Artikel | Oversættelseshukommelser

ENG Translation memory systems SPA Memorias de traducción

Indledning

Siden 1950erne har forskere arbejdet på at udvikle værktøjer til maskinoversættelse (machine translation eller MT), der er i stand til at skabe en semantisk relation mellem en kildetekst på ét sprog og (mindst) én måltekst på et andet sprog på enten segment- eller tekstniveau (Alcina 2008). Formålet var at udvikle maskiner, der var i stand til at producere oversættelser af høj kvalitet i en fuldautomatisk proces. Efter at Automatic Language Processing Advisory Committee i deres rapport fra slutningen af 1960erne havde konkluderet, at maskiner ikke var i stand til at producere oversættelser af acceptabel kvalitet, begyndte forskere, oversættelsesbureauer, lokaliseringsafdelinger i virksomheder og selvstændige oversættere i 1970erne at undersøge oversættelseshukommelser (translation memories eller TM) som en hjørnesten i såkaldte computerstøttede oversættelsesværktøjer (computer-aided translation eller CAT). CAT-værktøjer assisterer oversættere i oversættelsesprocessen ved at genbruge gamle oversættelser (Garcia 2015: 69). Den grundlæggende idé bag en TM er, at oversættelser lavet af mennesker genbruges. Disse oversættelser gemmes i en TM-database i form af tekstsegmenter på henholdsvis kilde- og målsprog og parres, så oversættere, der skal oversætte identiske eller næsten identiske segmenter, kan fremsøge dem. De første CAT-værktøjer på markedet blev markedsført som TM-systemer eller TM-værktøjer i 1990erne. I dag er TM det oversættelsesværktøj, som professionelle oversættere anvender mest (n.n. 2022: 21). Værktøjerne kaldes sandsynligvis for en hukommelse, fordi den centrale komponent er en slags oversættelsesarkiv, der fra et kognitivt perspektiv kan siges at udgøre en digitalt udvidet oversættelseshukommelse, der husker tidligere oversættelser. TM-systemer inddeler tekster i segmenter (almindeligvis svarende til en sætning). Når oversætteren på et senere tidspunkt møder en identisk eller næsten identisk sætning, vil systemet automatisk fremsøge segmentparret. På den måde behøver oversætteren ikke at bruge tid på at huske, hvordan et givent ord, syntagme eller sætning tidligere er blevet oversat. Det at man ved hjælp af TM’en kan gemme og automatisk fremsøge gamle oversættelser, kompenserer derfor for den menneskelige hjernes begrænsninger og bidrager til ensartede oversættelser både inden for én og samme oversættelse og på tværs af oversættelsesopgaver. Ingen anden teknologi har i samme grad som TM-teknologien revolutioneret oversættelsesindustrien. Den har ført til, at oversættelsesworkflows og arbejdsbetingelserne for professionelle oversættere i mere end tre årtier fortsat ændrer sig (Reinke 2013; Mitkov 2022). Sammenfattende kan man sige, at et TM-system hjælper oversættere med at fremsøge og genbruge gamle oversættelser, hvis der er tale om en identisk eller næsten identisk sætning. I dag er et TM-system et multifunktionelt værktøj, der indeholder en række features, der ikke kun understøtter oversættelse, men også projektstyring (project management).

I mange år har man anset TM-teknologi for at være maskinstøttet oversættelse (machine-aided translation eller CAT), fordi den understøtter oversættere i oversættelsesprocessen, hvilket vil sige, at det er oversætterne, der styrer oversættelsesprocessen og kan beslutte, hvordan og hvornår værktøjet skal bruges. Når en maskinoversættelsesfeature (MT) er aktiveret, betegnes processen imidlertid som ”menneske-støttet” maskinoversættelse (human-aided machine translation). I begge tilfælde består oversætterens opgave hovedsageligt i at afvise, acceptere eller redigere målteksten. Som konsekvens heraf overtager computerne mere og mere af oversættelsesprocessen fra oversætterne. Selvom der er delte meninger om, hvorvidt det er oversætteren eller maskinen, der er central for oversættelsesprocessen, når der gøres brug af et TM-system, synes forskerne at være enige om, at flere af de features, der er integreret i systemet, automatiserer processen i en sådan grad, at oversættere snarere må betegnes som post-editors. Det er i særdeleshed integrationen af neural maskinoversættelse (neural machine translation eller NMT), dvs. MT baseret på kunstig intelligens (artificial intelligence eller AI), i TM-systemer, der har mindsket mængden af oversætternes manuelle arbejde.

En taksonomi over oversættelsesautomatisering, der er udviklet af Christensen, Bundgaard, Schjoldager et al. (2022), skelner mellem seks niveauer med udgangspunkt i den rolle, som oversætteren og/eller oversættelsesværktøjet spiller (se figur 1 nedenfor). Automatiseringsniveauet afspejler den grad af kontrol, som oversætterne har over oversættelsesprocessen. Et traditionelt TM-system (dvs. TM uden MT) er et eksempel på niveau 1-automatisering (Translator Assistance), fordi værktøjet analyserer kildeteksten og fremsøger TM-forslag, mens det er oversætterens opgave at evaluere disse og producere en oversættelse af segmentet på målsproget ved enten at acceptere eller redigere det foreslåede oversættelsesforslag eller ved at oversætte segmentet fra bunden. Hvis en MT-feature aktiveres i løbet af oversættelsen, er der tale om niveau 2-automatisering, fordi systemet analyserer kildeteksten og fremkommer med en oversættelsesløsning. På dette niveau evaluerer oversætteren således outputtet og retter eventuelle fejl og uhensigtsmæssige løsninger samt sørger for, at eventuelle systemfejl udbedres. Se Christensen, Bundgaard, Schjoldager et al. (2022: 31-33) for en detaljeret beskrivelse af taksonomien og de øvrige automatiseringsniveauer.

Figur 1: Taksonomi over niveauer af oversættelsesautomatisering

Det vægtigste argument for anvendelsen af TM-teknologi synes at være de fordele, den giver med hensyn til at harmonisere processer og projekter, forbedret produktivitet og oversættelseskvalitet (især hvad angår brug af ensartet terminologi) samt lavere omkostninger. Det er værd at bemærke, at TM-databaser er blevet en økonomisk fordelagtig vidensressource for både oversættelsesvirksomheder, oversættelsesbureauer og kunder, fordi TM-indhold kan genbruges igen og igen. Dette kan til en vis grad forklare, hvorfor oversættelsesvirksomheder og oversættelsesbureauer ofte stiller krav om, hvornår og hvordan freelance-oversættere skal bruge et givent TM-system. I de fleste tilfælde forventes det, at oversættere skal bruge et bestemt TM-system, hvorimod brugen af MT (endnu) typisk er frivillig. Der er ingen tvivl om, at dette anfægter oversætternes ret til selvbestemmelse i oversættelsesprocessen i sprogindustrien i dag. Fra industriens synspunkt bidrager TM-systemer til at organisere projekter og harmonisere workflows, de gør det muligt for store oversættelsesteams at arbejde på det samme projekt, og de gør det lettere at arbejdsdele, hvilket alt sammen bidrager til at automatisere oversættelsesprocessen.

