Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Maschinelle Übersetzung" wg kryterium: Temat


Wyświetlanie 1-1 z 1
Tytuł:
MACHINE TRANSLATION IN THE FIELD OF LAW: A STUDY OF THE TRANSLATION OF ITALIAN LEGAL TEXTS INTO GERMAN
MASCHINELLE ÜBERSETZUNG VON RECHTSTEXTEN: EINE STUDIE ZUR ÜBERSETZUNG AUS DEM ITALIENISCHEN INS DEUTSCHE
PRZEKŁAD MASZYNOWY W OBSZARZE PRAWA: STUDIUM PRZEKŁADU TEKSTÓW PRAWNYCH Z JĘZYKA WŁOSKIEGO NA NIEMIECKI
Autorzy:
WIESMANN, Eva
Powiązania:
https://bibliotekanauki.pl/articles/921265.pdf
Data publikacji:
2019-10-23
Wydawca:
Uniwersytet im. Adama Mickiewicza w Poznaniu
Tematy:
Neuronale maschinelle Übersetzung
Rechtsübersetzung
Übersetzungsdidaktik.
neuronowe tłumaczenie maszynowe (NMT)
tłumaczenie prawne
nauczanie przekładu.
neural machine translation
legal translation
translation pedagogy.
Opis:
With the advent of the neural paradigm, machine translation has made another leap in quality. As a result, its use by trainee translators has increased considerably, which cannot be disregarded in translation pedagogy. However, since legal texts have features that pose major challenges to machine translation, the question arises as to what extent machine translation is now capable of translating legal texts or at least certain types of legal text into another legal language well enough so that the post-editing effort is limited, and, consequently, whether a targeted use in translation pedagogy can be considered. In order to answer this question, DeepL Translator, a machine translation system, and MateCat, a CAT system that integrates machine translation, were tested. The test, undertaken at different times and without specific translation memories, provided for the translation of several legal texts of different types utilising both systems, and was followed by systematisation of errors and evaluation of translation results. The evaluation was carried out according to the following criteria: 1) comprehensibility and meaningfulness of the target text; and 2) correspondence between source and target text in consideration of the specific translation situation. Overall, the results are considered insufficient to give post-editing of machine-translated legal texts a bigger place in translation pedagogy. As the evaluation of the correspondence between source and target text was fundamentally worse than with regard to the meaningfulness of the target text, translation pedagogy should respond by raising awareness about differences between machine translation output and human translation in this field, and by improving translation approach and strengthening legal expertise.
W związku z poprawą jakości tłumaczenia maszynowego jest ono wykorzystywane przez adeptów sztuki przekładoznawczej w coraz to większym stopniu. Teksty prawne stanowią jednak spore wyzwanie dla przekładu maszynowego, prowadząc do rozważań nad możliwością wykorzystywania tłumaczenia maszynowego właśnie do pracy nad takimi tekstami jak i nad potencjalnym zastosowaniem w nauczaniu przekładu. W celu analizy tego zagadnienia, podjęto pracę nad systemem tłumaczenia maszynowego DeepL Translator oraz systemem CAT integrującym tłumaczenie maszynowe – MateCat. Badania z wykorzystaniem obu systemów przeprowadzane były w różnym czasie, bez określonych pamięci tłumaczeniowych dla danych tekstów prawnych, dając zarazem podstawy dla oceny wyników i uszeregowania rodzajów błędów. Ocena opierała się na określonych kryteriach: 1) zrozumienie i znaczenie tekstu docelowego; 2) relacja między tekstami wyjściowym a wejściowym w określonych sytuacjach tłumaczeniowych. Wyniki okazały się być niewystarczające do uznania za przydatne w postedycji tekstów prawnych w znacznym stopniu dla nauczania przekładu. Ocena relacji tekst wejściowy-wyjściowy była znacznie niższa niż ta dotycząca znaczenia tekstu, stąd postuluje się, że nauczanie przekładu powinno prowadzić do zwiększenia świadomości, że między rezultatem przekładem maszynowym a tłumaczeniem ludzkim występują różnice oraz usprawnień w obszarze kompetencji prawnych i prawniczych jak i w podejściu translatorskim.
