Künstliche Intelligenz in Translation und Fachkommunikation: Skizze eines Kompetenzrahmens

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 towardsbetter, 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 2023).3Das dritte im aktuellen Kontext relevante Kompetenzbündel firmiert unter dem Namen Artificial Intelligence Literacy und wird von Long & Magerko (2020: 1) definiert als „a set of competencies that enables individuals to critically evaluate AI technologies; communicate and collaborate effectively with AI; and use AI as a tool online, at home, and in the workplace.“ Angesichts der Ubiquität leistungsstarker KI-Technologien in modernen Gesellschaften (KI als „Everyware“, Greenfield 2006) sind zunehmend Stimmen zu vernehmen, laut denen AI Literacy neben traditionellen Lese-, Schreibund Rechenkompetenzen sowie allgemeinen Digitalkompetenzen zu den wichtigsten Kompetenzbündeln des 21. Jahrhunderts gehört (vgl. Ng u. a. 2021: 9). Die Schnittstelle zwischen AI Literacy und Data Literacy bildet das bereits angesprochene Machine-Learning-Paradigma innerhalb der übergeordneten KI-Forschung, in dessen Rahmen neuronale Netze mit umfangreichen Trainingsdatenbeständen trainiert werden und aus diesen Trainingsdaten Repräsentationen und Muster erlernen (vgl. die Erläuterungen zur korpusbasierten MÜ als spezifischer Ausprägung eines Machine-LearningSystems). Diese untrennbare Verflechtung von Algorithmen und Daten in modernen KI-Technologien hat damit auch eine entsprechende Verflechtung von Data Literacy und AI Literacy zur Folge. Die Schnittstelle zwischen AI Literacy und MT Literacy bilden die bereits besprochenen LLMs, die aus der NMÜ-Forschung hervorgegangen sind und auf einem ähnlichen Funktionsprinzip wie die NMÜ beruhen (mit dem Transformer als gemeinsamer Architekturgrundlage). Angesichts dieser Genealogie kann bei der theoretischen Ausarbeitung und didaktischen Operationalisierung einer translatorischen/fachkommunikativen AI Literacy auf Vorarbeiten zu einer Professional MT Literacy und einer MÜ-spezifischen Data Literacy zurückgegriffen werden (vgl. die Diskussion im nachstehenden Abschnitt). 3 Skizze eines KI-Kompetenzrahmens für Translation und Fachkommunikation Der nachstehend skizzierte KI-Kompetenzrahmen für Translation und Fachkommunikation basiert in Teilen auf drei bestehenden Kompetenzrahmen: 1) dem im Kontext von DataLitMT entwickelten Professional MT Literacy Framework (vgl. Krüger & Hackenbuchner 2022) , 2) dem DataLitMT Framework (einem in demselben Projekt entwickelten MÜ-spezifischen Data Literacy Framework, vgl. ebd.) und 3) dem AI Literacy Framework von Long & Magerko (2020). Im Professio3Projektergebnisse von DataLitMT: https://itmk.github.io/The-DataLitMT-Project/ (24.04.2024) 274 16 Ein KI-Kompetenzrahmen für Translation und Fachkommunikation nal MT Literacy Framework werden die im professionellen Fachübersetzen erforderlichen MÜ-Kompetenzen auf fünf Dimensionen verteilt (technical MT literacy,linguistic MT literacy,economic MT literacy,societal MT literacy und cognitive MT literacy), die jeweils in weitere Teildimensionen aufgefächert sind. Das DataLitMT Framework modelliert den Datenlebenszyklus innerhalb eines MÜ-Projektes und ist in die fünf Dimensionen Data context,Data planning,Data collection/production,Data evaluation und Data use unterteilt (jeweils wieder in weitere Teildimensionen aufgefächert). Bei dem AI Literacy Framework von Long & Magerko (2020) handelt es sich um einen generischen, sprich nicht domänenspezifischen, Kompetenzrahmen, der entlang der fünf Fragen What is AI?, What can AI do?,How does AI work?,How should AI be used? und How do people perceive AI? strukturiert ist.4Der auf Grundlage dieser konzeptuellen Vorläufer entwickelte KI-Kompetenzrahmen für Translation und Fachkommunikation in seiner Entwurfsfassung ist in Abbildung 3 dargestellt. Im Folgenden werden die fünf Dimensionen des Kompetenzrahmens genauer besprochen und dabei einzelne Teilkompetenzen exemplarisch fokussiert. 