Udover at automatisere oversættelsesprocessen påvirker TM-teknologi oversætternes mentale processer, idet den kognitive oversættelsesproces (cognitive translation process) er forskellige fra den, der finder sted, når oversættere oversætter uden brug af teknologi. For eksempel vil en oversætter typisk ikke inddele en tekst i segmenter på sætningsniveau, som processeres ét ad gangen, sådan som det sker ved brug af TM-systemer. Segmentopdelingen har ofte den konsekvens, at kildetekststrukturen overføres til målteksten, hvilket kan forårsage strukturel og endda syntaktisk interferens. En anden forskel er, at oversættere, der bruger et TM-system med MT, får tilbudt et oversættelsesforslag, før de selv har haft mulighed for at overveje en mulig oversættelse af kildetekstsegmenterne. Det vil reelt sige, at oversættere ikke længere selv løser oversættelsesproblemer fra bunden. Som post-editors består oversætteres arbejde hovedsageligt i at vælge mellem forskellige oversættelsesforslag og om nødvendigt tilpasse dem, hvilket grundlæggende ændrer den måde, hvorpå en måltekst produceres. Den største udfordring synes dog at være, at TM-systemer ikke behandler tekster som en sammenhængende helhed.


Figur 2: Model over oversættelseskompetencer i en digital oversættelsesproces (Krüger 2018)

Nogle forskere hævder, at oversættere, der bruger TM, risikerer at producere hybride tekster (se fx Moorkens 2011), en ”sætningssalat” (se fx Bundgaard 2017), der er usammenhængende både terminologisk og stilistisk, og at oversættere derfor har behov for andre oversættelseskompetencer end tidligere. Krügers (2018: 120) model over oversættelseskompetencer i en digital oversættelsesproces illustrerer, at teknologier som TM og MT medfører et behov for nye oversættelseskompetencer. Ifølge Krüger kan output fra TM og MT temmelig let tilpasses målteksten, mens tilpasning af andre typer input kræver flere kognitive ressourcer. Derfor kategoriserer han TM og MT som ”digitale oversættelsesdata med kort afstand” mellem kildetekst og måltekst, hvorimod indhold fra fx termbaser og websider kategoriseres som ”oversættelsesdata med større afstand” (se figur 2 nedenfor). Ifølge Krüger bliver tekstproduktionskompetencer mindre vigtige i en digital oversættelsesproces, mens tekstreceptionskompetencer (både læsning og evaluering af kildetekst samt læsning og evaluering af oversættelsesdata på målsproget, fx oversættelsesforslag), tekstselektion, teksttilpasning og tekstoptimering bliver stadig vigtigere.

Denne oversigtsartikel redegør for den historiske udvikling af TM-systemer og af oversætteres og oversættelsesvirksomheders anvendelse af systemerne. Efterfølgende forklares TM-systemers grundlæggende funktioner og komponenter. Derefter følger en beskrivelse af oversættelsesworkflows, når TM-systemer er integreret i translation management-systemer. Afslutningsvis gives eksempler på den nyeste forskning, der undersøger, hvordan oversættere interagerer med TM-systemer, og der redegøres for relevante områder, hvor der er behov for yderligere TM-forskning.

toppen af siden

Historie

Peter J. Athern, som var oversætter i Europa-Kommissionen, regnes almindeligvis for at være den, der oprindelig fik idéen til TM. I en artikel om mulighederne for at bruge computerbaserede terminologisystemer i Europa-Kommissionen påpegede Arthern (1979), at oversættere spilder megen tid på at oversætte (dele af) tekster, der allerede er blevet oversat. Han foreslog, at man lavede et digitalt arkiv over kilde- og måltekster, som oversættere let kunne tilgå med det formål at genbruge disse i nye oversættelser. I arkiverne skulle man ikke kun kunne tilgå identiske kildetekster, men også næsten identiske kildetekstsegmenter samt deres oversættelser. Arthern (1979: 94) kaldte denne oversættelsesform for “translation by text-retrieval”. Det er interessant, at Athern forudså, at det på et tidspunkt ville blive muligt at integrere MT i et TM-system. Datalingvisten Martin Kay betragtes også som en af ophavsmændene til TM-oversættelse. I sin artikel “The proper place of men and machines in language translation” introducerer han et elektronisk maskinstøttet værktøj kaldet The Translator’s Amanuensis (Kay 1980). Kay havde en vision om at udvikle et computerstøttet værktøj, der kunne assistere oversættere i deres arbejde ved hjælp af et netværk af terminaler, der skulle være forbundet til en mainframe-computer. Med andre ord bestod Kays grundlæggende idé i at tilføje bestemte oversættelsesværktøjer til allerede eksisterende tekstprocesseringsteknologi. Disse værktøjer gav oversætterne forskellige muligheder for at arkivere gamle løsninger og for at tilgå tidligere oversættelser af identiske eller næsten identiske kildetekstsegmenter (Hutchins 1998: 295ff). Kort tid efter introducerede Melby (1981) et værktøj, som han kaldte The translator’s workstation, der kunne støtte oversætteren i varierende omfang. Hans idé var grundlæggende at udvikle computergenererede tosprogede konkordanser, ved hjælp af hvilke oversættere skulle kunne identificere tekstsegmenter med mulige oversættelsesækvivalenter i relevante kontekster. Se Reinke (2013) og Mitkov (2022) for yderligere information om TM-teknologiens historie.

TM-systemer kom først på markedet, da text-alignment-værktøjer, der kan sammenkæde tekster på flere sprog, gjorde det muligt at udvikle bilingvale databaser. I starten af 1990erne blev der udviklet fire kommercielle TM-systemer: IBM’s The TranslationManager, Stars Transit system, Eurolang Optimizer fra Eurolang og Trados’ Translator’s Workbench (Hutchins 1998: 303). Systemerne gjorde det muligt for virksomheder og institutioner at lokalisere produkter og services på flere sprog ved brug af ensartet terminologi og genbrug af oversat indhold. Derved forkortede man tidsforbruget og minimerede omkostningerne. Siden de første TM-systemer kom på markedet, er brugen af teknologien steget og steget.