Mit der Ablösung der statistischen durch die neuronale Übersetzung hat die maschinelle Übersetzung einen weiteren Qualitätssprung gemacht. Dadurch ist auch ihre Nutzung durch Übersetzerinnen und Übersetzer in der Ausbildung stark gestiegen, was bei der Ausrichtung der Didaktik und der Bewertung der studentischen Leistungen nicht unberücksichtigt bleiben kann. Da nun aber Rechtstexte Merkmale haben, die die maschinelle Übersetzung vor größere Herausforderungen stellen, fragt sich, inwieweit die maschinelle Übersetzung heute schon in der Lage ist, auch Rechtstexte oder zumindest bestimmte Textsorten oder Teile von Textsorten so gut in eine andere Rechtssprache zu übertragen, dass sich der Aufwand an Post-Editing in Grenzen hält, und ob folglich ein gezielter Einsatz in der Didaktik in Erwägung gezogen werden kann. Auf dem Prüfstand stehen zwei kostenlos online zur Verfügung stehende Systeme, DeepL Translator und MateCat. Während DeepL Translator ein reines mit Linguee trainiertes System der neuronalen maschinellen Übersetzung ist, handelt es sich bei MateCat um ein CAT-System mit Integration der zunächst statistischen und heute neuronalen maschinellen Übersetzung, das einerseits eine Nutzung eigener Ressourcen oder von MyMemory und andererseits eine Auswahl unter verschiedenen Systemen der maschinellen Übersetzung oder eine Nutzung einer Kombination von Systemen der maschinellen Übersetzung erlaubt. Das Versuchsdesign sieht die mehrfach in verschiedenen Zeitabständen erfolgende italienisch-deutsche Übersetzung von Texten verschiedener Textsorten der Rechtsetzung (Gesetze), Rechtspraxis (notarielle Immobilienkaufverträge, Klageschriften, Gerichtsurteile, Vollmachten) und Rechtslehre (rechtswissenschaftliche Aufsätze) mit beiden Systemen und die anschließende Systematisierung der Fehler und die Bewertung der Übersetzungsergebnisse vor. Bei der Auswahl der Texte wurde nicht nur auf die Provenienz aus den verschiedenen rechtlichen Handlungsbereichen geachtet, sondern auch auf den unterschiedlichen, mit DyLan TextTools ermittelten Schwierigkeitsgrad. Die Bewertung erfolgt nach dem rein den Zieltext betreffenden Kriterium Verständlichkeit bzw. Sinnhaftigkeit und dem die Relation zwischen Ausgangstext und Zieltext betreffenden Kriterium Entsprechung unter Berücksichtigung der Übersetzungssituation. Insgesamt ist das Ergebnis noch zu schlecht, um dem Post-Editing von maschinell übersetzten Rechtstexten in der Didaktik einen größeren Platz einzuräumen. Beim rechtswissenschaftlichen Aufsatz, beim Gesetz und beim Tatbestand der Klageschrift wurden aber vergleichsweise gute Ergebnisse erzielt. Die Bewertung fiel bei der Relation zwischen Ausgangstext und Zieltext grundsätzlich schlechter als in Bezug auf die Verständlichkeit bzw. Sinnhaftigkeit des Zieltextes aus. Darauf muss die Didaktik mit einer Verbesserung des übersetzerischen Vorgehens und einer Stärkung der Fachkompetenz antworten. Außerdem muss sie das Bewusstsein für die Unterschiede zwischen Human- und maschineller Übersetzung schärfen. 
Źródło:
Comparative Legilinguistics; 2019, 37, 1; 117-153
2080-5926
2391-4491
Pojawia się w:
Comparative Legilinguistics
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-1 z 1

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies