von Dirk Siepmann in der Blogreihe Translation und Technologie
Beitragsbild: Photo by Christian Wiediger on unsplash.com
Hand aufs Herz: Würden Sie in ein selbstfahrendes Auto einsteigen, das Ihnen neunzigprozentige Sicherheit garantiert? Wohl kaum. Auf anderen Gebieten dagegen suggeriert die KI-Forschung, dass 90 % „richtige Entscheidungen“ bereits ein herausragendes Ergebnis darstellen, so auch auf dem Gebiet der Übersetzung.
In der Tat ist auch für jeden Laien ersichtlich, dass die traditionell als „maschinelle Übersetzung“ (MÜ) bezeichnete Form des Übersetzens seit etwa 2015 einen erheblichen Innovationsschub durch den Einsatz künstlicher neuronaler Netzwerke erfahren hat. Grundsätzlich beruhen die bei der MÜ zum Einsatz kommenden Algorithmen auf dem Pattern Matching (Musterabgleich): Es geht darum, einem ausgangssprachlichen Muster (sprich: Wort, Satz) ein identisches zielsprachliches Muster zuzuordnen. Genau hier zeigt sich auch schon Glanz und Misere des KI-Modells der Übersetzung: Es geht von Identitätsbeziehungen zwischen zwei Sprachen aus, während die allgemein anerkannte Übersetzungstheorie diese nur als seltenen Ausnahmefall zulässt und in der Regel lediglich Ähnlichkeitsbeziehungen zwischen Sprachen postuliert.
Identitätsbeziehungen bestehen z. B. zwischen eindeutig festgelegten Termini in den Naturwissenschaften (electron – Elektron). Auch bei Sätzen wie How many birds have you rescued? (Wie viele Vögel hast du gerettet?) ließe sich eine in Wortwahl und Syntax identische Übersetzung veranschlagen. Schließlich – und damit sei die eigentliche und einzige Stärke der MÜ hier bereits vorweggenommen – bestehen natürlich Relationen der Identität zwischen Wortverbindungen, die Übersetzungsautomaten häufig mit höherer Treffsicherheit ermitteln können als menschliche Übersetzer (z. B. confirmed bachelor – eingefleischter Junggeselle). Dies liegt daran, dass der Computer größere Textmengen „abrufen“ kann als ein Mensch: Bei Menschen dürfte z. B. der Umfang der durch Lesen aufgenommenen Wortmenge zwischen einer Million und fünfzig Millionen Wörtern schwanken (je nach Alter, Bildungsgrad und Werdegang). Heutige Korpora für die MÜ umfassen dagegen mehrere Milliarden Wörter, die nur von Ausnahmelesern erreicht werden können (der Autor fühlt sich an dieser Stelle an einen seiner Romanistikprofessoren erinnert: „ein guter Romanist liest 500 Seiten pro Tag“).
Die Stärken der maschinellen Übersetzung sind also sehr begrenzt und schon einfachste Sätze, in denen Ähnlichkeitsbeziehungen ins Spiel kommen, lassen sie an ihre Grenzen stoßen:
Bei verspäteter Abgabe der Hausarbeit werden pro Werktag fünf Prozent von der möglichen Bestnote abgezogen.
DeepL übersetzt diesen Satz folgendermaßen ins Englische:
In the event of late submission of the homework, 5 per cent per working day will be deducted from the possible top grade.
Während für den Humanübersetzer aufgrund seines Weltwissens der universitäre Kontext auch ohne weitere Angaben problemlos erkennbar wäre, scheitert DeepL hier (vgl. homework), da die Maschine ja lediglich nach Identitätsbeziehungen in Sätzen sucht. In puncto Satzbau sind nominalisierte Strukturen wie „in the event of late submission“ eher in formellen Gesetzestexten zu erwarten als in der Kommunikation mit Studenten. Ein Humanübersetzer würde sich daher wohl eher für einen Konditionalsatz entscheiden: If term papers are submitted late, five per cent of the maximum mark will be deducted per working day.
