Digitale Translatologie

Digitale Translatologie Herausgegeben von Oliver Czulo Martin Kappus Felix Hoberg language science press Translation and Multilingual Natural Language Processing 24 Translation and Multilingual Natural Language Processing Editors: Oliver Czulo (Universität Leipzig), Silvia Hansen-Schirra (Johannes Gutenberg-Universität Mainz), Reinhard Rapp (Hochschule Magdeburg-Stendal), Mario Bisiada (Universitat Pompeu Fabra) In this series (see the complete series history at https://langsci-press.org/catalog/series/tmnlp): 13. Vandevoorde, Lore. Semantic differences in translation. 14. Bisiada, Mario (ed.). Empirical studies in translation and discourse. 15. Tra&Co Group (ed.). Translation, interpreting, cognition: The way out of the box. 16. Nitzke, Jean & Silvia Hansen-Schirra. A short guide to post-editing. 17. Hoberg, Felix. Informationsintegration in mehrsprachigen Textchats: Der Skype Translator im Sprachenpaar Katalanisch-Deutsch. 18. Kenny, Dorothy (ed.). Machine translation for everyone: Empowering users in the age of artificial intelligence. (* 19. Kajzer-Wietrzny, Marta, Adriano Ferraresi, Ilmari Ivaska & Silvia Bernardini. Mediated discourse at the European Parliament: Empirical investigations. *) 20. Marzouk, Shaimaa. Sprachkontrolle im Spiegel der Maschinellen Übersetzung: Untersuchung zur Wechselwirkung ausgewählter Regeln der Kontrollierten Sprache mit verschiedenen Ansätzen der Maschinellen Übersetzung. 21. Frittella, Francesca Maria. Usability research for interpreter-centred technology: The case study of SmarTerp. 22. Prandi, Bianca. Computer-assisted simultaneous interpreting: A cognitive-experimental study on terminology. 23. Kenny, Dorothy (ed.). 机器翻译知识普及: 为人工智能时代的用户赋能. 24. Czulo, Oliver, Martin Kappus & Felix Hoberg (Hrsg.). Digitale Translatologie. ISSN: 2364-8899 Digitale Translatologie Herausgegeben von Oliver Czulo Martin Kappus Felix Hoberg language science press Oliver Czulo, Martin Kappus & Felix Hoberg (Hrsg.). 2026. Digitale Translatologie (Translation and Multilingual Natural Language Processing 24). Berlin: Language Science Press. This title can be downloaded at: http://langsci-press.org/catalog/book/467 © 2026, the authors Published under the Creative Commons Attribution 4.0 Licence (CC BY 4.0): http://creativecommons.org/licenses/by/4.0/ ISBN: 978-3-96110-541-0 (Digital) 978-3-98554-161-4 (Hardcover) ISSN: 2364-8899 DOI: 10.5281/zenodo.17100314 Source code available from www.github.com/langsci/467 Errata: paperhive.org/documents/remote?type=langsci&id=467 Cover and concept of design: Ulrike Harbort Typesetting: Oliver Czulo, Felix Hoberg, Sebastian Nordhoff Proofreading: Sebastian Nordhoff, Hannah Schleupner Fonts: Libertinus, Arimo, DejaVu Sans Mono Typesetting software: XƎL A T EX Language Science Press Scharnweberstraße 10 10247 Berlin, Germany http://langsci-press.org [email protected] Storage and cataloguing done by FU Berlin Inhaltsverzeichnis Vorwort iii I Soziohistorische Aspekte 1 Algorithmische Übersetzung: Die Ideengeschichte vor der Entwicklung der Maschinellen Übersetzung Maria Wolf & Oliver Czulo 3 2 Psychologische Aspekte des computergestützten Übersetzens und Dolmetschens Katharina Oster & Anne Catherine Gieshoff 17 II Grundlagen 3 Korpustranslatologie Oliver Czulo & Ekaterina Lapshinova-Koltunski 35 4 CAT-Tools: Komponenten und Konzepte Martin Kappus 49 5 Moderne MÜ: Grundfunktionsweisen und Paradigmen Hellmut Riediger & Martin Kappus 65 6 LLMs: ChatGPT und weitere KI-basierte Hilfsmittel für Übersetzende Silvana Deilen, Ekaterina Lapshinova-Koltunski & Hellmut Riediger 87 7 Grundlagen des Post-Editings Jean Nitzke 105 8 Begriffliche Grundlagen der Softwarelokalisierung Alexander Behrens 115 Inhaltsverzeichnis 9 Computergestütztes Dolmetschen Bianca Prandi 131 III Anwendungsgebiete 10 Übersetzungsdatenmanagement Simon Varga 155 11 Risiken in digitalen Übersetzungsprozessen Carmen Canfora & Jean Nitzke 181 12 Digitalisierung in der Audiovisuellen Translation Sylvia Jaki 199 13 Literarisches Übersetzen im Zeitalter der künstlichen Intelligenz: Möglichkeiten und Grenzen teilautomatisierter Arbeitsprozesse Katharina Walter 217 IV Kompetenzen und Didaktik 14 MT-Literacy für Alltag, Fremdsprachenunterricht und Beruf Michael Tieber, Manuel Lardelli & Stefan Baumgarten 241 15 Post-Editing-Kompetenzen Jean Nitzke & Silvia Hansen-Schirra 259 16 Künstliche Intelligenz in Translation und Fachkommunikation: Skizze eines Kompetenzrahmens Ralph Krüger 269 Index 287 ii Vorwort Das Digitale ist inzwischen tief in Forschung, Lehre und Praxis der Translation verankert. Genügte es noch vor nicht allzu langer Zeit, in diesem Zusammenhang vor allem von der Maschinellen Übersetzung und von CAT-Tools, unter Umständen noch von Termdatenbanken oder Softwarelokalisierungswerkzeugen u. ä. zu sprechen, so gibt es inzwischen eine Vielzahl von Unterstützungswerkzeugen für die Translation. Zudem ist nicht mehr hauptsächlich die Technologie an sich von Interesse, sondern ihre Einbettung in Prozesse und ihre Auswirkung auf Produktionsbedingungen, wodurch sich das Spektrum relevanter Themen deutlich erweitert hat. Dieser Band versucht, diesen Umständen derzeit möglichst gerecht zu werden. Er versammelt unterschiedlichste Expertise in einer Reihe von einführenden Beiträgen, die sich v. a. an vier Zielgruppen in Translationslehre, -forschung und -praxis richten: • Studierende, die einen zugänglichen Überblick über die einzelnen Themen benötigen • Lehrende, die neben dem Überblick weiterführende Literatur suchen • Forschende, die für ihren Bereich Anschlussmöglichkeiten zu digitalen Themen identifizieren wollen • Praktizierende, die sich über den wissenschaftlichen Stand des Digitalen in ihrem Arbeitsgebiet informieren wollen Der Band ist in vier Teile unterteilt: Im soziohistorischen Teil wird die Ideengeschichte der Algorithmischen Übersetzung ab dem 9. Jahrhundert nachgezeichnet, aber auch psychologischen Aspekten von Techniknutzung nachgegangen. Im anschließenden Teil werden insbesondere technische Grundlagen vermittelt. Dies reicht von Grundzügen der Korpustranslatologie über CAT-Tools und die Funktionsweise moderner Maschineller Übersetzung inklusive Sprachmodellen, bis hin zu Grundlagen des Post-Editings, der Softwarelokalisierung und des Computergestützten Dolmetschens. Die im dritten Teil aufgegriffenen Anwendungsgebiete zeigen sich ebenfalls vielfältig: Das Übersetzungsdatenmanagement Vorwort spielt ebenso eine Rolle wie die Ermittlung von Risiken in digital unterstützten Prozessen. Gerade auch der literarisch-mediale Bereich darf nicht fehlen und wird durch Beiträge über Digitalisierung in der Audiovisuellen Translation und im Literarischen Übersetzen vertreten. Der abschließende Teil ist dem Gebiet der Kompetenzen und der Didaktik gewidmet. Alltagskompetenzen jenseits der professionellen Translation sind dabei ebenso ein Thema wie das professionelle Post-Editing und Künstliche Intelligenz auch in der Fachkommunikation. Der Band deckt damit einerseits ein weites Feld ab, andererseits ist aber schon zum Zeitpunkt des Erscheinens der ersten Fassung klar, dass es noch größere Lücken gibt. So fehlen beispielsweise Einblicke ins Schwarmübersetzen, eine Art der kollaborativen Translation, die durch digitale Werkzeuge einen massiven Schub erhalten hat; oder eine tiefgreifendere Aufarbeitung von didaktischen Aspekten des computergestützten Dolmetschens; nicht zuletzt ein soziologischer Blick auf die Auswirkungen der Digitalisierung weiter Bereiche der Translation. Dennoch schien ein erster Aufschlag nötig, der einen ersten Überblick über das Digitale in der Translation bietet, wobei sich die Arbeit an einer erweiterten Auflage direkt an die Veröffentlichung anschließen soll. Oliver Czulo, Martin Kappus, Felix Hoberg November 2025 iv Teil I Soziohistorische Aspekte Maria Wolf & Oliver Czulo Quelle: Stadtbibliothek und Stadtarchiv Trier, Trier Hs. 1895/1428 Abbildung 1: Die vier Figuren der Ars brevis von Ramon Llull 8 1 Die Ideengeschichte der Algorithmischen Übersetzung Leibniz war überzeugt davon, dass nicht nur Sprachen, sondern letztendlich alles, was wir wahrnehmen, aus einzelnen Einheiten besteht (Monadentheorie8) und sich deshalb durch eine Kodierung beschreiben lässt. Er erstellte ein duales Zahlensystem, weshalb ihm die Entwicklung der binären Kodierung zugeschrieben wird und er heute als Vordenker der Informatik gilt (Breger 2009). Als letzter Universalgelehrter9verknüpfte er mathematische und logische Erkenntnisse mit religiösen Konzepten, wobei Wissenschaft für ihn eine Art Universalkenntnis war. So habe Leibniz das binäre Zahlensystem, bei dem alle Zahlen durch Eins und Null kodiert sind, als „Sinnbild der göttlichen Schöpfung“ (Breger 2009: 387) beschrieben: Wenn die Eins „die Einheit oder das Eine“ und die Null „das Nichts oder den Mangel an Existenz“ darstelle, werde ersichtlich, dass „Gott oder die absolute Einheit […] alles aus dem Nichts“ erzeuge (ebd.). Leibniz zählt zu den Vertretern der wissenschaftlichen Überzeugung, dass alle Sprachen auf einem gemeinsamen Code beruhen. So verfasste Athanasius Kircher (1602-1680) auf der Suche nach einer Interlingua als sprachuniversalen Code die Polygraphia nova et universalis – eine Plansprache, die den schriftlichen Austausch unter den Völkern ermöglichen sollte und durch die Geheimsprache von Johannes Trithemius (1462-1516, Polygraphiæ libri sex) inspiriert gewesen sei (Strasser 1988). Leibniz‘ characteristica universalis verfolge die Idee eines „Alphabets des menschlichen Denkens“, welches durch Grundbegriffe alle menschlichen Begriffe umfasse, womit „alle wahren Sätze“ mechanisch gebildet werden könnten (Bedürftig & Murawski 2015: 56). Die erdachte Universalsprache sollte „alle Begriffe der Wissenschaften ausdrücken“ und der „Verständigung der Menschen aller Nationen“ dienen (Bedürftig & Murawski 2015: 56). „Und wenn dies geschieht [...], werden zwei Philosophen, die in einen Streit geraten, nicht anders argumentieren als zwei Rechenmeister. Es genügt, dass sie eine Feder in die Hand nehmen, sich vor ein Täfelchen setzen und zueinander sagen: ‚Calculemus!‘ (Rechnen wir!)“ (Leibniz 1890: 7: 198f.). 8Leibniz‘ Monadologie von 1714 beruht auf der Theorie, dass die Welt aus Monaden (griech. monas = Einzelteil, Einzelnes, Substanz) zusammengesetzt ist, und erklärt seine Methode, Gegenstände, die er verstehen will, in ihre Einzelteile zu zerlegen und deren Zusammenhang zu erforschen. Die Vorstellung, dass die wahrgenommene Welt aus zusammenhängenden Einheiten bestehe, führte ihn zur Überlegung, dass also die wahrgenommene und gedachte Welt in Einzelteile zerlegbar und ihr Zusammenhang kodifizierbar sei. 9Leibniz lebte in einer Zeit des wissenschaftlichen Umbruchs: In den Geistesund Naturwissenschaften kristallisierten sich einzelne Disziplinen heraus und es setzte sich die Auffassung durch, dass Zusammenhänge nicht getrennt von ihren Gegenständen vorliegen und durch eine allgemeine Formel erklärbar seien. 9 Maria Wolf & Oliver Czulo Hier wird deutlich, dass die Universalsprache nicht ausschließlich als Übersetzungswerkzeug konzipiert wurde, sondern dass durch sie algorithmische Verfahren möglich werden sollten, mit denen die Arbeit der Wissenschaft erleichtert und die Wahrheit zugänglicher würde. Leibniz war überzeugt, dass es „unwürdig“ sei, die Zeit der Gelehrten mit einfachen Rechenaufgaben zu verschwenden und dass mit Maschinen solche Aufgaben schneller und fehlerfrei gelöst werden könnten. So entwarf er unter anderem seine machina deciphratoria zur Verschlüsselung und Entschlüsselung von Botschaften. Quelle: Wiki Commons Abbildung 2: Leibniz’ Sprossenrad. Seine Entwürfe für Rechenmaschinen waren für die Entwicklung der Mechanik zur Lösung von mathematischen Problemen ein gewaltiger Fortschritt. Grundlage hierfür war die Erfindung der Staffelwalze, deren mechanisches Grundprinzip in der handschriftlichen Skizze des Sprossenrads (siehe Abb. 2) festgehalten ist. Die Rechenmaschine auf Abbildung 3 ist ein Originalentwurf von 1690. Seinerzeit fehlte es noch an geeigneten Baumaterialien als technische Voraussetzung für solche feinmechanischen Apparaturen und die Umsetzung seiner Entwürfe bedurfte der Entwicklung und Forschung im Bereich der Feinmechanik. 10 1 Die Ideengeschichte der Algorithmischen Übersetzung Quelle: Wikipedia Abbildung 3: Leibniz’ Rechenmaschine. 5 Bechers Programmierversuch Zum Lebenswerk von Johann Joachim Becher (1635-1682) gehört die Entwicklung einer Interlingua als Code zur Entschlüsselung fremder Sprachen. Bechers Wirken als Chemiker, Techniker und Politikberater, seine Schriften über Handel und Warenexport und die Gründung einer Art Technologiezentrum für verschiedene Handelszweige verdeutlichen den gesellschaftlichen Kontext seiner Idee. Sprengler (2014) bezeichnet ihn als ersten Volkswirt, der als Merkantilist die Produktion und den Export von Waren fördern wollte. Er sei selbst kein Kaufmann gewesen, sondern habe sich theoretisch mit den Voraussetzungen für den Verkauf von Gütern in andere Länder beschäftigt (Sprengler 2014). Becher selbst sah sein Werk als Beitrag zur Völkerverständigung. Seine Methode zur Kommunikation in anderen Sprachen versah er mit dem Untertitel „Eine geheimschriftliche Erfindung, bisher unerhört, womit jeder beim Lesen in seiner eigenen Sprache verschiedene, ja sogar alle Sprachen, durch eintägiges Einarbeiten erklären und verstehen kann“ (Becher 1962: 22. Übersetzung des lateinischen Originaluntertitels, 59). Sein Werk Allgemeine Verschlüsselung der Sprachen (lat. Originaltitel: Character, pro Notitia Linguarum Universali) aus dem Jahre 1661 wird heute als der erste Programmierversuch bezeichnet. Becher kannte Kirchers Entwurf einer Plansprache und entwarf ein Sprachsystem mit über zehntausend Wörtern, die er in einem erweiterbaren Indexverzeichnis festhielt. Die Zahlencodes wurden als Punkte und Striche in „Schlüsseln“ (siehe Abb. 4 und 5) graphisch umgesetzt. Abbildung 4 zeigt das Grundprinzip zur Entschlüsselung, dem beim Lesen dieser Zeichen gefolgt werden muss: 11 Maria Wolf & Oliver Czulo „Wenn du im Raum von A oder B, C, D ein kleines Strichlein in waagerechter Richtung erblickst, so bedeutet dies fünf. Einzelne Pünktchen bei A bezeichnen jedesmal eine Einheit, so oft sie gesetzt sind. Senkrechte Striche in B erfordern, daß du soviele Zehnereinheiten zählst, wie Striche da sind, in C soviele Hunderteinheiten wie Striche, in D soviele Tausender wie Striche vorhanden sind.“ (Becher 1962: 31) In den Bereichen A, B, C und D (siehe Abb. 4) werde ein Wort anhand des Index dargestellt. Der zweite Teil des Schlüssels in den Bereichen E, F, G, H und I zeige die „Flexion des Wortes“ (Becher 1962: 32). In den Bereichen L und K können Satzzeichen markiert und Pluszeichen ergänzt werden. So markiere z. B. ein Pluszeichen die adverbiale Verwendung eines Wortes, drei Pluszeichen bedeuten hingegen, dass es sich um „eine reine Zahl“ handelt (Becher 1962: 32). Abbildung 5 ist der Abhandlung von Reinermann (2006) entnommen und veranschaulicht die Bechersche Methode an einem Beispielsatz. Aufgrund der Komplexität des entwickelten Zeichensystems wird Becher, trotzdem sich seine Methode aufgrund vieler praktischer Mängel nicht durchsetzen konnte, als ein Vordenker der automatischen Sprachübersetzung angesehen (Reinermann 2006). 6 Der Übergang zur Maschinellen Übersetzung Das 20. Jahrhundert markiert den Übergang zur Theorie und Praxis der Maschinellen Übersetzung, einem konzeptuell zwar untergeordneten, aber doch sehr starken und somit für sich selbst stehenden Feld. Zweifelsohne hat sich mit der Maschinellen Übersetzung ein Traum der alten Gelehrten erfüllt, denn sie selbst verbrachten viel Zeit damit, die Schriften unbekannter Sprache zu entschlüsseln, um deren Inhalt zu verstehen. Jede der hier vorgestellten Ideen für algorithmische Übersetzungsverfahren diente bestimmten gesellschaftlichem Zwecken und ist durch ihren philosophisch-weltanschaulichen Kontext geprägt. Mitte der 1930er Jahre entwickelten Georges Artsrouni in Frankreich und Petr Trojanskij in der Sowjetunion unabhängig voneinander Übersetzungsmaschinen und meldeten dafür auch Patente an (Hutchins 2004). Die von ihnen entwickelten algorithmischen Verfahren wurden auf bilinguale Wortverzeichnisse angewandt und konnten einfache Wortfolgen übertragen. Trojanskijs Überlegungen gingen wohl deutlich weiter als die von Artsrouni: Sein Übertragungsmechanismus basierte auf logischen Sinneinheiten und er konzipierte die Idee eines dreischrittigen Prozesses bestehend aus der Analyse von Wortformen in der Ausgangssprache, der Übertragung durch ein bilinguales Lexikon und der Synthese 12 1 Die Ideengeschichte der Algorithmischen Übersetzung Abbildung 4: Das Becher’sche Schlüsselprinzip (basierend auf Becher 1962: 35) Abbildung 5: Rechenbeispiel nach Becher (basierend auf Reinermann 2006: 18) 13 Maria Wolf & Oliver Czulo von Wortformen in der Zielsprache. Die Arbeiten dieser beiden Pioniere wurden allerdings im weiteren Verlauf kaum bis gar nicht rezipiert. Erst das berühmte Weaver-Memorandum (Weaver 1949) stieß die Forschung zur Maschinellen Übersetzung im großen Stil an. Die in der Folge entwickelten Ansätze nahmen in ihrer Mächtigkeit stetig zu. Sie werden heute üblicherweise in regelbasierte und datenbasierte Verfahren unterteilt. Blickt man aber auf die hier vorgestellten historischen Skizzen zurück, ließe sich durchaus eine andere Unterteilung vornehmen: Regelbasierte sowie einfache statistische Ansätze, die mit Übersetzungstabellen arbeiten, könnte man demnach unter Verfahren der Dekodierung und Rekodierung fassen, während neuronale Ansätze mit häufig in sich mehrsprachigen Sprachmodellen der Idee einer Universalcode-Maschine durchaus nahekommen. Die Aufstellung der historischen Verfahrensskizzen für eine Algorithmische Übersetzung ist mehr als nur ein Zurückblicken auf die Anfänge. Neben dem Angebot einer alternativen Perspektive auf die Klassifikation heutiger Maschineller Übersetzungssysteme erinnert sie uns daran, wie alt und vielfältig der Traum von einer einfachen, berechenbaren Übersetzung zwischen Sprachen ist. Literatur Becher, Johann Joachim. 1962. Zur mechanischen Sprachübersetzung. Ein Programmierungsversuch aus dem Jahre 1661. Allgemeine Verschlüsselung der Sprachen (Character, pro Notitia Linguarum Universali) deutsch-lateinisch. Walter Georg Waffenschmidt (Hrsg.) (Veröffentlichungen der Wirtschaftshochschule Mannheim). Stuttgart: W. Kohlhammer. Bedürftig, Thomas & Roman Murawski. 2015. Philosophie der Mathematik. 3. Aufl. Berlin: De Gruyter. Breger, Herbert. 2009. Leibniz’ binäres Zahlensystem als Grundlage der Computertechnologie. In Jahrbuch der Akademie der Wissenschaften zu Göttingen 2008, 385–391. Berlin: de Gruyter. DOI: 10.26015/adwdocs-289. (1 April, 2024). Duda, Justine. 2016. Die Anfänge moderner Computertechnik. Raimundus Lullus - Leben und Werk. https://dhmuseum.uni-trier.de/node/354 (18 Januar, 2024). DuPont, Quinn. 2018. The cryptological origins of machine translation, from alKindi to Weaver. Amodern 8. http://amodern.net/article/cryptological-originsmachine-translation/ (16 November, 2024). Hutchins, John. 2004. Two precursors of machine translation : Artsrouni and Trojanskij. International Journal of Translation 1(16). 11–31. https://aclanthology. org/www.mt-archive.info/IJT-2004-Hutchins.pdf (1 August, 2025). 14 1 Die Ideengeschichte der Algorithmischen Übersetzung Leibniz, Gottfried Wilhelm. 1890. Die philosophischen Schriften. Carl Immanuel Gerhardt (Hrsg.), Bd. 7. Berlin: Weidmann. Leibniz, Gottfried Wilhelm. 1960. Fragmente zur Logik. Franz Schmidt (Hrsg.). Berlin: Akademie-Verlag. Martiny, Jonas. 2018. Ramón Llulls Wahrheitsmaschine. https : / / www . jonasmartiny.com/2018/05/26/ramonllullswahrheitsmaschine/ (18 Januar, 2024). Pring-Mill, Robert D. F. 2001. Der Mikrokosmos Ramon Llulls: Eine Einführung in das mittelalterliche Weltbild. Übers. von Ulli Roth (Clavis pansophiae 9). Stuttgart-Bad Cannstatt: Frommann-Holzboog. Reinermann, Heinrich. 2006. Automatische Sprachübersetzung anno 1661 mit Johann Joachim Becher. In Zwei Tüftler aus der Pfalz: J.J. Becher und H. Hollerith (Schriftenreihe der Johann Joachim Becher-Gesellschaft zu Speyer e.V 22), 5– 47. Speyer: Johann-Joachim-Becher-Gesellschaft zu Speyer. https://www.unispeyer.de/fileadmin/Ehemalige/Reinermann/jjbheft22.pdf (18 Januar, 2024). Schmeh, Klaus. 2006. Codeknacker gegen Codemacher. Die faszinierende Geschichte der Verschlüsselung. Wiesbaden: Springer. Singh, Simon. 2001. Geheime Botschaften: Die Kunst der Verschlüsselung von der Antike bis in die Zeiten des Internet. München: Hanser. Sprengler, Hans-Joachim. 2014. Johann Joachim Becher - der erste Volkswirt. In Carl Böhret (Hrsg.), J. J. Becher und die Gegenwart : Hans-Joachim Spengler zum 70. Geburtstag (Schriftenreihe der Johann-Joachim-Becher-Gesellschaft zu Speyer 32), 31–33. Speyer: Johann-Joachim-Becher-Gesellschaft zu Speyer. Stein, Daniel. 2009. Maschinelle Übersetzung – ein Überblick. Journal for Language Technology and Computational Linguistics 24(3). 5–18. DOI: 10.21248/jlcl. 24.2009.119. (18 Januar, 2024). Strasser, Gerhard Friedrich. 1988. Lingua universalis: Kryptologie und Theorie der Universalsprachen im 16. und 17. Jahrhundert (Wolfenbütteler Forschungen 38). Wiesbaden: Harrassowitz. Strick, Heinz Klaus. 2009. Al Kindi (800–870): Der erste Philosoph der arabischen Welt. Spektrum der Wissenschaft. Der mathematische Monatskalender. https : //www.spektrum.de/wissen/abuyusufyaqubibnishaqalsabbahalkindi-800-870/1001728 (1 April, 2024). Weaver, Warren. 1949. Translation. https : / / dimes . rockarch . org / objects / SrisEuJJy5DRcMhtsbvC2R (18 Januar, 2024). Wieber, Reinhard. 1977. Kryptographie bei Qalqašandī. Zeitschrift der Deutschen Morgenländischen Gesellschaft Supplement IV: XX. Deutscher Orientalistentag. 257–260. DOI: 10.25673/111290. 15 Maria Wolf & Oliver Czulo Zotter, Hans. 2004. Parallele Modelle von Wissenssicherung und Ordnung. In Theo Stammen & Wolfgang E. J. Weber (Hrsg.), Wissenssicherung, Wissensordnung und Wissensverarbeitung: das europäische Modell der Enzyklopädien (Colloquia Augustana 18), 25–37. Berlin: Akademie Verlag. https://doi.org/10.1524/ 9783050055824. 16 Kapitel 2 Psychologische Aspekte des computergestützten Übersetzens und Dolmetschens Katharina Ostera& Anne Catherine Gieshoffb aJohannes Gutenberg-Universität Mainz bZürcher Hochschule für Angewandte Wissenschaften Translationstechnologien sind mittlerweile fester Bestandteil des Arbeitsalltags von Übersetzer:innen und Dolmetscher:innen. Bisher wurde jedoch kaum untersucht, inwiefern Menschen auf psychologischer Ebene mit den Technologien und den damit generierten Produkten interagieren. In diesem Beitrag betrachten wir erste Studien in diesem Bereich: Tendenziell lässt sich darauf schließen, dass Translator:innen zwar durchaus effizienter mit Technologien arbeiten, diesen jedoch eher kritisch eingestellt sind. Endnutzer:innen hingegen haben insgesamt wenig Vorbehalte und werten die mit Hilfe von Technologien erstellten Translate als qualitativ gut. 1 Einleitung Technologien sind ein wichtiger Teil in der Translation. Beim Übersetzen reicht der Einsatz von der Nutzung einfacher Online-Wörterbücher über den Einsatz von Translation Memories (TMs) bis hin zum Post-Editieren maschinell übersetzter Texte. Besondere Bedeutung haben dabei Translation Memories und das Post-Editing, da sie vermutlich den größten Einfluss auf den Übersetzungsprozess haben. Diese Technologien sind bereits seit Jahrzehnten Teil des Übersetzens. Translation Memory-Systeme spalten den zu übersetzenden Text in Segmente ein und speichern eingegebene Übersetzungslösungen ab, die für zukünftige Projekte genutzt werden können und dann als 100 %-Matches oder als Fuzzy Katharina Oster & Anne Catherine Gieshoff. 2026. Psychologische Aspekte des computergestützten Übersetzens und Dolmetschens. In Oliver Czulo, Martin Kappus & Felix Hoberg (Hrsg.), Digitale Translatologie, 17–32. Berlin: Language Science Press. DOI: 10.5281/zenodo.17523032 Katharina Oster & Anne Catherine Gieshoff Endnutzer:innen von Übersetzungen scheinen insgesamt auch nicht negativ gegenüber Translationstechnologien eingestellt zu sein, wenn sie um deren Benutzung wissen. Bowker (2009) berichtet, dass durchschnittliche Nutzer:innen der Einsatz von MÜ gekoppelt mit Light Post-Editing ausreicht, um informative Texte zu lesen. Sie seien dabei auch wesentlich positiver gegenüber MÜ eingestellt als Menschen, die im Sprachensektor arbeiten. Hier scheint auch ein gewisser finanzieller Aspekt mit einzufließen. Bowker & Buitrago Ciro (2015) verglichen zunächst blind vier verschiedene Übersetzungsmethoden einer Webseite: MÜ ohne Post-Editing, Light Post-Editing, Full Post-Editing und eine rein humane Übersetzung. Die Proband:innen sollten angeben, welche Übersetzung sie bevorzugten. Dabei schnitt die Humanübersetzung am besten ab, aber knapp gefolgt von dem Full-Post-Editing. In einem zweiten Schritt sahen die Proband:innen dann aber auch die verwendete Übersetzungsmethode und vor allem auch den Aufwand und Preis, den diese Übersetzungen mit sich brachten. Dies führte dazu, dass das Light Post-Editing mit Abstand am besten bewertet wurde. Seit dem Einführen der Neuronalen MÜ (um das Jahr 2015, s. Koehn 2020) hat die Qualität von MÜ deutlich zugenommen. Neuere Studien zur Verwendung von MÜ ohne Einsatz von Post-Editing spiegeln dies wider. Kasperė u. a. (2021) führten eine Fragebogenstudie zur Verwendung von MÜ in Litauen durch und fragten nach der Verwendung, aber auch nach der Zufriedenheit mit dem Produkt. Auch wenn die Proband:innen eher geteilter Meinung bezüglich der Qualität waren, gaben Sie an, MÜ in vielen Bereichen Ihres Alltags anzuwenden. Dazu zählten Studium und Arbeit sowie Freizeitaktivitäten. Lee & Lee (2024) zeigten in einer Studie ein ähnliches Bild aus dem Tourismusbereich. Einschränkend muss man zu diesen Studien sagen, dass die dort beschriebenen Einsatzfelder der MÜ vermutlich keine schwerwiegenden Konsequenzen für die Nutzer nach sich ziehen. Asscher & Glikson (2021) haben die Wahrnehmung von MÜ in einem deutlich kritischeren Kontext untersucht. Sie erstellten ein Szenario, in dem ein Mensch mit Migrationshintergrund in einer ethisch aufgeladenen Situation mit den lokalen Behörden kommunizieren muss: In dem verwendeten Szenario wurde ein Mensch auf Grund seiner Herkunft von lokalen Sicherheitsbehörden aufgegriffen. Es wurde ein Ausgangstext erstellt, der maschinell übersetzt wurde. Die Proband:innen der Studie sollten dann die Qualität der Übersetzung bewerten. Allerdings wurde einer Gruppe gesagt, es handele sich um eine humane Übersetzung, der anderen um eine maschinelle Übersetzung. Obwohl die Texte identisch waren, wurde der als maschinell übersetzt gekennzeichnete Text als schlechter bewertet. Dies zeigt, dass der Kommunikationszweck und 24 2 Psychologische Aspekte von CAT und CAI mögliche Konsequenzen, die durch die Übersetzung entstehen können, einen großen Einfluss auf die Wahrnehmung der MÜ haben, ganz unabhängig von deren tatsächlicher Qualität. 4.2 Dolmetschen Was das computergestützte Dolmetschen betrifft, gibt es unseres Wissens nach bislang keine Studien zur subjektiven Wahrnehmung der End-Nutzer:innen. Studien zur Wahrnehmung der End-Nutzer:innen von vollautomatisiertem Dolmetschen oder maschineller Übersetzung von gesprochener Sprache gibt es bislang auch kaum. Pilotstudien lassen vermuten, dass menschliche Verdolmetschungen besser verständlich sind, aber bezüglich Texttreue und Inhalt ähnlich abschneiden (Liu & Liang 2024, Fantinuoli & Prandi 2021)3. Aus einer weiteren Studie ergab sich zudem der Hinweis, dass Maschinen möglicherweise den Inhalt eines Fachtexts besser übertragen können als menschliche Dolmetscher:innen (Cao 2024). Die bessere Verständlichkeit bei Humanverdolmetschungen lässt sich möglicherweise auf die Tatsache zurückführen, dass Menschen den situativen Kontext und sensorische Informationen außerhalb des Ausgangstexts, wie z. B. visuelle Informationen auf Folien, in die Verdolmetschung einfließen lassen, was für Maschinen derzeit (Stand 2024) noch nicht möglich ist (Pöchhacker 2024). 4.3 Translation-Apps Wir möchten hier auch noch kurz auf die Anwendung von Translation-Apps eingehen. Diese stellen meist eine Mischform aus schriftlicher und mündlicher Übersetzung dar. Sie sind von großer Bedeutung, da sie für viele Alltagssituationen verwendet werden (Tourismus, Gesundheitswesen, Behörden). Erste Studien lassen vermuten, dass sie eine große Erleichterung bei der Kommunikation z. B. Im Gesundheitsbereich darstellen. Panayiotou u. a. (2020) untersuchten die Einstellung von älteren Menschen mit kulturell diversem Hintergrund im Altenheim und deren Pflegepersonal zum Einsatz von Translation-Apps. Die Befragten waren den Apps gegenüber eher positiv eingestellt. Dabei bevorzugten sie allerdings vorgefertigte Satzvorschläge gegenüber freien Übersetzungen von Google Translate, da diese fehleranfällig seien. Auch für Menschen mit Migrationshintergrund können sie eine große Kommunikationshilfe darstellen. Liebling u. a. (2020) führten eine Untersuchung mit 3Bei diesen Studien muss allerdings einschränkend gesagt werden, dass die maschinelle Übersetzung der gesprochenen Sprache nicht simultan erfolgte, dies hätte jedoch wiederum die Performanz maschineller Systeme stark herabsetzen können. 25 Katharina Oster & Anne Catherine Gieshoff Migranten in den USA und in Indien durch. Die Migranten in den USA verwendeten Translation-Apps sehr häufig und sie waren ein wichtiges Hilfsmittel für sie, um sich verständlich zu machen. Sie gaben allerdings an, dass nicht alle Kommunikationspartner bereit wären, über das Smartphone mit ihnen zu kommunizieren und es wurde angemerkt, dass die Bedienung der derzeit existierenden Apps in stressigen Situationen zu schwierig sei. 5 Fazit und Ausblick Betrachtet man psychologische Aspekte des technologiegestützten Übersetzens und Dolmetschens, zeichnen sich drei größere Bereiche ab, die betroffen sind: 1) die objektive kognitive Beeinflussung der mit den Technologien arbeitenden Menschen, 2) die subjektive Wahrnehmung der Technologien durch diese Menschen und 3) die Wahrnehmung der Translate durch die End-Nutzer:innen. Wie dieses Kapitel zeigt, sind diese Bereiche unterschiedlich gut erforscht. Insgesamt gibt es mehr Studien zum Übersetzen als zum Dolmetschen, was auf die vergleichsweise junge Entwicklung von CAI-Tools zurückgeführt werden kann. Vor allem die Beeinflussung von kognitiven Prozessen ist im Übersetzen bereits relativ gut erforscht und deutet darauf hin, dass Translationstechnologien zu mehr Produktivität und geringeren kognitiven Belastungen führen können. Die subjektive Wahrnehmung der Technologien ist im Übersetzen ebenfalls bereits recht gut erforscht und lässt darauf schließen, dass es durchaus Vorurteile gegenüber den Technologien gibt, die nicht in Einklang mit den kognitiven Vorteilen sind. Eine stärkere Einbindung von Übersetzer:innen in die Entwicklung von Tools könnte dabei die Zufriedenheit steigern. Im Bereich des Dolmetschens zeigt sich hingegen, dass automatische Einblendungen Auswirkungen auf die Satzplanung haben. Das gilt auch für die Wahrnehmung durch die EndNutzer:innen von Verdolmetschungen. In Bezug auf schriftliche Übersetzungen und auch Translation-Apps scheinen die End-Nutzer:innen diese je nach Situation gerne einzusetzen. Insgesamt wird deutlich, dass einige Fragen bezüglich der psychologischen Aspekte von Translationstechnologien offen bleiben. Vor allem die subjektive Wahrnehmung von Dolmetsche:rinnen bezüglich der existierenden Technologien, aber auch die Zufriedenheit der End-Nutzer:innen muss weiter untersucht werden. Dies könnte eine Möglichkeit darstellen, Technologien besser auf die Bedürfnisse und Erwartungen der am Translationsprozess beteiligten Menschen anzupassen. 26 2 Psychologische Aspekte von CAT und CAI Literatur Álvarez-Pérez, Beneharo & Jessica Pérez-Luzardo Díaz. 2024. Towards a tool for the integrated management of the interpreter’s prior preparation: A pilot study. Cadernos de Tradução 44(1). 1–16. DOI: 10.5007/2175-7968.2024.e95229. Alvarez-Vidal, Sergi, Antoni Oliver & Toni Badia. 2020. Post-editing for professional translators: Cheer or fear? Tradumàtica tecnologies de la traducció 18. 49–69. DOI: 10.5565/rev/tradumatica.275. Asscher, Omri & Ella Glikson. 2021. Human evaluations of machine translation in an ethically charged situation. New Media & Society 25(5). 1087–1107. DOI: 10.1177/14614448211018833. Bowker, Lynne. 2009. Can Machine Translation meet the needs of official language minority communities in Canada? A recipient evaluation. Linguistica Antverpiensia 8. 123–155. Bowker, Lynne & Jairo Buitrago Ciro. 2015. Investigating the usefulness of machine translation for newcomers at the public library. Translation and Interpreting Studies 10(2). 165–186. DOI: 10.1075/tis.10.2.01bow. Briva-Iglesias, Vicent, Sharon O’Brien & Benjamin R. Cowan. 2023. The impact of traditional and interactive post-editing on Machine Translation User Experience, quality, and productivity. Translation, Cognition & Behavior 6(1). 60–86. DOI: 10.1075/tcb.00077.bri. Cadwell, Patrick, Sharon O’Brien & Carlos S. C. Teixeira. 2018. Resistance and accommodation: factors for the (non-)adoption of machine translation among professional translators. Perspectives: Studies in Translation Theory and Practice 26(3). 301–321. DOI: 10.1080/0907676X.2017.1337210. Cao, Ying. 2024. Comparative analysis of machine interpreting and human interpreting: Insights into consecutive interpreting teaching. In Mohd Fauzi Bin Sedon, Intakhab Alam Khan, Mehmet Cüneyt Birkök & KinSun Chan (Hrsg.), Proceedings of the 2024 3rd International Conference on Social Sciences and Humanities and Arts (SSHA 2024), 730–741. Paris: Atlantis Press SARL. DOI: 10. 