Sieht er so aus, der Dolmetscher der Zukunft?

Trotz ChatGPT, DeepL und Co: Translator:innen geht die Arbeit nicht aus

von Oliver Czulo und Ralph Krüger in der Blogreihe Translation und Technologie

Bild: Photo by Possessed Photography on Unsplash

Bezüglich des Übersetzens und Dolmetschens – im Deutschen zusammengefasst unter dem lateinischen Lehnwort Translation – herrscht derzeit ein weit verbreitetes Missverständnis: Den Berufen und damit den Studienfächern wird aus verschiedenen Ecken heraus der baldige Tod vorhergesagt. Zu verführerisch flüssig klingen die Texte, die von maschinellen Übersetzungssystemen wie DeepL und inzwischen auch von Chatbots wie ChatGPT produziert werden und den Eindruck vermitteln, die Maschine würde es zukünftig schon alleine richten. Die Hochschulen spüren dies bereits: Studieninteressierte wenden sich zunehmend von den Fächern im Bereich der Translation ab. Dem steht ein Markt gegenüber, der nicht erst seit gestern händeringend nach Fachkräften sucht. Diese Talentlücke wird auch in renommierten Branchenumfragen wie der European Language Industry Survey beklagt, die in ihrer Ausgabe aus dem Jahr 2022 eine konzertierte Aktion von Politik-, Hochschul- und Branchenvertretern fordert, um dem drohenden Mangel an Experten für die mehrsprachige Fachkommunikation zu begegnen.

Die Digitalisierung hat zwar, wie in vielen anderen Berufsfeldern, einzelne Bereiche der Translation unter Druck gesetzt, zugleich aber neue Berufsprofile und einen erhöhten Bedarf geschaffen. Translation ist gerade auch wegen der Digitalisierung so tief in die Gesellschaft und den Alltag vorgedrungen wie möglicherweise noch nie zuvor. Völlig selbstverständlich schauen wir Serien im Originalton mit Untertitelung, spielen Videospiele in einer Sprache unserer Wahl oder scannen Dokumente und lassen sie automatisch übersetzen. Die Verfügbarkeit von automatischer Translation sollte aber nicht zu dem Fehlschluss verleiten, Übersetzen und Dolmetschen seien ‚gelöste Probleme‘, für die es keine professionell ausgebildeten Expert:innen mehr bedürfe.

Vorreiter in der Digitalisierung

Im professionellen Bereich werden viele Übersetzungsprozesse bereits hochautomatisiert gesteuert und können, mit gewissen Einschränkungen, auf unterschiedliche Durchsatzmengen skaliert und verteilt abgearbeitet werden. Aus diesen Entwicklungen speisen sich einige illustre neue Berufsbezeichnungen wie Translationsmanager:in oder Translation Engineer. Prozesse können auf unterschiedliche Bedarfe und Risiken – die professionelle Translation arbeitet meist in Risiko- und Hochrisikokontexten – abgestimmt werden. Translation trägt damit unter anderem dazu bei, dass Menschen ihre Rechte wahrnehmen können; dass Arzneibeipackzettel verständlich sind und den landesspezifischen Vorgaben entsprechen; oder dass durch eine geeignete Untertitelung ein audiovisuelles Produkt auch auf der sprachlichen Ebene hochwertig erscheint. Das Ferndolmetschen ermöglicht es, vor Ort selten oder nicht angebotene Sprachen zu bedienen, stellt aber ganz neue Qualitätsanforderungen an technische Einrichtungen und die Arbeitsgesundheit. Dass eine (halb)automatische Translation je nach Kontext eine wichtige Unterstützung sein kann, ist fast überall schon lange angekommen.

