|
ger: Die neuronale maschinelle Übersetzung befindet sich in einem großen Aufschwung, kommt aber momentan dennoch nur in einzelnen Bereichen zur Anwendung. Das Ziel dieser Masterarbeit ist es, mithilfe der neuronalen Übersetzungssoftware DeepL eine Übersetzung eines literarischen Textes maschinell anfertigen zu lassen und diese dann auf mögliche Fehlerquellen zu untersuchen. Dabei lautet die Annahme, dass durch die fortschreitende Entwicklung der neuronalen maschinellen Übersetzungssoftwares oberflächlich korrekte Texte häufig versteckte Probleme enthalten. Die Hypothese der vorliegenden Arbeit besagt, dass neuronale Übersetzungstools bei der Übersetzung von literarischen Texten hilfreich sein können, jedoch nicht fähig wären, Kontext, kulturelle Hintergründe und feststehende sprachliche Wendungen zu erkennen und erfolgreich zu übertragen. So müssen etwa Redewendungen, Implikationen, Synonyme und die Satzstruktur der Zielsprache genauestens auf Fehler untersucht werden.rUm diese Hypothese zu untersuchen, wurde das englische Märchen „Jack and the Beanstalk“ von Joseph Jacobs durch die neuronale Übersetzungssoftware DeepL übersetzt, wobei zur Kontrolle der Auswirkung einzelner Parameter neben der Hauptübersetzung auch weitere Versionen entstanden sind. Diese Übersetzung wurde dann durch Einbeziehen der Fehleranalyse nach Vilar et al. 2006 untersucht und die Fehler nach Typen kategorisiert. Die Auswertung der Fehler zeigte eine auffällige Anzahl falsch übersetzter Idiome, häufige Sinnfehler und zahlreiche stilistische Schwächen. Diese Fehlertypen zählen zu den eher aufwendigen Fehlern in der Postedition. Sinnfehler und falsch übersetzte Idiome sollten in dieser Anzahl in Humanübersetzungen nicht vorkommen. Des Weiteren waren auch einige Fehler in den Kategorien Kontext, Konsistenz und Bezug erkennbar. Für Post-EditorInnen bedeutet das, dass sie in der Praxis besonders auf eine genaue Korrektur im Hinblick auf die Bezüge und Ausdrücke im Ausgangstext achten müssen, auch wenn MÜ an sich immer mehr leistet. eng: Neural machine translation is rapidly expanding as a field of research, yet it is still only being used in particular areas of translation practice. The goal of this master thesis is to translate a literary text with the help of the neural translation software DeepL and then examine it for possible sources of error. While neural machine translation tools are steadily improving, even seemingly correct texts might contain hidden mistakes. The hypothesis of this thesis is that neural machine translation tools can be helpful in translating literary texts but fail to recognise context, cultural background and idioms and thus are unable to transfer them successfully. This means that a post-editor would need to closely examine figures of speech, implications, synonyms and the sentence structure of the target language. To investigate this hypothesis, the English fairy tale “Jack and the Beanstalk” was translated by the neural machine translation software DeepL. The resulting translation was examined using an adaptation of the error analysis methodology according to Vilar et al. 2006, categorising the errors by type. Evaluating the errors showed a notable number of mistranslated idioms, frequent errors of meaning and numerous deficiencies regarding style. These types of error are among the more complex for a post-editor to correct and would be unacceptable in this number in a human translation. Furthermore, several errors regarding context, consistency, and reference occurred. For the practice of post-editing, these findings imply that even as neural machine translation achieves ever higher levels of quality, post-editors still need to pay particular attention to the references and expressions of the source text to achieve an adequate translation.
|