2991/978-2-38476-259-0_76. Carl, Michael, Silke Gutermuth & Silvia Hansen-Schirra. 2015. Post-editing machine translation: Efficiency, strategies, and revision processes in professional translation settings. In Aline Ferreira & John Schwieter (Hrsg.), Psycholinguistic and cognitive inquiries into translation and interpreting, 145–174. Amsterdam: John Benjamins Publishing Company. Chang, Chia-chien, Michelle Min-chia Wu & Tien-chun Gina Kuo. 2018. Conference interpreting and knowledge acquisition: How professional interpre27 Katharina Oster & Anne Catherine Gieshoff ters tackle unfamiliar topics. Interpreting. International Journal of Research and Practice in Interpreting 20(2). 204–231. DOI: 10.1075/intp.00010.cha. Daems, Joke, Sonia Vandepitte, Robert J. Hartsuiker & Lieve Macken. 2017a. Identifying the machine translation error types with the greatest impact on postediting effort. Frontiers in Psychology 8. 1282–1297. Daems, Joke, Sonia Vandepitte, Robert J. Hartsuiker & Lieve Macken. 2017b. Translation methods and experience: A comparative analysis of human translation and post-editing with students and professional translators. Meta 62(2). 245–270. DOI: 10.7202/1041023ar. Defrancq, Bart & Claudio Fantinuoli. 2021. Automatic speech recognition in the booth: Assessment of system performance, interpreters’ performances and interactions in the context of numbers. Target. International Journal of Translation Studies 33(1). 73–102. DOI: 10.1075/target.19166.def. Desmet, Bart, Mieke Vandierendonck & Bart Defrancq. 2018. Simultaneous interpretation of numbers and the impact of technological support. In Claudio Fantinuoli (Hrsg.), Interpreting and technology, 13–27. Berlin: Language Science Press. Dillon, Sarah & Janet Fraser. 2007. Translators and TM: An investigation of translators’ perceptions of translation memory adoption. Machine Translation 20(2). 67–79. DOI: 10.1007/s10590-006-9004-8. Fan, Damien Chiaming. 2024. Conference interpreters’ technology readiness and perception of digital technologies. Interpreting. International Journal of Research and Practice in Interpreting 26(2). 178–200. DOI: 10.1075/intp.00110.fan. Fantinuoli, Claudio & Bianca Prandi. 2021. Towards the evaluation of automatic simultaneous speech translation from a communicative perspective. In Proceedings of the 18th International Conference on Spoken Language Translation (IWSLT 2021), 245–254. Bangkok, Thailand: Association for Computational Linguistics. DOI: 10.18653/v1/2021.iwslt-1.29. Frittella, Francesca Maria. 2023. Usability research for interpreter-centred technology: The case study of SmarTerp (Translation and Multilingual Natural Language Processing 21). Berlin: Language Science Press. DOI: 10.5281/ZENODO. 7376351. Gieshoff, Anne Catherine, Martin Schuler & Zaniyar Jahany. 2024. The Augmented Interpreter: An exploratory study of the usability of augmented reality technology in interpreting. Interpreting 26(2). 282–315. DOI: 10.1075/intp.00108. gie. Gile, Daniel. 2009. Basic concepts and models for interpreter and translator training. Amsterdam: John Benjamins. 28 2 Psychologische Aspekte von CAT und CAI Guerberof Arenas, Ana. 2013. What do professional translators think about postediting. JoSTrans. The journal of specialised translation 19. 75–95. Guo, Meng, Lili Han & Marta Teixeira Anacleto. 2022. Computer-assisted interpreting tools: Status quo and future trends. Theory and Practice in Language Studies 13(1). 89–99. DOI: 10.17507/tpls.1301.11. Kasperė, Ramunė, Jolita Horbačauskienė, Jurgita Motiejūnienė, Vilmantė Liubinienė, Irena Patašienė & Martynas Patašius. 2021. Towards sustainable use of machine translation: usability and perceived quality from the end-user perspective. Sustainability 13(23). 13430. DOI: 10.3390/su132313430. Kerremans, Koen, Raquel Lázaro Gutiérrez, Helene Stengers, Antoon Cox & Pascal Rillof. 2019. Technology use by public service interpreters and translators: The link between frequency of use and forms of prior training. FITISPos International Journal 6(1). 107–122. DOI: 10.37536/FITISPos-IJ.2019.6.1.211. Koehn, Philipp. 2020. Neural Machine Translation. Cambridge: Cambridge University Press. DOI: 10.1017/9781108608480. Läubli, Samuel & David Orrego-Carmona. 2017. When Google Translate is better than some human colleagues, those people are no longer colleagues. In Proceedings of the 39th Conference Translating and the Computer, 59–69. London. DOI: 10.5167/UZH-147260. LeBlanc, Matthieu. 2013. Translators on translation memory (TM). Results of an ethnographic study in three translation services and agencies. Translation & Interpreting 5(2). 1–13. Lee, Namhee & Kanghee Lee. 2024. Travelers’ viewpoints on machine translation using Q methodology: a perspective of consumption value theory. Information Technology & Tourism.DOI: 10.1007/s40558-024-00296-x. Liebling, Daniel J., Michal Lahav, Abigail Evans, Aaron Donsbach, Jess Holbrook, Boris Smus & Lindsey Boran. 2020. Unmet needs and opportunities for mobile translation AI. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–13. Honolulu, USA: ACM. DOI: 10.1145/3313831.3376261. Liu, Yiguang & Junying Liang. 2024. Multidimensional comparison of ChineseEnglish interpreting outputs from human and machine: Implications for interpreting education in the machine-translation age. Linguistics and Education 80. 101273. DOI: 10.1016/j.linged.2024.101273. O’Brien, Sharon. 2007. Eye-tracking and translation memory matches. Perspectives: Studies in Translatology 14(3). 185–205. DOI: 10.1080/09076760708669037. O’Brien, Sharon. 2024. Human-Centered augmented translation: Against antagonistic dualisms. Perspectives: Studies in Translation Theory and Practice 32(3). 391–406. DOI: 10.1080/0907676X.2023.2247423. 29 Katharina Oster & Anne Catherine Gieshoff O’Brien, Sharon & Joss Moorkens. 2014. Towards intelligent post-editing interfaces. In Wolfram Baur, Brigitte Eichner, Sylvia Kalina, Norma Keßler, Felix Mayer & Jeannette Ørsted (Hrsg.), Proceedings of the XXth FIT world congress, 131–137. Panayiotou, Anita, Kerry Hwang, Sue Williams, Terence W. H. Chong, Dina LoGiudice, Betty Haralambous, Xiaoping Lin, Emiliano Zucchi, Monita Mascitti‐Meuter, Anita M. Y. Goh, Emily You & Frances Batchelor. 2020. The perceptions of translation apps for everyday health care in healthcare workers and older people: A multi‐method study. Journal of Clinical Nursing 29(17-18). 3516–3526. DOI: 10.1111/jocn.15390. Pérez Pérez, Pablo Salvador. 2018. The use of a corpus management tool for the preparation of interpreting assignments: A case study. The International Journal of Translation and Interpreting Research 10(1). 137–151. DOI: 10.12807/ti. 110201.2018.a08. Pisani, Elisabetta & Claudio Fantinuoli. 2021. Measuring the impact of automatic speech recognition on number rendition in simultaneous interpreting. In Caiwen Wang & Binghan Zheng (Hrsg.), Empirical studies of translation and interpreting: The post-structuralist approach, 181–197. New York: Routledge. DOI: 10.4324/9781003017400. Pöchhacker, Franz. 2024. Is machine interpreting interpreting? Translation Spaces. 1–21. DOI: 10.1075/ts.23028.poc. Pöchhacker, Franz & Minhua Liu. 2024. Interpreting technologized: Distance and assistance. Interpreting. International Journal of Research and Practice in Interpreting 26(2). 157–177. DOI: 10.1075/intp.00112.poc. Prandi, Bianca. 2023. Computer-assisted simultaneous interpreting: A cognitiveexperimental study on terminology (Translation and Multilingual Natural Language Processing 22). Berlin: Language Science Press. DOI: 10.5281/zenodo. 7143056. Rütten, Anja. 2013. Pragmatik in der Informationsund Wissensarbeit von Konferenzdolmetschern. In Barbara Ahrens, Silvia Hansen-Schirra, Monika KreinKühle & Michael Schreiber (Hrsg.), Translationswissenschaftliches Kolloquium II (Beiträge zur Übersetzungsund Dolmetschwissenschaft (Köln/Germersheim) 60), 261–271. Berlin: Peter Lang. DOI: 10.3726/978-3-653-02501-9. Schaeffer, Moritz & Michael Carl. 2017. A minimal cognitive model for translating and post-editing. In Sadao Kurohashi & Pascale Fung (Hrsg.), Proceedings of MT Summit XVI, 144–155. Nagoya, Japan. Screen, Benjamin. 2019. What effect does post-editing have on the translation product from an end-user’s perspective? The Journal of Specialised Translation 31. 133–157. DOI: 10.26034/cm.jostrans.2019.180. 30 2 Psychologische Aspekte von CAT und CAI Teixeira, Carlos S. C. 2014. Perceived vs. measured performance in the postediting of suggestions from machine translation and translation memories. In Sharon O’Brien, Michel Simard & Lucia Specia (Hrsg.), Proceedings of the Third Workshop on Post-Editing Technology and Practice, 45–59. Vancouver, Canada: Association for Machine Translation in the Americas. https://aclanthology. org/2014.amta-wptp.4/ (1 September, 2025). Vardaro, Jennifer, Moritz Schaeffer & Silvia Hansen-Schirra. 2019. Translation quality and error recognition in professional neural machine translation postediting. Informatics 6(3). 41. DOI: 10.3390/informatics6030041. Vieira, Lucas Nunes. 2014. Indices of cognitive effort in machine translation postediting. Machine Translation 28(3–4). 187–216. DOI: 10.1007/s10590-014-9156-x. Xu, Ran. 2018. Corpus-based terminological preparation for simultaneous interpreting. Interpreting. International Journal of Research and Practice in Interpreting 20(1). 29–58. DOI: 10.1075/intp.00002.xu. 31 Teil II Grundlagen Oliver Czulo & Ekaterina Lapshinova-Koltunski •Primärdaten: Dies ist das Material, anhand dessen bzw. über das wir Erkenntnisse gewinnen wollen, z. B. ein übersetzter Text, ein transkribiertes Gespräch oder eine Videoaufnahme. •Annotationen: In unserem Fall sind dies linguistische Beschreibungen von Einheiten in den Primärdaten, z. B. das Labeln von Wortarten oder die Markierung von Sprechpausen. •Metadaten: Diese beschreiben kontextuelle Aspekte der Entstehung der Primärdaten, also z. B. das Alter der Textproduzenten oder die Entstehungszeit von Texten. Es gibt eine ganze Reihe von Korpustypen, etwa Fachsprachenkorpora, Korpora von Sprachenlernern oder multimediale Korpora. Oft lässt sich ein Korpus mehreren Typen zuordnen, z. B. ist ein Korpus mit Videoaufnahmen, in denen Grundbegriffe der Physik erklärt werden, ein multimediales Fachsprachenkorpus. In einem solchen Korpus könnte neben den zu Hilfe genommen Bildern auch interessant sein, mit welchen Gesten bestimmte Aussagen gemeinsam vorkommen und ob sich zwischen Gesten und Gesagtem ein Zusammenhang erkennen lässt. So könnte man z. B. hypothetisieren, dass ein „entweder [...], oder [...]“ durch markante Handbewegungen begleitet wird, die relativ zu zwei verschiedene Positionen vor dem Körper der Sprecher – einmal links, einmal rechts der Körpermitte – erfolgen. Für die Translatologie sind zwei Arten von Korpora von besonderem Interesse: das Parallelkorpus und das Vergleichskorpus. Der Klassifikation von Granger (2003)4folgend gelten folgende Definitionen: •Parallelkorpus: Eine Sammlung von Originaltexten und deren Übersetzungen, bei denen jedem Originaltext mindestens eine Übersetzung zugewiesen ist. •Vergleichskorpus: Das mehrsprachige Vergleichskorpus ist eine Sammlung von Originalen und/oder Übersetzungen in mehreren Sprachen aus demselben Genre. Das einsprachige Vergleichskorpus enthält aus derselben 4Die Begriffe Parallelkorpus und Vergleichskorpus wurden und werden teils noch heute uneinheitlich verwendet, so gibt es Autoren, die die Benennungen genau umgekehrt verwenden wie hier dargestellt. Die Granger’schen Definitionen haben sich inzwischen aber erfahrungsgemäß weitestgehend etabliert. 40 3 Korpustranslatologie Sprache Originale und Übersetzungen oder Erstsprachlertexte5und Lernertexte. Im ersteren Fall sind die Übersetzungen nicht notwendigerweise Übersetzungen der Originaltexte. Um Übersetzungsbeziehungen zwischen sprachlichen Einheiten oder die Effekte der Ausgangssprache (nach Chesterman S-Universalien) zu untersuchen, ist ein Parallelkorpus erforderlich. Zum Beispiel kann ein beobachteter ungewöhnlich hoher Anteil an Nomen in übersetzten Texte ein Effekt der Ausgangssprache sein, die einen höheren Anteil an Nomen verwendet als in der Zielsprache üblich ist (also ein Durchscheinen). Andererseits kann der erhöhte Anteil an Nomen auch durch Überanpassungen an Konventionen der Zielsprache verursacht sein (also eine Normalisierung, nach Chesterman in der Gruppe der TUniversalien), was wiederum mit Hilfe monolingualer vergleichbarer Korpora zu überprüfen wäre. Darüber hinaus könnte es sich auch um ein „drittes Phänomen“ handeln, also eines, das nicht von Ausgangsoder Zielsprache abhängig ist. Dies könnte beispielsweise ein kognitiver Effekt des Übersetzungsprozesses sein, dass etwa Übersetzende tendenziell auf Nomen zurückgriffen, weil es ihnen kognitiv einfacher fiele, die Formulierungen so zu verfassen. Um letztere Annahme genauer zu beleuchten, genügen rein produktbasierte Korpora nicht, hierfür sind Prozesskorpora nötig, die Aspekte des Übersetzungsprozesses enthalten. Die Korpustranslatologie geht in der Regel deskriptiv vor und beschreibt Gebrauchsmuster in Texten. Dies kann entweder, wie eben dargelegt, hypothesengeleitet (top-down) erfolgen oder auch datengeleitet (bottom-up) ablaufen. Die beiden Herangehensweisen können kombiniert werden. 3.2 Top-down-Analyse Bei einer Top-down-Analyse werden ein existierendes theoretisches Modell oder Ergebnisse und Beobachtungen aus vorhergehenden Studien als Ausgangspunkt genutzt. Darauf aufbauend werden Hypothesen gebildet, die mittels Tests verworfen oder bestätigt werden können. Um sie zu testen, müssen Hypothesen operationalisiert werden: Es müssen beobachtbare Phänomene benannt werden, deren Erscheinungsbild als abhängige Variable von einer oder mehrerer unabhängigen Variablen beeinflusst wird. Üblicherweise formuliert man eine so genannte Nullhypothese, die keinen Zusammenhang zwischen unabhängigen und abhängigen Variablen sieht. Die Alternativhypothese geht im Gegensatz dazu von einem 5„Erstprachler“ oder wissenschaftlich oft „L1-Sprecher“ werden umgangssprachlich als „Muttersprachler“ bezeichnet, wobei ja nicht ausgemacht ist, dass dies die Sprache einer Mutter eines Textproduzenten ist. Hier meint Erstsprache die im gegebenen Kontext stärkste Sprache von Textproduzenten, d. h. nicht notwendigerweise die Sprache, die zuerst gelernt wurde. 41 Oliver Czulo & Ekaterina Lapshinova-Koltunski Zusammenhang zwischen den unabhängigen Variablen und den abhängigen Variablen aus. Weiterhin müssen die sprachlichen Merkmale definiert werden, die für ein Phänomen stehen und in Korpora gesucht werden können. Die beobachtete(n) Ausprägung(en) der sprachlichen Merkmale werden (ggf. statistisch) ausgewertet und in Bezug auf Hypothesen oder Fragestellungen interpretiert. Zum Beispiel wird in Arbeiten im Bereich der kontrastiven Pragmatik (House 1997) ausgesagt, dass die deutsche Sprache inhaltsorientierter (unpersönlicher im Stil) als die englische Sprache ist, welche adressatenorientierter (durch persönlichere Ansprache) funktioniert. Auf diesen Beobachtungen aufbauend könnte man eine Hypothese aufstellen, dass Übersetzungen aus dem Deutschen ins Englische aufgrund von Einflüssen der Ausgangssprache inhaltsorientierter als vergleichbare Originale im Englischen sind. Hier wären die unabhängigen Variablen also die sprachlichen Konventionen der Ausgangsund der Zielsprache sowie die Übersetzungsrichtung; die Häufigkeit der Produktion von inhaltsvs. adressatenorientierten Merkmalen wären davon abhängig. Die Nullhypothese würde besagen, dass kein Unterschied in der Häufigkeit unpersönlicher vs. persönlicher Ausdrücke zwischen übersetzten Texten und Originaltexten im Englischen bestünde; die Alternativhypothese würde unsere eben formulierte Annahme enthalten, dass die aus dem Deutschen übersetzten englischen Texte unpersönlicher gestaltet wären. Um dies korpusbasiert zu untersuchen zu können, muss zunächst festgelegt werden, welche sprachlichen Ausdrücke im Deutschen und Englischen jeweils als inhaltsbzw. adressatenorientiert gelten. Die Inhaltsorientierung spiegelt sich z. B. in der Verwendung von Passivkonstruktionen, zu-Infinitiven und Reflexivverben wider. Also werden im Korpus die Häufigkeiten von Passivund Reflexivverben und zu-Infinitiven ermittelt. Passivkonstruktionen im Englischen lassen sich beispielsweise als Abfolge von einem Hilfsoder Modalverb in finiter Form (is, are, was, were, has, have, can etc.), gefolgt von einem optionalen Adverb (always, recently, etc.), gefolgt von einem optionalen Verb to be im Gerundium oder als Partizip II (been, being) und gefolgt von Partizip II eines beliebigen Verbes definieren: is always being done, has been asked, were written, could be clarified. Anhand der ermittelten Häufigkeiten dieser sprachlichen Merkmale kann untersucht werden, ob englische Übersetzungen aus dem Deutschen tatsächlich eine signifikant höhere Anzahl inhaltsorientierter Merkmale haben als die vergleichbaren Originale im Englischen. Trifft dies zu, wäre die aufgestellte Hypothese aber noch nicht bestätigt: Es muss zusätzlich noch im deutsch-englischen Parallelkorpus anhand der deutschen Originale überprüft werden, ob die unpersönlichen Ausdrücke tatsächlich aus dem Deutschen übersetzt wurden. Ist dies nicht der Fall, würde man nicht von einem Durchscheinen ausgehen, sondern 42 3 Korpustranslatologie könnte u. a. annehmen, dass eine zielsprachliche Konvention beim Übersetzen ungewöhnlich oft verwendet wurde, was eher dem Phänomen der Normalisierung zuzuordnen wäre. Anhand dieses Beispiels wird deutlich, wie ein theoriegetriebener bzw. hypothesengeleiteter Ansatz in der Korpustranslatologie eingesetzt wird: Bereits existierende Vorarbeiten und Theorien werden für die Hypothesenbildung genutzt, außerdem soweit angegeben auch als Informationsquelle für die zu untersuchenden sprachlichen Merkmale. 3.3 Bottom-up-Analyse Bottom-up-Ansätze werden auch als datengesteuert oder datengeleitet bezeichnet. Bei diesen Ansätzen werden zunächst Beobachtungen festgehalten, die mit einem notwendigen Minimum an Konzepten auskommen. Für die Interpretation der Beobachtungen werden theoretische Ansätze verwendet oder gebildet. Bottom-up-Ansätze arbeiten mit so genannten shallow features, d. h. oberflächlichen sprachlichen Merkmalen, die automatisch leicht zu ermitteln sind und keine besonders theorieabhängige Fundierung haben, wie etwa Wortarten.6Schon eine einfache Statistik über die Verteilung von Wortarten kann informativ sein: In einem Bottom-up-Ansatz würde man z. B. für ein Vergleichskorpus zunächst die Häufigkeitsverteilung aller Wortarten in übersetzten und Originaltexten beschreiben, um dann Abweichungen in den Verteilungen genauer unter die Lupe zu nehmen. Anders als bei einem Top-down-Ansatz würde man nicht von vorneherein bestimmte Verteilungen vermuten. Daneben wird auch mit so genannten N-Grammen gearbeitet, wobei Gramme eine kontinuierliche Abfolge von Elementen meint und Nfür eine beliebige Zahl steht. N-Gramme können auf der Grundlage verschiedener Größen berechnet werden, z. B. Wortformen, Wortarten oder Tokens (d. h. alle sprachlichen Oberflächenelemente, also Wörter, Satzzeichen, Emojis, ...). Ein Satz wie Ich bin ein Satz. würde folgende Tri-Gramme, also Abfolgen mit jeweils drei Elementen ergeben: • Wortformen: Ich bin ein // bin ein Satz • Wortarten: Pronomen–Vollverb–Artikel // Vollverb–Artikel–Nomen 6Streng genommen ist auch die Definition von Wortarten durchaus theorieabhängig, aber es haben sich gerade im Bereich der Korpusanalyse einige Konventionen durchgesetzt, die als quasi „theorieneutral“ gelten und aufgrund ihres häufigen Einsatzes Ergebnisse vergleichbar machen. 43 Oliver Czulo & Ekaterina Lapshinova-Koltunski • Tokens: Ich bin ein // bin ein Satz // ein Satz . Solche N-Gramme wurden u. a. verwendet, um Unterschiede zwischen maschinell übersetzten und menschlich übersetzten Texten in der Verteilung von Wortarten zu ermitteln (z. B. Toral u. a. 2019). Die Ergebnisse deuten darauf hin, dass diese unterschiedlich produzierten Texte tatsächlich verschiedene sprachliche Profile haben. Im Gegensatz zum Top-down-Verfahren kommt bei einem Bottom-up-Verfahren also die Beobachtung vor der theoretischen Einordnung. In gewisser Weise kann man eine Analogie zu jenen qualitativen Verfahren ziehen, bei denen Kategorien und Hypothesen erst aus der Beobachtung (von Einzelbelegen) heraus gewonnen und nicht vorab angenommen werden. 4 Ausblick Dieser sehr komprimierte Einblick in die Grundlagen der Korpustranslatologie wird der Breite des Feldes eigentlich kaum gerecht. Nicht nur werden inzwischen deutlich elaboriertere statistische Modelle verwendet, um Produktdaten Einsichten in Übersetzungsphänomene zu entlocken, sondern es werden hierfür zunehmend Prozessdaten – also z. B. Blickbewegungsdaten oder Tastaturanschlagsprotokolle – ausgewertet. Nur angerissen wurde außerdem die Relevanz kognitiver Faktoren, deren Untersuchung Einblicke in die Verarbeitungsprozesse bei der Übersetzung geben, oder multimedialer Faktoren, die durch neue digitale Möglichkeiten an Wichtigkeit zunehmen; und mit diesen Faktoren hören die Möglichkeiten der Beschreibung translatorischer Kontexte nicht auf. Die korpusbasierte Erforschung von Dolmetschdaten konnte ebenfalls nicht ausgeführt werden. Neben Untersuchungen auf all diesen Feldern bietet die korpustranslatologische Literatur zahlreiche korpuspraktische und -didaktische Überlegungen, die ebenfalls gewinnbringend sind. Literatur Baker, Mona. 1993. Corpus linguistics and translation studies: Implications and applications. In Mona Baker, Gill Francis & Elena Tognini-Bonelli (Hrsg.), Text and technology: In honour of John Sinclair, 233–250. Amsterdam & Philadelphia: John Benjamins. 44 3 Korpustranslatologie Baker, Mona. 1996. Corpus-based translation studies: The challenges that lie ahead. In Harold Somers (Hrsg.), Terminology, LSP and translation: Studies in language engineering in honour of Juan C. Sager, 175–186. Amsterdam: John Benjamins. Baroni, Marco & Silvia Bernardini. 2006. A new approach to the study of translationese: Machine-learning the difference between original and translated text. Literary and Linguistic Computing 21(3). 259–274. DOI: 10.1093/llc/fqi039. Biber, Douglas, Susan Conrad & Randi Reppen. 1998. Corpus linguistics: Investigating language structure and use. Cambridge: Cambridge University Press. Bizzoni, Yuri & Ekaterina Lapshinova-Koltunski. 2021. Measuring translationese across levels of expertise: Are professionals more surprising than students? In Proceedings of the 23rd nordic conference on computational linguistics (NoDaLiDa), 53–63. Reykjavik, Iceland: Linköping University Electronic Press, Sweden. https://aclanthology.org/2021.nodalida-main.6. Chesterman, Andrew. 2004. Beyond the particular. In Anna Mauranen & Pekka Kujamäki (Hrsg.), Translation Universals: Do they exist?, 33–49. Amsterdam: John Benjamins. Čulo, Oliver, Silvia Hansen-Schirra & Jean Nitzke. 2017. Contrasting terminological variation in post-editing and human translation of texts from the technical and medical domain. In Gert De Sutter, Isabelle Delaere & Marie-Aude Lefer (Hrsg.), Empirical translation studies: New theoretical and methodological traditions (Trends in Linguistics Studies and Monographs 300). Berlin; Boston: De Gruyter Mouton. De Sutter, Gert, Bert Cappelle, Orphée De Clercq, Rudy Loock & Koen Plevoets. 2017. Towards a corpus-based, statistical approach to translation quality: Measuring and visualizing linguistic deviance in student translations. Linguistica Antverpiensia, New Series–Themes in Translation Studies 16. Evert, Stefan & Stella Neumann. 2017. The impact of translation direction on characteristics of translated texts: A multivariate analysis for english and german. In Gert De Sutter, Marie-Aude Lefer & Isabelle Delaere (Hrsg.), Empirical translation studies: New theoretical and methodological traditions, 47–80. Berlin; Boston: De Gruyter Mouton. Gellerstam, Martin. 1986. Translationese in Swedish novels translated from English. In Lars Wollin & Hans Lindquist (Hrsg.), Translation Studies in Scandinavia, 88–95. Lund: CWK Gleerup. Granger, Sylviane. 2003. The corpus approach: A common way forward for Contrastive Linguistics and Translation Studies? In Sylviane Granger, Jacques Lerot & Stephanie Petch-Tyson (Hrsg.), Corpus-based approaches to Contrastive Linguistics and Translation Studies, 17–30. Amsterdam: Rodopi. 45 Oliver Czulo & Ekaterina Lapshinova-Koltunski He, He, Jordan Boyd-Graber & Hal Daumé III. 2016. Interpretese vs. translationese: The uniqueness of human strategies in simultaneous interpretation. In Kevin Knight, Ani Nenkova & Owen Rambow (Hrsg.), Proceedings of the 2016 conference of the north American chapter of the association for computational linguistics: Human language technologies, 971–976. San Diego, California: Association for Computational Linguistics. DOI: 10.18653/v1/N161111. https: //aclanthology.org/N16-1111. Holmes, James S. 2000. The name and nature of Translation Studies. In Lawrence Venuti (Hrsg.), The Translation Studies reader, 172–185. London: Routledge. Holz-Mänttäri, Justa. 1984. Translatorisches Handeln: Theorie und Methode. Helsinki: Suomalainen tiedeakatemia. House, Juliane. 1997. Translation Quality Assessment: A model revisited (Tübinger Beiträge zur Linguistik 410). Tübingen: Gunter Narr. Kajzer-Wietrzny, Marta. 2012. Interpreting universals and interpreting style. Adam Mickiewicz University, Poznan. (Dissertation). Konovalova, Aleksandra & Antonio Toral. 2022. Man vs. machine: Extracting character networks from human and machine translations. In Proceedings of LaTeCHCLfL, 75–82. Gyeongju, Republic of Korea: COLING. https://aclanthology. org/2022.latechclfl-1.10. Kunilovskaya, Maria & Ekaterina Lapshinova-Koltunski. 2020. Lexicogrammatic translationese across two targets and competence levels. In Proceedings of LREC-2020, 4102–4112. Marseille, France. Lapshinova-Koltunski, Ekaterina. 2017. Exploratory analysis of dimensions influencing variation in translation: The case of text register and translation method. In Gert De Sutter, Marie-Aude Lefer & Isabelle Delaere (Hrsg.), Empirical translation studies: New methodological and theoretical traditions (Trends in Linguistics Studies and Monographs 300), 207–234. Berlin; Boston: De Gruyter Mouton. Lapshinova-Koltunski, Ekaterina, Yuri Bizzoni, Heike Przybyl & Elke Teich. 2021. Found in translation/interpreting: Combining data-driven and supervised methods to analyse cross-linguistically mediated communication. In Yuri Bizzoni, Elke Teich, Cristina España-Bonet & Josef van Genabith (Hrsg.), Proceedings for the first workshop on modelling translation: Translatology in the digital age, 82–90. Association for Computational Linguistics. https://aclanthology.org/ 2021.motra-1.9. Lemnitzer, Lothar & Heike Zinsmeister. 2015. Korpuslinguistik: eine Einführung. 3., überarbeitete und erweiterte Auflage (Narr Studienbücher). Tübingen: Narr Francke Attempto. 46 3 Korpustranslatologie Nord, Christiane. 1989. Loyalität statt Treue. Vorschläge zu einer funktionalen Übersetzungstypologie. Lebende Sprachen 3. 100–105. Olohan, Maeve & Mona Baker. 2000. Reporting ‘that’ in translated English: Evidence for subconscious processes of explicitation? Across Languages and Cultures 1(2). 141–158. DOI: 10.1556/acr.1.2000.2.1. Popović, Maja. 2020. On the differences between human translations. In Proceedings of the EAMT-2020, 365–374. Lissabon: European Association for Machine Translation. Popović, Maja, Ekaterina Lapshinova-Koltunski & Maarit Koponen. 2023. Computational analysis of different translations: By professionals, students and machines. In Mary Nurminen, Judith Brenner, Maarit Koponen, Sirkku Latomaa, Mikhail Mikhailov, Frederike Schierl, Tharindu Ranasinghe, Eva Vanmassenhove, Sergi Alvarez Vidal, Nora Aranberri, Mara Nunziatini, Carla Parra Escartín, Mikel Forcada, Maja Popovic, Carolina Scarton & Helena Moniz (Hrsg.), Proceedings of the 24th annual conference of the european association for machine translation, 365–374. Tampere, Finland: European Association for Machine Translation. https://aclanthology.org/2023.eamt-1.36. Pym, Anthony. 2008. On Toury’s laws of how translators translate. In Anthony Pym, Miriam Shlesinger & Daniel Simeoni (Hrsg.), Descriptive Translation Studies and beyond, 311–328. Amsterdam: Benjamins. Reiss, Katharina & Hans J. Vermeer. 1984. Grundlegung einer allgemeinen Translationstheorie (Linguistische Arbeiten 147). Tübingen: M. Niemeyer. Rubino, Raphael, Ekaterina Lapshinova-Koltunski & Josef van Genabith. 2016. Information density and quality estimation features as translationese indicators for human translation classification. In Proceedings of NAACL-HLT-2016, 960– 970. San Diego, California. Teich, Elke. 2003. Cross-linguistic variation in system and text: A methodology for the investigation of translations and comparable texts. Berlin & New York: Mouton de Gruyter. Toral, Antonio, Mikel Forcada & Andy Way. 2019. Post-editese: An exacerbated translationese. In Proceedings of MT Summit XVII, 273–281. Dublin. http://arxiv. org/abs/1907.00900. Toury, Gideon. 1995. Descriptive Translation Studies – and beyond (Benjamin Translation Library 4). Amsterdam: John Benjamins. van der Werff, Tobias, Rik van Noord & Antonio Toral. 2022. Automatic discrimination of human and neural machine translation: A study with multiple pre-trained models and longer context. In Proceedings of the 23rd Annual Conference of the European Association for Machine Translation, 161–170. Ghent, 47 Oliver Czulo & Ekaterina Lapshinova-Koltunski Belgium: European Association for Machine Translation. https://aclanthology. org/2022.eamt-1.19. Vanmassenhove, Eva, Dimitar Shterionov & Matthew Gwilliam. 2021. Machine translationese: Effects of algorithmic bias on linguistic complexity in machine translation. In Proceedings of EACL-2021, 2203–2213. ACL. DOI: 10.18653/v1/ 2021.eacl-main.188. Volansky, Vered, Noam Ordan & Shuly Wintner. 2015. On the features of translationese. Digital Scholarship in the Humanities 30(1). 98–118. DOI: 10.1093/llc/ fqt031. 48 Kapitel 4 CAT-Tools: Komponenten und Konzepte Martin Kappus Zürcher Hochschule für Angewandte Wissenschaften In den letzten Jahren wurden die Diskussionen zum Thema Sprachund Übersetzungstechnologie von neuen Entwicklungen wie neuronaler maschineller Übersetzung und generativen KI-Werkzeugen wie Large Language Models (LLMs) dominiert. Aus der professionellen Übersetzung sind aber traditionelle Übersetzungstechnologien wie Computer-Assisted-Translation Tools (CAT-Tools) immer noch nicht wegzudenken. In diesem Artikel werden die wichtigsten Konzepte und Komponenten von CAT-Tools erläutert. Dabei wird auch diskutiert, warum CAT-Tools auch heute noch eine wichtige Rolle spielen. Darüber hinaus wird aufgezeigt, welche Möglichkeiten es gibt, traditionelle Übersetzungstechnologien wie CAT-Tools mit neuronalen maschinellen Übersetzungssystemen und LLMs kombiniert werden können und wie effizientere Verknüpfungen in der Zukunft aussehen könnten 1 Einleitung In den vergangenen Jahren haben sich die Diskussionen im Bereich der Übersetzungstechnologie in erster Linie auf generative Technologien wie neuronale maschinelle Übersetzungssysteme und generative KI-Systeme, wie die sogenannten Large Language Models (LLMs) konzentriert. Dabei sind etablierte Technologien wie CAT-Tools aus dem Fokus geraten, obwohl diese Anwendungen auch gegenwärtig noch ein wichtiger Bestandteil des Werkzeugkastens von professionellen Übersetzer:innen sind. Während maschinelle Überstezungssysteme automatisch Übersetzungen generieren (oft ohne menschliches Eingreifen), unterstützen CAT-Tools menschliche Übersetzer:innen, indem sie frühere Übersetzungen, Terminologie und Qualitätsprüfungen bereitstellen, wodurch der Übersetzungsprozess effizienter und konsistenter gestaltet wird. Dieser Artikel gibt Martin Kappus. 2026. CAT-Tools: Komponenten und Konzepte. In Oliver Czulo, Martin Kappus & Felix Hoberg (Hrsg.), Digitale Translatologie, 49–63. Berlin: Language Science Press. DOI: 10.5281/zenodo.17523036 Martin Kappus 4 Verschiedene Kategorien von CAT-Tools Obwohl fast alle CAT-Tools die gleichen Kernfunktionen bieten, gibt es eine Reihe von Unterschieden, anhand derer CAT-Tools bis zu einem gewissen Grad kategorisiert werden können. Die Zuordnung einzelner Produkte zu diesen Kategorien ist jedoch nicht immer eindeutig, und einige Tools können (je nach Konfiguration und Verwendungszweck) mehreren Kategorien zugeordnet werden. 4.1 Art der Plattform: Desktop-basiert vs. cloud-basiert 4.1.1 Desktop-basierte CAT-Tools Bis ca. 2010 waren alle führenden CAT-Tools desktop-basiert. Desktop-basierte Software wirddirekt auf dem lokalen Computer installiert und ausgeführt. Dieser Ansatz hat sowohl Vorals auch Nachteile gegenüber anderen Plattformen. Die Daten und Programme befinden sich physisch auf der Festplatte der jeweiligen Benutzer:innen (oder auf einem anderen im Netzwerk zugänglichen Laufwerk). Dadurch haben die Benutzer:innen die volle Kontrolle über ihre Daten. Ein Arbeiten ist auch offline (d.h. ohne Internetzugang) möglich. Insbesondere im Vergleich zu den ersten Implementierungen von web-basierten CAT-Tools verfügen desktop-basierte CAT-Tools über einen größeren Funktionsumfang. Dieser Unterschied hat sich jedoch in den letzten Jahren deutlich verringert. Bei desktopbasierten CAT-Tools müssen die für die Abwicklung eines Überstezungsauftrags oder -projekts notwendigen Daten und Dateien auf dem lokalen Rechner verwaltet werden, d.h. es müssen entsprechende Verzeichnisse für die verschiedenen im Prozess anfallenden Daten angelegt werden (manuell oder automatisiert). Dies kann bei einer größeren Organisation oder einem größeren Auftragsvolumen zu recht komplexen Dateistrukturen führen. Außerdem ist der gleichzeitige Zugriff mehrerer Benutzer:innen auf Translation-Memoryund Terminologedaten bei desktop-basierten CAT-Tools nicht ohne Weiteres möglich. Selbst wenn die Daten an einem Speicherort abgelegt werden, der für mehrere Personen zugänglich ist, sind die zugrunde liegenden Datenbanken oft nicht für den gleichzeitigen Zugriff mehrerer Benutzer:innen ausgelegt. 