Das Programm ChatGPT hat angesichts seiner durchaus beeindruckenden Fähigkeiten, Text oder Computercode auf Anweisung hin zu generieren, weltweit in so kurzer Zeit eine solche öffentliche Aufmerksamkeit erhalten und so viele Nutzer:innen angelockt wie kaum ein Computerprogramm zuvor. Es ist aber aus dem Blickwinkel der Translation lediglich eine Weiterentwicklung, keine Revolution, während andere Branchen von dieser Entwicklung urplötzlich eingeholt werden: Aus der Informatik hört man in letzter Zeit häufiger den Hinweis, automatisch generierter Code müsse in jedem Fall von professionellen Programmierer:innen geprüft und an den jeweiligen Anwendungskontext angepasst werden. Nicht anders verhält es sich mit maschinell übersetzten Texten, für deren Nachbearbeitung durch professionelle Übersetzer:innen in Wissenschaft und Praxis schon vor langer Zeit der Begriff Post-Editing geprägt wurde.

Eine kulturelle und kontextuelle Handlung

Es sind die lustig wirkenden Fehler und der gelegentliche Unsinn, die Übersetzungs- und Dolmetschprogramme auch schon mal produzieren, die zeigen: Translation ist eine kulturelle Handlung, die zudem stark an ihre jeweiligen Kommunikationskontexte gebunden ist. Wo kulturspezifische Sprachbilder über größere kulturelle Distanzen vermittelt oder wo stark implizite Texte vor dem Hintergrund ihres Rezeptionskontextes interpretiert werden müssen, versagen die Programme häufig, weil sie zu sehr am Wortlaut kleben. Dies gilt für Literatur genauso wie für Jura, Medizin, Technologie oder Wirtschaft.

Beim Dolmetschen vor Gericht ist beispielsweise die „Bewährung“ einer der vielen Begriffe, die nicht in allen Rechtssystemen in der Weise bekannt sind. Damit die Betroffenen nicht meinen, sie seien freigesprochen und ihre Handlung habe keine Konsequenzen, muss hier erläuternd gedolmetscht werden. In medizinischen Kontexten werden die Dolmetschenden nicht selten zu interkulturell Beratenden, nicht nur hinsichtlich der Ansprache, sondern auch zum Beispiel der Frage, wie der Schmerzausdruck von Patienten:innen zu werten ist, oder wie diese berührt werden können. Damit Videospiele in allen Sprachen auch wirklich immersiv sind, müssen vor einer Übersetzung die Erwartungen des Zielpublikums verstanden und idealerweise alle audiovisuellen Materialien als Referenz verfügbar sein. Aktionärsbriefe sollten nicht in allen Sprachen dieselbe informelle Stilistik haben, wie sie im Englischen häufig anzutreffen ist. Und selbst in einer Sprache möglicherweise nicht ganz einheitliche Terminologien in Texten über Computersicherheit wollen trotzdem gut in andere Sprachen überbrückt werden.

Mit den Chancen kommen die Herausforderungen

Neben dieser Kulturlücke und Kontextblindheit haben Translationsprogramme eine Reihe weiterer Schwächen, die – anders als eindeutige Fehler – fürs ungeübte Auge oder Ohr zunächst nicht erkennbar sind. Manchmal ‚halluzinieren‘ Maschinen einfach Interpretationen oder zusätzliche kurze Textpassagen herbei, die im zu übersetzenden oder dolmetschenden Ausgangstext so gar nicht vorhanden sind. Passagen, für die sie keine Vorschläge errechnen können, lassen sie schon mal weg. Auch haben Maschinen gelegentlich Schwierigkeiten, Negationen richtig zu setzen. Fürs ungeübte Auge ist dies, anders als eindeutige Fehler, nur schwer zu erkennen, da das oft flüssig wirkende Ergebnis dies überstrahlt. Insbesondere in Risiko- und Hochrisikokontexten ist eine solche inhaltliche Unzuverlässigkeit unter einer polierten Oberfläche höchst problematisch. Diese Phänomene sind aber, anders als man meinen würde, nicht auf Programmierfehler zurückzuführen.