I starten af 1990erne blev TM-værktøjer med en TM-database og en editor installeret på den enkelte oversætters computer. Formålet med disse værktøjer var at støtte oversætterne ved at overtage rutineprægede oversættelsesopgaver. I slutningen af 1990erne blev oversættelsesværktøjerne placeret på servere, hvilket gjorde det muligt for flere oversættere at dele databasernes indhold. I begyndelsen af 2000erne blev der tilføjet features, der understøtter projektstyring og samarbejde. Derved opstod de første systemer beregnet til oversættelsesprojektstyring som i endnu højere grad er med til at automatisere workflows og processer. For sådanne systemer bruger man ofte forkortelsen TSM (Translation management systems), hvilket kan være forvirrende, idet den også sommetider bruges for TM-systemer. Fra omkring 2010 blev systemerne cloud-baseret og kunne således tilgås af alle brugere (fx oversættere) via en webbrowser. Systemerne har også udviklet sig fra udelukkende at have fokus på sproglige funktioner til i dag også at indeholde funktioner til forretningsstyring, ressourceplanlægning samt regnskabs- og kundestyring (se nedenfor).

toppen af siden

Brugen af oversættelseshukommelsessystemer

Brugen af TM-teknologi er blevet undersøgt i en række studier. Wheatley (2003) lavede i 2003 en undersøgelse af professionelle oversættere i Tyskland og Storbritannien, der viste, at 29% brugte TM dagligt. Fulford og Granell-Zafras (2005) undersøgelse i 2003/2004 med besvarelser fra 391 freelanceoversættere i Storbritannien gav et lignende resultat, idet 28% svarede, at de brugte TM. Nogle år senere lavede Lagoudaki (2006) en spørgeskemaundersøgelse med deltagelse af 699 professionelle oversættere fra en lang række forskellige lande. Undersøgelsen viste, at hele 82,5% brugte et TM-system, hvilket indikerer, at brugen af TM-systemer for alvor tog fart omkring 2005. I maj 2013 lavede Christensen & Schjoldager (2016) en undersøgelse af brugen af TM-teknologi i danske oversættelsesvirksomheder, som viste, at 22 ud af 25 af virksomhederne brugte TM, hvilket svarer til 88%. En undersøgelse af mere end 7.000 oversættere og tolke udført for CSA Research viste, at 66% af oversætterne bruger TM i de fleste projekter, hvilket gør TM til den mest udbredte teknologi efterfulgt af systemer til kvalitetssikring (quality checkers) og terminologistyring (Pielmeier & O’Mara 2020). Det er værd at bemærke, at Georgakopoulous (2022) undersøgelse viste, at TM ikke er en almindeligt anvendt feature i undertekstning, idet kun 17% af de adspurgte tekstere angav, at de brugte TM. Den nyeste spørgeskemaundersøgelse udført af European Language Industry Survey i 2022 med deltagelse af 745 professionelle oversættere viser, at TM er den teknologi, der bruges mest: 53% bruger TM hver dag, 21% bruger det regelmæssigt, og 14% bruger det en gang i mellem. Kun 12% af de adspurgte angiver, at de aldrig bruger TM. På den baggrund konkluderes det i rapporten, at CAT-teknologi stille og roligt bliver mere og mere udbredt – også til de opgaver, hvor man typisk har ment, at teknologi var mindre anvendelig. Med en anvendelsesgrad på mere end 85% er TM også den teknologi, der finder størst udbredelse i oversættelsesvirksomheder (n.n. 2022: 23). Selvom MT efterhånden bliver mere og mere udbredt, er TM-teknologi således stadig det værktøj, der foretrækkes af flest i oversættelsesbranchen. I rapporten nævnes det også, at de tre TM-systemer der bruges af flest oversættelsesvirksomheder, er Trados, MemoQ og Phrase (tidligere: MemSource) (n.n. 2022: 25).

toppen af siden

Komponenter i TM-systemer og deres funktion

Selvom TM-systemer er forskellige, for så vidt angår interface og interne processer, har de det tilfælles, at de trækker på allerede eksisterende oversættelsesressourcer til nye oversættelsesprojekter. I dette afsnit beskriver vi komponenter i traditionelle TM-systemer og de vigtigste features i systemerne i dag. Ifølge Esselink (2020: 119) udgøres disse features af oversættelseseditoren, TM-databasen, MT, terminologistyring og kvalitetssikring (quality assurance eller QA). Vi bruger CAT-værktøjet Phrase som illustrativt eksempel. Phrase er resultatet af en fusion mellem MemSource og lokaliseringsvirksomheden Phrase i 2022. Ifølge Mitkov (2022: 370) bliver det web-baserede CAT-værktøj MemSource (nu Phrase TMS) fortsat mere populært på grund af det relativt enkle interface, der indeholder alle de vigtigste features. I det følgende kalder vi dette værktøj Phrase TMS. Phrase TMS er et betalingsværktøj, men i lighed med flere andre TM-udbydere kan studerende og undervisere på universiteter og lign. få gratis licenser. Andre systemer såsom OmegaT giver gratis licenser til alle. OmegaT indeholder CAT-features, der er typiske for standard TM-systemer, men det indeholder ikke projektstyringsmoduler (se nedenfor). Se Garcia (2015) and Reinke (2013) for en detaljeret gennemgang af komponenter i TM-systemer.

Oversættelseshukommelsesdatabasen

TM-databasen er den vigtigste komponent i et TM-system. Man kan sige, at den udgør den vigtigste funktionalitet i et oversættelsesværktøj, fordi den bidrager til at skabe den semantiske relation mellem en kilde- og måltekst på segmentniveau og fremsøge oversættelsesforslag kaldet matches. I konventionelle TM-systemer inddeles tekster i segmenter ved hjælp af såkaldte segmenteringsregler, der hovedsageligt udgøres af tegnsætning og formateringstegn: fx punktum, spørgsmålstegn, udråbstegn og (eventuelt) kolon og semikolon. I de fleste TM-systemer svarer segmenter til sætninger (og sommetider til hele afsnit) samt sætningslignende enheder så som overskrifter og enkelte punkter i punktopstillinger. Et sæt af kilde- og måltekstsegmenter, der er gemt i en database, kaldes en oversættelsesenhed (Melby & Wright 2015: 662). Oversættelsesenheder gemmes almindeligvis sammen med metadata så som emneområde, kunde, oprettelsesdato og oversætterens navn. Metadata kan være af vigtighed for oversættere, når de fx i løbet af oversættelsesprocessen ønsker at tjekke, hvor brugbart et TM-forslag er. Metadata kan ligeledes være nyttige som filtre ved oprettelse af mindre TM’er til specifikke oversættelsesopgaver. Ved hjælp af en såkaldt fuzzy logic-algoritme kan TM-systemet finde identiske eller næsten identiske kildesætninger og deres oversættelser i TM-databasen. I dag er der mange segmentbaserede TM-systemer, der tillige kan angive den originale oversættelsesenhed i kontekst. Andre systemer anvender alignede tekster på kilde- og målsproget (bitexts), hvor disse ikke splittes op i segmenter, men er gemt i deres helhed (se Mitkov 2022: 367).