4.1.2 Cloud-basierte CAT-Tools Mit der Weiterentwicklung des Internets und der zunehmenden Verbreitung von Breitbandanschlüssen entstanden Ende der 2000er und Anfang der 2010er Jahre die ersten cloud-basierten CAT-Tools. Schon im Jahr 2012 wurden die Vor56 4 CAT-Tools: Komponenten und Konzepte und Nachteile von cloud-basiertern CAT-Tools von Muegge thematisert (Muegge 2012). Cloud-basierte Systeme werden nicht auf dem lokalen Computer, sondern auf Servern eines Anbieters installiert und über das Internet bereitgestellt. Benutzer- :innen greifen über einen Webbrowser oder spezielle Clients auf die Software zu. Ein großer Vorteil cloud-basierter CAT-Tools besteht darin, dass sie unabhängig vom Betriebssystem auf jedem Computer laufen, der mit dem Internet verbunden ist. Viele der am weitesten verbreiteten kommerziellen desktop-basierten CAT-Tools (z. B. Trados, memoQ, STAR Transit, across) können nur auf Computern mit dem Betriebssystem Windows installiert werden. Benutzer:innen, die ein anderes Betriebssystem wie MacOS oder Linux verwenden, können diese Anwendungen nicht oder nur mit größerem technischen Aufwand, wie z. B. mit der Verwendung von virtuellen Umgebungen, einsetzen. Da ein Großteil der Rechenleistung auf den Servern des jeweiligen Anbieters erfolgt, sind auf Seiten der Benutzer:innen auch keine so leistungsstarken Rechner wie bei desktop-basierten Tools erforderlich. Die Ablage aller benötigten Daten erfolgt bei cloud-basierten Systemen ebenfalls auf den Servern der Anbieter und die erforderlichen Strukturen werden dort meist automatisiert von den Systemen angelegt, so dass sich die Benutzer:innen nicht darum kümmern müssen. Cloud-basierte CAT-Tools sind über das Internet zugänglich und bieten den Vorteil, dass mehrere Benutzer:innen gleichzeitig und ortsunabhängig an einem Projekt arbeiten können. Dies erleichtert die Zusammenarbeit an Projekten in Teams, da auch die für die jeweiligen Schritte benötigten Dateien automatisch den jeweiligen Benutzer:innen zugewiesen werden und nicht manuell im Dateisystem verwaltet und verschoben werden müssen. 4.1.3 Client-Server-Anwendungen Ein Sonderfall, der nicht in die oben genannten Kategorien fällt, sind die so genannten Client-Server-Anwendungen. Sie stellen eine Erweiterung von Desktopbasierten CAT-Tools dar und können einige der Nachteile von reinen DesktopTools ausgleichen. Noch vor dem Aufkommen von Cloud-basierten CAT-Tools boten mehrere CAT-Tool-Hersteller Client-Server-Lösungen an, bei denen die Anwendersoftware (die Client-Software) lokal auf den Rechnern der Anwender:innen installiert wird, die Daten (z. B. Translation-Memory-Daten oder Terminologie-Daten) aber auf einem Server liegen. So können verschiedene Anwender:innen gleichzeitig auf die Daten zugreifen. Diese Daten können auf internen Servern der jeweiligen Organisation gespeichert werden, was eine höhere Datensicherheit für die Organisation mit sich bringt. Die Client-Software 57 Martin Kappus ist meist identisch mit den reinen Desktop-Anwendungen dieser Hersteller. Die Benutzerzugriffe können zentral verwaltet und überwacht werden, was eine bessere Einhaltung von Compliance-Richtlinien ermöglicht. Allerdings ist die Installation solcher Client-Server-Lösungen meist mit großem Aufwand und entsprechendem technischen Know-how verbunden. Außerdem sind die Kosten für Software und Hardware bei Client-Server-Anwendungen oft sehr hoch, so dass diese Lösungen in der Regel nur für größere Organisationen in Frage kommen und für kleinere Gruppen und Netzwerke von Übersetzer:innen nicht sinnvoll sind. Die Entwicklung von CAT-Tools hat sich von einer fast ausschließlichen Konzentration auf Desktop-basierte Lösungen hin zu einer vielfältigeren Landschaft entwickelt, in der Cloudund Hybridlösungen eine wichtige Rolle spielen. Diese Entwicklung spiegelt die zunehmende Vernetzung und Globalisierung der Übersetzungsbranche sowie den wachsenden Bedarf an Flexibilität, Mobilität und Zusammenarbeit in Echtzeit wider. Während Desktop-Tools nach wie vor für spezialisierte Aufgaben und größere Projekte beliebt sind, haben sich Cloud-basierte Tools mit interessanten Funktionalitäten und verbesserter Benutzerfreundlichkeit ihren Platz gefunden. 4.2 Unterschiedliche Lizenzmodelle: Kommerziell bis Open-Source Diee CAT-Tools verschiedenen Anbieter unterscheiden sich auch in Bezug auf die Lizenzierung und die Monetarisierung. Bei vielen der verbreiteten CAT-Tools handelt es sich um kommerziell vertriebene CAT-Tools. Die wichtigsten Modelle sind hier rein kommerziell angebotene CAT-Tools auf der einen Seite und OpenSource Software auf der anderen Seite. Kommerzielle Tools werden von Unternehmen entwickelt und vertrieben, und ihre Nutzung ist in der Regel kostenpflichtig. Es gibt dabei verschiedene Lizenzmodelle, darunter (dauerhafte) Einzellizenzen, Abonnements oder Unternehmenslizenzen. In den meisten Fällen bieten die Hersteller darüber hinaus kostenpflichtige Unterstützung bei Problemen mit der Software in Form von Support und Wartungsverträgen an. Open-SourceCAT-Tools sind in der Regel (zumindest in der einen oder anderen Form) kostenlos erhältlich, da sie unter einer Open-Source-Lizenz veröffentlicht werden. Diese Tools können von jedem heruntergeladen, genutzt und verändert werden. Sie werden von Entwicklercommunities und -konsortien entwickelt. Bekannteste Beispiele für Open-Source CAT-Tools sind OmegaT (desktop-basiert) oder Translate 5 (cloud-basiert). Andere Kategorisierungen von CAT-Tools und verwandten Systemen finden sich z. B. in (Slator 2022) oder (Nimdzi 2022). 58 4 CAT-Tools: Komponenten und Konzepte 5 Die Rolle von CAT-Tools in Zeiten von NMT und generativer KI CAT-Tools basieren im Wesentlichen auf der Wiederverwendung bereits vorhandener Übersetzungen, während neuere Technologien wie neuronale maschinelle Übersetzungssysteme oder generative KI, die auf LLMs basieret, darauf abzielen, neue Texte zu erstellen. Beide Ansätze weisen Vorund Nachteile im Bereich der Übersetzung auf. Die Wiederverwendung bereits bestehender, geprüfter Übersetzungen ist für die Konsistenz und Qualität von entscheidender Bedeutung. Generative Systeme hingegen können einen zusätzlichen positiven Effekt auf die Produktivität bei der Erstellung von Übersetzungen haben. Eine der wesentlichen Herausforderungen der kommenden Jahre wird darin bestehen, die jeweiligen Vorteile der Systeme in sinnvoller Weise zu kombinieren. Im Folgenden wird zunächst erörtert, ob CAT-Tools weiterhin ihre Daseinsberechtigung besitzen, und anschließend werden bereits implementierte sowie neuartige Möglichkeiten der Kombination von CAT-Tools mit generativen Technologien dargelegt. 5.1 Warum CAT-Tools immer noch ihre Berechtigung haben Einer der Hauptgründe für den Einsatz von CAT-Tools für bestimmte Texte, Prozesse und Szenarien ist die terminologische und textliche Konsistenz der Übersetzungen. CAT-Tools nutzen Translation Memorys, in denen frühere Übersetzungen gespeichert und wiederverwendet werden können. Dies spart Zeit und verbessert die Konsistenz, da wiederkehrende Phrasen oder Sätze automatisch vorgeschlagen werden. Generative KI-Modelle hingegen erstellen jede Übersetzung neu, was zu Inkonsistenzen führen kann. Darüber hinaus bieten CAT-Tools spezielle Funktionen zur Verwaltung von Terminologie und Glossaren. Dies ist besonders wichtig in Fachgebieten wie Recht, Medizin oder Technik, in denen terminologische Konsistenz von entscheidender Bedeutung ist. Generative KI kann zwar kreativeund natürliche Übersetzungen liefern, hat aber oft Schwierigkeiten, die terminologische Konsistenz über lange Texte hinweg zu gewährleisten. Ein weiterer Punkt, der für CAT-Tools als Übersetzungswerkzeuge spricht, ist die Datensicherheit und Vertraulichkeit. Viele CAT-Tools bieten die Möglichkeit, Daten lokal auf den Rechnern der Übersetzer:innen oder auf einem firmeneigenen Server zu speichern. Generative KI-Modelle, insbesondere solche, die auf externen Cloud-Diensten basieren, werfen oft Fragen des Datenschutzes und der Datensicherheit auf, insbesondere wenn vertrauliche oder geschützte Informationen übersetzt werden sollen. CAT-Tools sind darüber hinaus speziell auf die Bedürfnisse eines Unternehmens oder einer Organisation zugeschnitten und enthalten 59 Martin Kappus in der Regel nur Daten, die für die Organisation relevant sind. D. h. Translation Memorys und Terminologiedatenbanken enthalten Daten, die aus der Organisation stammen und die spezifische Unternehmenssprache widerspiegeln. Generative KI kann zwar bis zu einem gewissen Grad angepasst werden, aber die Feinabstimmung auf spezifische Kundenbedürfnisse ist zumindest derzeit schwieriger und oft weniger präzise. Weitere Gründe für den Einsatz von CAT-Tools im Zeitalter der generativen KI sind die Integration der Tools in bestehende Arbeitsabläufe und die Nachvollziehbarkeit der Prozesse: CAT-Tools sind häufig in komplexe Übersetzungsund Lokalisierungsworkflows integriert. Sie ermöglichen die Zusammenarbeit mehrerer Übersetzer:innen, Terminolog:innen und Projektmanager:innen und unterstützen den gesamten Lebenszyklus eines Übersetzungsprojekts von der Auftragsannahme bis zur Lieferung. KI-Tools können dies derzeit nicht in gleichem Maße leisten. Darüber hinaus ermöglichen CAT-Tools die Dokumentation und Rückverfolgbarkeit aller Schritte des Übersetzungsprozesses, was für die Qualitätssicherung und die Einhaltung von Standards wichtig ist. Generative KI liefert zwar schnelle Ergebnisse, die Nachvollziehbarkeit des Prozesses und die Sicherung einer gleichbleibend hohen Qualität sind jedoch oft schwieriger zu gewährleisten. CAT-Tools haben also nach wie vor ihre Daseinsberechtigung, aber zu den bereits vorhandenen Funktionalitäten werden in den nächsten Jahren sicherlich weitere KI-gestützte Funktionalitäten hinzukommen. 5.2 Integration von KI und CAT-Tools Moderne CAT-Tools nutzen in den letzten Jahren drei Kerntechnologien: Translation Memory, Terminologie und maschinelle Übersetzung. Mit der generativen künstlichen Intelligenz (KI) kommt nun eine vierte Technologie hinzu, die neue Übersetzungsmöglichkeiten eröffnet und das Potential hat, die Qualität der Übersetzungen zu verbessern. Auch wenn die generativen KI-Anwendungen erst seit ein paar Jahren die breite Masse der Anwender:innen erreicht hat, haben verschiedene CAT-Tool-Hersteller Ansätze entwickelt, wie diese neuen Technologien sinnvoll in die vorhandenen Übersetzungsumgebungen und -prozesse integriert werden. Dabei gibt es Funktionalitäten, die sich auf vorbereitende Schritte wie die Vorübersetzung mit Hilfe von maschineller Übersetzung beziehen. Verschiedene Hersteller haben bereits eine Einschätzung der Qualität von Vorschlägen aus der maschinellen Übersetzung (MT Quality Estimation, MTQE). MTQE schätzt die Qualität der maschinellen Übersetzung auf Basis verschiedener Metriken und Algorithmen, die beispielsweise sprachliche Merkmale, Kohärenz 60 4 CAT-Tools: Komponenten und Konzepte und Übereinstimmung mit dem Ausgangstext bewerten. Dies erfolgt ohne Referenzübersetzungen, also ohne den direkten Vergleich mit einer menschlichen Übersetzung. Durch die automatische Bewertung sollen Übersetzer:innen und Projektmanager:innen schneller entscheiden können, ob eine maschinell erstellte Übersetzung direkt verwendet werden kann oder ob eine Nachbearbeitung (Post-Editing) erforderlich ist. Dadurch sollen Zeit und Kosten für die manuelle Qualitätsprüfung und das Post-Editing reduziert werden. Eine gute Übersicht über weitere wichtige KI-gestützte Funktionalitäten, die bereits implementiert worden sind, und die Überlegungen dahinter findet man z. B. bei einem der großen CAT-Tool-Anbieter (RWS, Hersteller unter anderem von Trados Studio). Dort werden folgende Möglichkeiten für ihren KI-gestützten Assistenten aufgelistet (Brockmann 2024): • Generative KI-Werkzeuge können ohne weitere Bearbeitungsaufforderungen (Prompts) – ähnlich wie NMT Systeme – für die eigentliche Übersetzung verwendet werden. Dies kann als Vorübersetzung des ganzen Textes geschehen oder auf Segmentebene, wenn andere Quellen kein Ergebnis liefern. • Bei der Vorübersetzung ganzer Texte durch ein generatives KI-Werkzeug können mit zusätzlichen Bearbeitungsaufforderungen (Prompts) bestimmte Vorgaben für die Übersetzung gemacht werden. Dadurch wird die Übersetzung nach individuellen Vorgaben angepasst und auf die ganze Vorübersetzung angewendet. Dies ermöglicht eine Bearbeitung der gesamten Übersetzungsausgabe anstelle einer individuellen Anpassung jeder einzelnen Übersetzung. • Während der Arbeit im Desktop-Editor kann von den Übersetzer:innen Unterstützung vom generativen KI-Werkzeug für die Bearbeitung der Übersetzung angefordert werden. Während der Arbeit im Editor besteht die Möglichkeit, die Bearbeitungsaufforderungen interaktiv auf Segmentbasis anzuwenden. Der wesentliche Vorteil dieser Vorgehensweise besteht darin, dass die Eingabeaufforderung auf jede Übersetzung anwendbar ist, unabhängig davon, aus welcher Quelle sie stammt (Translation Memory, NMT, generative KI) oder ob das Segment von Grund auf neu übersetzt wurde. • Eine weitere Möglichkeit für den Einsatz von KI-Werkzeugen betrifft eines der größten Probleme, die sowohl NMT als auch generative KI heute (2024) noch mit sich bringen; die inkonsistente Verwendung von Fachterminologie in den vorgeschlagenen Übersetzungen. Mithilfe von KI-Werk61 Martin Kappus zeugen kann die Übernahme von vorgegebener Terminologie forciert werden und das System „gezwungen“ werden, die vorgeschriebene Terminologie zu verwenden. Diese automatische Übernahme von Terminologie kann sowohl bei der Erstübersetzung durch die generative KI als auch im Editor interaktiv auf Segmentbasis angewendet werden. In beiden Fällen besteht die Möglichkeit, den Assistenten anzuweisen, bei der Bereitstellung von Übersetzungsvorschlägen die für das Projekt verwendete Terminologie zu berücksichtigen. Solche und ähnliche KI-gestützte Funktionalitäten findet man auch in anderen CAT-Tools. In den kommenden Jahren werden sicher noch viele neue Anwendungsbereiche für generative KI-Werkzeuge im Zusammenspiel mit CAT-Tools auf den Markt kommen. Angesichts der schnellen Entwicklungen in diesem Bereich in den letzten Jahren lässt sich nur spekulieren, welche dieser Funktionalitäten sich dauerhaft durchsetzen werden und ob generative KI-Werkzeuge die Aufgaben von CAT-Tools mittelfristig nicht doch mit übernehmen werden und so CAT-Tools als die Standardarbeitsumgebung für Übersetzer:innen ablösen können. Literatur Automatic Language Processing Advisory Committee. 1966. Languages and machines. Computers in translation and linguistics. Techn. Ber. Washington, D.C.: National Research Council. Brockmann, Daniel. 2024. Introducing Trados Studio 2024 — trados.com. https : //www.trados.com/blog/introducing-trados-studio-2024/. Chan, Sin-Wai. 2023. The development of translation technology 1967–2023. In Sin-Wai Chan (Hrsg.), The Routledge encyclopedia of translation technology, 3– 41. London: Routledge. Garcia, Ignacio. 2014. Computer-aided translation systems. In Sin-Wai Chan (Hrsg.), The Routledge encyclopedia of translation technology, 68–87. Amsterdam: Routledge. Hennig, Jörg & Marita Tjarks-Sobhani (Hrsg.). 2016. Terminologiearbeit für Technische Dokumentation (Schriften zur Technischen Kommunikation). Stuttgart, Germany: tcworld. Hutchins, John. 1996. ALPAC: The infamous report. MT New International 14. 9– 12. Hutchins, John W. 1998. The origins of the translator’s workstation. Machine Translation (13). 287–307. DOI: 10.1023/a:1008123410206. 62 4 CAT-Tools: Komponenten und Konzepte Krollmann, Friedrich. 1971. Linguistic data banks and the technical translator. Meta 16(1-2). 117–124. DOI: 10.7202/003352ar. Lejosne, Arnaud. 2018. Our story - Atril Solutions. https://atril.com/our-story/. Muegge, Uwe. 2012. Cloud-based translation memory tools are changing the way translators work and train. The Big Wave of Language Technology 1(3). http: //works.bepress.com/uwe_muegge/76/. Nimdzi. 2022. Language technology atlas. https://www.nimdzi.com/languagetechnology-atlas/. Slator. 2022. Slator machine translation expert-in-the-loop report. https://slator. com/machine-translation-expert-in-the-loop-report/ (27 Mai, 2024). 63 Kapitel 5 Moderne MÜ: Grundfunktionsweisen und Paradigmen Hellmut Riedigera& Martin Kappusb aCivica Scuola Interpreti e Traduttori Altiero Spinelli bZürcher Hochschule für Angewandte Wissenschaften Maschinelle Übersetzung (Machine Translation, MT) ist eines der zentralen Themen der digitalen Translatologie und beeinflusst in zunehmendem Maße sowohl die Übersetzungsindustrie als auch die linguistische Forschung. Seit ihren Anfängen in den 1940er Jahren hat sich die MT von einfachen, regelbasierten Ansätzen zu hochkomplexen neuronalen Modellen entwickelt, die heute in der Lage sind, Übersetzungen in Echtzeit zu liefern. Diese Entwicklung stellt nicht nur eine technologische Erfolgsgeschichte dar, sondern auch einen tiefgreifenden Wandel in der Art und Weise, wie Übersetzung wahrgenommen, gelehrt und praktiziert wird. Dieses Kapitel bietet eine Einführung in die grundlegenden Funktionen moderner MT-Systeme und beleuchtet die Paradigmen, die ihre Entwicklung geprägt haben. Von regelbasierten und statistischen Methoden bis hin zu neuronaler maschineller Übersetzung (NMT) und großen Sprachmodellen (LLMs) werden die theoretischen und praktischen Grundlagen der Technologie skizziert. Darüber hinaus wird der Einfluss von MT auf die Rolle menschlicher Übersetzer*innen sowie auf traditionelle Übersetzungskonzepte wie Äquivalenz und kulturelle Adaption diskutiert. Ein besonderer Schwerpunkt liegt auf den Herausforderungen und Möglichkeiten, die sich aus der Integration von MT in hybride Übersetzungsprozesse ergeben. Post-Editing, Pre-Editing und die Interaktion mit Computer-Assisted Translation (CAT)-Werkzeugen sind zu unverzichtbaren Bestandteilen professioneller Übersetzungsarbeit geworden. Gleichzeitig werfen diese Entwicklungen Fragen zu Qualität, Ethik und Didaktik auf. Ziel dieses Kapitels ist es, ein fundiertes Verständnis der technologischen, methodischen und praktischen Grundlagen der modernen maschinellen Übersetzung zu vermitteln und deren Auswirkungen auf die Übersetzungspraxis und -theorie aufzuzeigen. Es richtet sich damit sowohl an Forschende und Studierende der Translationswissenschaft als auch an Praktiker*innen, die sich mit den Herausforderungen und Potenzialen der digitalen Übersetzung auseinandersetzen. Hellmut Riediger & Martin Kappus. 2026. Moderne MÜ: Grundfunktionsweisen und Paradigmen. In Oliver Czulo, Martin Kappus & Felix Hoberg (Hrsg.), Digitale Translatologie, 65–86. Berlin: Language Science Press. DOI: 10.5281/zenodo.17523038 Hellmut Riediger & Martin Kappus der NMT-Technologie ist der Attention-Mechanismus, der es dem Modell ermöglicht, sich auf besonders relevante Teile des Eingabetextes zu konzentrieren (Vaswani u. a. 2017). Dieser Mechanismus verbessert die Genauigkeit und Natürlichkeit der Übersetzungen, da das Modell erkennt, welche Teile des Textes für die jeweilige Übersetzung besonders wichtig sind. Das Training eines NMT-Modells erfordert große Rechenressourcen und viel Zeit, aber nach Abschluss des Trainings kann das Modell neue Texte effizient und genau übersetzen. Zu den Vorteilen von NMT-Systemen gehören eine höhere Genauigkeit, Flüssigkeit sowie die Fähigkeit zur kontinuierlichen Verbesserung durch die Integration neuer Daten. NMT-Modelle sind zudem flexibel und anpassbar an verschiedene Fachgebiete und Sprachdomänen. Es gibt jedoch auch Herausforderungen: Im Unterschied zu früheren Systemen wie der regelbasierten (RBMT) und der statistischen maschinellen Übersetzung (SMT) basiert die neuronale maschinelle Übersetzung (NMT) auf der Analyse ganzer Sätze, was zu einer verbesserten grammatikalischen und morphosyntaktischen Korrektheit führt. Dadurch wird die „Fluency“ (Sprachflüssigkeit) der Übersetzungen deutlich verbessert. Diese Verbesserung betrifft jedoch nicht immer die „Accuracy“ (Genauigkeit), also die genaue Wiedergabe der Bedeutung des Ausgangstextes. Aufgrund der höheren Lesbarkeit besteht die Gefahr, dass Benutzer*innen den Übersetzungen zu sehr vertrauen, insbesondere wenn sie weniger erfahren im Umgang mit sensiblen Texten sind. Dies kann problematisch sein, da fehlerhafte Übersetzungen bei wichtigen Dokumenten, wie rechtlichen, medizinischen oder technischen Texten, schwerwiegende Konsequenzen nach sich ziehen können. Der hohe Rechenaufwand, die Abhängigkeit von großen Datenmengen sowie die Herausforderungen bei der Übersetzung seltener Wörter und weniger verbreiteter Sprachpaare stellen potenzielle Einschränkungen dar. Zudem sind NMT-Systeme oft intransparent, da es schwierig ist, nachzuvollziehen, wie das Modell zu bestimmten Entscheidungen gelangt. Während NMT besonders effektiv für häufig genutzte Sprachpaare ist, verlieren die Systeme bei weniger verbreiteten Sprachen oder spezialisierten Fachgebieten häufig an Übersetzungsqualität. 5.2 Large Language Models (LLMs) Die jüngste Entwicklung in der maschinellen Übersetzung sind Large Language Models (LLMs) wie z.B. GPT-3, GPT-4 oder BERT, die mit Millionen bis Milliarden von Parametern Texte generieren und übersetzen. Diese Modelle, entwickelt von Unternehmen wie OpenAI und Google, zeigen beeindruckende Fähigkeiten in der Verarbeitung natürlicher Sprache. Obwohl sowohl neuronale maschinelle Übersetzung (NMT) als auch LLMs auf großen neuronalen Netzwerken basieren, 72 5 Moderne MÜ: Grundfunktionsweisen und Paradigmen unterscheiden sie sich in ihrer Trainingsmethodik und ihren Anwendungsbereichen. NMT-Modelle werden direkt auf zweisprachigen Übersetzungskorpora trainiert, was sie speziell für das Übersetzen optimiert, jedoch oft ohne umfassende Berücksichtigung des sprachlichen Kontexts. Dadurch sind NMT-Systeme besonders geeignet für spezialisierte Anwendungsgebiete, bei denen Genauigkeit, Konsistenz und Datensicherheit von entscheidender Bedeutung sind. Beispiele hierfür sind Fachtexte, Unternehmensdokumente und datenschutzsensitive Inhalte, bei denen eine präzise, ausgangstextorientierte Übersetzung erforderlich ist. LLMs hingegen werden zunächst auf Millionen von monolingualen Texten vortrainiert, wodurch sie ein breites Verständnis der Sprachen entwickeln, zwischen denen sie übersetzen. Darüber hinaus bieten LLMs zahlreiche zusätzliche Funktionen: Sie können Texte nicht nur übersetzen, sondern auch in verschiedenen Genres und Stilen verfassen, analysieren, zusammenfassen und stilistische Richtlinien befolgen. Diese Fähigkeiten ermöglichen es LLMs, flüssigere und kontextuell reichhaltigere Texte zu erzeugen. Allerdings zeigen sie in spezialisierten Bereichen oder bei anspruchsvollen Fachübersetzungen oft weniger Genauigkeit als NMT-Modelle. Die Wahl zwischen NMT und LLM hängt stark von den spezifischen Anforderungen der jeweiligen Übersetzungsaufgabe ab. Während NMT für präzise und technisch exakte Übersetzungen bevorzugt wird, eignen sich LLMs besser für Aufgaben, bei denen Kreativität, Sprachfluss und Kontextverständnis eine größere Rolle spielen. 6 Typologie von MÜ-Systemen Das Internet verbindet Menschen weltweit, doch eine der verbleibenden Barrieren bleibt die Sprachbarriere. Um diese Herausforderung zu überwinden, investieren große Unternehmen wie Google, Microsoft, Amazon, Apple, Yandex und Baidu erhebliche Ressourcen in die Entwicklung moderner Systeme für maschinelle Übersetzung (MT). Ihr Ziel ist es, Inhalte verständlich und die Kommunikation zwischen Nutzer*innen, Kund*innen und Unternehmen nahtlos zu gestalten. Mehrheitlich greifen Web-Benutzer*innen auf diese Dienste zurück, um die maschinelle Übersetzungen für alltägliche Aufgaben zu gebrauchen. OnlineÜbersetzer wie Google Translate, DeepL, Lara, Bing oder Yandex sowie integrierte Übersetzungsfunktionen in Browsern und Anwendungen wie Microsoft Word erleichtern das Verstehen von Websites, Produktbeschreibungen und anderen Texten. Auch Sofortübersetzungsdienste in sozialen Medien wie Facebook oder LinkedIn sowie Tools zur Übersetzung von Videountertiteln und Texten in Bildern oder gesprochener Sprache sind weit verbreitet. Diese Technologien un73 Hellmut Riediger & Martin Kappus terstützen nicht nur den Informationsaustausch, sondern auch das Sprachenlernen. Unternehmen und Fachleute setzen MT-Systeme gezielt ein, um qualitativ hochwertige Übersetzungen in Echtzeit zu erhalten. Die Einführung von neuronalen maschinellen Übersetzungsmodellen (NMT) hat die Übersetzungsqualität deutlich verbessert, insbesondere bei der Sprachflüssigkeit. Dadurch sind diese Systeme besonders hilfreich für Branchen wie Medizin, Recht und Technik, wo eine schnelle und präzise Verarbeitung spezifischer Inhalte entscheidend ist. Die Vielfalt der maschinellen Übersetzung hat sich erweitert: Neben allgemeinen Systemen gibt es zunehmend maßgeschneiderte bzw. benutzerdefinierte, adaptive oder interaktive Übersetzungsmodelle, die an spezifische Anforderungen angepasst werden können. Dabei unterschieden sich die Systeme darin, ob und in welcher Phase der Entwicklung oder Nutzung Anpassungen gemacht werden können (O. Czulo p. K.). Ist das System eher statisch (also von der Trainingsphase geprägt) oder findet während der Nutzung (also im Übersetzungsprozess) ein Lernprozess statt und wenn ja, wie sieht dieser aus? Diese Entwicklungen fördern auch die Unterstützung weniger verbreiteter Sprachen und spezialisierter Fachgebiete. So lässt sich eine differenzierte Typologie von MT-Systemen erkennen, die sich darin unterscheidet, wie flexibel und anpassbar sie sind – sei es durch Training vor der Nutzung oder Lernen während des Einsatzes. 6.1 Generalistische Systeme Bekannte generalistische Übersetzungssysteme wie DeepL, Google Translate und Microsoft Translator bieten online verfügbare Dienste für eine Vielzahl von Texten und Sprachpaaren. Diese Systeme nutzen umfangreiche, heterogene Datenmengen, um qualitativ hochwertige Ergebnisse für allgemeine Inhalte zu liefern. Dennoch stoßen sie bei fachspezifischen oder besonders anspruchsvollen Texten oft an ihre Grenzen, da sie nicht für spezifische Domänen oder Kontexte optimiert sind. Kostenpflichtige Versionen dieser Dienste erweitern den Funktionsumfang erheblich. Sie ermöglichen unter anderem den Download bearbeitbarer Dokumente und bieten die Integration in Computer-Aided Translation (CAT)-Tools über APIs oder Plug-ins, was Übersetzungsprozesse effizienter gestaltet. Ein häufiger Kritikpunkt bleibt jedoch die Verarbeitung der Daten auf externen Servern, was bei sensiblen oder vertraulichen Informationen problematisch sein kann. Anbieter wie DeepL bieten in kostenpflichtigen Versionen die Möglichkeit, Daten nach Abschluss der Übersetzung automatisch zu löschen, um den Datenschutz zu verbessern und den Einsatz in geschäftskritischen Bereichen zu erleichtern. 74 5 Moderne MÜ: Grundfunktionsweisen und Paradigmen 6.2 Maßgeschneiderte MT-Engines Eine maßgeschneiderte MT-Engine wird durch Training mit unternehmensspezifischen Daten wie Translation Memories, Glossaren und zweisprachigen Textkorpora an die individuellen Bedürfnisse und Terminologien eines Unternehmens oder Fachbereichs angepasst. Dadurch können besonders präzise und konsistente Übersetzungen erstellt werden, die die spezifischen Anforderungen besser erfüllen als allgemeine Übersetzungssysteme. Das Training einer Übersetzungsengine erfordert jedoch umfangreiche zweisprachige Daten in hoher Qualität, wie zum Beispiel konsistente Translation Memorys oder parallelisierte Texte, um optimale Ergebnisse zu erzielen. Durch diesen Prozess können Unternehmen ihre Markenstimme, den gewünschten Stil und Ton sowie regionale Unterschiede in den Übersetzungen berücksichtigen. Dies ist besonders vorteilhaft bei hochspezialisierten Inhalten wie Marketingmaterialien, technischen Dokumentationen oder juristischen Texten. Eine Voraussetzung für erfolgreiches Training ist das Vorhandensein einer ausreichenden Datenmenge: Als Richtwert gelten mindestens 15.000 eindeutige Segmente, um eine zuverlässige Anpassung zu gewährleisten. Größere Mengen führen in der Regel zu noch besseren Ergebnissen. Zwar können die anfänglichen Trainingskosten hoch sein, doch der langfristige Nutzen – durch effizientere Prozesse und qualitativ hochwertige Übersetzungen – macht diese Investition besonders für Unternehmen mit regelmäßigem Übersetzungsbedarf lohnenswert. Maßgeschneiderte Systeme können weitreichend angepasst werden, erfordern jedoch erhebliche Datenmengen und initialen Aufwand. Für viele Unternehmen, die keine vollständige Neuentwicklung benötigen oder deren Datenbasis begrenzt ist, stellt sich die Frage nach einer flexibleren Lösung. Hier kommen benutzerdefinierte Systeme ins Spiel: Sie bieten einen Mittelweg zwischen generalistischen und vollständig maßgeschneiderten MT-Engines, indem sie auf bestehenden Modellen aufbauen und diese gezielt mit unternehmenseigenen Daten optimieren. 6.3 Benutzerdefinierte MT-Engines Benutzerdefinierte Systeme wie Google Cloud AutoML, Microsoft Custom und Globalese ermöglichen die Anpassung von ursprünglich generischen MTSystemen an spezifische Bedürfnisse, indem sie mit unternehmenseigenen Daten trainiert werden. Diese Systeme verbessern die Terminologie und stilistische Konsistenz und sind besonders effektiv bei fachspezifischen Texten. Trainingsdaten wie Translation Memorys (im TMX-Format) und Terminologiedateien (im TBX-Format) sind hierbei besonders wertvoll. Je mehr eigene Daten verwendet 75 Hellmut Riediger & Martin Kappus werden, desto präziser ist der Output. Solche benutzerdefinierten MT-Systeme lassen sich in gängige CAT-Tools integrieren, und Post-Editing-Ergebnisse können zur kontinuierlichen Verbesserung der Engine genutzt werden. Diese Systeme ermöglichen es Organisationen, ihre Markenidentität zu bewahren und ihre eigene Terminologie sowie regionale Unterschiede in maschinellen Übersetzungen zu berücksichtigen. Durch die Verwendung von Glossaren und Do-Not-Translate (DNT)-Listen wird die Genauigkeit der Übersetzungen erhöht, was den Aufwand für Nachbearbeitungen erheblich reduziert. Dies ist besonders vorteilhaft für technologische oder detailorientierte Inhalte, die eine präzise Fachterminologie erfordern. Man kann darüber hinaus Inputund Output-Normalisierungsregeln anwenden, um Inkonsistenzen im Ausgangstext zu korrigieren und die Qualität der Übersetzung zu optimieren. Zwar verursacht die Anpassung solcher Systeme sowohl einmalige als auch laufende Kosten, doch bleibt sie wirtschaftlich günstiger als das vollständige Anlernen einer neuen MTEngine, insbesondere für Unternehmen mit regelmäßigem Übersetzungsbedarf. 6.4 Adaptive und interaktive MT-Systeme Wenn nicht genügend eigene Daten verfügbar sind, können vortrainierte (generische) Systeme wie eTranslation der Europäischen Kommission domänenspezifische Übersetzungen liefern. Diese Systeme nutzen umfangreiche Sprachressourcen, die speziell für bestimmte Anwendungsbereiche, wie rechtliche oder administrative Texte, optimiert sind. Adaptive MT-Systeme, wie ModernMT, lernen in Echtzeit aus Benutzerkorrekturen und passen sich kontinuierlich an veränderte Anforderungen an. Dies macht sie besonders geeignet für dynamische Workflows, in denen Terminologie und Stil laufend aktualisiert werden müssen. Interaktive MT-Systeme, wie LILT, ermöglichen eine direkte Zusammenarbeit zwischen Mensch und Maschine. Benutzer*innen können Übersetzungsvorschläge in Echtzeit beeinflussen, während das System durch diese Interaktionen lernt und sich weiterentwickelt. Diese Kombination aus Automatisierung und menschlicher Kontrolle führt zu personalisierten und kontextuell präziseren Übersetzungen. 7 Professioneller Einsatz von maschineller Übersetzung (MT) Die professionelle Übersetzung umfasst heute ein breites Spektrum von Tätigkeiten, die zwischen den Extremen der ausschließlich menschlichen Übersetzung einerseits und der ausschließlich maschinellen Übersetzung andererseits liegen. 76 5 Moderne MÜ: Grundfunktionsweisen und Paradigmen Dazwischen existieren verschiedene Kombinationen beider Ansätze (s. Abb. 1). Daher kann die Arbeit mit oder für MT sehr unterschiedliche Ziele und Modalitäten haben. Abbildung 1: Spektrum der Nutzung von MT Nachfolgend sind die Dienstleistungen aufgeführt, die in der Post-EditingNorm ISO 18587 (ISO 2017) genannt werden. Diese Norm regelt den Einsatz von MT bei den Tätigkeiten von Sprachdienstleistern und Übersetzungsagenturen. 