Die in den Programmen angewendeten ‚intelligenten‘ Sprachmodelle werden nämlich nicht programmiert, dies oder jenes so oder anders zu übersetzen oder zu dolmetschen, sondern sie sind Mustererkennungs- und Musterwiedergabemaschinen. Zu Entscheidungen, die sie reflektieren könnten, zu strategischem Sprachgebrauch, zur Berücksichtigung von Kundenwünschen oder zur Rücksprache bei Fehlern oder Mehrdeutigkeiten in Ausgangstexten sind sie nicht in der Lage. Die Muster, die sie nutzen, beziehen sie aus zuvor vom Menschen produzierten Daten, und damit übernehmen sie leider auch explizit oder implizit in Texten enthaltene Vorurteile. Ein bekanntes Beispiel dafür ist der so genannte gender bias, der dazu führt, dass die Systeme in der Sprache ihrer Trainingsdaten abgebildete geschlechtsbezogene Stereotype in den von ihnen erzeugten Texten reproduzieren. Beispielsweise geben sie das englische the doctor im Deutschen noch regelmäßig mit der Arzt, das englische the nurse dagegen meist mit die Krankenschwester wieder. Auch der patient wird erfahrungsgemäß eher zu einem Patient, was in einem Text, bei dem es um unterschiedliche Behandlungsmethoden für Männer und Frauen geht, zu gravierenden Missverständnissen führen könnte.

Wer den Test auf den gender bias wagt, könnte außerdem beobachten, dass dieses Phänomen innerhalb eines Textes möglicherweise nicht durchgehend auftritt. Auch dieses Konsistenzproblem ist bekannt: Fachterminologie und Stilistik können von einem auf den nächsten Satz wechseln, wodurch großer Raum für Missverständnisse eröffnet wird. Hinzu kommt das Problem einer künstlich verarmten Sprache. Da die Sprachmodelle moderner Translationsprogramme immer auf der Suche nach den wahrscheinlichsten nächsten Wörtern sind, erzeugen sie so gut wie nie seltene oder exotische Wörter, die in ihren Trainingsdaten nur mit geringer Frequenz vertreten sind. Sprachliche Vielfalt und einzigartigen Stil sucht man in maschinell erzeugten Texten meist vergebens.

Für gute Daten sind noch immer Menschen zuständig

Sprachmodelle haben einen großen Datenhunger: Es sind Ausgangstexte und deren Übersetzungen oder Dolmetschungen im Umfang von mehreren Millionen oder sogar Milliarden Wörtern nötig, um die Modelle zu trainieren. Die großen Digitalkonzerne fragen dabei übrigens nicht, ob sie die im Internet verfügbaren Daten überhaupt nutzen dürfen – was neben ethischen möglicherweise auch rechtliche Fragen aufwirft. Wer außerdem aktiv ein Dokument an DeepL oder Google Translate schickt und eine Übersetzung selbsttätig im Browser korrigiert, arbeitet mit diesen Korrekturvorschlägen den Unternehmen kostenlos zu.

Die Modelle sind nämlich deshalb so gut, weil die menschlichen Daten so gut sind. Füttert man sie mit maschinell produzierter Sprache, verschlechtern sie sich, weil sich darin verborgene Muster stetig selbst verstärken. Um das Entstehen einer sterilen und von sämtlichen menschlichen Kommunikationsnuancen bereinigten ‚Maschinensprache‘ zu vermeiden, müssen diesen Modellen auch in Zukunft qualitativ hochwertige menschliche Trainingsdaten zugeführt werden, außerdem auch, weil sich Sprache jeden Tag weiterentwickelt. Wer von den über 40-jährigen hätte denn schon in seiner Jugend „Netz suchen“ können, ohne dafür schräg angeschaut zu werden? Von den vielen sprachlichen Einflüssen von Großereignissen wie der Corona-Pandemie auf Sprache ganz zu schweigen: Hier übersetzten Translationsprogramme wie DeepL beispielsweise den inzwischen in den deutschen Sprachgebrauch eingegangenen Begriff Lockdown lange Zeit noch mit Absperrung, Verriegelung oder ähnlichen Wörterbuchentsprechungen. Die so genannte Datenkuratierung – quasi eine Datenqualitätssicherung, bestenfalls von Menschen mit entsprechender Expertise ausgeführt – ist daher in Forschung wie Praxis ein großes Thema. Nicht umsonst schreiben Unternehmen, die Sprachmodelle entwickeln, regelmäßig Stellen für Linguist:innen oder Translator:innen aus.

