på ekvivalensdefinitionen som etablerats av Nida. Som teoretiskt utgångsläge andvänds även Reiß/Vermeers funktionsorienterade teori som fokuserar på översätt-ningens ändamål. Via den modell som används tillämpas Hallidays systemisk-funktio-nella perspektiv. Modellen som utvärderingen av kvaliteten baseras på har utvecklats av Juliane House. Modellen bygger på funktionell ekvivalens där det språkliga diskurs-perspektivet står i fokus tillsammans med den situationella och kulturella miljön.
Verktyget som används för att utföra den maskinella översättningen heter DeepL och är sedan 2017 tillgängligt på internet. Teknologin som används för DeepL är artificiellt neuronnät, vilket innebär att det är självlärande och blir bättre genom mer användning.
Resultatet av studien visar att även det maskinella överstättningsverktyg som för tillfället respresenterar spjutspetsen av utveckling inte kan producera texter som kan anses ekvivalenta ur någon av de synvinklar som House anser viktiga vid utvärderingen av kvaliteten. Vad som är tillräckligt bra när det gäller översättning beror på många faktorer och är svårt att avgöra objektivt.
För resonemanget kring vad som utgör kvalitet när det gäller översättningar baseras studien på ekvivalensdefinitionen som etablerats av Nida. Som teoretiskt utgångsläge andvänds även Reiß/Vermeers funktionsorienterade teori som fokuserar på översätt-ningens ändamål. Via den modell som används tillämpas Hallidays systemisk-funktio-nella perspektiv. Modellen som utvärderingen av kvaliteten baseras på har utvecklats av Juliane House. Modellen bygger på funktionell ekvivalens där det språkliga diskurs-perspektivet står i fokus tillsammans med den situationella och kulturella miljön.
Verktyget som används för att utföra den maskinella översättningen heter DeepL och är sedan 2017 tillgängligt på internet. Teknologin som används för DeepL är artificiellt neuronnät, vilket innebär att det är självlärande och blir bättre genom mer användning.
Resultatet av studien visar att även det maskinella överstättningsverktyg som för tillfället respresenterar spjutspetsen av utveckling inte kan producera texter som kan anses ekvivalenta ur någon av de synvinklar som House anser viktiga vid utvärderingen av kvaliteten. Vad som är tillräckligt bra när det gäller översättning beror på många faktorer och är svårt att avgöra objektivt.