7.1 Post-Editing Post-Editing (PE) oder Post-Revision bezieht sich auf die Nachbearbeitung von maschinell erstellten Übersetzungen (MT-Output). Dabei unterscheidet man zwischen: Light Post-Editing (Leichtes Post-Editing): Hierbei handelt es sich um eine menschliche Überarbeitung auf einem grundlegenden Niveau, oft als „gut genug“ (good enough), „den Zweck erfüllend“ (good for purpose) bezeichnet. Dies wird häufig für interne Kommunikation verwendet, bei der der Post-Editor nur Fehler korrigiert, die das Verständnis des Textinhalts beeinträchtigen. Full Post-Editing (Vollständiges Post-Editing): Dies umfasst eine hochwertige menschliche Übersetzung (human quality) und Überarbeitung, z. B. von Verträgen, offiziellen Dokumenten, Verkaufsunterlagen oder zur Veröffentlichung bestimmte Texte. Die menschliche Übersetzer*in korrigiert alle sprachlichen Fehler und nimmt stilistische Anpassungen vor. Ausführlichere Darstellungen verschiedener Aspekte des Post-Editing finden Sie in den Beiträgen „Post-Editing Grundlagen“ und „Post-Editing Kompetenzen“ in diesem Band. 77 Hellmut Riediger & Martin Kappus 7.2 Pre-Editing Pre-Editing bezeichnet die Anpassung von Quelltexten vor der maschinellen Übersetzung (MT), um Lesbarkeit und Verständlichkeit zu verbessern sowie den Nachbearbeitungsaufwand zu minimieren. Typische Maßnahmen umfassen die Korrektur von sprachlichen und formalen Fehlern, die Vereinheitlichung der Terminologie, die Vereinfachung grammatikalischer Strukturen und die Beseitigung von Mehrdeutigkeiten. Tools wie Acrolinx, Congree oder Large Language Models (LLMs) können diesen Prozess unterstützen. Pre-Editing wird vor allem in zwei Fällen angewendet: zur Optimierung der Übersetzbarkeit von Texten für den Einsatz mit MT-Engines, um den PostEditing-Aufwand zu reduzieren, und zur Aufbereitung von Trainingsdaten für das Training einer MT-Engine (ISO 2017). Nach ISO 18587 (2017) kann es auch während der Texterstellung mit kontrollierten natürlichen Sprachen (controlled natural language, CNL) erfolgen, die Wortschatz, Grammatik und Stil einschränken, um die Übersetzbarkeit zu verbessern (Kuhn 2014). Klassische Pre-Editing-Maßnahmen, wie die Eliminierung von Mehrdeutigkeiten, die Vereinfachung von Satzstrukturen oder die Standardisierung von Terminologie, waren insbesondere bei regelbasierten und statistischen MT-Systemen essenziell. Bei modernen, KI-gestützten Übersetzungssystemen spielt Pre-Editing hingegen eine geringere Rolle. Dennoch bleibt die Forderung nach verständlichem und präzisem Schreiben zentral, um die Vorteile aktueller Technologien bestmöglich zu nutzen. Ein klar formulierter Ausgangstext führt in jedem Fall zu besseren Ergebnissen – unabhängig davon, ob KI im Übersetzungsprozess eingesetzt wird oder nicht. 7.3 Augmented Translation (Integration von CAT-Tools, MT und LLMs) Ein vorherrschender Trend in der professionellen Übersetzungsbranche ist die Konvergenz – die intelligente Kombination von Translation Memory (TM), maschineller Übersetzung (MT) und Large Language Models (LLMs). Auf professioneller Ebene wird MT zunehmend in Computer-Assisted Translation (CAT)- Tools integriert. Krüger (2019) verwendet dafür den Begriff „Augmented Translation“. Viele führende CAT-Tools wie RWS Trados Studio, memoQ oder Phrase ermöglichen es, neben TM auch MT in den Übersetzungsprozess einzubeziehen. Dies erlaubt Nutzer*innen, Dateien automatisch vorübersetzen zu lassen oder maschinelle Übersetzungsvorschläge während des Übersetzungsprozesses direkt in Segmente zu integrieren. Bearbeitete Segmente werden im TM gespeichert, was langfristig die Übersetzungsqualität verbessert. 78 5 Moderne MÜ: Grundfunktionsweisen und Paradigmen Die Integration von MT in CAT-Tools erfolgt auf zwei Arten: Direkte Integration: MT-Vorschläge werden direkt in den CAT-Workflow eingebunden. Tools wie Phrase (ex-Memsource) wählen mithilfe künstlicher Intelligenz automatisch die am besten geeignete MT-Engine für den jeweiligen Inhalt aus (Memsource, 2023). Indirekte Integration: Separate MT-Systeme werden genutzt, deren Ergebnisse anschließend in das CAT-System importiert werden. Viele CAT-Tools bieten Plugins oder kostenpflichtige APIs an, um MT-Systeme nahtlos in den Übersetzungsprozess zu integrieren. Lösungen wie RWS Trados Studio, memoQ und Across Language Server ermöglichen damit einen effizienten und flexiblen Workflow für Übersetzungsprojekte. 7.4 Weitere berufliche Anwendungen oder Dienstleistungen Neben Post-Editing und Pre-Editing umfasst der professionelle Einsatz von maschineller Übersetzung eine Vielzahl von Tätigkeiten und Dienstleistungen, die auf spezifische Branchen und Anwendungen zugeschnitten sind. Zu den wichtigsten gehören: Gisting: Erstellung einer groben Übersetzung, um den allgemeinen Inhalt eines Textes schnell zu erfassen, ohne eine vollständige Übersetzung zu benötigen. Anpassung und Training von MT-Engines: Anpassung maschineller Übersetzungssysteme an Kundenbedürfnisse durch Training mit firmenspezifischen Daten wie Translation Memories und Terminologien (siehe oben). Terminologiedatenbanken: Erstellung und Pflege von Datenbanken mit spezifischen Begriffen und Übersetzungen zur Gewährleistung von Konsistenz und Qualität. Beratung und Schulung: Unterstützung bei der Implementierung von MT-Lösungen und Schulungen zur effektiven Nutzung durch Mitarbeiter*innen. 8 Qualitätsbewertungsmethoden und -metriken Die Frage nach der Qualität einer Übersetzung hängt stark vom Kontext ab. Für dynamische Inhalte wie Social Media, Kundenservice oder E-Mail-Kommunikation reicht oft eine „ausreichend gute“ (good enough) Übersetzungsqualität. Für 79 Hellmut Riediger & Martin Kappus Texte, die veröffentlicht werden, wie Marketingmaterialien, Bedienungsanleitungen, Verträge oder Zeitschriftenartikel, ist hingegen eine hohe Qualität unerlässlich (human quality). 8.1 Menschliche Bewertungsmethoden Eine weitverbreitete Methode der menschlichen Bewertung ist das von Koehn (2010) entwickelte Modell „Adequacy-Fluency“. Bewertet wird anhand zweier Kriterien: Adequacy (Angemessenheit): Vermittelt der übersetzte Satz denselben Inhalt wie das Original? Gibt es Auslassungen, Ergänzungen oder Verzerrungen? Fluency (Flüssigkeit): Ist der Text in der Zielsprache grammatikalisch und stilistisch korrekt und flüssig? Bewertet wird auf einer numerischen Skala von 1 bis 5, wobei 5 die beste Bewertung darstellt (Koehn 2010). Andere Skalen konzentrieren sich auf Verständlichkeit oder Nutzbarkeit, wie z.B. die Skala von Arnold u. a. (1994), die zwischen perfekt verständlicher/nutzbarer, weitgehend verständlicher/nutzbarer, bedingt verständlicher/nutzbarer und überarbeitungsbedürftiger und unverständlicher Übersetzung unterscheiden. Eine wesentliche Einschränkung solcher Bewertungsskalen liegt jedoch in ihrer Fokussierung auf einzelne Sätze. Mit der zunehmenden Qualität maschineller Übersetzungen werden Aspekte wie Kohärenz und Konsistenz auf Textebene immer relevanter, aber von diesen Skalen nur unzureichend berücksichtigt. Sie ignorieren Probleme auf Dokumentenebene, wie: Kohäsion: Die sprachlichen Mittel, die zur Verbindung der einzelnen Teile eines Textes verwendet werden, wie z. B. Pronomen, Konjunktionen, Synonyme sowie sprachliche Bezugnahmen auf Begriffe (z. B. Hyponyme, Hyperonyme, Ellipsen). Kohärenz: Die logische und sinnvolle Verknüpfung von Ideen und Inhalten innerhalb eines Textes, die einen zusammenhängenden Gedankengang ermöglicht. Konsistenz: Die einheitliche und systematische Verwendung von Terminologien, Formulierungen und Übersetzungen, insbesondere bei wiederholten oder ähnlichen Inhalten. 80 5 Moderne MÜ: Grundfunktionsweisen und Paradigmen Die von Läubli u. a. (2018) vorgeschlagene Bewertungsskala auf Dokumentenebene bietet eine umfassende Methode zur Qualitätsbewertung maschineller Übersetzungen. Im Gegensatz zu satzbasierten Ansätzen berücksichtigt diese Skala nicht nur die Qualität einzelner Sätze, sondern auch die Kohärenz und Kohäsion eines gesamten Dokuments. Zu den bewerteten Kriterien gehören Kohärenz, Kohäsion, Grammatik, Stil, kulturelle Angemessenheit, Konsistenz und der Gesamteindruck des Textes. Besonders die Konsistenz, etwa in Terminologie und Stil, spielt eine entscheidende Rolle für die Einheitlichkeit des Textes. Die Integration dieser Kriterien in den Bewertungsprozess ermöglicht es Übersetzer*innen, sicherzustellen, dass ihre Übersetzungen sowohl grammatikalisch korrekt als auch auf die Zielgruppe abgestimmt sind. Insgesamt stellt diese Skala einen bedeutenden Fortschritt in der Qualitätsbewertung maschineller Übersetzungen dar. Vorteile: • Sie nutzt die sprachliche und fachliche Expertise erfahrener Übersetzer*innen. Nachteile: • Die Bewertung ist zeitaufwendig und kostenintensiv. • Aufgrund der subjektiven Natur solcher Bewertungen sind mehrere Gutachter*innen erforderlich, was die Kosten weiter steigert. 8.2 Automatisierte Bewertungsmethoden Automatisierte Metriken wie BLEU, NIST, METEOR, TER oder BERT bewerten die Qualität maschineller Übersetzungen, indem sie diese mit Referenzübersetzungen vergleichen und Übereinstimmungen analysieren. Diese Metriken nutzen häufig die Levenshtein-Distanz, die die Anzahl der erforderlichen Änderungen misst, um den maschinell übersetzten Text in die Referenzübersetzung umzuwandeln (Papineni u. a. 2002). Vorteile: • Schnell und kosteneffizient. • Hilfreich bei der Entwicklung und Optimierung von MT-Systemen. Nachteile: • Nicht geeignet für den praktischen Übersetzungsworkflow, da Referenzübersetzungen erforderlich sind. • Berücksichtigt weder Kohäsion noch Kohärenz auf Dokumentenebene. 81 Silvana Deilen, Ekaterina Lapshinova-Koltunski & Hellmut Riediger 1 Allgemeine Einführung Dieses Kapitel widmet sich der Anwendung von großen Sprachmodellen, d.h. Large Language Models (LLMs) im Bereich des Übersetzens. LLMs, die ursprünglich für Textgenerierung genutzt wurden, werden mittlerweise für verschiedene Aufgaben benutzt. Der Übersetzungsbereich, in dem LLMs nicht nur für automatische Übersetzung von Texten oder Sätzen, sondern auch für Terminologieund Informationsrecherche eingesetzt wird, ist dabei keine Ausnahme. Allerdings ist das Potenzial von LLMs in diesem Bereich noch nicht vollständig erforscht. In diesem Kapitel liegt der Fokus auf der Qualität des Outputs, möglichen Halluzinationen sowie auf Möglichkeiten, den Output durch Abfragen (sog. Prompts) zu verbessern. Neben allgemeinen Informationen über LLMs, ihren Grundlagen und ihrer Architektur wird in diesem Kapitel die Funktionsweise von LLMs dargestellt und auch allgemein auf das Thema Sprachmodellierung eingegangen. Darüber hinaus werden die aktuellen Forschungsarbeiten in diesem Bereich skizziert. Verschiedene Forschungsfragen und ihre Ergebnisse werden anhand zahlreicher Studien illustriert, wie die Evaluierungen von LLMs (z. B. ChatGPT) im Vergleich zu „klassischen“ maschinellen Übersetzungssystemen (z. B. DeepL oder Google Translate). Der Schwerpunkt liegt hierbei nicht auf den technischen Aspekten der Sprachmodellierung, sondern auf der Anwendung von LLMs in der Übersetzungspraxis. Außerdem wird auch die didaktische Nutzung in translationswissenschaftlichen Studiengängen angesprochen und diskutiert. Wesentlich ist dabei die Vermittlung von Techniken zur Erstellung sinnvoller Prompts (PromptEngineering). Diese helfen dabei, die von LLMs generierten Antworten zu verbessern. Es wird untersucht, wie LLMs die Übersetzenden in verschiedenen Anwendungsbereichen, wie Pre-Editing, Post-Editing, Terminologiearbeit, Qualitätskontrolle, Recherche sowie Integration von KI und LLMs in Übersetzungsumgebungen wie Trados, unterstützen können. Zudem werden in diesem Kapitel auch Praxiserfahrungen dargestellt. Dabei werden u.a. Herausforderungen bei der Verwendung von LLMs als Recherchewerkzeug, wie etwa Gender Bias oder Halluzinationen, illustriert. Im Anschluss werden auch ethische und datenschutzrechtiche Aspekte beleuchtet sowie die Frage nach der Gefährdung des Übersetzerberufs durch KI diskutiert. Es wird betont, dass trotz Veränderungen im Berufsbild, menschliche Übersetzer*innen, obwohl sich ihre Rolle wandelt, als „expert-in-the-loop“ in sicherheitskritischen und spezialisierten Domänen weiterhin unverzichtbar sind. 88 6 LLMs: ChatGPT und weitere KI-basierte Hilfsmittel für Übersetzende 2 Grundlagen der LLMs 2.1 Funktionsweise von LLMs Den Begriff Large Language Models (LLMs) wurde im Bereich der maschinellen Sprachverarbeitung (Natural language processing, NLP) geprägt, um vortrainierte Sprachmodelle von erheblicher Größe und mit vielen Parametern von anderen vortrainierten Sprachmodellen zu unterscheiden. Technisch gesehen können Sprachmodelle die Sprachintelligenz von Maschinen und somit die künstliche Intelligenz vorantreiben. Ein Sprachmodell enthält die Informationen über die Wahrscheinlichkeiten von Wörtern und Wortkombinationen. Diese helfen dabei, die Wahrscheinlichkeiten folgender (oder fehlender) Wörter und Wortkombinationen vorherzusagen (Zhao u.a. 2023). Die Modelle basieren auf der Technik des Vortrainings (Zhou u. a. 2023). Ihr Ziel ist ein allgemeines Modell mit großen Datenmengen und Aufgaben zu trainieren, das in verschiedenen darauffolgenden Anwendungen leicht feinabgestimmt (fine-tuned) werden kann. Für die vortrainierten Sprachmodelle werden riesige Korpora verwendet, um die Wahrscheinlichkeiten der Wörter und Wortkombinationen zu lernen. Die Korpora können dabei beliebig groß sein. Durch die Entwicklung dieser Technologie sind in den letzten Jahren mehrere vortrainierte Sprachmodelle entstanden, wie z. B. GPT, Gemini, Gemma, Llama, Claude, etc. Frühere Sprachmodelle wurden hauptsächlich für Texgenerierung eingesetzt, während neuere Sprachmodelle (z. B. GPT-4) für die Lösung komplexerer Aufgaben verwendet werden. Fast alle dieser Modelle basieren auf der sogenannten Transformerarchitektur (Vaswani u. a. 2023). Das ist eine neuronale Architektur mit den sogenannten Attention-Mechanismen (Aufmerksamkeitsmechanismen), die das Gewicht verwandter oder zusammenhängender Wörter hervorheben können und somit bessere Vorhersagen über die Wörter und Wortkombinationen machen können. Darüber hinaus kann eine Art von Eingabe in eine andere Art von Ausgabe automatisch umgewandelt werden. Bei der Anwendung von vortrainierten Sprachmodellen für spezifische Aufgaben, wie zum Beispiel maschinelle Übersetzung, wird noch eine Reihe von Techniken eingesetzt, wie etwa Feinabstimmung (Finetuning) mit spezifischen Daten. Zum Beispiel wird für die Feinabstimmung für maschinelle Übersetzung (MÜ) ein zweisprachiges Parallelkorpus verwendet, z. B. Englisch-Deutsch für die automatische Übersetzung aus dem Englischen ins Deutsche. Die Trainingsdaten von LLMs sind größtenteils englischsprachig und enthalten nur einen geringen Anteil an Daten in anderen Sprachen. Deshalb sind Forschende bemüht, Möglichkeiten zu finden, die zuvor aufgezeigten Probleme zu lösen und die Leistung von LLMs für Übersetzungsaufgaben zu verbessern. 89 Silvana Deilen, Ekaterina Lapshinova-Koltunski & Hellmut Riediger Beim Einsatz von LLMs unterscheidet man zwischen verschiedenen PromptingStrategien, wie Zero-Shot-Prompting und Few-Shot-Prompting. Bei Zero-ShotPrompting wird einem LLM eine Aufforderung gestellt, die in den Trainingsdaten des Modells nicht vorkommt. Solche Prompts enthalten üblicherweise spezifische Aufgabenanweisungen zusammen mit der Hauptabfrage. Zum Beispiel kann der Zero-Shot-Prompt für die Übersetzung aus dem Englischen ins Deutsche wie folgt aussehen: „Übersetze den folgenden englischen Text ins Deutsche:...”. Da LLMs gegenüber der Struktur und dem Inhalt von Prompts sehr empfindlich sind, sollten die Prompts bedacht formuliert werden. So könnte die Übersetzungsaufgabe oben alternativ auch anders formuliert werden: „Du bist ein Übersetzer. Übersetze den folgenden englischen Text ins Deutsche. Ausgangstext:... Zieltext: ”, usw. Prompt-Engineering ist ein wichtiger Forschungsbereich, in dem es primär darum geht, Prompts zu verbessern. Bei einem Few-Shot-Prompting werden zu erwartende Ausgabebeispiele direkt in die Aufforderung an die LLMs integriert. Diese Technik wird auch als kontextbezogenes Lernen bezeichnet. Die Beispiele, die dem Modell zur Verfügung gestellt werden, steuern und instruieren das Modell, die besten Antworten zu geben. Dies kann zur Verbesserung der Outputs von LLMs führen, wie es von Bawden & Yvon (2023) für maschinelle Übersetzung gezeigt wird. Außerdem zeigt der Beitrag, dass beim Zero-Shot-Prompting oft Übergenerierung oder Generierung in der falschen Sprache beobachtet wird. Few-Shot-Prompting verbessert die Ergebnisse für eine Reihe von Sprachpaaren. Prompt-Engineering und die Einstellung verschiedener Parameter für bessere Ergebnisse im Bereich der maschinellen Übersetzung werden derzeit aktiv untersucht (siehe z. B. Vilar u. a. 2023, Zhang u. a. 2023). 2.2 Abgrenzungen und Konvergenzen zwischen der regulären NMT und LLMs Neural Machine Translation (NMT) und LLMs basieren beide auf großen neuronalen Netzwerken, unterscheiden sich jedoch in ihrer Trainingsmethodik. NMTModelle werden auf zweisprachigen Übersetzungskorpora trainiert, d.h. direkt auf das Übersetzen gedrillt, jedoch ohne Berücksichtigung des sprachlichen Kontextes. Neuronale maschinelle Übersetzungssysteme sind daher besonders geeignet für spezialisierte Anwendungsgebiete, in denen Genauigkeit, Konsistenz und Datensicherheit entscheidend sind. Dazu gehören Fachtexte, Unternehmensdokumente, datenschutzsensitive Inhalte sowie weitere komplexe Dokumente, also ausgangssprachlich orientierte Übersetzungen. LLMs dagegen werden zunächst auf Millionen von monound multilingualen, aber nicht unbedingt parallelen 90 6 LLMs: ChatGPT und weitere KI-basierte Hilfsmittel für Übersetzende (alignierten) Texten vortrainiert. Gewissermaβen lernen sie zuerst die Sprachen, zwischen denen sie dann auch übersetzen können. LLMs können also auch übersetzen, obwohl sie nicht direkt für die Übersetzung trainiert wurden. Darüber hinaus können sie aber auch Texte in den verschiedensten Genres und Stilen verfassen, analysieren, zusammenfassen, korrigieren und auf Konsistenz prüfen oder hinsichtlich Sprachregister oder Textgattung umformulieren. Sie können Terminologie extrahieren und anwenden sowie Stilrichtlinien befolgen. Dies ermöglicht LLMs flüssigere, kreativere und kontextuell reichhaltigere Texte zu erzeugen, jedoch oft mit weniger Genauigkeit bei spezialisierten Inhalten. Die Wahl zwischen NMT und LLM hängt stark von den spezifischen Anforderungen der Übersetzungsaufgabe ab. Der Trend geht jedoch in Richtung der Integration von LLMs in andere Übersetzungstechnologien. So wie schon NMT-Systeme, wird es allmählich möglich sein, auch LLMs in CAT-Tools wie RWS Trados einzubinden, sodass die menschlich überarbeiten Übersetzungen für weitere Projekte in Translation Memories gespeichert werden können. Unterdessen sind auch Übersetzungs-LLMs wie Unbabel oder Tower auf den Markt gebracht worden, sowie Tools wie Wordscope, eine Übersetzungssoftware, welche die integrierte Nutzung von verschiedenen NMT-Systemen, ChatGPT, eigenen Translation Memories und Termbases ermöglicht. 3 Aktueller Forschungsstand Im Folgenden wird eine Übersicht über den aktuellen Forschungsstand gegeben. Da die Anzahl an Veröffentlichungen zum Thema LLMs in der Translationswissenschaft aufgrund der aktuellen Relevanz enorm ist und rapide steigt, wird nur auf die Studien eingegangen, die sich konkret mit der Integration von LLMs in die übersetzerische Praxis befassen. Einen umfassenden Überblick über die Performance von LLMs als MÜ-Systeme bietet Krüger (2023). 3.1 Anwendungsbereiche Krüger (2023) beschäftigt sich mit der praktischen Anwendbarkeit von KITechnologien in der Übersetzungsbranche und zeigt auf, wie die Arbeitsabläufe durch LLMs automatisiert und optimiert werden können. Er veranschaulicht, dass LLMs nicht nur als MÜ-Tools, sondern auch zur automatischen Evaluation der MÜ-Qualität eingesetzt werden können (Krüger 2023: 35–36). So veranschaulicht er, dass ChatGPT zur Berechnung verschiedener Scores wie der translation 91 Silvana Deilen, Ekaterina Lapshinova-Koltunski & Hellmut Riediger edit rate (TER) und folglich auch zur machine translation quality evaluation (MTQE) verwendet werden kann. Zudem können LLMs problematische Stellen im Text kennzeichnen, die dann entweder von professionellen Übersetzer*innen oder aber vom Modell selbst korrigiert werden können. Ebenso können LLMs einen Text nach kundenspezifischen Vorgaben und Styleguides anfertigen oder anpassen sowie zur automatischen Terminologiextraktion und Terminologiearbeit genutzt werden. Außerdem könnten autonome LMMs laut Krüger sogar Managementaufgaben übernehmen, wie Termine oder Übersetzungsprojekte koordinieren. Hier ist es denkbar, dass in Zukunft alle mit einem Übersetzungsprojekt einhergehenden Aufgaben und eingesetzten Tools in einem zentralen LLM zusammengefügt werden. Übersetzende werden dabei vermehrt die Rolle von „experts-in-the-loop“ (Krüger 2023: 39) einnehmen und die Performance des LLMs überwachen, im Falle von Defiziten eingreifen sowie für die Kommunikation zwischen Kunden und LLM zuständig sein. Im Hinblick auf die benötigten Kompetenzen für die Nutzung von KI führt Krüger (2023) darüber hinaus den Ausdruck artificial intelligence literacy (KI Kompetenz) ein und zieht Parallelen zu den Konzepten professional MT literacy (professionelle MÜ-Kompetenz) und dem daraus entwickelten MT-oriented data literacy framework (MÜ-orientierter Datenkompetenzrahmen). So vielversprechend die potentiellen Anwendungsbereiche auch klingen mögen, so ernüchternd ist teilweise die Realität. Reineke (2023) ist der Frage nachgegangen, für welche Tätigkeiten KI-gestützte Chatbots im Bereich der Terminologiearbeit eingesetzt werden können. Er zeigt auf, dass ChatGPT zwar prinzipiell Definitionen und Quellen für Fachtermini ausgeben kann, die vom Tool angegebenen Quellen jedoch häufig auf nicht existierende Webseiten verweisen. Ebenso wie bei Anfragen zu Definitionen und Benennungen sind die angezeigten Ergebnisse auch bei der Frage nach Begriffssystemen nicht stabil. Er schlussfolgert, dass ChatGPT „für eine erste Annäherung an die Begriffssystematik eines Fachgebietes sicherlich ein nützliches Werkzeug [ist]“ (Reineke 2023: 27), aber selbst vermeintlich brauchbare Ergebnisse mit Vorsicht zu genießen sind. Die Tatsache, dass die Antworten auf identische Fragen erheblich voneinander abweichen und angegebene Quellen nicht vorhanden sind, widerspricht den Grundsätzen der Terminologiearbeit, die sich durch Eineindeutigkeit und Konsistenz auszeichnet. 3.2 Performance von LLMs In vielen der bislang durchgeführten Studien wurde die Performance von LLMs als MÜ-Tool evaluiert und mit der Performance von konventionellen MÜ-Systemen verglichen. So haben Hendy u. a. (2023) für 18 Sprachrichtungen 92 6 LLMs: ChatGPT und weitere KI-basierte Hilfsmittel für Übersetzende die Performance von drei GPT-Modellen evaluiert und mit state-of-the-art NMTSystemen verglichen. Die Evaluation, die sowohl aus einer Humanevaluation als auch aus automatischen Evaluationsmetriken bestand, ergab, dass die Performance für High-Resource Languages mit der Performance von NMT-Systemen vergleichbar ist und durch Few-Shot-Prompting weiter verbessert werden kann. Bei Low-Resource Languages lag die Qualität jedoch unter der Qualität von NMTSystemen. Dieses Ergebnis wurde in mehreren Studien repliziert: So haben Moslem u. a. (2023) ebenfalls gezeigt, dass die Performance von LLMs für High-Resource Languages sehr vielversprechend ist, wohingegen dies bei Low-Resource Languages nicht der Fall ist. Darüber hinaus untersuchten sie, inwiefern der MÜ-Output von LLMs (insbesondere GPT-3.5) durch In-Context-Learning verbessert werden kann. Ihre Untersuchung ergab, dass das Few-Shot-Prompting mit Fuzzy Matches (Übersetzungsbeispiele, bei denen Segmente des Ausgangstextes eine hohe Ähnlichkeit zu den Segmenten des zu übersetzenden Zieltext aufweisen) zu besseren Ergebnissen führte als das Few-Shot-Prompting mit zufälligen Beispielen (d.h. Beispiele, die keine Ähnlichkeit zum Zieltext aufweisen). Übersetzungen ohne Prompting (Zero-Shot-Translation) schnitten am schlechtesten ab (Moslem u. a. 2023: 229). Zudem zeigten sie auf, dass beim Inkludieren von Glossareinträgen im Prompt die Terminologie häufiger erfolgreich in den Text übernommen wurde als es bei Zero-Shotund Few-Shot-Übersetzungen ohne das Bereitstellen von Terminologie der Fall war (Moslem u. a. 2023: 232). Der Vergleich von GPT3.5 und GPT-4 hat zudem gezeigt, dass mit GPT-4 zwar eine bessere Zero-ShotÜbersetzungsqualität erzielt wurde, die Qualität von Few-Shot-Übersetzungen jedoch mit beiden Modellen ähnlich war (Moslem u. a. 2023: 233). Raunak u. a. (2023) untersuchten, ob GPT-4 für automatisches Post-Editing von MÜ-Output eingesetzt werden kann. Hierfür forderten sie das Tool auf, Verbesserungsvorschläge für eine vorgefertigte Übersetzung zu liefern und anschließend den post-editierten Zieltext zu produzieren. Sie kamen zu dem Ergebnis, dass die post-editierte Version von GPT-4 deutlich besser war als die nicht posteditierte Version. Dies galt sowohl für Übersetzungen ins Englische (DE-EN, ZHEN) als auch für Übersetzungen in andere Zielsprachen (EN-DE, EN-ZH). Darüber hinaus untersuchten sie, wie viele der Verbesserungsvorschläge tatsächlich vom Tool in die finale Zieltextversion eingearbeitet wurden. Sie zeigten, dass GPT-3.5 turbo deutlich weniger Vorschläge auch tatsächlich implementiert als GPT-4 und schlussfolgern, dass GPT-4 in dieser Hinsicht vertrauenswürdiger ist. Auch Jiao u. a. (2023) kamen zu dem Schluss, dass die Übersetzungsqualität durch den Einsatz von GPT-4 deutlich verbessert werden kann, und das auch für 93 Silvana Deilen, Ekaterina Lapshinova-Koltunski & Hellmut Riediger Sprachen aus unterschiedlichen Sprachfamilien. Dass GPT-4 mit anderen stateof-the-art NMT-Systemen mithalten und teilweise sogar besseren Output liefern kann, zeigten Manakhimova u. a. (2023) auch für die Sprachenpaare DE-EN und EN-DE. Interessante Ergebnisse zum Einsatz von LLMs lieferten auch die Studien von Popovic u. a. (2024) und Castilho u. a. (2023). Popovic u. a. (2024) untersuchten die Auswirkungen von fehlerhaften Ausgangstexten (z. B. Texte mit Rechtschreib-, Grammatik-, oder Ausdrucksfehlern) auf die Qualität von maschinellen Übersetzungen. Hierbei gingen sie der Frage nach, ob die Fehler im Zieltext übernommen oder korrigiert werden. Bei den Ausgangstexten handelte es sich um Amazon-Rezensionen, die aus dem Englischen ins Kroatische, Russische und Finnische übersetzt wurden, und zwar von konventionellen MÜSystemen und ChatGPT. Die Studie ergab, dass die Fehler von ChatGPT deutlich häufiger korrigiert wurden als von konventionellen MT-Systemen (Popovic u.a. 2024: 22). Dennoch bereiten insbesondere Rechtschreibfehler und informelle Konstruktionen sowohl ChatGPT als auch MÜ-Systemen Probleme und führen häufig zu Übersetzungsfehlern (z. B. falsche Übersetzung, Auslassung etc.). Insgesamt kamen sie zu dem Ergebnis, dass ChatGPT in Hinblick auf die Tolerierung von Fehlern im Ausgangstext „robuster“ (Popovic u.a. 2024: 24) ist als konventionelle MÜ-Systeme. Castilho u. a. (2023) untersuchten hingegen, wie MÜ-Systeme mit kontextbezogenen Übersetzungsproblemen wie lexikalischer Ambiguität, grammatischem Geschlecht, Referenzen, Ellipsen und Terminologie umgehen, wenn die Lösung für dieses Problem in einer längeren Kontextspanne gegeben wird. Die Studie wurde mit Sprachen aus unterschiedlichen Sprachfamilien durchgeführt, und zwar mit deutschen, portugiesischen, irischen und chinesischen Texten. Der Vergleich von konventionellen NMT-Systemen (Google Translate, DeepL und Microsoft Bing) und ChatGPT-3 zeigte, dass ChatGPT zwar insgesamt besser abschnitt; die Performance für das Irische jedoch unabhängig von der auftretenden Übersetzungsherausforderung häufig schlechter war als die Performance der NMTSysteme. Angesichts dessen, dass Irisch zu den Low-Resource Languages zählt, stimmt dieses Ergebnis ebenfalls wieder mit dem Ergebnis von Hendy u.a. (2023) überein. Zudem zeigte die Studie, dass die Position des Kontextes (vor oder nach dem problematischen Wort) keinen Einfluss auf die Ergebnisse hatte. Darüber hinaus wurde auch bereits untersucht, inwiefern ChatGPT auch im Bereich der intralingualen Übersetzung eingesetzt werden kann. Deilen u.a. (2023) ließen 30 juristisch-administrative Texte von ChatGPT aus dem Standarddeutschen in Leichte Sprache übersetzen. Die Analyse des Outputs, in welcher Korrektheit des Inhalts, Verständlichkeit und syntaktische Komplexität evaluiert 94 6 LLMs: ChatGPT und weitere KI-basierte Hilfsmittel für Übersetzende wurden, ergab allerdings, dass die von ChatGPT erstellten Texte zwar leichter als die Standardtexte, jedoch nachwievor nicht leicht genug waren und zudem die gängigen Leichte-Sprache-Regeln nicht eingehalten wurden. Zudem wurde der Inhalt nicht immer korrekt wiedergegeben. 3.3 Auswirkungen auf das Berufsbild und die übersetzerische Ausbildung Lee (2024) beschäftigt sich mit der Frage, welche Auswirkungen die technologischen Entwicklungen und damit einhergehend der „Paradigmenwechsel“ (Lee 2024: 13) auf das Berufsbild von Übersetzer*innen haben werden. Es besteht Konsens darüber, dass LLMs Übersetzer*innen (noch) nicht ersetzen können, da sie nachwievor fehleranfällig und nicht zuverlässig genug sind und darüber hinaus keine „ethische Verantwortung“ (Lee 2024: 12) übernehmen können. Beim Einsatz von MÜ-Tools wie DeepL nimmt der Übersetzende heutzutage vermehrt die Rolle des Post-Editors ein. ChatGPT hingegen kann – aufgrund der Möglichkeit des Promptings – nicht nur als Übersetzer, sondern zugleich auch als Post-Editor fungieren. Das wiederum hat zur Folge, dass Humanübersetzer*innen nicht von Übersetzer*innen zu Post-Editor*innen werden, sondern eher zu „Post-PostEditor*innen“ (Lee 2024: 13). Eine wichtige Kompetenz von Übersetzer*innen ist somit neben der Post-Editingauch die Prompt-Engineering-Kompetenz. Der immer weiter voranschreitende technologische Wandel und Paradigmenwechsel kann schließlich dazu führen, dass Übersetzer*innen alles machen außer übersetzen (Lee 2024: 13). Lee (2024) geht davon aus, dass Übersetzer*innen vermehrt die Rolle einer zweisprachigen Berater*in oder Projektmanager*in einnehmen werden. Übersetzen wird somit vermehrt zu einer cross-cultural-communication bzw. einem interpersonal and interactional event und somit Teil der interkulturellen Kommunikation. Übersetzende benötigen hierfür ein komplexes, umfangreiches Repertoire an Fähigkeiten, u. a. logistische, verwaltungstechnische und zwischenmenschliche Fähigkeiten. Aufgrund dessen stellt Lee (2024) auch in Frage, ob die derzeit recht statischen Kriterien zur Bewertung von Übersetzungsklausuren in der Übersetzerausbildung überhaupt noch zeitgemäß sind. Er plädiert neben der Anpassung von Prüfungsformen auch dafür, die neu erforderlichen Kompetenzen in die Studieninhalte und somit in das „Toolkit“ (Lee 2024: 17) der Übersetzer*innen zu integrieren. Als Kernkompetenzen nennt er Recherchekompetenzen, also das Wissen darüber, wie man die Zuverlässigkeit von Informationen und Informationsquellen bewertet, technologische Kompetenzen, d.h. die Arbeit mit digitalen Texten und deren Empfang, Bearbeitung und Übermittlung an Kunden, sowie Dienstleistungskompetenzen, d.h. die Abwicklung 95 Silvana Deilen, Ekaterina Lapshinova-Koltunski & Hellmut Riediger eines Übersetzungsauftrags. Die Potentiale von LLMs für die Übersetzungsbranche werden auch von Siu (2023) untersucht. Als Vorteile von ChatGPT gegenüber konventionellen MÜSystemen nennen sie die Fähigkeit, die Bedeutung eines Ausdrucks in unterschiedlichen Kontexten zu erklären, was bei polysemen Wörtern, die je nach Kontext eine andere Bedeutung haben, relevant ist. Darüber hinaus ist es möglich, sich kulturspezifische Ausdrücke und fachspezifische Termini erklären zu lassen. Im Bereich des Fachtextübersetzens kann es zudem hilfreich sein, sich eine vereinfachte Textzusammenfassung ausgeben zu lassen. Im Unterschied zu konventionellen MÜ-Tools ist es auch möglich, sich mehrere Übersetzungsvorschläge generieren zu lassen, so dass der Text nicht nur als draft fungiert, sondern dem Übersetzenden zugleich auch als Inspiration dient. Weitere Anwendungsmöglichkeiten sind Fehlererkennung, Grammatikprüfung und Revision. Diese Vorteile von ChatGPT gegenüber anderen MÜ-Tools sind insbesondere auf die Fähigkeit der interaktiven Übersetzung zurückzuführen. Die Nutzer*innen arbeiten nicht mit einem finalen vom Tool generierten Output, sondern können sich durch den Dialogmodus den Output erneut vom Tool überarbeiten und je nach spezifischen Vorgaben anpassen lassen. Mit diesen einzelnen Instruktionen kann das Produkt somit step by step verbessert werden. 4 Anwendungen und Erfahrungen in Didaktik Im folgenden Kapitel wird näher auf Erfahrungen im Umgang mit LLMs im Übersetzungsunterricht und der Übersetzungspraxis eingegangen. Dies wird an einem praktischen Beispiel aus dem Unterricht illustriert. Zwischen Herbst 2023 und Frühling 2024 wurden am Mailänder Institut für Dolmetschen und Übersetzen Altiero Spinelli mit knapp 30 Studierenden aus Masterstudiengängen und 10 Dozierenden mit unterschiedlichen Sprachkombinationen Workshops zur Nutzung von LLMs als Hilfsmittel beim Übersetzen organisiert. Zunächst erhielten die Teilnehmer*innen (Studierende und Dozierende) eine allgemeine theoretische Einführung und es wurden die Grundregeln des PromptEngineering vermittelt: 1. Klare Definition der Aufgabe. 2. Komplexe Aufgaben in einfachere Unteraufgaben unterteilen. 3. Sich nicht mit dem ersten Ergebnis zufrieden geben und die Unterschiede ständig überprüfen. 96 6 LLMs: ChatGPT und weitere KI-basierte Hilfsmittel für Übersetzende 4. Dem Chatbot so viel Kontext wie möglich und Zeit zum „Denken“ geben. 5. Sich vom Chatbot helfen lassen, das Prompt-Engineering zu verbessern. Sie wurden aufgefordert sich mit den Anleitungen von OpenAI1und von RWS Group Limited2vertraut zu machen. Danach sollten sich die verschiedenen Gruppen innerhalb ihrer Kurses einer oder mehrerer der folgenden Aufgaben widmen: • Entwicklung eines Repertoires von Beispielen wie LLMs zur Verbesserung des Übersetzungsprozesses genutzt werden können. • Erstellung einer Prompt-Bibliothek mit allgemein nützlichen Prompts. • Entwicklung von Übungs-, Unterrichtsund Prüfungsmaterialien. • Erstellung eines Leitfadens zur Nutzung von LLMs im Übersetzungsprozess. • Beurteilung des Nutzens von LLMs im Übersetzungsprozess. Die Teilnehmer*innen sollten die frei zugänglichen LLMs wie ChatGPT, Gemini oder Perplexity AI befragen, um herauszufinden, wie diese sie in ihrer Tätigkeit unterstützen können (als Übersetzungsprofis, -studierende bzw. - dozierende). Auf die Frage „Wie kannst du Übersetzende in ihrer Tätigkeit unterstützen?“ gab ChatGPT z. B. folgende Antworten: 1. Automatisierte Übersetzungen: Schnelle Vorübersetzungen. 2. Terminologie und Konsistenz: Terminologie-Extraktion und Erstellung von Glossaren. 