MASCHINELLE ÜBERSETZUNG VON RECHTSTEXTEN: EINE STUDIE ZUR ÜBERSETZUNG AUS DEM ITALIENISCHEN INS DEUTSCHE
PDF (English)

Schlagworte

Neuronale maschinelle Übersetzung
Rechtsübersetzung
Übersetzungsdidaktik.

Zitationsvorschlag

WIESMANN, E. (2019). MASCHINELLE ÜBERSETZUNG VON RECHTSTEXTEN: EINE STUDIE ZUR ÜBERSETZUNG AUS DEM ITALIENISCHEN INS DEUTSCHE. Comparative Legilinguistics, 37, 117–153. https://doi.org/10.14746/cl.2019.37.4

Abstract

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.

 

https://doi.org/10.14746/cl.2019.37.4
PDF (English)

Literaturhinweise

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).

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.

Castilho, Sheila, et al. 2017. Is Neural Machine Translation the New State of the Art? The Prague Bulletin of Mathematical Linguistics 108: 109–20.

Forcada, Mikel L. 2017. Making sense of neural machine translation. Translation Spaces 6/2: 291–309.

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.

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).

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.

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.

www.amtaweb.org/AMTA2014Proceedings/AMTA2014Proceedings_PEWorkshop_final.pdf (accessed May 7, 2019).

Koehn, Philipp. 2010. Statistical Machine Translation. Cambridge: Cambridge University Press.

Kyburz, Kevin. 2018. Schlägt sogar Google. Die Übersetzungsmaschine DeepL.

https://techgarage.blog/schlaegt-sogar-google-die-uebersetzungsmaschine-deepl/ (accessed February 28, 2019).

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.

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.

Şahin, Mehmet, and Nilgün Dungan. 2014. Translation testing and evaluation: A study on methods and needs. Translation & Interpreting 6/2: 67–90.

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.

https://biblio.ugent.be/publication/8561558 (accessed May 8, 2019)

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.

Werthmann, Antonia, and Andrea Witt. 2014. Maschinelle

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.

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.