Der Datenhunger ist übrigens mit hohen ökologischen Kosten verbunden: Allein das Training des einsprachigen Textgenerierungsmodells GPT-3 erzeugte nach Schätzungen von Wissenschaftler:innen eine ökologische Last, die etwa 700.000 Kilometern Fahrt mit einem Mittelklassewagen entspricht. Welche Last der Dauerbetrieb erzeugt, ist nicht bekannt. Auch dieses Thema darf angesichts steigenden Translationsbedarfs nicht aus dem Blick geraten.

Translator:innen dringend gesucht

Erhöhte Mobilität, Digitalisierung und ganz allgemein die Vielfalt und Breite translatorischer Tätigkeiten sorgen nach wie vor für einen gesunden, auf Wachstum ausgerichteten Markt. Dies bestätigen unter anderem die Ergebnisse der eingangs bereits erwähnten Umfrage unter der Europäischen Sprachenindustrie. Wer Translation zum Berufsziel hat, braucht eine sehr gute Beherrschung und Kenntnis der angestrebten Arbeitssprachen und -kulturen. Man muss außerdem bereit sein, sich manchmal schnell, manchmal tief in fachkulturelle Gegebenheiten und Unterschiede einzuarbeiten. Darauf verlassen, dass Ausgangstexte immer stilistisch sauber, inhaltlich eindeutig und sprachlich konsistent formuliert sind, sollte man sich nicht. Mit dem Druck, gut zu arbeiten, muss man dennoch umgehen können. Hinzu kommt die Bereitschaft zur Zusammenarbeit in größeren, häufig internationalen Teams sowie die Aufgeschlossenheit gegenüber der maschinellen Übersetzung und anderen Sprach- und Translationstechnologien, die inzwischen zum Rüstzeug professioneller Übersetzer:innen und Dolmetscher:innen gehören.

Translatorische Studiengänge können unmöglich die volle Breite an potenziellen Kompetenzanforderungen abdecken, die in der vielfältigen fachkommunikativen Berufswelt von heute womöglich an ihre Absolvent:innen gestellt werden. In einigen Fällen, wie zum Beispiel dem Literaturübersetzen, der Softwarelokalisierung oder dem Konferenzdolmetschen, sind Spezialisierungen möglich. In anderen Fällen werden auf Basis von weithin anerkannten Kompetenzprofilen Grundlagen gelegt, die im Anschluss unterschiedliche Tätigkeiten auch in verwandten Bereichen wie zum Beispiel der Terminologiearbeit, der Technischen Dokumentation oder dem Fremdsprachunterricht für Erwachsene ermöglichen. In allen Fällen ist ein Einblick in unterschiedlichste fachliche und gesellschaftliche Themenfelder möglich, in denen Translation von Bedeutung ist. Allein schon deshalb werden uns die Themen so schnell sicher nicht ausgehen.



Diesen Blogbeitrag zitieren
Oliver Czulo (2023, 19. März). Trotz ChatGPT, DeepL und Co: Translator:innen geht die Arbeit nicht aus. Linguistische Werkstattberichte. Abgerufen am 29. März 2024, von https://doi.org/10.58079/qwl1

Veröffentlicht von

Oliver Czulo

Oliver ist Übersetzungswissenschaftler und beschäftigt sich von Berufs wegen mit Sprech- und Denkmustern in verschiedenen Sprachen und Kulturen. Privat ist er gelegentlich ein unverbesserlicher Optimist.

2 Gedanken zu „Trotz ChatGPT, DeepL und Co: Translator:innen geht die Arbeit nicht aus“

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search