3. Qualitätssicherung: Korrekturlesen und stilistische Anpassungen. 4. Kulturelle und kontextuelle Anpassungen: Kulturelle Anpassungen und Kontextanalysen. 5. Recherche und Informationsbeschaffung: Hintergrundrecherche und Synonymvorschläge. 6. Projektmanagement: Zeiteffizienz und Textanalysen. 7. Lernen und Weiterbildung: Sprachpraxis und Musterbeispiele. 1https://platform.openai.com/docs/guides/prompt-engineering 2Introduction to Linguistic Prompt Design Training for Everyone - Linguistic Prompt Design Training for Everyone (rws.com) 97 Silvana Deilen, Ekaterina Lapshinova-Koltunski & Hellmut Riediger Raunak, Vikas, Amr Sharaf, Hany Hassan Awadallah & Arul Menezes. 2023. Leveraging GPT-4 for automatic translation post-editing. arXiv preprint arXiv:2305.14878. Reineke, Detlef. 2023. Terminologiearbeit mit ChatGPT & Co. edition 1. 25–27. Riediger, Hellmut & Gabriele Galati. 2023. La traduzione nell’era dell’IA: Nuovi ruoli, nuove competenze, nuova formazione. mediAzioni 39. A35–A54. DOI: 10.6092/issn.1974-4382/18786. Siu, Sai Cheong. 2023. ChatGPT and GPT-4 for professional translators: Exploring the potential of large language models in translation. SSRN.DOI: 10.2139/ ssrn.4448091. Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser & Illia Polosukhin. 2023. Attention Is All You Need. https://arxiv.org/abs/1706.03762. Vilar, David, Markus Freitag, Colin Cherry, Jiaming Luo, Viresh Ratnakar & George Foster. 2023. Prompting PaLM for translation: Assessing strategies and performance. In Anna Rogers, Jordan Boyd-Graber & Naoaki Okazaki (Hrsg.), Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 15406–15427. Toronto, Canada: Association for Computational Linguistics. DOI: 10.18653/v1/2023.acl-long.859. Zhang, Biao, Barry Haddow & Alexandra Birch. 2023. Prompting large language model for machine translation: A case study. arXiv: 2301.07069 [cs.CL]. https: //arxiv.org/abs/2301.07069. Zhao, Wayne Xin, Kun Zhou, Junyi Li, Tianyi Tang, Xiaolei Wang, Yupeng Hou, Yingqian Min, Beichen Zhang, Junjie Zhang, Zican Dong, Yifan Du, Chen Yang, Yushuo Chen, Zhipeng Chen, Jinhao Jiang, Ruiyang Ren, Yifan Li, Xinyu Tang, Zikang Liu, Peiyu Liu, Jian-Yun Nie & Ji-Rong Wen. 2023. A survey of large language models. https://arxiv.org/abs/2303.18223. Zhou, Ce, Qian Li, Chen Li, Jun Yu, Yixin Liu, Guangjing Wang, Kai Zhang, Cheng Ji, Qiben Yan, Lifang He, Hao Peng, Jianxin Li, Jia Wu, Ziwei Liu, Pengtao Xie, Caiming Xiong, Jian Pei, Philip S. Yu & Lichao Sun. 2023. A comprehensive survey on pretrained foundation models: A history from BERT to ChatGPT. https: //arxiv.org/abs/2302.09419. 104 Kapitel 7 Grundlagen des Post-Editings Jean Nitzke Universitetet i Agder, Norwegen In diesem Kapitel zu Post-Editing (PE) Grundlagen werde ich zunächst den Begriff definieren und festhalten, was beim PE wichtig ist. Dabei wird ein Fokus auf unterschiedliche PE Richtlinien liegen (Light und Full PE), insbesondere unter Beachtung der DIN ISO 18587. Außerdem werde ich darauf eingehen, wie sich MÜ zum Post-Editing in Translation-Memory-Umgebungen einbetten lässt. Abschließend werde ich diskutieren, welche Fehler bei neuronaler MÜ am häufigsten vorkommen, was man bei verschiedenen Textsorten beachten muss und welche ethischen Aspekte berücksichtigt werden müssen. Maschinelle Übersetzung (MÜ) kann für verschiedene Szenarien genutzt werden. So nutzen wir MÜ im Alltag häufig nur zur Informationsgewinnung, was auch als Gisting bezeichnet wird, oder zur Kommunikation mit anderen (s. auch Kapitel 9 zum computergestütztem Dolmetschen). Im professionellen Kontext wird MÜ aber häufig genutzt, um den Übersetzungsprozess zu beschleunigen und günstiger zu machen. Damit maschinell übersetzte Texte veröffentlicht werden können, müssen diese nachbearbeitet werden. Dieser Prozess wird als PostEditing (PE) bezeichnet. Beim PE handelt es sich um die Überarbeitung von MÜ durch Humanübersetzer:innen entsprechend vorgegebener Richtlinien und Qualitätskriterien (O’Brien 2011: 197). Verschiedene Faktoren spielen für einen erfolgreichen PE-Prozess eine Rolle und nicht alle Ausgangstexte sind gleichermaßen für das PE geeignet. Daher werden wir im Folgenden Ausgangstexte, PE-Richtlinien, Entscheidungen im PEProzess und ethische Aspekte diskutieren. Für eine ausführliche Einführung in das PE siehe Nitzke & Hansen-Schirra (2021). Jean Nitzke. 2026. Grundlagen des Post-Editings. In Oliver Czulo, Martin Kappus & Felix Hoberg (Hrsg.), Digitale Translatologie, 105–113. Berlin: Language Science Press. DOI: 10.5281/zenodo.17523042 Jean Nitzke 1 Ausgangstexte Traditionell wurden unterschiedliche Fachgebiete und die damit einhergehenden Textsorten als mehr oder weniger geeignet für MÜ und PE eingeschätzt. So wurden beispielsweise technische Texte als besonders geeignet eingestuft, da sie oft sehr standardisiert sind und teilweise die Ausgangstexte bereits in kontrollierter Sprache geschrieben werden. Aber auch andere Fachtexte, die Regeln folgen und weniger Platz für Kreativität lassen, wurden als geeigneter für MÜ und PE eingestuft, besonders wenn das MÜ-System mit den passenden Texten trainiert wurde. Kreativere Textsorten, die mehr sprachliche Flexibilität aufweisen, galten hingegen als eher ungeeignet. Diese Unterscheidung ist weiterhin nicht grundlegend falsch. Jedoch liest sich die Ausgabe von neuronalen MÜ-Systemen viel flüssiger als die Texte, die früher durch statistische Systeme generiert wurden. Entsprechend ist die Ausgabe von Allgemeinsprache mittlerweile auch ziemlich gut, zumindest auf den ersten Blick. So können Touristeninformationen beispielsweise bereits ganz gut von der Maschine übersetzt sein und beim Post-Editing müssen nur noch einige Schrauben gedreht werden, um einen funktionierenden Zieltext zu erhalten. Auf der anderen Seite sind die maschinellen Übersetzungen von Texten wie Gedichte oder Werbeslogans oftmals weiterhin eher unbrauchbar – wobei hier natürlich die Frage bleibt, ob es sich um eine offizielle Übersetzung handeln soll, die veröffentlicht wird, oder man nur interessehalber Informationen über den Inhalt erhalten möchte. Neue Möglichkeiten können hier Large Language Models bieten, die durch gezielteres Prompting flexibler Zieltexte generieren können oder beim kreativen Prozess unterstützen können. Die bisherigen Überlegungen beziehen allerdings nur sprachliche Aspekte ein. Wenn wir uns nun die verschiedenen Textsorten bezüglich der Risiken betrachten, die durch mögliche Fehler im Zieltext entstehen können, sieht das Bild anders aus. Beim Übersetzen können generell unterschiedliche Risiken entstehen, angefangen bei eingeschränkter Kommunikation oder Rufschädigung, da Fehler im Text unprofessionell wirken können oder den Leser:innen fehlerhafte Informationen übermittelt werden. Wenn für ein Hotel beispielsweise eine fehlerhaft übersetzte Werbebroschüre gedruckt und verbreitet wird, kann das Hotel dadurch potenziell Kund:innen verlieren und einen schlechten Ruf erlangen. Wenn wir nun aber an Fachtexte denken, können die entstehenden Risiken durchaus weitgreifender sein. Ein mangelhaftes Handbuch kann dazu führen, dass ein Gerät falsch installiert wird und dann nicht ordnungsgemäß funktioniert oder gar durch fehlerhafte Handhabung oder Installation beschädigt wird. Ein Fehler in einer Packungsbeilage kann nicht nur dazu führen, dass das Medikament nicht 106 7 Grundlagen des Post-Editings richtig wirkt und beim Patient keine Besserung der Symptome eintritt, es können auch Leben gefährdet werden. Canfora & Ottmann (2015) beschreiben ausführlich die unterschiedlichen Risikoparameter beim Übersetzen und entwerfen ein Risikobewertungssystem für Texte und deren Übersetzungen. Je höher das Risiko, desto mehr Qualitätssicherungsmaßnahmen sollten in Betracht gezogen werden. Wenn die Zieltexte publiziert werden sollen, gelten diese Annahmen beim PE natürlich genauso. Hinzu kommen aber noch weitere Risiken wie Datensicherheit und andere Cyberrisiken (s. Kapitel 11 zu Risiken). Daher muss beim PE ganz klar definiert sein, wofür der Zieltext genutzt werden soll, welche Qualität der Text haben soll und welche Qualitätssicherungsmaßnahmen angewandt werden sollen. 2 PE-Richtlinien und Einbindung von MÜ in den PE-Prozess Ähnlich wie bei der traditionellen Humanübersetzung, ist es wichtig für PostEditor:innen zu wissen, nach welchen Kriterien post-editiert werden soll. Während bei einem Übersetzungsauftrag unter anderem Zieltextleser:innen, Publikationsform, Register definiert werden können, muss beim Post-Editing zusätzlich noch vorgegeben werden, welche Aspekte überarbeitet werden sollen und welchen Qualitätsanspruch der Zieltext haben soll. Diese Richtlinien können individuell für jedes Unternehmen und jedes PE-Projekt entwickelt werden. Traditionell wird hier grob zwischen Full und Light Post-Editing unterschieden. Schauen wir uns zunächst die PE-Regeln an, wie sie von TAUS 2016 zum ersten Mal vorgeschlagen wurden (Massardo u.a. 2016). Light PE entspricht einer „ausreichenden“ Zieltextqualität. Was hiermit gemeint ist, ist dass der im Zieltext dargestellte Inhalt korrekt ist und dass der Text die gleiche Bedeutung hat. Der Zieltext ist also verständlich und präzise. Allerdings kann der Text weiterhin sprachliche Mängel enthalten, solange diese nicht die Verständlichkeit beeinträchtigen. Beim Full PE sollen Zieltexte entstehen, die der Qualität einer Humanübersetzung vergleichbar sind. D. h. der Zieltext ist nicht nur inhaltlich richtig und präzise, sondern auch stilistisch passend und sprachlich korrekt. Einige Regeln für Full und Light PE überschneiden sich also, wie beispielsweise, dass der Inhalt des Ausgangstextes korrekt wiedergegeben werden muss und dass so viel wie möglich von der MÜ genutzt werden soll. Hinsichtlich Terminologie, Grammatik oder Zeichensetzung hingegen unterscheiden sich die Regeln. Während im Full PE Terminologie konsistent verwendet werden soll und Grammatik und Zeichensetzung korrekt sein sollen, müssen diese Art Fehler im Light 107 Jean Nitzke PE nicht verbessert werden, solang der Inhalt trotz der Fehler vermittelt werden kann. Die DIN ISO 18587 (DIN 2018: 1) widmet sich dem „Posteditieren maschinell erstellter Übersetzungen“, dient als Handreichung für vollständiges humanes PE, also Full PE, und bezieht sich ausschließlich auf Inhalte, „die von MÜ Systemen verarbeitet wurden“. Informationen zu Light und automatischem PE (Do Carmo u. a. 2021) lassen sich in der Norm im Anhang finden, stehen aber nicht im Fokus. Als intendierte Nutzer:innen der Norm werden Übersetzungsdienstleister:innen, deren Kund:innen und Posteditor:innen genannt. Als sinnvoll wird der Einsatz von MÜ und PE bei engem Zeitrahmen, geringem Budget oder Dokumenten eingeschätzt, die sonst nicht übersetzt werden würden. Laut Norm sind die Vorteile von PE, dass sie die Übersetzungskosten senken, die Produkteinführung oder den Informationsfluss beschleunigen, die Übersetzungsproduktivität steigern und Durchlaufzeiten verkürzen können. Durch die Kostenreduktion können Unternehmen potenziell wettbewerbsfähig bleiben. Im Einführungsbeitrag der Norm wird aber auch klar festgehalten, dass kein MÜ System [existiert], dessen Ergebnisse qualitativ an das der Humanübersetzung heranreichen kann. Daher hängt die Qualität des endgültigen Übersetzungsergebnisses vom Humanübersetzer ab und vor diesem Hintergrund seiner Kompetenz auf dem Gebiet des Posteditierens. Im Folgenden werden dann Prozesse bei PE-Projekten besprochen, inklusive Vorbereitung, Produktion und Nachbereitung. Außerdem werden Kompetenzen (Überlegungen dazu finden sich auch im Kapitel 15) und Qualifikationen von Posteditor:innen besprochen. Dabei wird festgehalten, dass Übersetzungsdienstleister:innen sicherstellen müssen, dass diese Kompetenzen und Qualifikationen vorhanden sind. Des Weiteren werden Full PE-Anforderungen dargelegt. Die englische Originalfassung ISO 18587:2017 befindet sich derzeit in der Überarbeitung (Stand: Juli 2025). PE kann grob gesehen auf zwei Weisen durchgeführt werden: Entweder der Ausgangstext wird als Ganzes maschinell übersetzt und dann nachbearbeitet oder das PE geschieht im CAT-Tool, in dem der Text dann i. d. R. zunächst segmentiert und dann maschinell übersetzt wird. In der Praxis werden MÜ-Systeme meistens im Translation-Memory-System eingebunden (Nitzke u. a. 2024). Das heißt, dass die MÜ neben Full und Fuzzy Matches aus dem Translation Memory als eine weitere Quelle für Übersetzungsvorschläge gilt. Die MÜ wird vorgeschlagen und oftmals automatisch eingefügt, wenn kein Match aus dem Translation Memory vorhanden ist oder ein gewisser Match-Wert unterschritten wird. Die 108 7 Grundlagen des Post-Editings meisten MÜ-Systeme können dann entweder direkt für ein Projekt aktiviert werden oder werden wie ein weiteres Translation Memory hinzugefügt. 3 Entscheidungen im PE-Prozess Wie wir schon im ersten Abschnitt andiskutiert haben, müssen für PE-Projekte verschiedene Entscheidungen getroffen sowie Vorund Nachteile abgewogen werden, die darüber hinausgehen, ob ein MÜ-System vorhanden ist und ob Geld oder Zeit gespart werden soll. In einem ersten Artikel (Nitzke u. a. 2019) haben wir einen Entscheidungsbaum mit Fragen aufgestellt, die für ein Übersetzungsprojekt von Bedeutung sind und hauptsächlich mit „ja“ oder „nein“ beantwortbar sind. Die Fragen können für jedes Projekt individuell beantwortet werden und enden an einer projektspezifischen Empfehlung, die entweder dazu rät, keine MÜ zu verwenden, Full oder Light PE-Regeln anzuwenden oder gar ganz auf das PE zu verzichten. Dieses erste Modell hat sich anhand der Literatur und Diskussionen im Feld orientiert. Um die Praktikabilität des Modells auf den Prüfstand zu stellen, haben wir in einer Interviewstudie 19 Entscheidungsträger:innen aus der Industrie gefragt, welche Abwägungen sie in ihren Projekten tätigen und was für sie ausschlaggebend ist. Anhand der Ergebnisse haben wir unser Modell weiterentwickelt (siehe Abbildung 1 sowie Nitzke u. a. 2024 und Hansen-Schirra u. a. 2024). Die erste zu beantwortende Frage ist, ob der Ausgangstext an sich für MÜ und PE geeignet ist. Dazu gehören Abwägungen bezüglich Sensibilität der Informationen im Text, Risiken, die der Text mit sich bringt, aber auch Textsorte, Sprachkombination oder Fachgebiet. Wenn alle Überlegungen dafür sprechen und der Ausgangstext als geeignet für MÜ und PE eingestuft werden kann, stellt sich als nächstes die Frage, ob ein verlässliches MÜ-System vorhanden ist, idealerweise als Plug-In für das verwendete Translation Memory-System, da alle von uns Befragten bestätigten, dass sie PE im Translation Memory-System durchführen. Als verlässlich kann das MÜ-System eingeschätzt werden, wenn es sicher ist und für die Sprachkombination und das jeweilige Fachgebiet brauchbare Ergebnisse liefert. Wenn eine dieser beiden ersten Fragen, mit „nein“ beantwortet werden muss, ist von MÜ und PE abzuraten. Wenn aber auch die zweite Frage mit „ja“ beantwortet werden kann, gilt es nun auszuloten, welche Zieltextqualität erreicht werden soll. Wenn der Zieltext beispielsweise nur zur Informationsgewinnung, also zum „Gisting“, dienen soll, kann es sein, dass die rohe maschinelle Übersetzung bereits ausreicht. Wenn der 109 Jean Nitzke AT für MÜ geeignet? verlässliche MÜ-Plugins für TMS? MÜ nur für Gisting? Qualität für ZT wie bei HÜ keine MÜ Rohe MÜ Light PE Full PE + QS wie HÜ ja ja ja ja nein nein neinnein neinnein Abbildung 1: Entscheidungsmodell nach (Hansen-Schirra u. a. 2024: 108) Zieltext inhaltliche korrekt, die Gesamtqualität allerdings nicht ausgefeilt sein muss, können Light PE-Richtlinien reichen. Wenn die Zieltextqualität ähnlich oder gleich der einer Humanübersetzung sein soll, werden Full-PE-Richtlinien plus gegebenenfalls weitere Qualitätssicherungsmaßnahmen wie bei einer Humanübersetzung von Nöten sein. Viele der Teilnehmenden in unserer Interviewstudie haben berichtet, dass sie auch bei PE-Projekten Qualitätssicherungsund Revisionsschritte mit einplanen, dass PE hier der Humanübersetzung also gleichgestellt ist. Das Entscheidungsmodell in Abbildung 1 kann natürlich nur als eine Orientierungshilfe verstanden werden, da jedes Projekt individuell betrachtet werden muss und man entsprechend bei Abweichungen zu anderen finalen Entscheidungen kommt. Wichtig ist jedoch festzuhalten, dass zum einen sich nicht jedes Übersetzungsprojekt für die Nutzung von MÜ und PE eignet, zum anderen aber auch dass Kostenund Zeitfragen nicht die einzigen oder wichtigsten sein können, die bei der Entscheidungsfindung gestellt werden dürfen. 110 7 Grundlagen des Post-Editings 4 Ethische Fragen Die Diskussionen, welchen Einfluss Technologien auf den Übersetzungsmarkt haben und wie sich der Markt zukünftig entwickeln wird, sind groß. Die meisten professionellen Übersetzer:innen werden sich einig darin sein, dass die Maschine weiterhin nicht die Übersetzungsqualität liefert, die für viele professionelle Übersetzungsaufträge erwartet wird. Dennoch scheint dies einem Laienpublikum oftmals nicht ganz so ersichtlich und viele Übersetzer:innen berichten von einem spürbaren Preisdruck. Daher werden in den letzten Jahren auch vermehrt ethische Aspekte bezüglich Translation und Technologie diskutiert (siehe z. B. Bowker 2020 oder Moorkens 2022), angefangen beim Copyright. Um MÜund KI-Systeme trainieren zu können, braucht es Unmengen an sprachbezogenen Daten und Paralleltexten. Wem gehören diese übersetzten Texte nun aber und sollten Übersetzer:innen nicht davon profitieren, wenn ihre Übersetzungen von globalen Unternehmen zum Training ihrer Systeme genutzt werden? Moorkens & Lewis (2019) diskutieren diese Frage ausführlich. Ein weiteres Thema ist, dass KIund MÜ-Systeme Stereotypen oder veraltete Sprache reproduzieren, da die Trainingsdaten beispielsweise keine genderneutrale Sprache hergeben. Aber auch welchen Einfluss die Nutzung von MÜ und KI auf die Umwelt hat, wird zunehmend diskutiert (mehr dazu im Kapitel 11). Moorkens u. a. (2024) stellen sich die Frage, welche Aspekte eigentlich wichtig sind, um eine nachhaltige Nutzung von MÜ und PE garantieren zu können. Sie übertragen dafür drei Aspekte auf die Übersetzungsbranche: Menschen, Planet und Leistung. Mit Menschen sind nicht nur diejenigen gemeint, die die Arbeit durchführen, sondern alle am Übersetzungsprozess Beteiligte, von den Übersetzer:innen, Posteditor:innen und Auftraggeber:innen bis hin zu den Zieltextrezipient:innen. Des Weiteren gestaltet sich ein nachhaltiger Prozess umweltschonend (Aspekt: Planet). Außerdem sollte bei Leistung nicht nur an ökonomischen Profit und geringe Kosten gedacht werden, sondern auch an Humankapital, Sozialkapital und Naturkapital. 5 Zusammenfassung Im Idealfall sollten sowohl Übersetzer:innen als auch Kunden an der Nutzung von MÜ für PE-Projekte gewinnen. Die Übersetzer:innen gewinnen daran, dass sie mehr Text umsetzen können, während die Auftraggeber an geringerem Wortpreis profitieren. Jedoch ist in der Praxis die Rechnung oftmals nicht ganz so einfach. Für jedes PE-Projekt sollten die Qualitätserwartungen an den Zieltext klar 111 Jean Nitzke sein, und Textsorten, Ressourcen, Risiken und Qualitätserwartungen sollten in den Entscheidungsprozess einfließen. Entsprechend können PE-Richtlinien für die Posteditor:innen erarbeitet werden. Literatur Bowker, Lynne. 2020. Translation technology and ethics. In Kaisa Koskinen & Nike K. Pokorn (Hrsg.), The Routledge handbook of translation and ethics, 262– 278. London: Routledge. Canfora, Carmen & Angelika Ottmann. 2015. Risikomanagement für Übersetzungen. trans-kom 8(2). 314–346. DIN. 2018. DIN ISO 18587 Übersetzungsdienstleistungen - Posteditieren maschinell erstellter Übersetzungen - Anforderungen (ISO 18587:2017). Do Carmo, Félix, Dimitar Shterionov, Joss Moorkens, Joachim Wagner, Murhaf Hossari, Eric Paquin, Dag Schmidtke, Declan Groves & Andy Way. 2021. A review of the state-of-the-art in automatic post-editing. Machine Translation 35. 101–143. Hansen-Schirra, Silvia, Jean Nitzke, Carmen Canfora & Dimitrios Kapnas. 2024. Eine Interviewstudie zu Postediting-Prozessen und ihre Implikationen für die Zukunft einer Branche. In Christoph Rösener, Carmen Canfora, Torsten Dörflinger, Felix Hoberg & Simon Varga (Hrsg.), Übersetzen im Wandel: Wie Technologisierung, Automatisierung und Künstliche Intelligenz das Übersetzen verändern, 97–110. Wiesbaden: Springer Vieweg. Massardo, Isabella, Jaap van der Meer, Sharon O’Brien, Fred Hollowood, Nora Aranberri & Katrin Drescher. 2016. TAUS MT post-editing guidelines. Techn. Ber. Amsterdam. https://www.taus.net/think-tank/articles/postedit-articles/tauspost-editing-guidelines (16 März, 2017). Moorkens, Joss. 2022. Ethics and machine translation. In Dorothy Kenny (Hrsg.), Machine translation for everyone: Empowering users in the age of artificial intelligence (Translation and Multilingual Natural Language Processing 18), 121– 140. Berlin: Language Science Press. DOI: 10.5281/zenodo.6653406. Moorkens, Joss, Sheila Castilho, Federico Gaspari, Antonio Toral & Maja Popović. 2024. Proposal for a triple bottom line for translation automation and sustainability: An editorial position paper. Journal of Specialised Translation (41). 2–25. Moorkens, Joss & Dave Lewis. 2019. Copyright and the re-use of translation as data. In The Routledge handbook of translation and technology, 469–481. London: Routledge. 112 7 Grundlagen des Post-Editings Nitzke, Jean, Carmen Canfora, Silvia Hansen-Schirra & Dimitrios Kapnas. 2024. Decisions in projects using machine translation and post-editing: An interview study. The Journal of Specialised Translation (41). 127–148. Nitzke, Jean & Silvia Hansen-Schirra. 2021. A short guide to post-editing (Translation and Multilingual Natural Language Processing 16). Berlin: Language Science Press. DOI: 10.5281/zenodo.5646896. Nitzke, Jean, Silvia Hansen-Schirra & Carmen Canfora. 2019. Risk management and post-editing competence. The Journal of Specialised Translation 31(1). 239– 259. O’Brien, Sharon. 2011. Towards predicting post-editing productivity. Machine Translation 25(3). 197–215. DOI: 10.1007/s10590-011-9096-7. 113 Alexander Behrens In diesem Aufruf ist write() die Ausgabefunktion, deren Argument lookup() die Lookup-Funktion und wiederum deren Argument string_1 der Schlüssel, unter dem der Ausgabestring in der Resource-Datei gespeichert ist. 3 Lokalisierung (L10N) Der Terminus Lokalisierung, abgekürzt auch L10N für localization, bezeichnet im GILT-Paradigma die Anpassung eines Produkts an einen regionalen Markt. Softwarelokalisierung ist entsprechend die Anpassung der Benutzerschnittstelle (englisch user interface, UI) eines Computerprogramms. 3.1 Locale Das Wort localization leitet sich von englisch locale ab, deutsch auch Gebietsschema. Der Terminus Locale bezeichnet das Einstellungsprofil eines Absatzmarkts. In einem solchen Einstellungsprofil wird marktabhängiger Content zusammengefasst. Für die Identifikation solcher Locales greifen die einzelnen Entwicklungsumgebungen auf teilweise generische, teilweise proprietäre Nomenklaturen zurück, z. B. de_AT für Deutsch / Region Österreich oder de-AT für Deutsch / Subsprache österreichisches Deutsch. 3.2 Zu lokalisierende Daten 3.2.1 Manuelle Ersetzungen Manuell zu lokalisierende verbale Informationen sind beim Produkt Software vor allem Ausgabestrings und Zugriffstasten. Diese Eingriffe übernimmt im GILTParadigma der Translator (mehr hierzu Abschnitt 4). Manuell zu lokalisierende nonverbale Informationen können zunächst Schriftauszeichnungen sein. Das mag selbstverständlich klingen, ist es aber nicht, denn nach dem Prinzip der Trennung von Content und Format (Goldfarb & Rubinsky 1990: 567) gehören Stile in die Präsentationsschicht, sind also außerhalb der Reichweite des Translators definiert. Eine solche Trennung ist zweifellos gut gedacht, doch etwas zu kurz, beruht sie doch auf der irrigen Annahme, alle in einer Kultur üblichen typographischen Gestaltungsmittel – Laufweite, Kursivdruck, Unterstreichung, Versalierung usw. – seien in einer anderen Kultur oder gar in einem anderen Schriftsystem in derselben Weise gebräuchlich oder auch nur vorhanden. Aus diesem Grund werden Schriftauszeichnungen zuweilen mit in die Ausgabestrings eingebettet und damit für die translatorische Bearbeitung zugänglich gemacht. 120 8 Begriffliche Grundlagen der Softwarelokalisierung Bei unglücklich internationalisierter Software müssen u. U. auch Symbole, Farben und Schallereignisse manuell lokalisiert werden, nämlich immer dann, wenn diese nicht universal sind. Diese Aufgabe obliegt im GILT-Paradigma dem Lokalisierungsingenieur; fehlt ein solcher, so erfolgt deren Erledigung kollaborativ, je nach Projekt unter Einbeziehung des Translators, des Entwicklers und des Auftraggebers. Einen Eindruck über die Bandbreite kulturabhängiger Größen vermittelt Heimgärtner (2017: 17-19). Dem Werkzeugcharakter von Software ist geschuldet, dass Benutzerschnittstellen gesetzlich stärker geregelt sind als Druckmedien, besonders etwa dann, wenn Fragen der Arbeits-, Verkehrs-, Patientenoder Datensicherheit berührt sind. Die Anpassung von Software an unterschiedliche rechtliche und korporative Erfordernisse geschieht i. d. R. ebenfalls kollaborativ. 3.2.2 Automatische Ersetzungen Es fällt aber auch Content an, der automatisch lokalisiert werden kann. Die hierfür benötigten Daten findet das Programm in einer Bibliothek. Eine solche Bibliothek mag die Lokalisierung u. a. der folgenden Größen übernehmen: • wenn eine Single-Byte-Kodierung verwendet wird: Wahl der Codepage • Sprachregeln –Schreibrichtung –Sortierund Silbentrennungsregeln –Numerusregeln (mehr hierzu in Abschnitt 3.3.4) –Wahl der Wörterbücher für Rechtschreibprüfung, Autovervollständigung und Autokorrektur • Layout –Tastaturbelegung –Bedien-Gesten (Bildschirmgesten, Raumgesten) –bei logographischen Schriftarten: Eingabeschema –im Desktop-Publishing (DTP): Papierformate • Formatierungen –Grundund Ordnungszahlen 121 Alexander Behrens –Aufzählungszeichen –Telefonnummern –Zeitangaben –Datumsangaben –Preisangaben –Adressangaben • Kalenderfunktionen –Default-Zeitzone –Sommerzeitregelung –Festlegung des ersten Tags der Woche –Wochenendund Feiertagsregeln • Maßsysteme –Währungseinheiten –Temperatureinheiten –Geschwindigkeitseinheiten –Gewichtseinheiten –Längeneinheiten –Raumeinheiten 3.2.3 Hinzufügung und Unterdrückung von Content Der Vollständigkeit halber ist darauf hinzuweisen, dass Lokalisierung nicht zwangsläufig die Ersetzung von Content sein muss; je nach regionalen Vorschriften müssen besonders in stark regulierten Anwendungen wie Luftfahrt und Medizintechnik auch Pflichtinformationen bzw. -features hinzutreten oder verbotener bzw. unüblicher Content unterdrückt bzw. aus dem Default genommen werden. 122 8 Begriffliche Grundlagen der Softwarelokalisierung 3.3 Organisation der Oberflächenstrings 3.3.1 Normalisierung Komplexe Strings (Sätze oder Syntagmen) werden mitunter in einfachere (Wörter oder Wortverbindungen) zerlegt, wodurch zunächst Redundanzen entstehen, die in einem anschließenden, Konsolidierung genannten Schritt durch Zusammenlegen von Datensätzen eliminiert werden können. Die auf diese Weise entstehenden String-Fragmente können zur Laufzeit dann nach Bedarf zu Syntagmen bzw. Sätzen verkettet (konkateniert) werden. Das hilft Speicherplatz sparen, die lexikalische Konsistenz verbessern, kombinatorische Explosion vermeiden und das Volumen für den anschließenden Arbeitsschritt (Translation) senken. Eine mögliche Anwendung für die Normalisierung von Stringbeständen wäre eine Navigations-App, die eine praktisch unbegrenzte und vor allem nicht vorhersagbare Auswahl möglicher Anweisungssequenzen generieren kann, wohingegen die Anzahl möglicher Anweisungsbausteine – „links/rechts halten/abbiegen“ etc. – durchaus begrenzt ist. Die Konkatenation von Teilstrings ist eine logische Operation, erfolgt also in der Geschäftslogik eines Programms. Dies geschieht i. d. R. nach den Bedürfnissen der Ausgangssprache der Programmoberfläche, meistens Englisch. So sinnvoll die Normalisierung für die Datenhaltung sein mag – für den Lokalisierer bedeutet sie einen Verlust an Kontrolle über die Syntax und Morphologie in der Zielsprache. In den Abschnitten 3.3.2, 3.3.3 und 3.3.4 sollen Techniken vorgestellt werden, die dem Lokalisierer helfen können, einen Teil der Kontrolle zurückzugewinnen. 3.3.2 Interpolation von Teilstrings Damit der Lokalisierer einen besseren Zugriff auf die Wortfolge in der Zielsprache bekommt, verzichten Entwickler zuweilen auf die Konkatenation von Strings und greifen zu einer alternativen Technik – der Interpolation von Strings. Bei dieser Technik werden Strings in andere Strings „eingeschoben“. Die Stelle, an der dies passieren soll, wird im aufnehmenden String durch eine als Platzhalter dienende Variable reserviert. Für die Notation solcher Platzhalter existieren in unterschiedlichen Sprachen unterschiedliche Konventionen. Oft ist es eine Indexzahl (z. B. {0}), ein sprechender Variablenname (self-documenting identifier, z. B. %{username}) oder ein sprechender Buchstabe für den jeweiligen Datentyp (format specifier, z. B. %s für String). Gemeinsam ist solchen Platzhalterausdrücken, dass sie durch Delimiter – geschweifte Klammern, Prozentzeichen, @-Zeichen, Ausrufezeichen oder eine Kombination daraus – ausgezeichnet sind. 123 Alexander Behrens 3.3.3 Translation Scripting Mit der Interpolation von Teilstrings bekommt der Translator Zugriff auf die Wortfolge, nicht jedoch auf die Genus-, Kasusund Numeruskongruenz im Satz. Nach der Jahrtausendwende entstanden deswegen Überlegungen, wie man die Datenschicht befähigen kann, selbst Teile der logischen Verarbeitung zu übernehmen, namentlich dort, wo logische Beziehungen sprachspezifisch sind. Ein Beispiel ist (Illich 2003), dort noch unter der Bezeichnung programmable UI translations. Im Jahr 2008 schließlich lag für das KDE Framework 5 eine erste praxistaugliche, auf JavaScript basierende Architektur zum Skripten von Übersetzungen vor.3Ausführlich wird dieses Konzept in (Behrens 2016: 137–152) vorgestellt, dort unter der auf das KDE Framework 5 zurückgehenden Bezeichnung Translation Scripting. Beispiele für jüngere Scripting-Lösungen sind Mozilla Fluent und ICU MessageFormat. 3.3.4 Numerusregeln Häufig sind in Platzhaltern Zahlen gespeichert. Wo eine erst zur Laufzeit entstehende Zahl andere Konstitutenten im Satz regiert, ergeben sich ÜbersetzbarkeitsProbleme, da unterschiedliche Sprachen unterschiedlichen Rektionsregeln folgen. Im Gegensatz zur Technologie des Translation-Scripting, die sich in der Breitenanwendung bis heute nicht so recht durchsetzen konnte, sind Mechanismen für die Abbildung des Rektionsverhaltens von Zahlen, meist unter Schlagworten wie pluralization,plural rules oder plural handling diskutiert, in den gängigen Bibliotheken schon seit längerem Standard.4Systematisch kategorisiert findet man die in den jeweiligen Sprachen anzutreffenden Rektionsmuster im CLDR (Common Locale Data Repository, siehe Unicode-Konsortium 2023). Hauptwerk des CLDR sind in LDML (Locale Data Markup Language, einem XML-Format) geschriebene Dateien mit Locale-Informationen, darunter eben auch solchen zum Rektionsverhalten von Zahlen. 4 Translation (T9N) Der Terminus Translation, abgekürzt auch T9N für translation, bezeichnet im GILT-Paradigma den sprachmittlerischen Teil des Arbeitsschritts Lokalisierung. 3Private Kommunikation mit Chusslove Illich ab dem 09.12.2013. 4Das im Deutschen gebräuchliche Wort Pluralregeln trifft das Ansinnen nur schlecht und soll hier gemieden werden, denn es ist mit der Dichotomie Singular ↔Plural eben nicht getan, wo eine Sprache Numerus-Kategorien aufweist, die in die genannte Dichotomie nicht so recht hineinpassen wollen (Paukal, Dual, Trial). 124 8 Begriffliche Grundlagen der Softwarelokalisierung 4.1 Arbeitsumgebungen 4.1.1 TMS (Translation-Memory-Systeme) Die der Textverarbeitungs-Tradition verpflichteten TMS verarbeiten ein Dokument i. d. R. bei jeder Iteration in toto. Namensgebende Funktion eines TMS ist dessen Fähigkeit, sich Strings zu „merken“. Damit das TMS dies kann, muss es wertbasiert arbeiten. (Zum Begriff des Werts siehe die Ausführungen in Abschnitt 2.3.2.1.) 4.1.2 Non-TMS Die aus der Welt des Software-Engineerings hervorgegangenen proprietären Ressourcen-Editoren setzen tendenziell auf eine inkrementelle Pflege des Datenbestands. Sie unterscheiden Oberflächenstrings nicht (wie TMS dies tun) nach bekannten und unbekannten, sondern nach erledigten und unerledigten. Damit können diese Arbeitsumgebungen in gewisser Weise als Gegenentwurf zum TMS verstanden werden, denn sie legen den Fokus eher aufs Vergessen denn aufs Merken. Hierfür müssen sie ein entsprechendes Veränderungsmanagement mitbringen. Ein solches Veränderungsmanagement wird schon aus Gründen der Ressourcenschonung nicht über Werte umgesetzt werden, sondern über Metadaten. Eine vielleicht nicht mehr ganz zeitgemäße, aber immer noch praktizierte Vorgehensweise besteht darin, neue Strings zunächst in eine Template-Datei zu schreiben oder mit einem einfachen „Diff-Tool“ dorthin zu extrahieren. Eine solche Template-Datei kann nach der translatorischen Bearbeitung dann zurück in die Produktiv-Ressource gemergt werden. 