Når en ny tekst skal oversættes, sammenligner TM-systemet tegnrækker i hvert nyt kildetekstsegment med tegnkombinationer i de kildesprogssegmenter, der er gemt i TM-databasen. Dette kaldes at matche kildetekstsegmentet med databasen. Brugen af tegnrækker som udgangspunkt for at fremsøge oversættelsesforslag (matches) betragtes som en svaghed ved TM-systemer, idet identificeringen af matches beror på form og ikke tager semantik, pragmatik og kontekst i betragtning. Konsekvensen heraf er, at TM-systemer ikke er i stand til at tage højde for teksters betydning. De er heller ikke i stand til at processere sprog, fx i form af morfologiske analyser. Heraf følger fx, at systemet ikke kan genkende bøjningsvarianter af et ord. Fuzzy matching-algoritmen, der anvendes i de fleste kommercielle TM-systemer, er grundlæggende beregnet ud fra graden af lighed mellem tegnrækker, dvs. forskellen i antal bogstaver (Mitkov 2022: 371), i et kildetekstsegment i databasen og segmentet, der skal oversættes. På engelsk kaldes det for the edit distance (eller Levenhstein distance). I nyere forskning har man undersøgt metoder, der kan anvendes til at udføre semantisk matching, dvs. metoder til at finde matches for sætninger med samme betydning, selvom betydningen er repræsenteret i forskellige syntaktiske strukturer (fx ved parafrase) eller udtrykt med synonymer. Indtil videre er der dog ikke noget kommercielt TM-system, der giver mulighed for at matche semantiske ækvivalenter, der er udtrykt med andre syntaktiske strukturer. Se Mitkov (2022: 371-376) for en oversigt over nyere forskning i forskellige tilgange til semantisk matching med henblik på udvikling af intelligente TM-systemer. Sådanne systemer vil gøre det muligt at øge kvaliteten af TM’ens oversættelsesforslag og dermed oversætternes produktivitet. Et segmentbaseret TM-system giver oversættere matches fra databasen med udgangspunkt i lighed mellem de segmenter, der er gemt i databasen, og det nye segment, der skal oversættes. I TM-systemets editor (se nedenfor) fremhæves forskellen mellem kildetekstsegmenter i databasen og det segment, der skal oversættes. I mange TM-systemer er 70% default-grænseværdien for, at et forslag betragtes som et match, men man kan selv indstille værdien. Det afgørende er, at man definerer en grænseværdi, hvor de fremsøgte matches er brugbare og ikke skaber spildtid for oversætteren. Hvorvidt en TM-database er brugbar til en given oversættelsesopgave, afhænger grundlæggende af antallet af segmenter i databasen.

En TM-database kan opbygges på to måder. Man kan enten oversætte tekster fra bunden, hvilket vil sige, at antallet af parrede segmenter i databasen gradvist øges. En anden mulighed består i at aligne allerede oversatte tekster ved hjælp af en såkaldt alignment feature, der parrer segmenter fra kildeteksten med måltekstsegmenter og kan importere dem i TM-databasen. Det er også muligt at importere (og eksportere) andre databaser, der er etableret ved hjælp af det samme TM-system, eller databaser fra andre TM-systemer, så længe de foreligger i det såkaldte Translation Memory eXchange format (TMX). TMX er et åbent, standard tekstbaseret format, som viser struktureret information, der er understøttet af alle kommercielle systemer (Garcia 2015: 71). TM’ens anvendelighed afhænger imidlertid også af, hvordan indholdet i databasen er tematisk (og semantisk) relateret til den tekst, der skal oversættes. Derfor giver det ikke nødvendigvis mening at lave ”all-in-one” TM’er (også kaldet Big mama TMs), såsom TM’er, der dækker alle emneområder, idet sådanne kan generere irrelevante matches. Med henblik på at skabe intern og ekstern ensartethed er TM’er derfor ofte opdelt fx efter emne eller kunde. De fleste kommercielle TM-systemer anvender en matching-algoritme med fire match-typer: fuldstændigt match, kontekst-match, fuzzy match og intet match. Et fuldstændigt match (100% match) er et segment, der er helt identisk med et allerede eksisterende TM-segment. Et kontekst-match (sommetider kaldet et 101% match) er et fuldstændigt match, hvor det pågældende segment følger efter eller følges af et andet fuldstændigt match, dvs. at det optræder i samme kontekst. Dette er kun muligt, hvis systemet gemmer relevante kontekstsegmenter sammen med de enkelte oversættelsesenheder. Nogle systemer inddrager også information fra fx stylesheets og dokumentskabeloner. Database-orienterede TM-systemer fremsøger matches ved hjælp af referencetekster bestående af bilingvale filer fra gennemførte oversættelsesprojekter i kombination med TM-databaser (Reinke 2013: 33). Man antager almindeligvis, at fuldstændige matches og kontekst-matches kan genbruges uden ændringer, og dette er sandsynligvis årsagen til, at mange freelanceoversættere ikke modtager betaling for at revidere disse matches.

Hvis kildetekstsegmentet kun er delvist identisk med et segment i TM, er der tale om et fuzzy match. Et fuzzy match kan variere fra 1-99%. Hvis TM’en ikke indeholder et segment, der ligner kildetekstsegmentet, kan systemet ikke generere et match (kaldet no match). Hvis grænseværdien er sat til 70%, kategoriseres alle matches under 70% som ”no match”. I traditionelle TM-systemer ville oversætteren blive nødt til at oversætte sådanne segmenter fra bunden, men hvis TM-systemer integrerer MT-features, kan oversættere (eller bureauer) beslutte at lade disse segmenter maskinoversætte. I givet fald ville man tale om MT-matches eller AT-matches (automatic-translation matches). I TM-systemer kan oversættere vælge mellem to forskellige oversættelses-modes. I den såkaldte interaktive modus oversætter oversætteren en tekst segment for segment. Hvis systemet kan fremsøge matches, skal oversætteren enten acceptere, revidere eller afvise dem. I den såkaldte præoversættelses-modus bliver kildeteksten præoversat ved hjælp af TM og/eller MT. Præoversættelse kaldes også batch-processing. Typisk præoversættes teksten af fx en projektleder, når oversættelsesopgaven forberedes. I denne proces sammenlignes kildeteksten i sin helhed med kildesprogssegmenter i TM-databasen, og de fremsøgte matches indsættes automatisk i editorens arbejdsvindue. Hvis man har aktiveret MT-featuren, bliver segmenter, der ligger under TM’ens grænseværdi, maskinoversat. I den interaktive modus kan oversættere også vælge at bruge MT, hver gang TM-databasen ikke kan finde et match. I begge tilfælde bliver oversættelsesenhederne gemt i databasen til senere brug, når oversætteren accepterer eller reviderer et forslag.

