PRZEKŁAD MASZYNOWY W OBSZARZE PRAWA: STUDIUM PRZEKŁADU TEKSTÓW PRAWNYCH Z JĘZYKA WŁOSKIEGO NA NIEMIECKI

Main Article Content

Eva WIESMANN

Abstrakt

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.

Downloads

Download data is not yet available.

Article Details

Jak cytować
WIESMANN, E. (2019). PRZEKŁAD MASZYNOWY W OBSZARZE PRAWA: STUDIUM PRZEKŁADU TEKSTÓW PRAWNYCH Z JĘZYKA WŁOSKIEGO NA NIEMIECKI. Comparative Legilinguistics, 37, 117-153. https://doi.org/10.14746/cl.2019.37.4
Dział
Artykuły

Referencje

  1. Burchardt, Aljoscha, et al. 2014. Multidimensional Quality Metrics (MQM) Definition. http://www.qt21.eu/mqm-definition/definition-2014-08-14.html (accessed May 7, 2019).
  2. Burchardt, Aljoscha, and Jörg Porsiel. 2017. Vorwort: Was kann die maschinelle Übersetzung und was nicht? In Maschinelle Übersetzung. Grundlagen für den professionellen Einsatz, ed. Jörg Porsiel, 11–8. Berlin: BDÜ-Fachverlag.
  3. Castilho, Sheila, et al. 2017. Is Neural Machine Translation the New State of the Art? The Prague Bulletin of Mathematical Linguistics 108: 109–20.
  4. Forcada, Mikel L. 2017. Making sense of neural machine translation. Translation Spaces 6/2: 291–309.
  5. Hansen-Schirra, Silvia, et al. 2017. Post-Editing: Strategien, Qualität, Effizienz. In Maschinelle Übersetzung. Grundlagen für den professionellen Einsatz, ed. Jörg Porsiel, 176–91. Berlin: BDÜ-Fachverlag.
  6. Heiss, Christine, and Marcello Soffritti. 2018. DeepL Traduttore e didattica della traduzione dall’italiano in tedesco. Alcune valutazioni preliminari. InTRAlinea. Special Issue: Translation and Interpreting for Language Learners (TAIL). http://www.intralinea.org/specials/article/2294 (accessed September 13, 2019).
  7. Hutchins, W. John. 1995. Machine Translation: A Brief History In Concise History of the Language Sciences: from the Sumerians to the Cognitivists, eds. Ernst F. K. Koerner and R.E. Asher, 431–45. Oxford: Pergamon Press.
  8. Killman, Jeffrey. 2014. Vocabulary Accuracy of Statistical Machine Translation in the Legal Context. In Third Workshop on Post-Editing Technology and Practice, eds. Sharon O’Brian, Michel Simard and Lucia Specia, 85–98.
  9. www.amtaweb.org/AMTA2014Proceedings/AMTA2014Proceedings_PEWorkshop_final.pdf (accessed May 7, 2019).
  10. Koehn, Philipp. 2010. Statistical Machine Translation. Cambridge: Cambridge University Press.
  11. Kyburz, Kevin. 2018. Schlägt sogar Google. Die Übersetzungsmaschine DeepL.
  12. https://techgarage.blog/schlaegt-sogar-google-die-uebersetzungsmaschine-deepl/ (accessed February 28, 2019).
  13. Matthiesen, Aaron J. 2017. Maschinelle Übersetzung im Wandel. Die Auswirkungen von künstlicher Intelligenz auf maschinelle Übersetzungssysteme. Mit einer vergleichenden Untersuchung von Google Translate und Microsoft Translator. Berlin: epubli.
  14. Prieto Ramos, Fernando. 2015. Quality Assurance in Legal Translation: Evaluating Process, Competence and Product in the Pursuit of Adequacy. International Journal for the Semiotics of Law – Revue internationale de Sémiotique juridique 28/1: 11–30.
  15. Şahin, Mehmet, and Nilgün Dungan. 2014. Translation testing and evaluation: A study on methods and needs. Translation & Interpreting 6/2: 67–90.
  16. Van Brussel, Laura, et al. 2018. A Fine-grained Error Analysis of NMT, PBMT and RBMT Output for English-to-Dutch. In Eleventh International Conference on Language Resources and Evaluation, 3799–804.
  17. https://biblio.ugent.be/publication/8561558 (accessed May 8, 2019)
  18. Wallberg, Ilona. 2017. DIN EN ISO 18587 – eine Norm über den Prozess des Posteditierens. In Maschinelle Übersetzung. Grundlagen für den professionellen Einsatz, ed. Jörg Porsiel, 160–7. Berlin: BDÜ-Fachverlag.
  19. Werthmann, Antonia, and Andrea Witt. 2014. Maschinelle
  20. Übersetung – Gegenwart und Perspektiven. In Translation and Interpretation in Europe. Contributions to the Annual Conference 2013 of EFNIL in Vilnius, ed. Gerhard Stickel, 79–103. Frankfurt et al.: Lang.
  21. Yates, Sarah. 2006. Scaling the Tower of Babel Fish: An Analysis of the Machine Translation of Legal Information. Law Library Journal 98/3: 481–500.