4.1.3 Mischkonzepte Jeder dieser zwei Wege hat seine Berechtigung. Vorteil des Übersetzungsspeichers ist, dass er projektübergreifend eingesetzt werden kann (eine Anforderung, auf die Softwareentwickler nicht unbedingt von selbst kommen) und überall dort, wo im Vorfeld der translatorischen Bearbeitung kein Veränderungsmanagement stattgefunden hat. Inkrementell – i. d. R. ohne TM – arbeitende proprietäre Umgebungen bewähren sich dagegen besser im Umfeld einer kontinuierlichen Entwicklung (eine Anforderung, an die zur Entstehung klassischer TMS noch nicht zu denken war). Unter Umständen bietet sich an, das eine zu tun, ohne das andere zu lassen, also inkrementell und mit TM zu arbeiten. Der Übersetzungseditor Poedit (mit dem Arbeitsformat POT ein klassisches Beispiel für den Weg über 125 Alexander Behrens eine Template-Datei) verfügt mittlerweile auch über ein TM. Eine andere Strategie verkörpert das Lokalisierungs-Tool Rigi (Abbildung 1). Rigi selbst arbeitet ID-basiert (also nicht wertbasiert) und gehört damit zur Klasse der Non-TMS. Aber es bietet Plugins für Trados und memoQ und erlaubt so eine Koexistenz beider Konzepte. Dass die genannten zwei Konzepte in der Datenorganisation unterschiedliche Wege gehen, soll nicht über bestehende Gemeinsamkeiten in der Datenverarbeitung hinwegtäuschen. Immer wird im Translationsschritt eine ausgangssprachliche Resource-Datei sprachmittlerisch bearbeitet. Dies geschieht praktischerweise in einem vorgeparsten Dokument, ganz gleich, ob mit oder ohne TM gearbeitet wird. 4.2 Parsen der Datei 4.2.1 Dateistruktur definieren Wie in Abschnitt 4.1 festgestellt, arbeitet ein TMS rein wertbasiert, also so, wie der mit ihm arbeitende Translator es auch tut. Schlüssel und andere Strukturdaten sind für die Datenorganisation in einem TMS überflüssig; für das menschliche Auge sind sie Rauschen.5Entwickelte TMS haben Werkzeuge, mit denen sich Parser – im vorliegenden Kontext wird meist von Filtern gesprochen – individuell herstellen und konfigurieren lassen. Der Filter sorgt dafür, dass ausschließlich Translatables ausgewertet werden und im Übersetzungseditor erscheinen, also Strukturdaten ausgeblendet werden und bei der Berechnung der Match-Raten unberücksichtigt bleiben. Die schier unbegrenzt anmutende Vielfalt möglicher Resource-Formate mag auf den ersten Blick einschüchtern; tatsächlich aber ist das Spektrum der in solchen Dateien verwendeten Sprachen gar nicht so groß, und entsprechend gering die Anzahl der für die Formulierung von Filterregeln infrage kommenden Methoden: 1. Feldtrennzeichen-strukturierte Dateien (CSV, TSV etc.) werden je nach Tool graphisch oder mit regulären Ausdrücken definiert. 2. Flache Key-Value-Dateien (Properties, Strings etc.) und Quelltextdateien (PHP, JS etc.) werden sinnvollerweise mit regulären Ausdrücken definiert. 5Der für Matches > 100 % verwendete ID-basierte Kontext in memoQ stellt eine über das Konzept von TMS hinausgehende Beziehung dar und ändert nichts an der Wertbasiertheit von TMS. 126 8 Begriffliche Grundlagen der Softwarelokalisierung 3. XML-Dateien werden sinnvollerweise mit XPath definiert. 4. JSON-Dateien werden sinnvollerweise mit JSONPath definiert. Es existieren auch Formate, die sich in den graphischen Dialogen von Filterassistenten nicht gut beschreiben lassen. Zu diesen Formaten gehören Plain-TextFormate wie PO oder RTF, mittlerweile selten auch Binärformate wie DLL oder EXE. Bei ihnen wird man auf werkseitig ausgelieferte Filter zurückgreifen oder auf die Möglichkeit, Filter als Plugin einzubinden. 4.2.2 Eingebettete Strukturdaten definieren In den Ausgabestring eingebettete Non-Translatables wie Platzhalter (s. o. Abschnitt 3.3.2) oder Auszeichnungs-Tags können in entwickelten CAT-Tools maskiert werden. Hierfür wird an den Filter für die Dateistruktur ein weiterer für eingebettete Elemente angehängt. Eine solche Maskierung erhöht den Lesekomfort bei der Bearbeitung im CAT-Tool und mindert das Risiko der Verletzung von Strukturdaten, die gerade bei XML recht ausladend sein können, ist aber natürlich nur sinnvoll, wenn solche Strukturdaten tatsächlich nicht bearbeitet werden müssen.6 4.3 Graphischen Kontext vorrendern Die persistente Datenrepräsentation in den Resource-Dateien von Programmen liegt i. d. R. dekontextualisiert – weil ohne syntaktischen und graphischen Kontext – vor (Abschnitt 3.3). Dies macht Softwarelokalisierung inhaltlich wie sprachlich anfällig und ergonomisch aufwändig. Früher, als Anwendungen nicht selten erst kompiliert und dann lokalisiert wurden, konnte man mit visuellen Lokalisierungstools (die bekanntesten unter ihnen RWS Passolo und Alchemy CATALYST) versuchen, die in der Ressourcensektion der ausgelieferten Binary immer noch im Klartext vorliegenden Strings (Accelerators, Dialoge, Menüs, Stringtables) und Layoutinformationen zu extrahieren und aus ihnen eine WYSIWYG-Vorschau zu erzeugen.7Das erlaubte es dem Lokalisierer, im graphischen Kontext zu arbeiten. 6URLs werden selten zu übersetzen sein; sie sind es aber dort, wo eine zielsprachliche Version einer Webseite mit eigener URL existiert. Zur Bearbeitungsbedürftigkeit von Schriftauszeichnungen siehe Abschnitt 3.2.1. 7WYSIWYG ist die Abkürzung für What You See Is What You Get und bezeichnet vor allem in der Textverarbeitung eine Technologie zum Vorrendern des graphischen Endbildes eines Texts. 127 Alexander Behrens Aus heutiger Sicht mag verwundern, wie die Praxis, ein Produkt erst zu finalisieren und dann doch noch zu bearbeiten, sich derart bewähren konnte, dass sie eine eigene Werkzeugklasse hervorgebracht hat. Historisch lässt sich diese Tatsache aber erklären: Zum einen verstand man den Lokalisierungsschritt nicht von Beginn an als Teil des Entwicklungsprozesses (siehe hier beispielhaft Esselink 2003), weswegen die Lokalisierung als Anschlussgewerk lange Zeit selbst zusehen musste, wie sie Zugang zu den Ressourcen bekam: Es blieb oft nur der über das fertige Produkt. Zum anderen kamen die klassischen CAT-Tools noch zur Jahrtausendwende für Lokalisierungsaufgaben nicht in Frage, weil sie kaum mehr als Office-Dateien verarbeiten konnten. Das ließ den Ruf nach einem dedizierten „Loctool“ laut werden. Offensichtlich war bei alledem ein Vorteil, der in den fertigen Binarys selbst lag: Diese hatten häufig alle zum Rekontextualisieren der fragmentierten Stringbestände nötigen Daten beisammen. Heute, wo auch klassische CAT-Tools für Ressourcenformate der Softwareentwicklung bestens gerüstet sind, wo immer seltener statische Binarys zum Einsatz kommen, wo mehr interpretiert und mehr mit verteilten Anwendungen gearbeitet wird, müssen die überkommenen visuellen Lokalisierungstools als überholt gelten. Für Webanwendungen gibt es heute die Technologie des InContext-Editing (ICE). Beim ICE arbeitet der Translator auf einem separaten Lokalisierungsserver, also nicht auf dem Produktivsystem, sehr wohl aber live in der laufenden Anwendung, und immer mit graphischem Kontext. Beispiele für ICE-Editoren sind Lokalise, Phrase oder Smartling. Diese Editoren integrieren zwei Systeme: eine allein dem Preview dienende Kopie der laufenden Anwendung (Staging-Kopie) und ein TM-System. Zwischen beiden vermittelt der ICELayer. Mit ICE lassen sich freilich nur Anwendungen lokalisieren, die auf einem Server laufen können, also hauptsächlich Webanwendungen. Desktop-Anwendungen muss man deswegen aber noch nicht abschreiben. Einen interessanten Mittelweg geht nämlich XTM mit dem Visualisierungstool XTM Rigi. Im Unterschied zu den früheren visuellen Lokalisierungstools ist das in der Lage, aus Laufzeitdaten eine graphische Vorschau zu rendern, und im Unterschied zu den modernen ICE-Werkzeugen kann es WYSIWYG-Ansichten auch für Desktopanwendungen erzeugen. Rigi lässt zunächst die Anwendung in einem nativen Umfeld laufen und erzeugt dabei eine statische Zwischenschicht (Capturing). Beim Capturing entstehen die für die Previews erforderlichen Screenshots und die String-Ressourcen. Letztere sind XML-Dateien mit der Dateiendung RIF (Rigi Intermediate Format). Die RIF-Ressourcen können (anders als beim ICE) lokal mit dem eigenen CAT-Tool bearbeitet werden, sinnvollerweise freilich bevorzugt mit Trados Studio oder memoQ, weil Rigi neben dem hauseigenen Webeditor auch 128 8 Begriffliche Grundlagen der Softwarelokalisierung Plugins für diese Tools anbietet. Im Falle eines Einsatzes von Trados oder memoQ findet der graphische Preview nicht im CAT-Tool selbst statt, sondern in einem separaten Client, dem Rigi Viewer. Der Rigi Viewer lädt die benötigten Screenshots vom Rigi-Server, dies entweder einmalig als Gesamtprojekt oder dynamisch in Echtzeit (im letzteren Fall wie beim ICE über einen Staging-Server), und gibt im Übersetzungsprozess den für die jeweilige Translation Unit benötigten Screenshot aus. Ein Beispiel für so eine Ausgabe zeigt Abbildung 1. Abbildung 1: Oberflächenstrings im Editor von memoQ; vorne: graphischer Preview in Rigi Viewer (Ausschnitt) Beide Lösungen – ICE und der statische Zwischenschritt von Rigi – sind im Einsatz natürlich etwas aufwändiger, weil der Anbieter zunächst die Anwendung in einem nativen Umfeld zum Laufen bringen und sich in sie einklinken muss. Sie sind in diesem Sinne nicht nur ein Softwareprodukt, sondern auch eine Dienstleistung. Literatur Behrens, Alexander. 2016. Lokalisierbarkeit von user-interface-strings. Übersetzerische Aspekte der Internationalisierung und Lokalisierung von Software, untersucht anhand der Übersetzungsrichtungen englisch-deutsch und englischrussisch (Leipziger Studien zur Angewandten Linguistik und Translatologie 16). Frankfurt: Lang. 129 Bianca Prandi der Ausgangsoder Zielsprache von DolmetscherInnen als Hilfestellung verwendet werden. Einige CAI-Tools bieten eine ASE-Funktion an (vgl. Hansen-Schirra 2012; Fantinuoli 2017b), die das Gesagte transkribiert und durch einen entsprechenden Algorithmus Problem Triggers erkennt. Im Falle der Zahlen werden diese auf dem Bildschirm eingeblendet, mit oder ohne zusätzliche Informationen wie z. B. Größenordnung, Zeitangaben oder Maßeinheit (vgl. Defrancq & Fantinuoli 2021). Automatisch erkannte Terminologie kann entweder mit den Einträgen in den von den DolmetscherInnen erstellten und validierten Glossaren verglichen und mit entsprechender Benennung in der Zielsprache angezeigt oder automatisch übersetzt und eingeblendet werden (Fantinuoli u. a. 2022). Zudem besteht die Möglichkeit, das Transkript einzublenden, um den DolmetscherInnen zusätzlichen Kontext anzubieten. Abbildung 1 gibt einen Überblick über die aktuellen Möglichkeiten des Einsatzes von KI in den verschiedenen Dolmetschphasen. aus von Named Entities als von Prä-Prozess (Vorbereitung) In-/Peri-Prozess (Verdolmetschung) Post-Prozess (Nachbereitung) Automatische Evaluation ASE von Problem Triggers Vollständige ASE NMÜ KorpusErstellung TerminologieExtraktion NMÜ Textzusammenfassung Terminologie lernen Redengenerierung Computergestütztes Dolmetschen Transkript Terminologie Transkript Untertitel Termini Zahlen Terminologie Dokumenten Definitionen Webseiten Dokumenten Abbildung 1: Möglichkeiten der Unterstützung durch KI beim Dolmetschen Derartige Einsatzmöglichkeiten sind nicht nur beim Simultandolmetschen, sondern auch beim Konsekutivdolmetschen vorstellbar. Im Rahmen von Experimenten im Konsekutivmodus wurde die Nutzung von ASE und/oder Respeaking als Ergänzung oder Ersatz für traditionelle Notizen erörtert. Das generierte Transkript kann anschließend mittels NMÜ übersetzt werden (Ünlü 2023a; Chen & Kruger 2023). So können sowohl die Rezeptionsals auch die Wiedergabephase partiell oder vollständig automatisiert werden. Bei der Wiedergabe der 136 9 Computergestütztes Dolmetschen Rede in der Zielsprache ist es daher denkbar, dass DolmetscherInnen eine Art „Live-Post-Editing“ durchführen, indem sie die automatisch generierte Übersetzung korrigieren und ergänzen, oder sie als zusätzliche Unterstützung zuziehen. Das Resultat ist ein neuer hybrider Dolmetschmodus, der als SightConsec (Ünlü 2023a) oder CACI (Chen & Kruger 2023) bezeichnet werden kann. Darüber hinaus sind teilweise automatisierte Workflows möglich, bei denen nur Phase I (Rezeption) oder nur Phase 2 (Wiedergabe) durch KI unterstützt werden. Letztere wurde bereits erfolgreich getestet, beispielsweise beim Einsatz von Smartpens für den SimConsec-Modus (vgl. Orlando 2014). 3 Forschung Im Zuge der signifikanten Fortschritte in der KI sowie der vielfältigen Möglichkeiten der Automation beim Dolmetschen hat die Forschung im Bereich des computergestützten Dolmetschens in den vergangenen Jahren einen Aufwind erfahren. Neben Publikationen, die sich mit den theoretischen Grundlagen des computergestützten Dolmetschens beschäftigen (vgl. z. B. Rütten 2007; Stoll 2009; Will 2020), widmet sich die Forschung aktuell der empirischen Untersuchung verschiedener Fragen, die sich wie folgt zusammenfassen lassen: 1. Wie beeinflussen CAI-Tools die kognitiven Prozesse von DolmetscherInnen? 2. Welche Auswirkungen hat der Einsatz von CAI-Tools auf die Dolmetschleistung? 3. Wie gut ist die (kognitive) Ergonomie von CAI-Tools? 4. Wie gut ist die Systemleistung von CAI-Tools? Im Folgenden werden die wichtigsten Forschungsmethoden erläutert, die in der Forschung zu CAI verwendet werden, und die wichtigsten Indikatoren der Systemleistung kurz erklärt. 3.1 CAI erforschen 3.1.1 Forschungsmethoden Im Rahmen der Forschung zum computergestützten Dolmetschen werden unterschiedliche Methoden verwendet, um die kognitive Belastung und die Dolmetschqualität zu messen. Diese Methoden können leistungsbasiert, subjektiv, 137 Bianca Prandi verhaltensbasiert (behavioral) und psychophysiologisch sein (siehe z. B. Seeber 2013 für eine Übersicht der Methoden zur Messung der kognitiven Belastung). Leistungsbasierte Methoden finden in Studien Anwendung, die sich primär mit der Qualität des computergestützten Dolmetschens befassen, sowie in prozessorientierten Untersuchungen. Man geht davon aus, dass das Produkt Informationen über die zugrunde liegenden Prozesse liefern kann; dieser Rückschluss erfordert jedoch die Interpretation der ForscherInnen und kann manchmal nur als Hypothese gestellt werden. In der CAI-Forschung wird die Qualität auf der Basis verschiedener Skalen gemessen. Dabei liegt der Fokus entweder auf einzelnen Qualitätselementen (Problem Triggers) oder auf der Gesamtleistung von DolmetscherInnen. Studien, die sich auf die Präzision der Zahlen bei der Verwendung von ASE als Unterstützung fokussieren, zielen darauf ab, die Anzahl und Art von Fehlern zu quantifizieren (vgl. z. B. Defrancq & Fantinuoli 2021; Pisani & Fantinuoli 2021). Dabei wird die Schwierigkeit anerkannt, die zu untersuchende Einheit exakt zu definieren, da eine korrekte Wiedergabe des Zahlworts mit Sinnfehlern einhergehen kann (vgl. Frittella 2022). Auch bei Fachterminologie werden Skalen verwendet, die den Präzisionsgrad der Verdolmetschung widerspiegeln. Beispiele finden sich in Van Cauwenberghe (2020) und Prandi (2023). In einigen Studien wird daher der Fokus auf das gesamte Translat erweitert, weil davon ausgegangen wird, dass eine Reduzierung der kognitiven Belastung sich positiv auf die gesamte Dolmetschqualität auswirken kann. Chen und Kruger kombinierten beispielsweise die analytische Skala von Han (2018), die „information completeness, fluency of delivery, and target language quality“ misst (Chen & Kruger 2024a: 386), mit einer propositionsbasierten Skala (Chen 2020), um die Präzision der Verdolmetschungen näher zu untersuchen. Auch die Sprechflüssigkeit (Fluency) ist ein Qualitätsindikator, der gleichzeitig eine indirekte Messung der kognitiven Belastung ermöglichen kann. Chen & Kruger (2023) operationalisierten Sprechflüssigkeit als die Anzahl von ungefüllten und gefüllten Pausen, die sie jeweils automatisch und manuell maßen. In ihrer Folgestudie (Chen & Kruger 2024a) wurde die manuell gemessene Sprechflüssigkeit um die Aspekte Wiederholungen und Selbstkorrekturen (Repairs) erweitert. Die automatische Messung lieferte außerdem Daten zur Dauer der Verdolmetschung und zur Redegeschwindigkeit in der Zielsprache. Auch Ünlü (2023a: 85) verwendete verschiedene Indikatoren, d.h. „overall frequency of disfluencies, false starts, frequency of filled pauses, filler words, whole-word repetitions, broken words, and incomplete phrases“. Da die persönliche Erfahrung von DolmetscherInnen eine entscheidende Rolle für die effektive Verwendung von CAI-Tools spielen und gleichzeitig zusätzliche Hinweise auf die erlebte kognitive Belastung liefern kann, enthalten die 138 9 Computergestütztes Dolmetschen meisten Studien auch eine subjektive Messungskomponente. Subjektive Methoden können jedoch für Gedächtnisund Bewusstseinseffekte anfällig sein. Zu den subjektiven Methoden in der CAI-Forschung zählen post-hoc Fragebögen (u. a. auch der NASA-TLX, Hart 2006), Usability-Fragebögen, Interviews und Fokusgruppen. Fragebögen wurden beispielsweise von Desmet u. a. (2018), Defrancq & Fantinuoli (2021) und Ünlü (2023a) verwendet, um die subjektive Erfahrung der StudienteilnehmerInnen zu erkundigen. Rodríguez González u. a. (2023) verwendeten Usability-Fragebögen basierend auf dem User Experience Questionnaire von Laugwitz u. a. (2008), um die Nutzererfahrung beim Ferndolmetschen mit ASEUnterstützung in unterschiedlichen Benutzeroberflächen zu erörtern. Interviews und Fokusgruppen sind in diesem Forschungsbereich ein selten verwendetes Mittel, das jedoch zusätzliche Faktoren beim Einsatz von CAI-Tools zutage fördern kann. So führten Wang & Wang (2019), Frittella (2023) und Gieshoff u. a. (2024) post-hoc Interviews mit den StudienteilnehmerInnen durch, um Einblicke über deren Erfahrung mit unterstützender Technologie zu gewinnen. Fokusgruppen wurden in Usability-Studien sowohl preals auch post-hoc eingesetzt (Saeed u. a. 2022; Frittella 2023), um die Bedürfnisse und Präferenzen von DolmetscherInnen bezüglich des Designs von Tools zu eruieren. Der NASA-TLX (Hart 2006) stellt einen validierten Fragebogen zur Messung der empfundenen kognitiven Belastung dar, welche sechs Dimensionen umfasst: mentale, physische und zeitliche Anforderungen, Leistung, Anstrengung und Frustration. Der NASA-TLX wurde von Li & Chmiel (2024) und Chen & Kruger (2024a) zusammen mit anderen objektiven Messungen der kognitiven Belastung eingesetzt. Verhaltensbasierte Methoden bieten einen hohen Grad an Objektivität an und haben den Vorteil, wenig invasiv zu sein. Die Interpretation der Ergebnisse erfordert jedoch eine gewisse Expertise in diesen Forschungsmethoden. Beispiele für verhaltensbasierte Methoden, die in der CAI-Forschung verwendet wurden, sind Eyetracking und Keylogging. Im Rahmen der Untersuchungen der kognitiven Belastung durch Eyetracking wurden verschiedene Maße herangezogen. Die Zeit zur ersten Fixation (vgl. z. B. Prandi 2023) gibt an, wie schnell die Aufmerksamkeit auf eine bestimmte Stelle auf dem Bildschirm gelenkt wurde, z. B., wie schnell Dolmetschende den nötigen Vorschlag im Glossar finden können. Die durchschnittliche Fixationsdauer (vgl. z. B. Prandi 2023) und die Anzahl der Fixationen (z. B. Yuan & Wang 2023) können mit der kognitiven Belastung korrelieren; die Maßen Fixationszeit und Dwell Time (z. B. Chen & Kruger 2024b und Li & Chmiel 2024) können Aufschluss über die Aufmerksamkeitsverteilung der StudienteilnehmerInnen geben. Keylogging wurde bisher nur von Du (2024) verwendet. Mithilfe von Keylogging kann das Tippverhalten der StudienteilnehmerInnen aufgezeichnet und somit einen Einblick in den Prozess (vor allem in 139 Bianca Prandi die zeitlichen Aspekte) gewonnen werden. Es wurde zum Beispiel festgestellt, dass Tippfehler ein Indikator für erhöhte kognitive Belastung sein können. Du (2024) nutzte Keylogging, um zu verstehen, wie DolmetscherInnen Fachtermini während des Dolmetschens nachschlagen. Psychophysiologische Methoden zeichnen sich durch eine geringere Subjektivität und Sprachunabhängigkeit aus, was die Vergleichbarkeit der Studienergebnisse erhöht (Prandi 2023: 121–122). Allerdings können sie intrusiver als andere Methoden sein und wurden deshalb bisher seltener in der CAI-Forschung eingesetzt. Defrancq u. a. (2024) testeten den Einsatz der durchschnittlichen Grundfrequenz (F0) als potenzielles Korrelat von kognitiver Belastung und Fatigue beim computergestützten Dolmetschen. Obwohl keine Korrelation festgestellt werden konnte und diese Methode viel Rauschen in den Daten generieren kann (vgl. Gieshoff 2018), wäre es interessant, sie für die Messung von kognitiver Belastung weiter zu testen (vgl. Shao & Defrancq 2025). In der Studie von Li & Chmiel (2024) konnte die EEG-Maße Theta-Aktivität erfolgreich als Indikator für kognitive Belastung eingesetzt werden, da sie mit kognitiv herausfordernden Aufgaben, höherer Belastung des Arbeitsgedächtnisses und größerer geistiger Ermüdung korreliert (Li & Chmiel 2024: 257–258). Die Autoren weisen jedoch darauf hin, dass bei EEG eine hohe experimentelle Kontrolle sowie eine sorgfältige Bereinigung der Daten aufgrund möglicher Artefakte beim Simultandolmetschen erforderlich sind. Auch Eyetracking wird manchmal als psychophysiologische Methode eingestuft (vgl. Seeber 2013). 3.1.2 Indikatoren für die Systemleistung Die technischen Eigenschaften eines ASE-Systems für das Dolmetschen werden anhand verschiedener Indikatoren gemessen, die die Systemleistung beschreiben. Die Word-Error-Rate (WER) beschreibt die Qualität der von einem ASESystem generierten Transkription. Um die WER zu erhalten, wird die Anzahl der vom System ersetzten, gelöschten und hinzugefügten Wörter im Vergleich zu einem Referenztranskript, das hundertprozentig korrekt ist, ermittelt. ASESysteme sollten also eine niedrige WER (5% oder weniger) aufweisen. Die Genauigkeit eines CAI-Tools wird von den Maßen Precision und Recall angegeben. Die Precision beschreibt die Anzahl der relevanten Elemente unter allen erkannten Elementen. Ein ASE-System sollte möglichst wenige Elemente anzeigen, die für die DolmetscherInnen nicht relevant sind, ansonsten kann es verwirrend und ablenkend wirken. Das Recall beschreibt wie viele relevante Elemente erkannt wurden unter all denen, die sich in der zu transkribierenden Rede 140 9 Computergestütztes Dolmetschen befinden. Precision und Recall sollten im Idealfall beide hoch sein, aber die Precision ist wichtiger: Es ist für DolmetscherInnen nützlicher, weniger aber genauere Vorschläge zu erhalten. Manchmal werden Precision und Recall anhand eines einzigen Wert angegeben, des F1-Wert, der von 0 (sehr niedrig) zu 1 (sehr hoch) reichen kann. Wie schnell ein ASE-System in der Lage ist, relevante Zahlen, Termini und Eigennamen oder ein ganzes Transkript zu erkennen und einzublenden, wird von der Latenz (auch Real Time Factor genannt) angegeben, die in Sekunden gemessen wird. Zusammenfassend sollten Präzision und Recall bei einem ASE-System möglichst hoch und die Latenz möglichst gering sein, um den Nutzen für DolmetscherInnen zu maximieren und die erfolgreiche Integration der automatisch generierten Vorschläge in die Verdolmetschung zu gewährleisten. 3.2 Forschungsergebnisse Obwohl zahlreiche Fragen hinsichtlich der Auswirkungen des computergestützten Dolmetschens auf den Prozess und das Produkt derzeit noch ungeklärt sind, erlauben die bis dato durchgeführten Untersuchungen die Gewinnung erster Erkenntnisse. Diese werden im Folgenden mit Bezug auf die leitenden Forschungsfragen präsentiert. 3.2.1 Wie beeinflussen CAI-Tools die kognitiven Prozesse von DolmetscherInnen? Nur wenige Studien, die sich mit dieser Forschungsfrage beschäftigten, untersuchten den Einsatz von Technologie während der Vorbereitungsphase. Die korpusbasierte Vorbereitung und die Verwendung automatischer Terminologieextraktion scheinen die Effizienz des Dokumentationsprozesses zu steigern und die Glossarerstellungszeit zu verringern (vgl. Xu & Sharoff 2014; Du 2024). In der Studie von Xu (2018) konnten die StudienteilnehmerInnen, die ihre Glossare mit Unterstützung der Technologie erstellt hatten, sich länger an den Termini erinnern. Allerdings kann die computergestützte Vorbereitung zu einer gewissen Standardisierung der Glossare beitragen (Du 2024). Die Mehrzahl der Studien, die sich überwiegend mit prozessorientierten Aspekten des computergestützten Dolmetschens beschäftigten, betraf jedoch die Dolmetschphase (siehe Abschnitt 2.3). Die Möglichkeit der ASE von Problem Triggers motivierte zahlreiche Studien in diesem Bereich. Dabei wurden 141 Bianca Prandi sowohl simulierte ASE (Prandi 2023; Frittella 2023) als auch die echten ASEFunktionen von CAI-Tools oder eigenständigen Lösungen analysiert (wie die Untertitelungsfunktion von YouTube, vgl. Wang & Wang 2019 und Li & Chmiel 2024). Der Einsatz von ASE als Live-Unterstützung für Terminologie während des Dolmetschens scheint eine positive Auswirkung auf die kognitive Belastung von DolmetscherInnen zu haben (Prandi 2023). Die Daten aus dem NASA-TLXFragebogen weisen jedoch auf eine niedrigere zeitliche Anforderung hin, wenn keine ASE-Untertitel angeboten werden (Li & Chmiel 2024: 266), was jedoch mit den Ergebnissen von Chen & Kruger (2023, 2024a, 2024b) kollidiert, da sie niedrigeren Temporal Demand bei CACI im Vergleich zum konventionellen Konsekutivdolmetschen feststellten. Zudem scheint CACI zu einer besseren empfundenen Leistung zu führen, während mentale Anstrengung, Effort und Frustration von der Sprachrichtung moduliert sind: Ein signifikanter Effekt von CACI wurde lediglich beim Dolmetschen aus der Muttersprache (Chinesisch) in die Fremdsprache (Englisch) beobachtet (Chen & Kruger 2024b: 11). Die vorliegenden Untersuchungen zeigen bisher keine eindeutigen Ergebnisse bezüglich des Zusammenhangs zwischen der Genauigkeit automatisch generierter Untertitel und der kognitiven Belastung von DolmetscherInnen. Allerdings deuten aktuelle Studien darauf hin, dass 100-prozentig korrekte Untertitel zu einer niedrigeren kognitiven Belastung führen könnten (Li & Chmiel 2024). Es ist daher noch zu früh, um die kognitive Belastung bei ASE als definitiv niedriger oder höher einzustufen im Vergleich zum traditionellen Dolmetschen. Weitere Studien sind erforderlich, um die Implikationen von Unstimmigkeiten bei automatisch generierten Vorschlägen zu identifizieren. Eine weitere offene Forschungsfrage betrifft das Leseverhalten von DolmetscherInnen bei durch ASE generierten Untertiteln und einzelnem Input für Problem Triggers. In einigen Studien wurde zudem untersucht, wie sich die visuelle Aufmerksamkeit der DolmetscherInnen beim Einsatz von ASE verteilt. Wenn ASE anstatt von manueller Suche nach Terminologie eingesetzt wird, scheint sie den Fokus auf die Hauptinputquelle (RednerIn) zu fördern (Prandi 2023). Werden jedoch vollständige Untertitel eingeblendet, so schauen DolmetscherInnen tendenziell mehr auf die Untertitel als auf RednerInnen im Vergleich zum Dolmetschen ohne Unterstützung. Dieser Unterschied lässt sich in dem Maß Dwell Time widerspiegeln (Li & Chmiel 2024; Yuan & Wang 2023). Die Genauigkeit der Untertitel scheint jedoch keinen Einfluss darauf zu haben (Li & Chmiel 2024). Diese Ergebnisse beziehen sich auf das computergestützte Simultandolmetschen. Ein interessanter Forschungsbereich liegt in der Überprüfung alternativer Workflows für das Konsekutivdolmetschen. Chen & Kruger (2023) analysierten die Auswirkungen von ASE durch Respeaking als Alternative zu den Notizen sowie von NMÜ als 142 9 Computergestütztes Dolmetschen zusätzliche Unterstützung für die Wiedergabephase auf die kognitive Belastung von Dolmetschstudierenden. Beim Konsekutivdolmetschen konnten Unterschiede zwischen der Rezeptionsphase und der Produktionsphase festgestellt werden. In der Rezeptionsphase scheint die Aufmerksamkeit für das durch Respeaking erzeugte Transkript geringer zu sein. Allerdings korrelierte in Chen & Kruger (2024b) eine längere Dwell Time mit besserer Respeaking-Qualität. In der Produktionsphase wurde dem maschinell übersetzten Text mehr Aufmerksamkeit geschenkt, was wiederum mit einer besseren Qualität in der Verdolmetschung korrelierte, jedoch nur beim Dolmetschen aus der Fremdsprache (ibid.). Die kognitiven Implikationen des computergestützten Dolmetschens können außerdem auch im Hinblick auf die Didaktik von CAI-Tools untersucht werden. Die noch wenigen Studien in diesem Bereich zeigten, dass Studierende Gefahr laufen, sich zu sehr auf dem Tool zu verlassen; ausreichende Erfahrung hilft Studierenden jedoch, eigene Strategien für den Umgang mit CAI-Tools zu entwickeln (vgl. Prandi 2015; Du 2024). In ihrer Doktorarbeit fand Frittella (2024), dass sowohl die Automatisierung von Routinen als auch die Fähigkeit, Strategien an konkreten Einsatzfällen anzupassen, eine entscheidende Rolle für einen erfolgreichen Umgang mit CAI-Tools während des Dolmetschens haben. Dies gilt nicht nur für Studierende, sondern auch für professionelle Dolmetschende. 3.2.2 Welche Auswirkungen hat der Einsatz von CAI-Tools auf die Dolmetschleistung? In Studien, die sich mit dieser Forschungsfrage beschäftigen, werden entweder einzelne Qualitätselemente des Dolmetschproduktes oder die Dolmetschqualität im Allgemeinen untersucht. Solche Studien weisen in vielen Fällen auch eine prozessorientierte Komponente auf, da produktbezogene Ergebnisse nützliche Hinweise auf die mit computergestütztem Dolmetschen einhergehende kognitive Belastung liefern können. Erste Erkenntnisse weisen darauf hin, dass eine corpusbasierte, computergestützte Vorbereitung zu höherer terminologischen Genauigkeit und weniger Auslassungen beim Simultandolmetschen führt (Xu 2018). Einige Studien untersuchten die Frage, wie sich die Verwendung von CAITools für das manuelle Nachschlagen von Fachterminologie während des Dolmetschens auf die kognitive Belastung auswirkt. Dabei wurden traditionelle Glossare in Form von Word-, Exceltabellen oder PDFs sowie Papierglossare mit digitalen Glossaren in CAI-Tools verglichen. Biagini (2015) und Prandi (2018) fanden eine höhere terminologische Genauigkeit und weniger Auslassungen, 143 Bianca Prandi wenn ein CAI-Tool verwendet wurde. In der Studie von Du (2024) waren die Unterschiede weniger offensichtlich, obwohl die Verwendung von InterpretBank einen allgemein positiven Einfluss auf die Gesamtqualität in der RSI-Aufgabe hatte. Der Einsatz von CAI-Tools mit ASE scheint sich positiv auf die Dolmetschqualität auszuwirken. Verschiedene Studien weisen auf eine höhere Genauigkeit in der Verdolmetschung von Zahlen beim Einsatz von ASE hin. Dies gilt sowohl für Studien mit simulierter ASE (Desmet u. a. 2018) als auch im Falle der ASEFunktion im CAI-Tool InterpretBank (Defrancq & Fantinuoli 2021; Pisani & Fantinuoli 2021). Die gleiche Tendenz zeigt sich bei Termini (Prandi 2023; Van Cauwenberghe 2020; Gieshoff u. a. 2024) und Eigennamen (Yuan & Wang 2023). Auch bei Untertiteln konnten positive Effekte festgestellt werden. Li & Chmiel (2024) konstatierten, dass Untertitel mit einer Genauigkeit über 90% die Präzision verbessern, während weniger präzise Untertitel zu einer weniger akkuraten Verdolmetschung führen, die in ihrer Studie jedoch akkurater als ohne ASE war. Es sei jedoch angemerkt, dass auch negative Effekte festzustellen sind, wenn der Fokus der Untersuchung erweitert wird. So weisen einige Studien darauf hin, dass DolmetscherInnen das Risiko eingehen, sich zu sehr auf automatische Inputs zu stützen und Fehler zu importieren oder Sinnfehler zu begehen (Frittella 2022). Zudem können Terminologievorschläge mit der Satzplanung interferieren, wie Gieshoff u. a. (2024: 21) in einer Studie über den Einsatz von Augmented-Reality-Brillen (AR) feststellten. Auch die Sprechflüssigkeit kann beeinflusst werden: Beim Konsekutivdolmetschen fand Ünlü (2023a) negative Auswirkungen; andere Studien (Chen & Kruger 2023; Chen & Kruger 2024a) fanden im Gegenteil positive Effekte, jedoch nur aus der L1 (Chinesisch) in die L2 (Englisch), wahrscheinlich weil Respeaking als Zwischenschritt für die ASE verwendet wurde. 3.2.3 Wie gut ist die (kognitive) Ergonomie von CAI-Tools? Im Fokus der empirischen Untersuchungen, die sich mit den ergonomischen Aspekten von CAI-Tools bzw. CAI-Funktionen in RSI-Plattformen beschäftigen, steht die Ergründung der potenziellen Auswirkungen des Designs auf die Dolmetschleistung und der Wünsche von DolmetscherInnen bezüglich der Nutzeroberfläche solcher Lösungen. Diese Studien liefern deshalb nützliche Erkenntnisse für die benutzerorientierte Entwicklung unterstützender Dolmetschtechnologie, denn wenn DolmetscherInnen den Tools vertrauen, ist es wahrscheinlicher, dass sie sie tatsächlich einsetzen (Mellinger & Hanson 2018). Die vorliegenden Studien zeigen, dass DolmetscherInnen einen großen Wert auf Anpassungsmöglichkeiten an individuelle Bedürfnisse legen (Frittella 2023; 144 9 Computergestütztes Dolmetschen Gieshoff u. a. 2024). Darüber hinaus tragen Usability-Studien zur Klärung konkreter Fragen bezüglich einzelner Elemente der Nutzeroberfläche bei. So wird deutlich, dass DolmetscherInnen eine Präferenz für die Einblendung von Untertiteln und ASE-Vorschläge am unteren Rand des Bildschirmes haben (Saeed u. a. 2022). Derartige Studien sind zudem nützlich, um zusätzliche Technologien als Unterstützung zu testen, wie etwa AR-Brillen, die eine gewisse Flexibilität in der Positionierung der automatischen Vorschläge im Blickfeld ermöglichen, aber für die StudienteilnehmerInnen in der Studie von Gieshoff u.a. (2024) unangenehm zu tragen waren. 3.2.4 Wie gut ist die Systemleistung von CAI-Tools? Obwohl menschenbezogene Faktoren den erfolgreichen Einsatz unterstützender Dolmetschtechnologie beeinflussen können, spielt die Systemleistung dabei auch eine entscheidende Rolle. Die bisher durchgeführten Studien weisen auf zufriedenstellende Leistungen von CAI-Tools hin. ASE scheint bereits als unterstützende Technologie einsetzbar zu sein. Die Leistung von ASE-Systemen ist hoch, mit niedriger Word Error Rate (WER, z. B. 5.04% in Fantinuoli 2017b) bzw. hoher Präzision (81.43% in Pisani & Fantinuoli 2021) des Transkripts. Bessere Leistungen werden nach Fine-Tuning mit einer domänenspezifischen Terminologieliste erreicht (Rodríguez u. a. 2021). Die Leistung der ASE von Zahlen und Fachtermini ist im Durchschnitt bereits sehr hoch: Sie erreichte F1-Werte von 1 (Zahlen) und 0.97 (Fachtermini) in einem Experiment von Fantinuoli (2017b); Defrancq & Fantinuoli (2021) berichten von einer durchschnittlichen Präzision von 96% für Zahlen. Es wird außerdem die Frage gestellt, mit welcher Latenz DolmetscherInnen umgehen können, ohne dass diese eine negative Auswirkung auf die Verdolmetschung hat. Dabei wird angenommen, dass die Latenz kurz genug sein muss, um innerhalb des Ear-Voice-Spans der DolmetscherInnen zu liegen. Dies scheint der Fall zu sein (Fantinuoli & Montecchio 2023). Allerdings fehlt es hier noch an Forschung: Man könnte nämlich auch die Hypothese stellen, dass der Zeitpunkt der Produktion eigentlich der beste Zeitpunkt für die automatischen Vorschläge wäre; dieser läßt sich aber nicht leicht vorhersagen. Systeme, die Glossare durch Terminologieextraktion und MÜ automatisch erstellen (wie KUDO AI Assist) scheinen ebenfalls gute Ergebnisse zu liefern. In der Studie von Fantinuoli u.a. (2022) wurden nur 1,5% der automatisch extrahierten Termini als fehlerhaft eingestuft, während die MÜ-Qualität sehr gut bewertet wurde (91.2% für Englisch > Französisch, 89.4% für Englisch > Italienisch). 