3.1 Technische Grundlagen Die erste Dimension des skizzierten Kompetenzrahmens befasst sich mit den technischen Grundlagen moderner KI-Verfahren. Hierunter fallen grundlegende Kenntnisse der Funktionsweise aktueller KI-Technologien sowie des Trainings dieser Technologien, ein Bewusstsein für die Verflechtung von KI-Modellen und deren Trainingsdaten (wodurch gleichzeitig die Anschlussfähigkeit des Kompetenzrahmens an einschlägige Datenkompetenzrahmen hergestellt wird) sowie Kenntnisse der Funktionsweise und der Notwendigkeit der Kennzeichnung KIgenerierter Inhalte.5In der Translationswissenschaft werden Forderungen nach technischen Grundkenntnissen im Bereich moderner Translationstechnologien (speziell der NMÜ) häufig mit dem Empowerment von Übersetzer:innen begründet, das mitunter eingeschränkt ist, wenn diese Übersetzer:innen die Funktionsweise solcher Technologien aufgrund von deren „Blackbox“-Charakter nicht 4Das Professional MT Literacy Framework und das DataLitMT Framework sowie die Schnittstelle zwischen diesen beiden Kompetenzrahmen werden in Krüger & Hackenbuchner (2022) im Detail beschrieben. Das AI Literacy Framework von Long & Magerko (2020) sowie die Schnittstelle zwischen diesem und den beiden vorgenannten Kompetenzrahmen werden in Krüger (2023a) eingehend besprochen. 5Eine solche Kennzeichnung ist insbesondere im Kontext des modernen KI-Technologien innewohnenden Manipulationspotenzials zu sehen, das in dem skizzierten Kompetenzrahmen unter Ethische/gesellschaftliche Aspekte (vgl. Abschnitt 3.5) aufgeführt ist. 275 Ralph Krüger Transformer/Attention Embeddings AI Literacy für Translation/Fachkommunikation 1 Technische Grundlagen 2 Domänenspezifische Performanz 3 Interaktion 4 Implementierung 5 Ethische/Gesellschaftliche Aspekte Funktionsweise Künstliche Neuronale Netze Training Trainingspipeline Fine-Tuning/Alignment Natürliche vs. synthetische Trainingsdaten Verflechtung KI-Modelle u. Trainingsdaten Kennzeichnung KI-generierter Inhalte ... Funktionsumfang Aufgabenspezifisches Leistungsniveau Ermittlung menschlicher Mehrwerte Ein-/Ausgabemodalitäten Text Ton Bilder Videos ... Künftige Potenziale Maschinelle Zirkularitäten ... Interaktionsmodalitäten Schriftlich Mündlich Weitere (Blicke/Gesten/...) KI-spezifisches Pre-/Post-Editing Prompting Iterativ-dialogisch Strukturiert (Prompt Engineering/Management) Kognitionsebene Verschiebungen textrezeptive/ -produktive Kompetenzen Kognitive Effekte in hybridem Mensch-KI-System Intelligenz-Augmentation Kognitive Entlastung Kreative Impulse 'Intelligenzhemmung' Stagnation Kompetenzentwicklung Kompetenzverluste (Deskilling) KI-Priming Adaptive Expertise Makrostrategiebildung (situativ/dynamisch) Handlungsebene/Wirkpotenziale Menschliche vs. maschinelle vs. kollaborative Agency ... Aufbau KI-Kultur Auswahl KI-Anbieter/Modell Prozessgestaltung Allgemeiner Automatisierungsgrad Implementierung in Produktionsnetzwerk Ergonomie soziotechnisches System Qualitätskontrolle/-sicherung in KI-gestützten Produktionsprozessen Ökonomische Aspekte Aufwandsermittlung in KI-gestützten Produktionsprozessen