Wir können festhalten: Computer ersetzen Ausdrücke in der Ausgangssprache durch möglichst identische Ausdrücke in der Zielsprache. Humanübersetzer verstehen dagegen Sätze und Texte in ihren gesamten innertextlichen und „weltlichen“ Zusammenhängen.
Aus diesem grundlegenden Unterschied lassen sich dann auch schon die potentiellen Leistungen von Übersetzungsalgorithmen voraussagen: Sie funktionieren relativ gut, wenn es um die Übersetzung von informativen, weder zu spezialisierten noch zu allgemeinen Texten geht, die keine allzu spezifischen Textsortenmerkmale aufweisen, über die Gegenwart berichten und einem einfachen Satzbau folgen. Von technischen Übersetzern ist z. B. zu hören, dass sie mithilfe der KI bei einfachen Texten ca. 10 % mehr an Wörtern bewältigen.
In Umkehrung gilt dann natürlich, dass appellative (z. B. Werbetexte, Tourismusbroschüren), narrative, historische oder Rechtstexte Übersetzungsmaschinen vor unlösbare Schwierigkeiten stellen. Entsprechendes gilt für Texte oder Textteile, in denen unterschiedliche Konventionen gelten (z. B. Variation am Satzanfang im Deutschen – Sätze mit initialem Subjekt im Englischen in Absätzen zur Struktur wissenschaftlicher Artikel oder Implizitheit vs. Explizitheit), für komplexe Syntax und für die Übersetzung von stark mehrdeutigen Wörtern.
Letztlich ist natürlich bei fast allen Textsorten durch eine maschinelle (Vor-)Übersetzung kaum etwas gewonnen, da der Humanübersetzer die fertige Übersetzung Satz für Satz mit dem Original abgleichen muss (post-editing), denn selbst bei einfachen informativen Texten können Fehler auftreten. Das ist häufig genauso zeitaufwändig wie eine eigene Übersetzung, ja, die Gefahr ist in diesem Fall sogar größer, Fehler zu übersehen, da sich die maschinell produzierten Texte meist flüssig lesen. Aber Flüssigkeit ist nicht gleich Korrektheit. In der Übersetzung eines Textes aus einer Kinderenzyklopädie heißt es dann z. B.: „Luminous alpine flowers like the alpine bell still grow at an altitude of more than 2800 metres.“ („Leuchtende Alpenblumen wie das Alpenglöckchen wachsen noch in einer Höhe von mehr als 2800 Metern.“) Die zwei Fehler (brightly coloured flowers und snowbell wären richtig) mag man je nach Tagesform und Konzentration leicht überlesen.
Abschließend sei ein kurzer Blick auf die mündliche Sprachmittlung mithilfe von Apps geworfen. Mündliche Sprachmittlung erfordert einen zusätzlichen Schritt im Vergleich zu schriftlicher: Das Gesprochene muss erkannt und dann in Schriftsprache umgesetzt werden, was nicht immer einfach ist und leicht zu gravierenden Bedeutungsunterschieden führen kann, je nachdem, ob z. B. die Interpunktion stimmt (komm, wir essen, Opa vs. komm wir essen Opa). Es zeigt sich jedoch, dass Apps dann gut funktionieren, wenn Texte von nur einem Sprecher in klarer Diktion (z. B. Vorlesung) vorgetragen werden. Auch für touristische Zwecke oder den Fall, dass kein Dolmetscher vorhanden ist, können die Apps Notdienste leisten. In der Medizin und vor Gericht ist von ihrem Gebrauch jedoch dringend abzuraten.
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
dirksiepmann (15. Februar 2021). Computer als Übersetzer? Linguistische Werkstattberichte. Abgerufen am 8. Dezember 2024 von https://doi.org/10.58079/qwk8