145 Michael Tieber, Manuel Lardelli & Stefan Baumgarten Fehler und Missverständnisse hingewiesen werden sollten (Carré u. a. 2022: 202204). Auch kritische Analysen von NMÜ-Translaten, um Sprachnuancen und Unterschiede zwischen Ausgangsund Zielsprache zu reflektieren, lassen sich nun allmählich verwirklichen. Auf Basis der besprochenen sprachlichen Aspekte, evtl. auch hinsichtlich kultureller Einfärbungen, ergeben sich dann vertiefende Überlegungen und Einsichten zu grammatischen, lexikalischen und syntaktischen Strukturen, die dem jeweiligen B1oder B2-Niveau entsprechen. Für eine effiziente Förderung des Textverständnisses sollten die Lernenden zunächst selbst die Texte verstehen, um dann ggf. mithilfe von NMÜ-Tools herausfordernde lexikalische Phänomene nachzuprüfen. Das gleiche gilt für selbst geschriebene Texte, die mittels Selbstkorrektur per NMÜ nachbearbeitet werden können, auch um sich alternative Ausdrucksmöglichkeiten anzueignen, insbesondere im Sinne einer erhöhten „Sprachreflexion zur Förderung von Language Awareness“ (Raaflaub & Reber 2022: 44). Aber noch einmal: Die Lehrenden müssen bei solchen Herangehensweisen permanent auf die Fehlerhaftigkeit von NMÜ verweisen, um falsche Lerngewohnheiten auszuschließen. Dies ist besonders relevant, wenn NMÜ außerhalb des Unterrichts zur Verwendung kommen soll. 3.3 MTL für das fortgeschrittene C-Niveau Auf diesem Niveau eignet sich der Einsatz von NMÜ, um fortgeschrittene Sprachstrukturen, idiomatische Ausdrücke und auch kulturelle Nuancen zu analysieren. Die Schwächen der MÜ treten hier zunehmend zutage, insbesondere bei kulturspezifischen und literarischen Texten. Kritische Übersetzungsvergleiche von menschlichen und maschinellen Translaten ermöglichen zudem ein tieferes Verständnis kultureller Besonderheiten und stilistischer Feinheiten (Alm & Watanabe 2023). Ab diesem Niveau sollten die Lernenden in der Lage sein, ohne Anleitung der Lehrkraft eigene Texte, Übersetzungen sowie NMÜ-Ergebnisse kritisch zu reflektieren, zu analysieren und ggf. zu verbessern. Auf fortgeschrittenem Sprachniveau sollten sich Lehrende und Lernende der Stärken und Schwächen von NMÜ-Translaten vollauf bewusst sein, um die Technologie gemeinsam – aber auch mit der Akteurin NMÜ als Kooperationspartnerin – im und außerhalb des Unterrichts effizient nutzen zu können (Alm & Watanabe 2023). Der moderne Fremdsprachenunterricht kommt nicht mehr ohne die „Übersetzungsmaschine“ aus. In allen Bereichen und auf allen Niveaus der Sprachausbildung muss daher die Verwendung digitaler Translationstools intensiv mitbedacht und Integrationslösungen angeboten werden (Klimova u. a. 2023: 667). Eine bewusste und kritisch reflektierende Integration von NMÜ in den 248 14 MT-Literacy für Alltag, Fremdsprachenunterricht und Beruf Fremdsprachenunterricht bedarf zudem grundlegender Kompetenzen in diesem Bereich. Vor diesem Hintergrund kommt der Aneignung einer allgemeinen MT-Literacy für den Fremdsprachenunterricht für alle beteiligten Akteur*innen eine zentrale Bedeutung zu. Während Anfänger*innen NMÜ-Systeme hauptsächlich für den Wortschatzaufbau und einfaches Textverständnis nutzen, entwickeln Lernende in der Mittelstufe und Fortgeschrittene allmählich ein kritischreflexives Bewusstsein für die Grenzen und Potenziale der NMÜ, um ihr jeweiliges Sprachniveau gezielt zu verbessern und allmählich mit der „Maschine“ in Einklang zu bringen. Im Rahmen zukünftiger Forschung erlaubt eine solche akteur*innenzentrierte Perspektive auf die komplexe Mensch-MaschineInteraktion zudem präzise theoretische Einsichten in die empirischen Gegebenheiten im Interaktionsraum Fremdsprachenunterricht (vgl. Minke 2024). 4 MT-Literacy für professionelle Übersetzer*innen Angehende und professionelle Übersetzer*innen benötigen weitaus umfassendere Kenntnisse über die Funktionsweise und Verwendung von MÜ als Lai*innen, Sprachstudierende oder auch Sprachlehrende. Der rasante technologische Fortschritt und der damit einhergehende steigende Einsatz von MÜ-Systemen haben die Sprachdienstleistungsbranche und den Übersetzungsmarkt bereits grundlegend verändert. Gleichzeitig führt dieser Wandel dazu, dass zunehmend auch Quereinsteiger*innen aus anderen Sprachstudiengängen den Weg in die professionelle Übersetzung finden, da die Verfügbarkeit von KI-basierten Übersetzungstechnologien den Zugang zum Markt erleichtert. Durch diese Entwicklungen finden sich Translator*innen zusehends in einem Rechtfertigungsdiskurs hinsichtlich ihrer Honorare wieder (Vieira 2020a). Dem Bericht zur Europäischen Sprachdienstleistungsindustrie zufolge nehmen Aufträge für konventionelles (Human- )Übersetzen ab, während Post-Editing und andere Dienstleistungen wie Beratung zur unternehmensinternen Integration von MÜ oder Entwicklung von domänenspezifischer MÜ als größte Wachstumsbereiche identifiziert werden (Research 2023: 4). Gleichzeitig steigt die Akzeptanz von maschinell erstellten Übersetzungen sowohl bei Sprachdienstleister*innen als auch bei Kund*innen (Mellinger 2017). Übersetzungsagenturen wissen zunehmend besser Bescheid über die Fortschritte im Bereich künstlicher Intelligenz, digitaler Sprachverarbeitung und maschineller Übersetzung. Im Lichte dieser Entwicklungen müssen auch Studiengänge für Translation ihre Relevanz und Attraktivität aufrechterhalten sowie ihre Curricula adaptieren (O’Brien & Ehrensberger-Dow 2020). Um angehende Translator*innen adäquat auf die Situation am Übersetzungsmarkt vorzubereiten, ist es notwendig, maschinelles Übersetzen stärker in den Studienplänen zu 249 Michael Tieber, Manuel Lardelli & Stefan Baumgarten verankern (Doherty & Kenny 2014). Ein zentraler Bestandteil einer solchen Neuordnung der Studienpläne ist eine professionelle MT-Literacy. Diese beschreiben Krüger & Hackenbuchner (2022: 249) als: „the full range of MT-related competences professional translators (and other language professionals) may require in order to participate successfully in the various phases of the MT-assisted professional translation process“. Professionelle MT-Literacy geht daher weit über allgemeine MT-Literacy hinaus und ist speziell an das Berufsprofil von Translator*innen angepasst. Sie beinhaltet u. a. ein tieferes technisches Verständnis über die Technologie sowie die Bandbreite von Preund Post-Editing, Wissen über die verschiedenen Formen der MÜ-Qualitätsbewertung sowie Kenntnisse über ethische und wirtschaftliche Aspekte der MÜ-Verwendung in professionellen Kontexten (Krüger 2022). Um diese Kompetenzen in der Übersetzungslehre zu vermitteln, braucht es systematische und didaktisch fundierte Ansätze. Noch bevor NMÜ zum dominierenden MÜ-Paradigma wurde, gab es Rufe und Bestrebungen, statistische MÜ (SMÜ) stärker in Curricula zu integrieren. Für Doherty & Kenny (2014) stellte sich bereits über zehn Jahre vor dem Erscheinen dieses Beitrags die Frage, in welchem Ausmaß und über welche Lehrveranstaltungen SMÜ in den Studienplan eingebettet werden sollte. Laut ihnen gilt es, einen möglichst umfassenden MÜ-Syllabus zu entwickeln, da Translator*innen idealerweise in jeden Schritt des MÜ-Workflows eingebunden werden sollten, bei dem sie einen Mehrwert bieten können. Übersetzer*innen sollen zu mündigen Nutzer*innen der Technologie werden, um auch selbst von deren Einsatz zu profitieren und nicht nur für die Einhaltung von Qualitätsstandards Sorge zu tragen. Dementsprechend umfangreich ist auch ihr Konzept für ein Modul zu MÜ, das die folgenden Punkte enthält: (i) kurze Geschichte der MÜ, (ii) Modelle (Architektur, Training etc.), (iii) humane und maschinelle MÜ-Evaluation (die menschliche Bewertung von Accuracy und Fluency vs. den Einsatz von automatischen Metriken wie z. B. BLUE und Meteor), (iv) Preund Post-Editing (Controlled Language, Glossar-Erstellung, Computergestütztes PE), (v) professionelle Aspekte (Ethik, Bezahlung, Workflows etc.) (Doherty & Kenny 2014: 299f.). Dieser Syllabus stellt ein Konzept für ein in sich geschlossenes und sprachübergreifendes MÜ-Modul dar. Mellinger (2017) spricht sich hingegen dafür aus, die Vermittlung von MÜ-Kompetenzen direkt in die sprachgebundene Übersetzungslehre aufzunehmen. Dies hat laut ihm den Vorteil einer holistischen Lernerfahrung, die es ermöglicht, MÜ in praxisnahe Übersetzungsübungen zu integrieren sowie MÜ als Teil des Übersetzungsworkflows zu begreifen und nicht als technisches Werkzeug, das abgekoppelt von den restlichen Prozessschritten steht. Eine Integration in sprachgebundene Übersetzungsübungen hat auch den Vorteil, dass 250 14 MT-Literacy für Alltag, Fremdsprachenunterricht und Beruf sprachspezifische Gegebenheiten in der Nutzung von MÜ berücksichtigt werden können (Mellinger 2017: 283f). Das Konzept der MT-Literacy für professionelle Übersetzer*innen wurde im Laufe der Jahre immer detaillierter ausgearbeitet und ergänzt. Krüger (2022) sieht MT-Literacy in engem Zusammenhang mit Data-Literacy, da der Output von NMÜ direkt an das Sammeln, Pflegen und Organisieren von Daten geknüpft ist, auf denen ein bestimmtes MÜ-System basiert. Letztendlich bestimmen die Qualität und die Zusammensetzung von Daten, die zum Training von MÜ verwendet werden, den Output eines konkreten Systems und können zur Entstehung von Gender Bias, terminologischen Inkonsistenzen und anderen Problemen im MÜOutput führen. Krüger pflegt das Konzept der Data-Literacy daher auch in sein Modell für eine professionelle MT-Literacy ein. Dieses besteht aus fünf Dimensionen: (i) technische Aspekte, (ii) Sprache / Post-Editing, (iii) Wirtschaftlichkeit von MÜ, (iv) gesellschaftliche Aspekte sowie (v) Kognition. Auch für bereits berufstätige Übersetzer*innen ist der Erwerb professioneller MÜ-Kenntnisse entscheidend, um erfolgreich am Markt tätig zu sein. Übersetzer*innen müssen zunehmend Aufgaben im Zusammenhang mit MÜ übernehmen, sei es im Rahmen von Preund Post-Editing, aber auch in der Erarbeitung von Vorschlägen zur Adaptierung von MÜ-Systemen, um die Qualität des Outputs zu steigern. Mellinger (2017) erwähnt daher Engine Tuning als Kompetenz, die die Anpassung und Feinabstimmung von MÜ-Systemen beinhaltet. Dies erfordert jedoch ein tiefgehendes technisches Wissen über das Programmieren von MÜ-Systemen, welches bereits langjährige Translator*innen häufig nicht besitzen. Auch in der Translationslehre tätige Personen haben oft kein formales Training im Bereich der MÜ erhalten. Ihr Wissen basiert mitunter lediglich auf dem eigenen, teils laienhaften Umgang mit MÜ (Rico & González Pastor 2022), weshalb sich didaktische Initiativen weiterhin als notwendig erweisen, um auch Lehrenden selbst professionelle MT-Literacy zu vermitteln. Durch eine systematische Ausbildung von Lehrenden und angehenden Translator*innen zu reflektierten, informierten und kritischen MÜ-Nutzer*innen lassen sich deren Handlungsspielräume und berufliche Möglichkeiten am Übersetzungsmarkt erweitern. Eine professionelle MT-Literacy soll Übersetzer*innen nicht nur befähigen, die Qualität des MÜ-Outputs durch Post-Editing zu verbessern, sondern sie auch in die Lage versetzen, Kund*innen darüber zu beraten, ob und in welcher Form der Einsatz von MÜ in konkreten Fällen sinnvoll und wirtschaftlich rentabel ist. Mit ihrem Fachwissen können Übersetzer*innen als MTLiteracy Consultants agieren und Kund*innen in den spezifischen Anwendungskontexten von MÜ einschulen. Dies umfasst auch ethische und rechtliche Aspekte wie Datenschutz und Haftungsfragen (Ehrensberger-Dow u. a. 2023). Die Posi251 Michael Tieber, Manuel Lardelli & Stefan Baumgarten tionierung als Berater*innen für MT-Literacy eröffnet Übersetzer*innen ein neues Geschäftsmodell und trägt dazu bei, dass sie nicht nur als Post-Editor*innen wahrgenommen werden, sondern als strategische Partner*innen, die aktiv zur Integration und Optimierung von MÜ in den Arbeitsabläufen ihrer Kund*innen beitragen. 5 Schlussfolgerungen Der technologische Fortschritt und die digitale Transformation im Übersetzungsbereich haben die Art und Weise, wie Menschen Fremdsprachen verwenden, lernen und übersetzen grundlegend verändert. Insbesondere der Durchbruch der NMÜ stellte einen massiven Qualitätssprung dar und trug wesentlich zur Verbreitung dieser Technologie bei. Jedoch bestehen vor allem unter Lai*innen oft unrealistische Erwartungshaltungen, die gepaart mit fehlerhaftem Output, Datenschutzrisiken oder der Reproduktion von sozialen Vorurteilen (z. B. Gender Bias) zu Problemen im Gebrauch maschineller Translate führen können (Canfora & Ottmann 2020). Das Konzept der MT-Literacy propagiert daher den Erwerb von Wissen und Kompetenzen, die es MÜ-Nutzer*innen ermöglichen, die Technologie in unterschiedlichen Kontexten – ob im Alltag, Sprachunterricht oder in der professionellen Übersetzung – kritisch zu reflektieren und angemessen zu verwenden (Bowker 2019a). Die verschiedenen Nutzer*innengruppen und Anwendungsszenarien, auf die in diesem Beitrag näher eingegangen wurde, erfordern unterschiedliche Ausprägungen und Ausgestaltungen des Konzepts MT-Literacy. Die wichtigsten Aspekte einer MT-Literacy für nicht-professionelle Nutzer*innen im Alltag beinhalten Wissen über schwankende MÜ-Qualität je nach Sprachkombination und Domäne, Risikobewusstsein in Bezug auf fehlerhaften Output und der gezielte Einsatz von Preund Post-Editing zur Verbesserung der Ausgabequalität (Bowker 2019a). Im Kontext des Sprachenlernens ist es essenziell, die Verwendung von MÜ auf das jeweilige Sprachniveau anzupassen. Eine reflektierte Nutzung von MÜ im Rahmen einer MT-Literacy für den Fremdsprachenunterricht kann den Erwerb von Wortschatz oder die Analyse von Sprachstrukturen erleichtern, sofern MÜ bewusst und zielgerichtet in den Unterricht integriert wird (Minke 2024). Professionelle Übersetzer*innen benötigen hingegen im Vergleich zu Alltagsnutzer*innen und Sprachlernenden wesentlich umfassendere Kenntnisse in Bezug auf MÜ. Diese beinhalten u. a. ein tieferes technisches Verständnis der Technologie einschließlich verschiedener Möglichkeiten zur Qualitätsevaluation sowie Wissen hinsichtlich wirtschaftlicher und ethischer Aspekte der MÜ-Nutzung. Diese er252 14 MT-Literacy für Alltag, Fremdsprachenunterricht und Beruf weiterten Kompetenzen ermöglichen es professionellen Übersetzer*innen, im Zuge einer professionellen MT-Literacy zukünftig auch als Berater*innen für die strategische Integration von MÜ in Unternehmen tätig zu werden (EhrensbergerDow u. a. 2023). Durch die stark zunehmende Verbreitung von MÜ in zahlreichen Anwendungskontexten wächst auch die Notwendigkeit MT-Literacy verschiedenen Nutzer*innengruppen zu vermitteln. Bowker (2019b) schlägt Bibliotheken als Ausrichtungsorte für Schulungen und Workshops vor, da sie von Menschen unterschiedlichen Alters und mit verschiedenen fachlichen Interessen frequentiert werden. Professionelle, speziell geschulte Translator*innen können hierbei eine Schlüsselrolle übernehmen, da sie über das nötige Fachwissen verfügen, um die Funktionsweise, Potenziale und Grenzen der MÜ zu erklären. Zudem können sie Nutzer*innen dabei unterstützen, diese Technologie kritisch und effizient anzuwenden, wodurch sich ein weiteres Betätigungsfeld für Übersetzer*innen erschließt. Literatur Alm, Antonie & Yuki Watanabe. 2023. Machine translation in language education: Perspectives from advanced language learners. In EuroCALL 2023. CALL for all Languages - Short Papers. Editorial Universitat Politécnica de Valéncia. DOI: 10.4995/EuroCALL2023.2023.16919. Aloatti, Sara & Letizia Martini. 2021. Maschinelle Übersetzungstools im Fremdsprachenunterricht – Einführung mit Unterrichtsbeispielen für das Fach Italienisch. Zürich: Universität Zürich. Bowker, Lynne. 2019a. Machine Translation Literacy as a Social Responsibility. In Proceedings of the Language Technologies for All (LT4All) Paris, December 5-6, 104–107. Paris. Bowker, Lynne. 2019b. Machine translation literacy as a social responsibility. In Proceedings of the Language Technologies for All (LT4All), 104–107. Paris. Bowker, Lynne. 2021. Machine translation literacy instruction for nontranslators: A comparison of five delivery formats. In Ruslan Mitkov, Vilelmini Sosoni, Julie Christine Giguère, Elena Murgolo & Elizabeth Deysel (Hrsg.), Proceedings of the Translation and Interpreting Technology Online Conference, 25–36. Held Online: INCOMA Ltd. https://aclanthology.org/2021.triton-1.4 (20 August, 2024). Bowker, Lynne. 2024. Garbage in, garbage out! eCampusOntario. https : / / ecampusontario.pressbooks.pub/garbageingarbageout/ (22 August, 2024). 253 Michael Tieber, Manuel Lardelli & Stefan Baumgarten Buts, Jan. 2021. Targeted individuals: Personalised advertising and digital media translation. Translation Spaces 10(2). 181–201. DOI: 10.1075/ts.20048.but. Canfora, Carmen & Angelika Ottmann. 2020. Risks in neural machine translation. Translation Spaces 9(1). 58–77. DOI: 10.1075/ts.00021.can. Carré, Alice, Dorothy Kenny, Caroline Rossi, Pilar Sánchez-Gijón & Olga TorresHostench. 2022. Machine translation for language learners. In Dorothy Kenny (Hrsg.), Machine translation for everyone: Empowering users in the age of artificial intelligence (Translation and Multilingual Natural Language Processing 18), 187–207. Berlin: Language Science Press. DOI: 10.5281/ZENODO.6760024. Castilho, Sheila, Joss Moorkens, Federico Gaspari, Iacer Calixto, John Tinsley & Andy Way. 2017. Is neural machine translation the new state of the art? The Prague Bulletin of Mathematical Linguistics 108(1). 109–120. DOI: 10.1515/pralin2017-0013. Cotelli Kureth, Sara & Elana Summers. 2023. Tackling the elephant in the language classroom: introducing machine translation literacy in a Swiss language centre. Language Learning in Higher Education 13(1). 213–230. DOI: 10.1515/ cercles-2023-2015. Council of Europe. o.J. Common European Framework of Reference for languages: Learning, teaching, assessment (CEFR). https://www.coe.int/en/web/commoneuropean-framework-reference-languages (20 September, 2024). Delorme Benites, Alice & Caroline Lehr. 2021. Neural machine translation and language teaching : possible implications for the CEFR. Bulletin suisse de linguistique appliquée 114. 47–66. DOI: 10.5169/SEALS-1030137. Doherty, Stephen & Dorothy Kenny. 2014. The design and evaluation of a Statistical Machine Translation syllabus for translation students. The Interpreter and Translator Trainer 8(2). 295–315. DOI: 10.1080/1750399X.2014.937571. Ehrensberger-Dow, Maureen, Alice Delorme Benites & Caroline Lehr. 2023. A new role for translators and trainers: MT literacy consultants. The Interpreter and Translator Trainer 17(3). 393–411. DOI: 10.1080/1750399X.2023.2237328. Hern, Alex. 2017. Facebook translates ’good morning’ into ’attack them’, leading to arrest. The Guardian. https://www.theguardian.com/technology/2017/oct/ 24/facebook-palestine-israel-translates-good-morning-attack-them-arrest (20 August, 2024). Hutchins, John. 2005. Current commercial machine translation systems and computer-based translation tools: System types and their uses. International Journal of Translation 17(1-2). 5–38. Klimova, Blanka, Marcel Pikhart, Alice Delorme Benites, Caroline Lehr & Christina Sanchez-Stockhammer. 2023. Neural machine translation in foreign lan254 14 MT-Literacy für Alltag, Fremdsprachenunterricht und Beruf guage teaching and learning: a systematic review. Education and Information Technologies 28(1). 663–682. DOI: 10.1007/s10639-022-11194-2. Krüger, Ralph. 2022. Integrating professional machine translation literacy and data literacy. Lebende Sprachen 67(2). 247–282. DOI: 10.1515/les-2022-1022. Krüger, Ralph & Janiça Hackenbuchner. 2022. Outline of a didactic framework for combined data literacy and machine translation literacy teaching. Current Trends in Translation Teaching and Learning E. 375–432. DOI: 10.51287/ cttl202211. Kumar, Sachin, Antonios Anastasopoulos, Shuly Wintner & Yulia Tsvetkov. 2021. Machine Translation into low-resource language varieties. In Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 2: Short Papers), 110–121. Lardelli, Manuel & Dagmar Gromann. 2023. Gender-fair (machine) translation. In Proceedings of the New Trends in Translation and Technology Conference - NeTTT 2022, 166–177. Mellinger, Christopher D. 2017. Translators and machine translation: knowledge and skills gaps in translator pedagogy. The Interpreter and Translator Trainer 11(4). 280–293. DOI: 10.1080/1750399X.2017.1359760. Minke, Anita-Sabrina. 2024. Machine Translation Literacy im DaZ-Unterricht. Potenziale und Lösungsansätze für einen reflektierten Umgang mit neuronalen maschinellen Übersetzungssystemen. University of Graz. (Dissertation). Nitzke, Jean, Silvia Hansen-Schirra & Carmen Canfora. 2019. Risk management and post-editing competence. The Journal of Specialised Translation 31(1). 239– 259. Nurminen, Mary & Niko Papula. 2018. Gist MT users: A snapshot of the use and users of one online MT tool. In Juan Antonio Pérez-Ortiz, Felipe SánchezMartínez, Miquel Esplà-Gomis, Maja Popović, Celia Rico, André Martins, Joachim Van den Bogaert & Mikel L. Forcada (Hrsg.), Proceedings of the 21st Annual Conference of the European Association for Machine Translation, 219–228. Alicante, Spain. https://aclanthology.org/2018.eamtmain.20 (20 August, 2024). O’Brien, Sharon & Maureen Ehrensberger-Dow. 2020. MT Literacy—A cognitive view. Translation, Cognition & Behavior 3(2). 145–164. DOI: 10.1075/tcb.00038. obr. Pérez-Ortiz, Juan Antonio, Mikel L. Forcada & Felipe Sánchez-Martínez. 2022. How neural machine translation works. In Machine translation for everyone. Empowering users in the age of artificial intelligence (Translation and Multil255 Michael Tieber, Manuel Lardelli & Stefan Baumgarten ingual Natural Language Processing 18). Berlin: Language Science Press. DOI: 10.5281/ZENODO.6760020. Pitman, Jeff. 2021. Google Translate: One billion installs, one billion stories. https: //blog.google/products/translate/one-billion-installs/ (20 August, 2024). Raaflaub, Meike & Brigitte Reber. 2022. Übersetzungsmaschinen im Englischunterricht des Zyklus 3. Babylonia Journal of Language Education 1. 42–49. DOI: 10.55393/babylonia.v1i.141. Research, ELIS. 2023. European Language Industry Survey 2023: Trends, expectations and concerns of the European language industry. Techn. Ber. https://elissurvey.org/wp-content/uploads/2023/03/ELIS-2023-report.pdf (11 September, 2024). Rico, Celia & Diana González Pastor. 2022. The role of machine translation in translation education: A thematic analysis of translator educators’ beliefs. The International Journal of Translation and Interpreting Research 14(1). DOI: 10 . 12807/ti.114201.2022.a010. Udry, Isabelle & Raphael Berthele. 2023. Digitale Übersetzungsprogramme und Online-Wörterbücher im Fremdsprachenunterricht: Erkenntnisse aus einer Umfrage bei Lehrpersonen und Lernenden der obligatorischen, postobligatorischen und tertiären Bildung. Linguistik Online 120(2). 145–167. DOI: 10.13092/lo.120.9720. Vieira, Lucas Nunes. 2020a. Automation anxiety and translators. Translation Studies 13(1). 1–21. DOI: 10.1080/14781700.2018.1543613. Vieira, Lucas Nunes. 2020b. Machine translation in the news: A framing analysis of the written press. Translation Spaces 9(1). 98–122. DOI: 10.1075/ts.00023.nun. Vieira, Lucas Nunes, Minako O’Hagan & Carol O’Sullivan. 2021. Understanding the societal impacts of machine translation: A critical review of the literature on medical and legal use cases. Information, Communication & Society 24(11). 1515–1532. DOI: 10.1080/1369118x.2020.1776370. Vieira, Lucas Nunes, Carol O’Sullivan, Xiaochun Zhang & Minako O’Hagan. 2023a. Machine translation in society: insights from UK users. Language Resources and Evaluation 57(2). 893–914. DOI: 10.1007/s10579-022-09589-1. Vieira, Lucas Nunes, Carol O’Sullivan, Xiaochun Zhang & Minako O’Hagan. 2023b. Privacy and everyday users of machine translation. Translation Spaces 12(1). 21–44. DOI: 10.1075/ts.22012.nun. Wittenberg, Chloe, Ziv Epstein, Adam J. Berinsky & David G. Rand. 2024. Labeling AI-Generated Content: Promises, Perils, and Future Directions. An MIT Exploration of Generative AI.DOI: 10.21428/e4baedd9.0319e3a6. 256 14 MT-Literacy für Alltag, Fremdsprachenunterricht und Beruf Yang, Jin & Elke Lange. 2003. 12. Going live on the internet. In Harold Somers (Hrsg.), Computers and Translation: A translator’s guide (Benjamins Translation Library 35), 191–210. Amsterdam: John Benjamins. DOI: 10.1075/btl.35. 15yan. 257 Jean Nitzke & Silvia Hansen-Schirra spezielle Eigenheiten und Äquivalenzauffälligkeiten aus und so kann es passieren, dass selbst bei intralingualen Untertiteln1Audio und Untertitel nicht identisch sind. In Kapitel 12 wird ausführlich über die Digitalisierungsmöglichkeiten in der audiovisuellen Translation diskutiert. MÜ für Untertitel kann nun entweder aus einem vorhandenen Skript oder über automatische Spracherkennung generiert werden. Auch wenn letztere mittlerweile sehr gute Ergebnisse liefern kann, liegt hier natürlich noch eine weitere potenzielle Fehlerquelle vor, die die Qualität des Translats beeinflussen kann. Vollautomatisch generierte Untertitel sind heute auf vielen Plattformen eine gängige Praxis, wobei jedoch der PE-Bedarf schnell ersichtlich wird. Oftmals sind nämlich die vollautomatisch erstellten Untertitel zu lang, zeitlich schlecht gesetzt und daher schlecht lesbar (siehe Szarkowska u.a. 2024). Außerdem enthalten sie Transkriptionsbzw. Übersetzungsfehler, die zu dysfunktionalem Lesen und Verständlichkeitsproblemen führen können. Am Beispiel der Live-Untertitelung sieht man weiterhin, dass besondere Anforderungen an Schnelligkeit und Reaktionsfähigkeit im Untertitelungsprozess bestehen. Aus diesen Gegebenheiten lässt sich ableiten, dass zu den allgemeinen PEKompetenzen beim PE von Untertiteln das Kompetenzspektrum weiter ausdifferenziert werden muss. Das Fundament der Translationskompetenzen und das Dach der Soft Skills bleiben bestehen. Erweiterungen müssen entsprechend an den Säulen vorgenommen werden. So kommen zur effizienten Fehlerbehebung Untertitelungskompetenzen hinzu, die Untertitelungsstyleguides und -konventionen berücksichtigen. Zum Wissen über MÜ-Systeme und eventuell Spracherkennungssysteme kommen Kenntnisse über untertitelungsspezifische Prozesse und Technologien hinzu, die beispielsweise beim Training von MÜSystemen eine Rolle spielen können. Bei der Beratung von MÜ und PE in Untertitelungsprojekten ist Wissen über die Filmund Fernsehindustrie und deren Abläufe noch zusätzlich wichtig. 5 Post-Editing in der Sprachdienstleistungsbranche Nitzke u. a. (2024) führten eine Umfrage in der Sprachdienstleistungsbranche durch, um zu untersuchen, wie MÜ und PE in Übersetzungsprojekten genutzt werden. Von den 19 Befragten gaben 14 an, dass sie MÜ und PE für maximal 20 % 1Da die primäre Zielgruppe bei intralingualen Untertiteln Menschen mit Höreinschränkungen sind, kommen hier häufig noch zusätzliche Elemente zum Dialog in die Untertitel, z. B. Hinweise auf weitere Geräusche in der Audiospur, wenn bspw. im Hintergrund ein Telefon klingelt, oder aber auch Hinweise auf Sprecherwechsel etc. 264 15 Post-Editing-Kompetenzen ihrer Projekte einsetzen. Die Entscheidung für oder gegen den Einsatz von MÜ wurde von verschiedenen Faktoren beeinflusst, darunter die Kundenanforderungen, die Eignung des Ausgangstexts, die Textsorte und das Übersetzungsvolumen. Einige Teilnehmer:innen erklärten, dass ihre Entscheidungen eher auf strategischen Überlegungen als auf Einzelfallentscheidungen basieren. Besonders kreative Texte wie Marketingund Werbetexte werden häufig von der Nutzung von MÜ und PE ausgeschlossen. Die Ergebnisse zeigen überwiegend, dass die Maschine ohne menschliches Eingreifen nach wie vor nicht in der Lage ist, qualitativ hochwertige Übersetzungsarbeit zu leisten. Die Mehrheit der Befragten berichtete, dass Light-PE kaum eine Rolle spielt und stattdessen überwiegend Full-PE angewendet wird2, oft ergänzt durch zusätzliche Qualitätssicherungsmaßnahmen, die denjenigen bei rein menschlichen Übersetzungen ähneln oder mit ihnen identisch sind. Die Befragten berichteten zudem, dass MÜ fast immer in Translation-MemorySysteme integriert wird, wodurch der PE-Prozess weitgehend dem von computergestützten Humanübersetzungen gleicht. MÜ wird somit wie eine weitere Ressource neben den vorhandenen Translation-Memorys genutzt. Die Preise für PEProjekte werden in der Regel auf Wortbasis kalkuliert, wobei durchschnittlich eine Reduktion von 25 % berichtet wurde. Einige Teilnehmer erwähnten den Zeitfaktor, konnten jedoch keine signifikanten Zeiteinsparungen feststellen, sondern vielmehr Änderungen im Prozessablauf. Hinsichtlich der genutzten MÜ-Systeme zeigte sich eine Präferenz für kommerzielle Pro-Versionen. Einige nutzen eigene Daten, um die Systeme zu trainieren, andere arbeiten mit geschlossenen Systemen oder einer Kombination beider Ansätze. In Bezug auf die Risiken von PE-Projekten äußerten sich die Teilnehmer:innen besorgt, insbesondere in Bezug auf die Datensicherheit, die mit Abstand am häufigsten als potenzielles Risiko bei der Nutzung von MÜ genannt wurde. Ein Teil der Umfrage beinhaltete eine Bewertung vorgegebener Faktoren auf einer Skala von 0 bis 4. Dabei wurden die angestrebte Qualität des Zieltexts, Risiken im Ausgangstext, die Sensibilität der Inhalte und die Verfügbarkeit eines geeigneten MÜ-Systems als die wichtigsten Kriterien für PE-Projekte genannt. Zeitdruck, die Veröffentlichung des Zieltexts, die Anzahl der verfügbaren Übersetzer:innen bzw. Posteditor:innen sowie die Größe des Zieltextpublikums spielten hingegen eine untergeordnete Rolle. Die Umfrage ergab zudem, dass insbesondere im Premium-Segment noch viele Übersetzungsprojekte für MÜ und PE ungeeignet sind. Die PE-Umgebung und 2zur Unterscheidung von Light und Full PE siehe Kapitel II. 265 Jean Nitzke & Silvia Hansen-Schirra die Qualitätssicherung unterscheiden sich dabei kaum von denen des traditionellen Humanübersetzungsprozesses. Zeitdruck und Kostenüberlegungen sind nicht immer die entscheidenden Faktoren, die für oder gegen den Einsatz von MÜ und PE sprechen. 6 Zusammenfassung und Ausblick PE ist eine ganz klar translatorische Tätigkeit für die Übersetzungskompetenzen fundamental sind. Einige zusätzliche Kompetenzen müssen ausgebildet werden, die ein effizientes PE, ein sinnvolles Entwickeln von Systemen und eine gekonnte Beratung ermöglichen. Soft Skills wie Konzentrationsfähigkeit oder aber auch ein professionelles Selbstbild runden die PE-Kompetenzen ab. PE-Kompetenzen überschneiden sich stellenweise mit Revisionskompetenzen, es ist aber auch eindeutig, dass es sich bei diesen Anforderungsprofilen um zwei unterschiedliche Tätigkeiten handelt. Wir haben gezeigt, dass sich das Bild des PE-Kompetenz-Hauses gut eignet, um den Bedarf an PE-Kompetenzen darzustellen. Des Weiteren kann es genutzt werden, um spezifische Tätigkeitsprofile abzubilden und weitere Spezialisierungen darzustellen. Auch kann es flexibel für weitere technische Entwicklungen angepasst werden. Mit dem Aufkommen von Generativer KI und Large-Language-Modellen hat sich für den PE-Prozess so weit noch nicht viel geändert. Bisher wurde der maschinell übersetzte Text in Translation Memories eingespeist und dort segmentbasiert bearbeitet. Dies ist potentiell auch mit einem Text möglich, der von einem Chatbot generiert wurde. Auch für solche Texte gilt es weiterhin, die Fehler effizient zu beheben. Als neue Fehlerart könnten Halluzinationen hinzukommen (siehe McIntosh u.a. 2024), die von der generativen KI in den Text eingefügt und entsprechen erkannt und gelöscht werden müssen. Nichtsdestotrotz ist anzunehmen, dass in den nächsten Jahren die generative KI den PE-Prozess doch maßgeblich verändert. Zum einen ist es bereits jetzt möglich, durch intelligente und effiziente Prompts den Generierungsprozess der Texte derart zu beeinflussen, dass das automatisch generierte Translat skoposund zielgruppenorientiert optimiert werden kann (siehe Deilen u. a. 2023). Hier könnte sich ein Paradigmenwechsel von Optimieren durch PE zu Optimieren durch Prompten vollziehen. Außerdem ist es bereits jetzt möglich, einen Chatbot zur Assistenz bei Recherche und Revision zu nutzen. Künftig bleibt abzuwarten, ob der Chatbot als Partner beim kollaborativen Übersetzen und PE Einzug halten wird, ähnlich wie es schon als Lern-Assistenz für Schulen und Studium der Fall ist. Für ein endgültiges Bild, wie 266 15 Post-Editing-Kompetenzen sich generative KI in den Übersetzungsalltag einbinden wird, ist es zum jetzigen Zeitpunkt aber zu früh. Literatur Deilen, Silvana, Sergio Hernández Garrido, Ekaterina Lapshinova-Koltunski & Christiane Maaß. 2023. Using ChatGPT as a CAT tool in Easy Language translation. In Sanja Štajner, Horacio Saggio, Matthew Shardlow & Fernando AlvaManchego (Hrsg.), Proceedings of the second workshop on text simplification, accessibility and readability, 1–10. Varna, Bulgaria: INCOMA Ltd., Shoumen, Bulgaria. https://aclanthology.org/2023.tsar-1.1. DIN. 2018. DIN ISO 18587 Übersetzungsdienstleistungen - Posteditieren maschinell erstellter Übersetzungen - Anforderungen (ISO 18587:2017). Konttinen, Kalle, Leena Salmi & Maarit Koponen. 