Preisberechnung in KI-gestützten Produktionsprozessen Realistische Produktivitätsgewinne KI-Risiken (einschl. Haftungsrisiken) Katastrophale Inhaltsfehler Urheberrecht Datensicherheit KI-Rechtsrahmen ... KI-induzierte soziale (De)Potenzierung Ökonomisches Kapital Sozialkapital Inkorporiertes Kulturkapital Translatorischer/Fachkommunikativer Habitus Generierung toxischer Outputs Manipulationspotenzial Epistemische Gewalt/Verzerrung u. Reproduktion von sozialem Bias Materielles/Immaterielles KI-Substrat Ökonomisches Kapital Arbeitskraft (physisch/kognitiv) Rohstoffe (physisch/digital) Stromverbrauch Technikfolgenabschätzung ... Abbildung 3: Skizze eines KI-Kompetenzrahmens für Translation und Fachkommunikation (CC BY-SA 4.0) 276 16 Ein KI-Kompetenzrahmen für Translation und Fachkommunikation nachvollziehen können.6Dieser Befund gilt sicherlich auch für MehrzweckKI-Technologien wie LLMs sowie für die verwandten Berufsbilder des Dolmetschens und der technischen Redaktion. An dieser Stelle wird allerdings auch direkt ersichtlich, dass der hier skizzierte Kompetenzrahmen in seiner aktuellen Form lediglich eine Momentaufnahme der sehr dynamischen KI-Landschaft darstellt und möglicherweise schon bald an neue Entwicklungen in diesem Bereich angepasst werden muss. So wird hier beispielsweise der Transformer als aktuelle State-of-the-Art-Architektur im KI-Bereich aufgeführt. Allerdings werden derzeit auch alternative Modellarchitekturen (z. B. sog. „State Space Models“ wie Mamba, vgl. Gu & Dao 2023) erforscht, die dem Transformer in Zukunft Konkurrenz machen oder diesen womöglich auch als Leitarchitektur ersetzen könnten. 3.2 Domänenspezifische Performanz Im Kontext der domänenspezifischen Performanz geht es zunächst einmal um ein Bewusstsein für den Funktionsumfang von modernen KI-Technologien (vgl. die Diskussion in Abschnitt 1), was auch ein Verständnis der verfügbaren Einund Ausgabemodalitäten dieser Technologien umfasst. Aufbauend darauf können dann das aufgabenspezifische Leistungsniveau dieser Technologien und – damit zusammenhängend – menschliche Mehrwerte ermittelt und im nächsten Schritt adäquate KI-gestützte Workflows konzipiert und in Praxisumgebungen implementiert werden (vgl. Abschnitt 3.4).7Den Funktionsumfang und das aufgabenspezifische Leistungsniveau von aktuellen LLMs zu bestimmen, ist keine triviale Aufgabe, da die Affordanzen dieser Mehrzweck-KI-Technologien auf den ersten Blick unklar bleiben – d. h., im Gegensatz zu Spezialsystemen wie beispielsweise MÜ-Systemen „sagen“ LLMs ihren Nutzer:innen nicht unmittelbar, was sie mit ihnen tun sollen. Die Bestimmung des aufgabenspezifischen Leistungsniveaus und der menschlichen Eingriffe, die zur erfolgreichen Erledigung der jeweiligen KI-gestützten Aufgaben erforderlich sind, kann aus einer Prozessperspektive unter dem Schlagwort Expert in the Loop (vgl. Slator 2022) gefasst werden, gemäß dem menschliche Expert:innen durch KI-Technologien nicht vollständig ersetzt werden, sondern weiterhin in KI-gestützte Produktionsprozesse 6Vgl. hierzu (Kenny 2019: 438): „Increased opacity […] is a particular cause for concern for humans required to work with contemporary MT systems because it can limit their ability to intervene in translation workflows, thus undermining agendas of translator empowerment […].“ 7Angesichts des hohen Entwicklungstempos in der modernen KI-Forschung (vgl. Abschnitt 3.1) gilt es hier auch immer, mögliche künftige Potenziale dieser Technologien im Blick zu behalten. 277 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