Når MT kombineres med TM, kan man sige, at oversættere ikke længere oversætter sætninger fra bunden. I stedet fungerer de som post-editors, der retter fejl og andre uhensigtsmæssige løsninger med henblik på at opnå en måltekst, der opfylder formålet med oversættelsen. Ifølge Esselink (2020: 121) er mængden af det indhold, som oversættere oversætter fra bunden, blevet reduceret i sådan en grad, at det har medført store forandringer i arbejdsvilkårene i oversættelsesbranchen. Dette skyldes fx, at kunder eller oversættelsesbureauer kan vælge, at oversættere ikke skal have mulighed for at bearbejde alle segmenter. Indhold af denne type kaldes non-translatables. Dette kan fx være tal, formler, koder, e-mailadresser, navne på mennesker eller produkter samt valutaangivelser.

Oversættelseseditoren

I nogle af de første TM-værktøjer, som fx Trados og Wordfast, var editoren integreret i et tekstbehandlingsprogram, så som Microsoft Word. I dag har de fleste TM-systemer indbyggede funktioner, der minder om tekstbehandlingsfunktioner, der kan bruges, når man oversætter både online og offline. I oversættelseseditoren, som kan betegnes som systemets frontend, vises kildeteksten, termer indeholdt i termbasen og TM-matches. Editoren kan vise kildetekster i forskellige filformater og understøtter både læsning og skrivning af tekster. Figur 3 nedenfor illustrerer, hvordan editoren i Phrase TMS viser kildetekstsegmenter sammen med det tekstfelt, som de fremsøgte matches fra databasen automatisk importeres til. Editoren er således TM-systemets arbejdsvindue. I lighed med de flest andre systemer vises teksten i Phrase TMS horisontalt i tabelform, hvor det felt, som målteksten er anført i, vises ved siden at det aktive segment, hvor oversættelsen vises. Andre systemer har en vertikal visning. Det er i editoren, at oversætteren enten accepterer, afviser eller redigerer oversættelsesforslag fra databasen eller oversætter kildetekstsegmenter fra bunden. Kildetekstsegmentet og dets oversættelse gemmes i en eller flere TM-databaser, når et segment er bekræftet af oversætteren i editoren.

Figur 3: TM-editoren i Phrase TMS (screenshot stillet til rådighed af Phrase)

Nedenunder editoren med den segmentopdelte tekst kan oversætteren i et preview-vindue se kildeteksten eller målteksten som løbende tekst. Når oversætteren klikker på et segment i editoren, fremhæves det pågældende segment i preview-vinduet. Således gør denne feature det muligt at se indholdet af det aktive segment i en større kontekst. Hvis man omvendt klikker på teksten i preview-vinduet, markeres det pågældende segment i editoren. Oversætteren har også mulighed for at skifte fra preview-vinduet til den såkaldte context note, hvis filformatet indeholder yderligere informationer af relevans for oversættelsen.

I editoren i Phrase TMS (se figur 4 nedenfor) kan oversættelsesforslag, der kommer fra TM-databasen, termdatabase og MT, enten hentes direkte ind i feltet under ”Target tab” i editoren, eller de kan vises i vinduet længst til højre med overskriften CAT-RESULTS INTERFACE (se figur 3 ovenfor). Forslagene angives sammen med en match-værdi vist med forskellige farver som for TM-matches vedkommende angiver graden af lighed mellem tegnrækken i kildeteksten og de segmenter, der ligger i databasen. Værdier for MT-matches er understreget. Disse værdier beregnes ved hjælp af en Machine Translation Quality Estimation (MTQE). Ud fra tidligere oversættelsesopgaver bruger MTQE machine-learning til at forudsige, hvor brugbar den rå MT-oversættelse er. Hvis kildetekstsegmentet indeholder en term, der er gemt i termbasen, bliver denne vist til højre (CAT RESULTS INTERFACE) og fremhæves i kildetekstsegmentet i editoren. Det er også her resultaterne bliver vist, hvis oversætteren laver en konkordanssøgning ved hjælp af søgefunktionen ”Search” nederst til højre (se figur 3). Ved hjælp af denne feature kan oversætteren fremsøge tekstdele under sætningsniveau fra databasen. Når søgefunktionen er aktiveret, kan oversætteren skrive eller kopiere et ord eller en række sammenhængende ord ind i vinduet. Oversætteren får derefter vist en liste med oversættelsesforslag fra TM’en, hvor det fremsøgte ord eller de sammenhængende ord er markeret. Hvis oversætteren finder et forslag brugbart, kan dette kopieres ind i det relevante måltekstsegment.

Figur 4: Typer af oversættelsesforslag i Phrase TMS (screenshot stillet til rådighed af Phrase)