2020. Revision and post-editing competences in translator education. In Maarit Koponen, Brian Mossop, Isabell S. Robert & Giovanna Scocchera (Hrsg.), Translation revision and post-editing, 187–202. London: Routledge. McIntosh, Timothy R., Tong Liu, Teo Susnjak, Paul Watters, Alex Ng & Malka N. Halgamuge. 2024. A culturally sensitive test to evaluate nuanced GPT hallucination. IEEE Transactions on Artificial Intelligence 5(6). 2739–2751. DOI: 10.1109/TAI.2023.3332837. Nitzke, Jean, Carmen Canfora, Silvia Hansen-Schirra & Dimitrios Kapnas. 2024. Decisions in projects using machine translation and post-editing: An interview study. The Journal of Specialised Translation (41). 127–148. Nitzke, Jean & Silvia Hansen-Schirra. 2021. A short guide to post-editing (Translation and Multilingual Natural Language Processing 16). Berlin: Language Science Press. DOI: 10.5281/zenodo.5646896. Nitzke, Jean, Silvia Hansen-Schirra & Carmen Canfora. 2019. Risk management and post-editing competence. The Journal of Specialised Translation 31(1). 239– 259. Robert, Isabelle, Jim JJ Ureel & Iris Schrijver. 2022. Translation, translation revision and post-editing competence models: where are we now? In The human translator in the 2020s, 44–59. London: Routledge. Robert, Isabelle S, Aline Remael & Jim JJ Ureel. 2017. Towards a model of translation revision competence. The Interpreter and Translator Trainer 11(1). 1–19. Szarkowska, Agnieszka, V. Ragni, D. Orrego-Carmona, S. Black, S. Szkriba, J-L. Kruger, K. Krejtz & B. Silva. 2024. The impact of video and subtitle speed on subtitle reading: An eye-tracking replication study. Journal of Audiovisual Translation 7(1). 1–23. 267 Jean Nitzke & Silvia Hansen-Schirra Tardel, Anke, Silvia Hansen-Schirra & Jean Nitzke. 2021. Post-editing job profiles for subtitlers. In Proceedings of the 1st workshop on automatic spoken language translation in real-world settings (ASLTRW), 13–22. 268 Kapitel 16 Künstliche Intelligenz in Translation und Fachkommunikation: Skizze eines Kompetenzrahmens Ralph Krüger TH Köln In diesem Kapitel wird ein KI-Kompetenzrahmen für Translation und Fachkommunikation skizziert, dessen Notwendigkeit sich aus den jüngsten Entwicklungen im Bereich der sprachbezogenen Künstlichen Intelligenz (KI) – insbesondere im Bereich der Large Language Models (LLMs) – ergibt. Zunächst wird kurz das Verhältnis von neuronaler maschineller Übersetzung (NMÜ) und LLMs diskutiert und im Anschluss das Spektrum translatorischer/fachkommunikativer Arbeitsgänge dargestellt, die insbesondere durch Mehrzweck-KI-Technologien wie LLMs (teil- )automatisiert werden können. Daran an schließt eine Diskussion der angesichts dieser Automatisierung von Translation und Fachkommunikation erforderlichen Digitalkompetenzen, insbesondere in den Bereichen maschinelle Übersetzung, Daten und Künstliche Intelligenz im Allgemeinen. Die entsprechenden Kompetenzbündel MT Literacy, Data Literacy und AI Literacy sowie deren Schnittstellen werden diskutiert und es wird ein daraus abgeleiteter KI-Kompetenzrahmen für Translation und Fachkommunikation skizziert. Im Anschluss werden die einzelnen Dimensionen dieses Kompetenzrahmens im Detail dargestellt und punktuell auf mögliche praktische Anwendungskontexte bezogen. 1 Automatisierung und Digitalkompetenzen in Translation und Fachkommunikation Seitdem die Autoren des in der Translationswissenschaft zu einer gewissen Berühmtheit gelangten ALPAC-Reports (Automatic Language Processing Advisory Committee 1966) vor fast 60 Jahren dem damaligen Leistungspotenzial der Ralph Krüger. 2026. Künstliche Intelligenz in Translation und Fachkommunikation: Skizze eines Kompetenzrahmens. In Oliver Czulo, Martin Kappus & Felix Hoberg (Hrsg.), Digitale Translatologie, 269–286. Berlin: Language Science Press. DOI: 10. 5281/zenodo.17523062 Ralph Krüger maschinellen Übersetzung (MÜ) ein ungenügendes Zeugnis ausstellten und die Verlagerung künftiger Forschungsbemühungen weg von der maschinellen Übersetzung und hin zur rechnergestützten Übersetzung empfahlen1, ist der Automatisierungsgrad des Übersetzungsprozesses sukzessive erhöht worden (vgl. den historischen Überblick in Chan 2023 sowie in diesem Buch in Kapitel 1). Die im ALPAC-Report noch geschmähte MÜ hat spätestens mit dem Siegeszug des Machine-Learning-Paradigmas in der Forschung zur Künstlichen Intelligenz Anfang/Mitte der 2010er Jahre in ihrer Ausprägung als neuronale maschinelle Übersetzung ein beachtliches Leistungsniveau erreicht und kann heute sicherlich mit gutem Recht als translatorische Leittechnologie bezeichnet werden. Ein Meilenstein in der NMÜund der breiteren KI-Forschung war die Entwicklung des Transformers (Vaswani u. a. 2017), einer speziellen Ausprägung eines neuronalen Netzes, die besonders gut für die Verarbeitung natürlicher Sprache geeignet ist. Der ursprünglich für die MÜ konzipierte Transformer bildete später auch die Architekturgrundlage für sogenannte Large Language Models (LLMs) wie beispielsweise die GPT-Modelle von OpenAI, die Claude-Modelle von Cohere oder die Gemini-Modelle von Google. LLMs verfügen über die Eigenschaft des „InContext Learning“ (Brown u. a. 2020: 3), d. h., sie können durch natürlichsprachliches Prompting mit zahlreichen sprachbezogenen Aufgaben über die maschinelle Übersetzung hinaus betraut werden. Dementsprechend werden diese Modelle – u. a. in der aktuellen KI-Gesetzgebung der Europäischen Union – auch als „general-purpose AI technologies“ (Madiega 2023: 1), zu Deutsch ‚MehrzweckKI-Technologien‘, bezeichnet. Bei aktuellen Modellen wie beispielsweise GPT-4o (vgl. OpenAI 2024) handelt es sich außerdem um multimodale LLMs (Zhang u. a. 2024), die neben Schriftsprache auch andere Modalitäten wie Bilder, Videos und Audiosignale verarbeiten können. Diese Funktionsvielfalt multimodaler LLMs hat zur Folge, dass eine große Zahl von Arbeitsgängen nicht nur im Übersetzen, sondern auch im verwandten translatorischen Arbeitsfeld des Dolmetschens und in der dem Übersetzen ebenfalls wesensverwandten technischen Redaktion (im Folgenden: Translation und Fachkommunikation) durch diese Modelle (teil- )automatisiert bzw. unterstützt werden können. Dies ist in Abbildung 1 exemplarisch dargestellt. In der Übersetzung können LLMs beispielsweise über die „klassische“ maschinelle Übersetzung hinaus mit Aufgaben im Bereich der Qualitätsbewertung, der Qualitätsoptimierung (Pre-/Post-Editing, maschinelles Lektorat), der Informati1„[T]here is no immediate or predictable prospect of useful machine translation. […] Machineaided translation may be an important avenue towards better, quicker, and cheaper translation.” Automatic Language Processing Advisory Committee (1966: 32). 270 16 Ein KI-Kompetenzrahmen für Translation und Fachkommunikation Abbildung 1: Spektrum der durch LLMs potenziell (teil-)automatisierbaren Arbeitsgänge in Translation und Fachkommunikation (CC BY-SA 4.0) onsrecherche/Terminologiearbeit oder womöglich auch im Bereich des Projektmanagements betraut werden. LLMs, die zur Verarbeitung mündlicher Sprache in der Lage sind, können außerdem potenziell zum maschinellen Dolmetschen eingesetzt werden, und die Fähigkeit generativer Sprachmodelle zur autonomen Textproduktion oder auch zur einsprachigen Texttransformation (z. B. Entwicklerdokumentation → Bedienungsanleitung) könnte in der technischen Redaktion genutzt werden.2Da moderne LLMs nicht nur natürliche Sprachen, sondern i. d. R. auch Formalsprachen (z. B. Programmiersprachen wie Python, Auszeichnungssprachen wie XML oder Textmuster wie reguläre Ausdrücke) beherrschen, können sie auch in diesem Bereich eine Unterstützung bieten, wenn beispielsweise im Übersetzen oder der technischen Redaktion reguläre Ausdrücke zur Identifizierung und ggf. Manipulation bestimmter Zeichenketten (E-Mail-Adressen, Telefonnummern, Maßeinheiten usw.) geschrieben werden müssen. Eine solche (Teil-)Automatisierung translatorischer/fachkommunikativer Arbeitsgänge kann aus einer Kompetenzperspektive unterschiedlich bewertet wer2Auch im Dolmetschen und der technischen Redaktion ist selbstverständlich eine LLMUnterstützung in den Bereichen Informationsrecherche/Terminologiearbeit, Qualitätsbewertung und (womöglich eher in der technischen Redaktion als im Dolmetschen) Qualitätsoptimierung möglich. 271 Ralph Krüger den. So nimmt Sandrini (2022: 51) in seinem Translatoren-Obsoleszenz-Zyklus Teilaufgaben des Übersetzungsprozesses in den Blick, die bei einer Erhöhung des Automatisierungsgrades von einem Computer übernommen werden können. Aufseiten menschlicher Übersetzer:innen werden diese Aufgaben damit obsolet, was womöglich entsprechende Kompetenzverluste mit sich bringt (so entfällt z. B. durch den Einsatz von Terminologiedatenbanken die Notwendigkeit der Memorisierung von Fachtermini und durch den Einsatz von MÜ-Systemen die Notwendigkeit der Anfertigung einer Rohübersetzung, vgl. ebd.). In einem ähnlichen Zusammenhang sprechen Schatsky & Schwartz (2015: 9) von möglichen Kompetenzverlusten („Deskilling“), die mit einem übermäßigen Technologieeinsatz verbunden sein können. Olohan (2017: 278) weist dagegen – wieder mit Blick auf das Übersetzen – darauf hin, dass mit einer Erhöhung des translatorischen Automatisierungsgrades auch ein „upskilling of translators“ einhergehen kann. Denn schließlich resultiert ein höherer Automatisierungsgrad häufig in einer höheren Komplexität der jeweiligen (teil-)automatisierten Prozesse, woraus wiederum neue prozessanalytische, prozessorganisatorische und technologische Kompetenzanforderungen erwachsen (vgl. hierzu auch Krüger 2018). Dieser Gedanke eines technologieinduzierten Upskillings soll in diesem Beitrag aufgegriffen und mit Blick auf die zuvor besprochenen LLMs weiter ausgearbeitet werden. Es könnte in diesem Zusammenhang argumentiert werden, dass diese Mehrzweck-KI-Technologien nur dann in adäquater Weise in Praxisworkflows integriert werden können und ihr Potenzial zur (Teil-)Automatisierung translatorischer/fachkommunikativer Arbeitsgänge nur dann voll ausgeschöpft werden kann, wenn die Nutzer:innen dieser Modelle über entsprechende Kompetenzen entlang mehrerer Dimensionen verfügen, wie dies in dem in Abschnitt 3 skizzierten Kompetenzrahmen abgebildet werden soll. Empirisch gestützt wird diese Annahme beispielsweise durch eine gemeinsame Umfrage von Slator und der Association of Language Companies aus dem Jahr 2023, bei der 34 % der befragten Sprachdienstleister KI und Big Data als die wichtigsten Kompetenzfelder der kommenden Jahre nannten (vgl. Edwards 2023). 2 MT Literacy, Data Literacy und AI Literacy und ihre Schnittstellen Aus dem Blickwinkel Upskilling als Reaktion auf Automatisierung sind in der Translationswissenschaft in den letzten Jahren insbesondere drei Bündel von Digitalkompetenzen diskutiert worden, die mit Blick auf das Erkenntnisinteresse 272 16 Ein KI-Kompetenzrahmen für Translation und Fachkommunikation des aktuellen Beitrags von besonderer Relevanz sind. Diese drei Kompetenzbündel und ihre Schnittstellen sind in Abbildung 2 dargestellt. AI Literacy MT Literacy Data Literacy Schnittstelle korpusbasierte MÜ Schnittstelle Large Language Models Schnittstelle Machine Learning Abbildung 2: MT Literacy, Data Literacy und AI Literacy sowie deren Schnittstellen (CC BY-SA 4.0) In Zusammenhang mit der zunehmenden Relevanz der maschinellen Übersetzung sowohl in der Sprachindustrie als auch in der breiteren Gesellschaft haben Bowker & Ciro (2019) den Begriff der Machine Translation Literacy geprägt (siehe hierzu auch Kapitel 14), der von Ehrensberger-Dow u. a. (2023: 146) definiert wird als „knowing how MT works, how it can be useful in a particular context, and what the implications are of using MT for specific communicative needs“. Mit Blick auf das professionelle Fachübersetzen habe ich darauf aufbauend den Begriff der Professional MT Literacy vorgeschlagen. Dieser beschreibt “the full range of MT-related competences professional translators (and other language professionals) may require in order to participate successfully in the various phases of the MT-assisted professional translation process” (Krüger & Hackenbuchner 2022: 249). Der zweite im aktuellen Zusammenhang relevante Begriff ist der der Data Literacy, definiert als „the ability to collect, manage, evaluate, and apply data, in a critical manner“ (Ridsdale u. a. 2015: 11). Die Schnittstelle zwischen MT und Data Literacy bildet die korpusbasierte maschinelle Übersetzung, insbesondere in ihrer Ausprägung als NMÜ, die nicht, wie frühe regelbasierte MÜSysteme, mit explizitem linguistischen Wissen operiert, sondern mit umfangreichen Übersetzungskorpora trainiert wird und aus ihren Trainingsdaten eigene Repräsentationen und Übersetzungsmuster erlernt (Representation Learning im Rahmen des Machine-Learning-Paradigmas). Die Schnittstelle zwischen MT Literacy und Data Literacy wurde ausführlich in dem Projekt DataLitMT bearbeitet, in dessen Rahmen Lerninhalte zur Vermittlung von Datenkompetenzen im Kontext der NMÜ entwickelt wurden (vgl. Krüger 2023a, Hackenbuchner & Krüger 273 Ralph Krüger spektive bilden Mensch und KI im Zusammenspiel einen handelnden Agenten, wobei der Mensch in dieser Konfiguration als autonomer Part die Supervision des nicht-autonomen KI-Parts übernimmt (vgl. ebd.). 3.4 Implementierung In dieser Dimension wird die Integration von KI-Technologien in Praxisworkflows in Translation und Fachkommunikation modelliert. Diese Dimension ist stark von dem DataLitMT Framework und dem Professional Machine Translation Literacy Framework (und hier insbesondere von der Dimension Economic MT literacy) inspiriert. So nimmt beispielsweise die erste Teildimension Aufbau einer KI-Kultur Anleihen bei der Teildimension Establishing a data culture des DataLitMT Frameworks. Es geht hierbei um die Bildung eines grundsätzlichen Bewusstseins dafür, dass in einem gegebenen Anwendungskontext bestimmte Aufgaben gestützt durch Daten/KI-Modelle bearbeitet werden können, sowie um die Schaffung entsprechender Rahmenbedingungen (z. B. Entwicklung von Leitlinien/Schulungen zum Einsatz von KI-Modellen in Unternehmenskontexten). Die Auswahl konkreter KI-Anbieter/Modelle sowie die Prozessgestaltung stehen in Wechselwirkung zu den Überlegungen bezüglich des Funktionsumfangs und des aufgabenspezifischen Leistungsniveaus aktueller KI-Technologien sowie der erforderlichen menschlichen Mehrwerte (vgl. Abschnitt 3.2). Diese Prozessgestaltung hat nicht nur eine technische, sondern auch eine ergonomische und eine soziotechnische Dimension, die beispielsweise in der Translationswissenschaft mit Blick auf die maschinelle Übersetzung und andere Translationstechnologien bereits umfassend reflektiert wurde (vgl. exemplarisch Ehrensberger-Dow & Massey 2017). Zur Qualitätskontrolle und -sicherung in KI-gestützten Produktionsprozessen liegen in der Translationswissenschaft ebenfalls umfangreiche Befunde vor, wieder mit primärem Fokus auf der MÜ (vgl. die Teildimensionen Automatic MT quality evaluation/estimation und Manual MT quality evaluation im Professional MT Literacy Framework). Gleiches gilt für die Aufwandsermittlung/Preisberechnung in KI-gestützten Produktionsprozessen (vgl. die Teildimensionen Effort estimation/measurement in MTPE und Price calculation in MTPE im selben Framework). Im Kontext der Praxisimplementierung von KI-Technologien sind außerdem entsprechende Risiken zu berücksichtigen, die sich primär in die Felder Katastrophale Inhaltsfehler,Urheberrecht und Datensicherheit unterteilen lassen. Auch hier können wieder entsprechende translationswissenschaftliche Befunde zur maschinellen Übersetzung (vgl. exemplarisch Canfora & Ottmann 2020) für eine breitere KI-Risikobetrachtung fruchtbar gemacht werden. Für die 280 16 Ein KI-Kompetenzrahmen für Translation und Fachkommunikation rechtskonforme Implementierung von KI-Technologien sind außerdem Kenntnisse maßgeblicher KI-Rechtsrahmen relevant, beispielsweise der jüngst von der Europäischen Union verabschiedeten KI-Verordnung (vgl. EU-Parlament 2024). 3.5 Ethische/Gesellschaftliche Aspekte Die letzte Dimension des hier skizzierten Kompetenzrahmens befasst sich mit ethischen/gesellschaftlichen Aspekten und schlägt eine Brücke von domänenspezifischen KI-Kompetenzen (wie diese hier für den Bereich Translation und Fachkommunikation besprochen werden) zu einer breiteren gesamtgesellschaftlichen AI Literacy. Eine KI-induzierte soziale Potenzierung oder Depotenzierung kann beispielsweise anhand des Bourdieu’schen Begriffsinstrumentariums analysiert werden. So gibt es in der Translationswissenschaft Analysen dazu, wie menschliche Übersetzer:innen durch die maschinelle Übersetzung unter Preisdruck gesetzt und gleichzeitig deren Expertenkompetenzen durch diese Technologie delegitimiert werden können, was eine Reduzierung von deren ökonomischen und sozialen Kapital zur Folge haben kann (vgl. exemplarisch Moorkens 2022). Gesellschaftlich relevant ist ebenfalls die Möglichkeit zur Generierung toxischer Outputs unterschiedlicher Art durch LLMs, wenn beispielsweise das Alignment dieser Modelle durch sog. Jailbreak Prompting (vgl. Yong u. a. 2023) unterlaufen wird. Dabei handelt es sich um speziell formulierte Prompts, mit denen gezielt die integrierten Sicherheitsmechanismen von LLMs umgangen werden können. Gleiches gilt für das Manipulationspotenzial dieser Technologien, das aus deren Fähigkeit zur täuschend echten Imitation menschlicher Texte und inzwischen auch menschlicher Stimmen und Gesichter erwächst. In Translation und Fachkommunikation wäre eine solche Manipulation beispielsweise im Rahmen der Auftragsakquise/-vergabe oder des allgemeinen Projektmanagements denkbar und könnte durch eine entsprechende Pflicht zur Kennzeichnung KIgenerierter Inhalte unterbunden werden (vgl. Abschnitt 3.1). Bei dem Aspekt der epistemischen Gewalt und/oder Verzerrung und der Reproduktion von sozialem Bias geht es um das Risiko der Fehldarstellung gesellschaftlicher Realitäten durch KI-Modelle aufgrund von entsprechenden Verzerrungen in deren Trainingsdaten (vgl. exemplarisch Vanmassenhove 2024 zu Gender Bias in maschineller Übersetzung und LLMs). Aus ethischer/gesellschaftlicher Perspektive bedarf es ebenfalls eines Bewusstseins für das materielle und das immaterielle Substrat aktueller KITechnologien sowie für die mit der Nutzung dieser Technologien verbundenen potenziellen sozialen und ökologischen Folgekosten (vgl. die umfangreiche populärwissenschaftliche Darstellung in Crawford 2021). Und schließlich ist aus einer 281 Ralph Krüger ethischen und einer gesellschaftlichen Perspektive auch die Fähigkeit zur Durchführung einer domänenspezifischen oder gesamtgesellschaftlichen Technikfolgenabschätzung im Hinblick auf aktuelle KI-Technologien relevant. Es kann sicherlich mit gewissem Recht behauptet werden, dass die Translationswissenschaft angesichts ihrer inhärenten Interdisziplinarität sowie ihrer umfangreichen Vorerfahrung mit MÜ-induzierten Automatisierungsprozessen hierfür als geeigneter Impulsgeber fungieren könnte. 4 Fazit und Ausblick In diesem Beitrag habe ich die aus leistungsstarken Mehrzweck-KI-Technologien wie multimodalen LLMs erwachsenden neuen Automatisierungspotenziale in Translation und Fachkommunikation diskutiert und aus einer UpskillingPerspektive heraus eine Reihe von domänenspezifischen KI-Kompetenzen skizziert, die aufseiten von translatorischen/fachkommunikativen AI-Experts in the Loop angesichts dieser Automatisierungspotenziale womöglich künftig erforderlich werden. In einem nächsten Schritt sind für die hier vorgeschlagenen Kompetenzen geeignete Kompetenzstufen zu definieren und entsprechende Kompetenzdeskriptoren zu formulieren, wie dies beispielsweise im Rahmen von DataLitMT in Form einer entsprechenden Kompetenzmatrix getan wurde (vgl. Krüger 2023a: 289-290). Auch sind – ebenfalls analog zu DataLitMT – Überlegungen zur didaktischen Operationalisierung des hier skizzierten Kompetenzrahmens anzustellen, damit Studierende und weitere Akteure aus Translation und Fachkommunikation die vorgeschlagenen (und womöglich noch weitere) Kompetenzen – wahrscheinlich in unterschiedlicher Kombination und auf unterschiedlichen Niveaus – erwerben können. Einen geeigneten Rahmen für eine solche didaktische Operationalisierung könnte beispielsweise das internationale Erasmus+-Konsortium LT-LiDER: Language and Translation – Literacy in Digital Environments and Resources11 unter Leitung der Universitat Autònoma de Barcelona bilden. Ein Ziel dieses Konsortiums ist die Entwicklung digitaler Lehrinhalte zur Vermittlung allgemeiner Digitalkompetenzen und spezifischer KI-Kompetenzen in translatorischen Kontexten. Mit dieser und weiteren Initiativen wird für den Bereich Translation und Fachkommunikation der in Abschnitt 2 geäußerten Annahme Rechnung getragen, dass eine adäquate AI Literacy womöglich zu den wichtigsten Kompetenzbündeln des 21. Jahrhunderts gehören wird. 11http://lt-lider.eu/ 282 16 Ein KI-Kompetenzrahmen für Translation und Fachkommunikation Literatur Automatic Language Processing Advisory Committee. 1966. Languages and machines. Computers in translation and linguistics. Techn. Ber. Washington, D.C.: National Research Council. Bowker, Lynne & Jairo Buitrago Ciro. 2019. Towards a framework for machine translation literacy. In Machine translation and global research: Towards improved machine translation literacy in the scholarly community, 87–95. Emerald Publishing Limited. Brown, Tom, Benjamin Mann, Nick Ryder, Melanie Subbiah, Jared D Kaplan, Prafulla Dhariwal, Arvind Neelakantan, Pranav Shyam, Girish Sastry, Amanda Askell, Sandhini Agarwal, Ariel Herbert-Voss, Gretchen Krueger, Tom Henighan, Rewon Child, Aditya Ramesh, Daniel Ziegler, Jeffrey Wu, Clemens Winter, Chris Hesse, Mark Chen, Eric Sigler, Mateusz Litwin, Scott Gray, Benjamin Chess, Jack Clark, Christopher Berner, Sam McCandlish, Alec Radford, Ilya Sutskever & Dario Amodei. 2020. Language models are fewshot learners. In Advances in Neural Information Processing Systems, 1877– 1901. Curran Associates, Inc. https : / / papers . nips . cc / paper / 2020 / hash / 1457c0d6bfcb4967418bfb8ac142f64a-Abstract.html (27 Mai, 2024). Canfora, Carmen & Angelika Ottmann. 2020. Risks in neural machine translation. Translation Spaces 9(1). 58–77. DOI: 10.1075/ts.00021.can. Chan, Sin-Wai. 2023. The development of translation technology 1967–2023. In Sin-Wai Chan (Hrsg.), The Routledge encyclopedia of translation technology, 3– 41. London: Routledge. Crawford, Kate. 2021. Atlas of AI. Power, politics, and the planetary costs of artificial intelligence. New Haven: Yale University Press. Daems, Joke, Sonia Vandepitte, Robert J. Hartsuiker & Lieve Macken. 2017. Translation methods and experience: A comparative analysis of human translation and post-editing with students and professional translators. Meta 62(2). 245– 270. DOI: 10.7202/1041023ar. Edwards, Alex. 2023. Customer service and AI-expertise top list of key employee skills, ALC survey finds. https://slator.com/customer-service-ai-expertise-toplist-of-key-employee-skills-alc-survey-finds/ (27 Mai, 2024). Ehrensberger-Dow, Maureen, Alice Delorme Benites & Caroline Lehr. 2023. A new role for translators and trainers: MT literacy consultants. The Interpreter and Translator Trainer 17(3). 393–411. DOI: 10.1080/1750399X.2023.2237328. Ehrensberger-Dow, Maureen & Gary Massey. 2017. Socio-technical issues in professional translation practice. Translation Spaces 6(1). 104–121. DOI: 10.1075/ts. 6.1.06ehr. 283 Ralph Krüger Greenfield, Adam. 2006. Everyware: The dawning age of ubiquitous computing. Berkeley: New Riders. Gu, Albert & Tri Dao. 2023. Mamba: Linear-Time Sequence Modeling with Selective State Spaces.DOI: 10.48550/ARXIV.2312.00752. Hackenbuchner, Janiça & Ralph Krüger. 2023. DataLitMT – Teaching data literacy in the context of machine translation literacy. In Mary Nurminen, Judith Brenner, Maarit Koponen, Sirkku Latomaa, Mikhail Mikhailov, Frederike Schierl, Tharindu Ranasinghe, Eva Vanmassenhove, Sergi Alvarez Vidal, Nora Aranberri, Mara Nunziatini, Carla Parra Escartín, Mikel Forcada, Maja Popović, Carolina Scarton & Helena Moniz (Hrsg.), Proceedings of the 24th Annual Conference of the European Association for Machine Translation, 285– 293. Tampere, Finland: European Association for Machine Translation. https: //aclanthology.org/2023.eamt-1.28 (27 Mai, 2024). Kenny, Dorothy. 2019. Machine translation. In Piers Rawling & Philip Wilson (Hrsg.), The Routledge handbook of translation and philosophy. London/New York: Routledge. Krüger, Ralph. 2018. Technologieinduzierte Verschiebungen in der Tektonik der Translationskompetenz. trans-kom 11(1). 104–137. http://www.trans-kom.eu/ bd11nr01/trans-kom_11_01_06_Krueger_Tektonik.20180712.pdf. Krüger, Ralph. 2023a. Artificial intelligence literacy for the language industry – with particular emphasis on recent large language models such as GPT-4. Lebende Sprachen 68(2). 283–330. DOI: 10.1515/les-2023-0024. (27 Mai, 2024). Krüger, Ralph. 2023b. Some reflections on the interface between professional machine translation literacy and data literacy. Journal of Data Mining & Digital Humanities Towards robotic translation?(IV. Challenges for professional translation). DOI: 10.46298/jdmdh.9045. Krüger, Ralph & Janiça Hackenbuchner. 2022. Outline of a didactic framework for combined data literacy and machine translation literacy teaching. Current Trends in Translation Teaching and Learning E. 375–432. DOI: 10.51287/ cttl202211. Long, Duri & Brian Magerko. 2020. What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–16. Honolulu, USA: ACM. DOI: 10.1145/3313831.3376727. Madiega, Tambiama and European Parliamentary Research Service. 2023. Generative AI and Watermarking. Techn. Ber. Moorkens, Joss. 2022. Ethics and machine translation. In Dorothy Kenny (Hrsg.), Machine translation for everyone: Empowering users in the age of artificial intelligence (Translation and Multilingual Natural Language Processing 18), 121– 140. Berlin: Language Science Press. DOI: 10.5281/zenodo.6653406. 284 16 Ein KI-Kompetenzrahmen für Translation und Fachkommunikation Ng, Davy Tsz Kit, Jac Ka Lok Leung, Samuel Kai Wah Chu & Maggie Shen Qiao. 2021. Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence 2. 100041. DOI: 10.1016/j.caeai.2021.100041. Olohan, Maeve. 2017. Technology, translation and society: A constructivist, critical theory approach. Target. International Journal of Translation Studies 29(2). 264–283. DOI: 10.1075/target.29.2.04olo. OpenAI. 2024. Hello GPT-4o. https://openai.com/index/hello-gpt-4o/ (27 Mai, 2024). EU-Parlament. 2024. Legislative Entschließung des Europäischen Parlaments vom 24. April 2024 zu dem Vorschlag über eine Richtlinie des Europäischen Parlaments und des Rates zur Verbesserung der Arbeitsbedingungen in der Plattformarbeit. Techn. Ber. https://op.europa.eu/de/publication-detail/-/publication/ 59524ac4-055c-11ef-a251-01aa75ed71a1/language-de. Ridsdale, Chantel, James Rothwell, Michael Smit, Hossam Ali-Hassan, Michael Bliemel, Dean Irvine, Daniel Kelley, Stan Matwin & Bradley Wuetherick. 2015. Strategies and best practices for data literacy education: Knowledge synthesis report. Technical report. DOI: 10.13140/RG.2.1.1922.5044. Sandrini, Peter. 2022. It’s the economy, stupid: Discussing the translator’s business against the background of a changing techno-economic landscape. Translation Matters 4(2). 49–62. DOI: 10.21747/21844585/tm4_2a4. Schaeffer, Moritz & Michael Carl. 2016. Language processing and Translation: Translation and non-translational language use. Translation: Corpora, Computation, Cognition. Schatsky, David & Jeff Schwartz. 2015. Redesigning work in an era of cognitive technologies. Deloitte Review (17). https://www2.deloitte.com/content/dam/ insights/us/articles/workredesignandcognitivetechnology/DUP1203_ DR17_RedesigningWorkCognitiveTechnologies.pdf. Slator. 2022. Slator machine translation expert-in-the-loop report. https://slator. com/machine-translation-expert-in-the-loop-report/ (27 Mai, 2024). Van Lier, Maud. 2023. Understanding large language models through the lens of artificial agency. In 35th Annual Workshop of the Swedish Artificial Intelligence Society SAIS 2023, 79–84. DOI: 10.3384/ecp199008. Vanmassenhove, Eva. 2024. Gender bias in machine translation and the era of large language models. Version Number: 1. DOI: 10.48550/ARXIV.2401.10016. Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Łukasz Kaiser & Illia Polosukhin. 2017. Attention is All you Need. In Advances in Neural Information Processing Systems, Bd. 30. Curran Associates, Inc. https://proceedings.neurips.cc/paper_files/paper/2017/file/ 3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf. 285 Ralph Krüger Yong, Zheng-Xin, Cristina Menghini & Stephen H. Bach. 2023. Low-resource languages jailbreak GPT-4. Version Number: 2. DOI: 10.48550/ARXIV.2310.02446. Zhang, Duzhen, Yahan Yu, Chenxing Li, Jiahua Dong, Dan Su, Chenhui Chu & Dong Yu. 2024. MM-LLMs: Recent advances in multimodal large language models. Version Number: 4. DOI: 10.48550/ARXIV.2401.13601. 286 Autorenregister Adhikari, Megharaj, 218 Agnetta, Marco, 200 Al Sharou, Khetam, 186 Albarino, Seyma, 189 Allianz, 181, 183, 185, 186, 189 Alm, Antonie, 248 Aloatti, Sara, 247 Alonso, Elisa, 186 Álvarez-Pérez, Beneharo, 19 Alvarez-Vidal, Sergi, 18–21 Arnold, Doug, 80 Asscher, Omri, 24 Automatic Language Processing Advisory Committee, 50, 68, 269, 270 Bafin, 185, 186 Baker, Mona, 36–38 Baños, Rocío, 205 Bar-Hillel, Yehoshua, 68 Barbu, Eduard, 170 Baroni, Marco, 38 Bassnett, Susan, 70 Batini, Carlo, 156 Bawden, Rachel, 90 Bayer-Hohenwarter, Gerit, 219, 224, 229 Becher, Johann Joachim, 11–13 Bedürftig, Thomas, 9 Behrens, Alexander, 116, 124 Bel’skaya, Izabella Kuz’minichna, 69 Bentivogli, Luisa, 204 Bernardini, Silvia, 38, 83, 101 Berthele, Raphael, 246 Beste, Kai, 117 Biagini, Giulio, 143 Bianchi, Federico, 191 Biber, Douglas, 36 Bizzoni, Yuri, 38 Bolaños-García-Escribano, Alejandro, 205 Bond, Francis, 173 Bowker, Lynne, 24, 111, 132, 184, 185, 242–245, 252, 253, 273 Braun, Sabine, 131 Breger, Herbert, 9 Brezina, Vaclav, 134 Briva-Iglesias, Vicent, 21 Brockmann, Daniel, 61 Brown, Tom, 270 Buitrago Ciro, Jairo, 24 Burchardt, Aljoscha, 208 Buts, Jan, 244 Cadwell, Patrick, 20, 21 Calvo-Ferrer, José Ramón, 209 Canfora, Carmen, 107, 183, 184, 252, 280 Cao, Ying, 25 Carl, Michael, 19, 20, 279 Carré, Alice, 246, 248 Castilho, Sheila, 94, 242 Catford, John C., 70 Chan, Sin-Wai, 50, 163, 270 Autorenregister Chang, Chia-chien, 22 Chaume, Frederic, 205 Chen, Sijia, 132, 136–139, 142–144 Chesterman, Andrew, 37 Chmiel, Agnieszka, 139, 140, 142, 144 Ciro, Jairo Buitrago, 185, 273 Colicchia, Claudia, 183, 185 Cotelli Kureth, Sara, 246 Council of Europe, 247 Crawford, Kate, 281 Čulo, Oliver, 39 Daems, Joke, 18, 19, 279 Dao, Tri, 277 De los Reyes Lozano, Julio, 202, 203 de Saussure, Ferdinand, 68 De Sutter, Gert, 39 De Wille, Tabea, 201 DeepL, 221 Defrancq, Bart, 20, 23, 136, 138–140, 144, 145 Deilen, Silvana, 94, 266 Delfani, Jaleh, 186 Delorme Benites, Alice, 247 Desmet, Bart, 20, 139, 144 Díaz-Cintas, Jorge, 200, 205, 208 Dillon, Sarah, 20, 21 Do Carmo, Félix, 108 Doherty, Stephen, 250 Du, Zhiqiang, 139–141, 143, 144 Duda, Justine, 7 Dunne, Elena S., 183 DuPont, Quinn, 4, 6, 7 Durach, Christian F, 185 Edunov, Sergey, 173 Edwards, Alex, 272 Ehrensberger-Dow, Maureen, 185, 242, 249, 251, 253, 273, 280 Esselink, Bert, 128 Etchegoyhen, Thierry, 202 EU-Parlament, 184, 187, 281 Evert, Stefan, 38 Fan, Damien Chiaming, 23 Fantinuoli, Claudio, 20, 23, 25, 132– 134, 136, 138, 139, 144, 145 Federico, Marcello, 205 Fırat, Gökhan, 186 Flis, Gabriela, 201 Fraser, Janet, 20, 21 Fresno, Nazaret, 204 Frittella, Francesca Maria, 20, 23, 138, 139, 142–144 Fry, Deborah, 115, 116 Galati, Gabriele, 83, 101 Gao, Yuan, 222 Garcia, Ignacio, 51 Gellerstam, Martin, 38 Georgakopoulou, Panayota, 201, 203, 204 Gieshoff, Anne Catherine, 23, 139, 140, 144, 145 Gile, Daniel, 20, 135 Glikson, Ella, 24 Goldfarb, Charles F., 120 González Pastor, Diana, 251 Göpferich, Susanne, 116 Granell, Ximo, 205 Granger, Sylviane, 40 Greenfield, Adam, 274 Gromann, Dagmar, 244 Gu, Albert, 277 Guerberof Arenas, Ana, 18, 20, 21 Guerberof-Arenas, Ana, 219, 224, 229, 234 Guo, Meng, 20 288 Autorenregister Hackenbuchner, Janiça, 232, 233, 250, 273–275 Hadley, James, 218 Hagström, Hanna, 204 Han, Chao, 138 Hansen-Schirra, Silvia, 105, 109, 110, 136, 209, 260, 262 Hanson, Thomas A., 144 Hao, Yu, 134 Hart, Sandra G., 139 He, He, 38 He, Sui, 223, 229 Heimgärtner, Rüdiger, 121 Hendy, Amr, 92, 94, 222 Hennig, Jörg, 55 Hern, Alex, 243 Hill, Matthew, 233 Hiraoka, Yusuke, 208 Hochfeld, Katharina, 189 Holmes, James S., 36 Holz-Mänttäri, Justa, 35 House, Juliane, 42 Hutchins, John, 12, 50, 66, 68, 241 Hutchins, John W., 51 Illich, Chusslove, 124 Imamura, Kenji, 173 Jaki, Sylvia, 200, 202, 206–209 Jankowska, Anna, 206 Jiao, Wenxiang, 93, 223 Jüngst, Heike Elisabeth, 200 Kaindl, Klaus, 207 Kajzer-Wietrzny, Marta, 38 Kalina, Sylvia, 134, 135 Kasperė, Ramunė, 24 Kenny, Dorothy, 250, 277 Kerremans, Koen, 18 Khayrallah, Huda, 168 Kilgarriff, Adam, 134 Kissinger, Henry, 220 Klimova, Blanka, 248 Kluge, Bettina, 201, 203 Koehn, Philipp, 24, 80, 168 Koetsier, Teun, 66 Kolb, Waltraud, 218, 219, 231, 234 Konovalova, Aleksandra, 39 Konttinen, Kalle, 262 Koponen, Maarit, 183 Krollmann, Friedrich, 51 Kruger, Jan-Louis, 132, 136–139, 142– 144 Krüger, Ralph, 78, 91, 92, 176, 185, 232, 233, 250, 251, 272–275, 279, 282 Kuhn, Tobias, 78 Kumar, Sachin, 243 Kunilovskaya, Maria, 38 Künzli, Alexander, 205–207 Kurch, Alexander, 202, 204, 208 Kwon, Ik-Whan G., 186 Lakew, Surafel Melaku, 203 Lange, Elke, 242 Lapshinova-Koltunski, Ekaterina, 38, 203 Lardelli, Manuel, 244 Läubli, Samuel, 21, 81, 207 Laugwitz, Bettina, 139 LeBlanc, Matthieu, 19, 20 Lee, Kanghee, 24 Lee, Namhee, 24 Lee, Tong King, 95, 221, 223 Lehr, Caroline, 247 Leibniz, Gottfried Wilhelm, 7, 9 Lejosne, Arnaud, 51 Lemnitzer, Lothar, 36, 39 289