Maskinoversættelse

Vi har allerede forklaret, at det grundlæggende princip for et TM-system er at give brugeren mulighed for at gemme og fremsøge oversættelsesforslag fra en database, der indeholder parrede og alignede segmenter fra tekster, der er oversat af et menneske eller, hvilket oftest er tilfældet i dag, fra en oversættelse der i det mindste er valideret af en oversætter. Formålet med MT er grundlæggende at oversætte tekster fra ét naturligt sprog til et andet uden menneskelig indblanding. Oversættelser, der er foretaget af et menneske, bruges dog ofte til at træne MT-maskinerne, og der kan også være brug for, at mennesker postediterer (efterredigerer) den rå maskinoversatte tekst. Både TM- og MT-teknologi er datadrevne teknologier, der søger efter oversættelsesforslag i andre tekster. Fra 1960erne, hvor MT-teknologien blev opfundet, og indtil 1980erne var MT-systemer typisk regelbaserede. I 1990erne gik man over til primært at anvende statistisk baserede systemer, der gjorde brug af multilingvale korpora. Fra omkring 2014 er man gået over til NMT (neural machine translation) og hybride systemer. NMT er baseret på såkaldte kunstige neurale netværk, dvs. AI (artificial intelligence), der har som formål at bearbejde data på samme måde som den menneskelige hjerne. NMT-systemer er trænet til at anvende alle former for materiale, både TM-databaser, termdatabaser og multilingvale og monolingvale korpora (se fx Christensen, Bundgaard, Schjoldager et al. 2022). Teknologien bruger algoritmer, der er baseret på sproglige mønstre i eksisterende tekster, til at generere oversættelsesforslag. I dag er kommercielle TM-systemer kompatible med en række forskellige MT-maskiner. Integrationen af MT i TM-systemer har gjort det svært at holde de to teknologier skarpt adskilt. Fordi de to teknologier er blevet integreret i hinanden, får oversætterne i dag både TM-oversættelsesforslag, der er producereret af et menneske, og output genereret af en maskine. En anden ting, der gør det vanskeligt at adskille de to teknologier, er, at MT-maskiner, der er integreret i et TM-system, ofte trænes med menneskeskabt indhold fra TM-databaser og termbaser for at forbedre MT-kvaliteten.

TM-systemet i Phrase tilbyder i dag integration af mere end 30 MT-maskiner fra udbydere af AI-drevne NMT-værktøjer, så som Amazon, DeepL, Google og Microsoft. Med udgangspunkt i tidligere gennemførte oversættelser vælger Phrase TMS automatisk den MT-maskine, der er bedst egnet til den enkelte oversættelsesopgave. Den tager bl.a. højde for domæne, sprogpar og den historiske edit distance Levenhstein distance). Denne feature kaldes Phrase Translate. I dag tilbyder Phrase Translate en generisk NMT (kaldet NextMT), som gør det muligt at matche segmenter under sætningsniveau. Dette kaldes for subsegment-matching. NextMT vil altid først undersøge i TM-databasen, om dele af et segment tidligere er blevet oversat. Er dette tilfældet, indsættes denne del i målsprogssegmentet, mens de øvrige dele af segmentet maskinoversættes. Værktøjet understøtter formatering og såkaldte placeholder tags. Hvis termbasen er aktiveret og indeholder termer, der indgår i kildeteksten, er NextMT i stand til at indsætte disse i måltekstsegmentet med de korrekte morfologiske bøjninger. I skrivende stund (januar 2023) understøtter NextMT fire sprogkombinationer, der alle inkluderer engelsk.

Terminologistyring

En termbase er en bilingval gloseliste bestående af parrede termer, der er gemt med metadata såsom definitioner, grammatiske informationer og termstatus. Det er et terminologistyringsprogram, hvor man kan gemme, fremsøge og opdatere centrale termer og deres oversættelser. Når et oversættelsessegment bliver aktiveret i editoren, sammenlignes det med indholdet i termbasen ved hjælp af en genkendelsesfeature. Hvis der kan fremsøges et match på målsproget i termbasen, vises termen på målsproget i editoren. Dette gælder for alle matchtyper. Det er muligt enten før, under eller efter oversættelsesprocessen at importere en matchende term til det aktive segment i editoren, hvilket betyder, at termer kan tilføjes manuelt. Det er også muligt automatisk at indsætte terminologi i måltekstsegmentet. En hurtigere måde, hvorpå man kan udvide antallet af termer i termbasen, er at bruge en terminology extraction-feature. Den kan generere lister med termkandidater på baggrund af en automatisk analyse af deres forekomst i maskinlæsbare kilde- og måltekster. Termkandidater på kildesproget kan findes i monolingvale eller bilingvale tekstsamlinger (typisk TMer). Uanset hvilken ekstraktionsmetode, der anvendes, bør automatisk genererede termkandidater altid evalueres af et menneske.

Oversættelseskvalitetssikring

Før en oversættelsesopgave afsluttes, kan oversætteren og/eller projektlederen aktivere en kvalitetssikrings-feature (quality assurance eller QA). Ved hjælp af denne feature kan man lave en automatisk søgning efter basale fejl og mulige kvalitetsproblemer. Den automatiske QA begrænser sig til søgning efter mulige fejl i stavning, tal og datoer, uoversatte segmenter, atypisk korte eller lange segmenter, inkonsistent tagging af kildetekstsegmenter og tilhørende måltekstsegmenter, brug af forbudte termer samt uredigerede TM-matches og MT-matches. I Phrase TMS vises der en liste over generelle advarsler, når oversætteren kører et kvalitetstjek. Denne liste er inkorporeret i værktøjets interface. Figur 5 nedenfor illustrerer QA interfacet i Phrase TMS.

Figur 5: Kvalitetssikrings-interface fra Phrase TMS (screenshot stillet til rådighed af Phrase)

En automatisk QA svarer ikke til den form for revision, som en oversætter typisk ville udføre. Kvalitetssikringen begrænser sig til de fejl og mangler, som den kan identificere og dermed er i stand til at kontrollere. Den kan således ikke evaluere, hvor præcis eller brugbar en oversættelse er til et givent formål.

toppen af siden

Workflows i systemer til oversættelsesprojektstyring

Som nævnt ovenfor udgør mange TM-systemer i dag en integreret del af systemer til oversættelsesprojektstyring (Translation Management System eller TMS). Figur 6 nedenfor fra Esselink (2020: 112) viser et TMS’ basale opbygning samt nogle af trinene i et TMS-workflow.

Et TMS har som formål: “to streamline, automate and manage the entire translation process, from handing off the source content to be translated, through translation and review, to ultimately publishing the final translated content” (Esselink 2020: 110). Det er grundlæggende set en platform, hvor man kan oprette, formidle og afslutte oversættelsesprojekter samt forbinde alle deltagerne i oversættelsesforsyningskæden (kunder, projektledere i oversættervirksomheder og oversættere) i ét enkelt automatiseret workflow. I dag er systemerne almindeligvis cloud-baserede og kan tilgås af alle brugerne via en web-browser, hvilket gør det muligt for flere oversættere at samarbejde i realtid. Når oversættere tilgår en platform via deres browser, kan de bruge den integrerede TM-editor. Projektledere bruger platformen til at lave præ-analyser af omfanget af en oversættelsesopgave, overvåge oversættelsesworkflowet og opgavestatus samt til at kommunikere med oversættere og kunder. Et TMS er således et mere omfattende system end et TM-system, selvom deres funktioner overlapper, idet begge systemer inkluderer TM, MT og terminologistyrings-features.

Figur 6: TMS og det workflow den indgår i (Esselink 2020: 112)

Et TMS kan styres af kunder (slutbrugere) eller af oversættelsesvirksomheder. Kunder, der investerer i et TMS, ønsker typisk: “to keep a tighter grip on their translation processes, workflows, language assets and selection of translation suppliers or language resources” (Esselink 2020: 111). Selvom kunder ikke selv ønsker at investere i oversættelsesteknologi, forventer mange, at oversættelsesvirksomheder anvender et TMS for at øge produktiviteten og reducere omkostningerne. Ifølge Esselink (2020: 111-112) omfatter en typisk proces med brug af TMS følgende trin:

Kunden udpeger en tekst til oversættelse ved hjælp af fx et content management system).
Teksten sendes automatisk videre til oversættelsesvirksomheden.
Der oprettes automatisk en oversættelsesopgave, og teksten konverteres til et format, der er læsbart i TMS.
Der foretages en præ-analyse af kildeteksten med udgangspunkt i en TM-database, og der genereres en ordtællingsrapport med angivelse af antal ord, der skal oversættes, antallet og typer af TM-matches, der kan genbruges, pris og forventet tidspunkt for levering. Denne rapport sendes til kunden.
Kunden godkender oversættelsestilbuddet.
Indhold præoversættes ved hjælp af TM, og hvis der ikke er et match i TM’en, laves der en præoversættelse ved hjælp af MT.
Oversættelsesopgaven sendes til en oversætter, der accepterer eller afviser opgaven.
I oversættelseseditoren får oversætteren TM- og/eller MT-matches samt terminologi fra databasen, som kan afvises, revideres eller accepteres. For at afslutte oversættelsesprocessen kører oversætteren og/eller projektlederen almindeligvis en QA.
Oversættelsen sendes til gennemsyn hos en anden oversætter og/eller kunden (review).
Ændringer, kommentarer og generel feedback sendes til oversætteren, der eventuelt står for at implementere dem.
Levering af den færdige oversættelse til kunden.

Se Bundgaard (2017: 95) for et eksempel på et workflow i en specifik oversættervirksomhed.

Når det er maskinerne, der oversætter, og oversætternes rolle hovedsageligt er at rette fejl, bliver oversætteren mere perifer og er ikke længere omdrejningspunktet i oversættelsesprocessen. Oversætterens rolle er i dag at bidrage med input til en kompleks proces, der defineres af teknologien og af andre deltagere i processen, såsom oversættervirksomheder og kunder. Oversætteres perifere rolle er blevet problematiseret af LeBlanc (2017), som konkluderer, at konsekvensen af implementeringen af TM og genbrug af TM-matches er, at oversættere ofte oplever et tab af professionel selvstændighed og tab af arbejdsglæde. Der er således både fordele og ulemper forbundet med den stigende brug af TM-systemer og oversætteres interaktion med sådanne systemer, som bør undersøges nærmere, herunder integrationen af TM-systemer og TMS.

toppen af siden

Forskning i oversætteres interaktion med MT-systemer

Selvom langt de fleste professionelle oversættere i dag anvender TM-teknologi, er det ikke et område, der har haft den store bevågenhed inden for oversættelsesstudier (se fx O’Hagan 2013: 506ff). I en undersøgelse, der havde som formål systematisk at identificere og analysere forskning i oversættelsesteknologi i perioden mellem 2006 og 2016, fandt Christensen, Flanagan & Schjoldager (2017: 14), at der er gennemført meget få studier, både når vi taler om workplace-studier og om studier af, hvordan oversættere interagerer med oversættelsesværktøjer, og hvordan værktøjerne påvirker oversætteres kognition og arbejdsprocesser. Forskningen har snarere fokuseret på tekniske aspekter, systemevaluering, omfanget af implementering af teknologi i sprogindustrien og den måde, hvorpå teknologi påvirker professionen og uddannelsen af oversættere. Nyere forskning synes at fokusere på enten TM (fx LeBlanc 2017; Sannholm 2021) eller MT (fx Daems, Vandepitte, Hartsuiker et al. 2017; Ortiz-Boix and Matamala 2017). Der synes at være en overvægt af forskning i MT, hvilket sandsynligvis skyldes den hurtige udvikling inden for MT i de seneste år. Eftersom TM anvendes af langt de fleste i oversættelsesbranchen, og fordi TM i dag typisk kombineres med MT, vil vi i det følgende beskrive nogle af de nyere empiriske studier, der har fokus på oversætteres interaktion med TM og MT i kombination. Til dette formål vil vi både trække på vores egen forskning inden for dette område og studier, vi har fundet i en systematisk søgning efter publikationer i centrale tidsskrifter inden for oversættelsesstudier fra 2017 til og med 2022. Som det også var tilfældet i Christensen, Flanagan & Schjoldager (2017) fandt vi kun få studier inden for søgeområdet.

Bundgaard (2017) lavede et workplace-studie af MT-støttet TM i en stor dansk oversættervirksomhed. I et etnografiinspireret eksperiment undersøgte hun otte professionelle oversætteres interaktion med MT-støttet TM i SDL Trados Studio, herunder omfanget af oversætteres accept, afvisning og revision af forskellige match-typer, tidsforbrug i forbindelse med revision af TM- og MT-matches samt oversætternes holdning til MT-støttet TM. Studiet viste, at den interaktion, der foregår mellem oversætter og værktøj, er yderst kompleks. I oversættelsesprocessen skal oversætterne håndtere forskellige oversættelsesforslag og trække på forskellige ressourcer og funktioner, samtidig med at de skal tage kundens ønsker og måltekstens situationelle kontekst i betragtning. Studiet viste fx, at 9% af MT-matchene blev accepteret uden ændringer i en teknisk oversættelse. Ligeledes i en teknisk oversættelse viste analysen af tidsforbrug i forbindelse med revision af TM- og MT-matches, at den gennemsnitlige hastighed for TM-matches med værdier mellem 70 og 74% og for MT-matches var den samme, hvorimod revisionshastigheden var højere for TM-matches med højere match-værdier. Selvom oversætterne gjorde opmærksom på mange negative aspekter ved processen, især med hensyn til MT, havde de også en pragmatisk holdning til MT-støttet TM.

I lighed med Bundgaard (2017) rapporterer Teixeira & O’Brien (2017) fra et workplace-studie. I dette studie anvendte de keystroke logging, skærmoptagelser, eye-tracking og retrospektive interviews til at undersøge kognitive ergonomiske aspekter af 10 oversætteres arbejde med at revidere TM- og MT-matches og med at oversætte fra bunden i CAT-værktøjet memoQ. Studiet viste, at det værktøj, der blev brugt mest til at søge efter termer og udtryk, var konkordans-featuren, og at der er stor forskel i den måde, hvorpå oversættere bruger de to computerskærme, som de havde til rådighed: Nogle oversættere brugte kun den ene skærm i løbet af hele oversættelsesprocessen, mens andre ofte skiftede mellem de to skærme. Undersøgelsen viste dog, at oversætterne brugte den skærm, hvor hovedsiden i memoQ var åben, mere end 90% af tiden. Eye tracking-dataene viste, at oversætterne brugte cirka halvdelen af tiden på at kigge på måltekstsegmentet, og at de brugte mindre end 20% af tiden på at kigge på kildetekstsegmentet. Forfatterne fandt også ud af, at den aktivitet, der var mest krævende, var at konsultere eksterne ressourcer, der ikke er integreret i editoren.

I Bundgaard og Christensen (2019) er oversætteres interaktion med oversættelsesressourcer også genstand for refleksion. Med udgangspunkt i data fra Bundgaard (2017) undersøger forfatterne oversætteres brug af ressourcer i post-editing af TM- og MT-matches. Studiet viste, at konkordanssøgninger udgør cirka 74% af oversætternes konsultation af eksterne ressourcer, og at konkordansfeaturen er oversætternes primære hjælpemiddel. Undersøgelsen viste også, at konkordanssøgningerne var hyppigere i revision af MT-matches end af TM-matches, hvilket tyder på, at konkordans-featuren er en central ressource i post-editing af MT. Resultaterne viser desuden, at oversætterne sammenholder MT-output med TM, selv når de ikke mener, der er et oversættelsesproblem. Mens Hvelplund (2017) fandt ud af, at tosprogede ordbøger er den foretrukne ressource i oversættelse uden brug af oversættelsesteknologi, peger Bundgaard & Christensens (2019) studie på, at brugen af CAT-værktøjer ændrer oversætteres søgemønstre.

Med agency theory som teoretisk ramme undersøgte Cadwell, O’Brien & Teixeira (2018: 314-315) i et fokusgruppeinterview de menneskelige faktorer, der er afgørende for, hvorvidt professionelle oversættere bruger MT eller ej. Undersøgelsen viste, at MT og TM anvendes kombineret i praksis, og at oversættere som hovedregel stoler mere på output fra TM end fra MT. Bl.a. anførte deltagerne, at, selvom TM- og MT-segmenter kan indeholde fejl, så er TM-segmenterne: ”at least consistent in the type of errors they can contain, and that differences in TM matches are highlighted, but that MT output errors are unpredictable, inconsistent and foster distrust” (Cadwell, O’Brien & Teixeira 2018: 314). Det nævnes ikke, om oversætterne har erfaring med NMT, men ud fra den dato, hvor dataene blev indsamlet, brugte oversætterne sandsynligvis statistisk-baseret MT. Det eneste studie, vi kender til, der undersøger litterær oversættelse (literary translation) i kombination med TM og MT og andre teknologier, er Slessor (2020), som giver et godt indblik i den måde, som litterær oversættelse praktiseres på. Slessors resultater baserer sig på en online-spørgeskemaundersøgelse besvaret af 40 litterære oversættere. Undersøgelsen viste, at langt de fleste af de litterære oversættere aldrig bruger teknologi så som TM og MT. Mere præcist oplyste 77,5%, at de aldrig bruger TM, 7,5% at de sjældent bruger det, 10% at de bruger det en gang imellem, mens ingen oplyste, at de ofte bruger det. Det er interessant at konstatere, at nogle oversættere oplyste, at de bruger TM til at overholde formatering eller til at undersøge kollokationer i sammenstillede kilde- og måltekster (bitexts), hvilket viser, at konkordanssøgning også kan være en frugtbar ressource for litterære oversættere. Ifølge Slessor (2020) er især omkostninger og mangel på viden om brugen af CAT-værktøjer en hindring for anvendelse af oversættelsesteknologi til litterær oversættelse.

toppen af siden

Idéer til fremtidige forskningsprojekter

Professionelle oversættere er i dag så vant til at arbejde med et TM-system, at de formentlig ville føle sig fortabte, hvis de ikke havde adgang til at bruge værktøjet. Ikke mindst fordi TM-systemer har øget deres produktivitet, hvilket er vigtigt på et yderst konkurrencepræget marked. Den øgede produktivitet har resulteret i lavere honorarer og en stadig mere perifer rolle for oversætterne i oversættelsesprocessen og oversættelsesworkflowet. Dertil kommer, at oversættelsesworkflows som regel styres af oversættelsesvirksomhederne eller af kunderne, som ejer TM-databaserne i stedet for af oversætterne selv. Men da professionel oversættelse i dag altid foregår som interaktion mellem oversætter og computer, er der behov for mere forskning, der stiller skarpt på dette samarbejde mellem menneske og maskine.

Mens oversættelsesteknologi ikke har været genstand for mange undersøgelser inden for oversættelsesstudier, har andre discipliner som fx computational linguistics og datalogi i høj grad interesseret sig for udviklingen af især MT. Denne forskning har imidlertid fokuseret på software snarere end de mennesker, der arbejder med systemerne og på, hvordan MT kan kombineres med andre teknologier. Vi vil på den baggrund argumentere for, at oversættelsesstudier bliver nødt til at forholde sig til den nyeste teknologiske udvikling og skabe bedre grobund for forskning i, hvordan mennesker bruger oversættelsesteknologi. Nedenfor kommer vi med nogle forslag til ny forskning i TM med fokus på interaktionen mellem oversætter og computer. Der er brug for mere viden om:

Hvordan oversættere interagerer med NMT-støttet TM.
Hvordan oversættere interagerer med nye software-features, fx subsegment-matching i TM i kombination med MT, og hvordan oversætterne opfatter disse.
Professionelle oversætteres workflows, herunder hvordan oversættere, projektledere og kunder samarbejder og interagerer med TM-systemer og andre oversættelsesværktøjer.
Hvordan teknologi påvirker jobtilfredshed og status i samfundet.
Brugen af og mulige fordele ved MT-støttet TM i andre sammenhænge end til oversættelse af specialiserede tekster, fx til litterær oversættelse.
TM-teknologi i undervisning. Selvom TM-teknologi gradvist bliver integreret i uddannelsen af oversættere, er der stadig brug for, at man undersøger, hvordan der undervises i TM-teknologi, og hvilke kompetencer både bachelor- og kandidatstuderende har brug for. Det ville også være interessant at undersøge mulighederne for at integrere TM- og MT-støttet TM i computerstøttet sprogundervisning generelt.

toppen af siden