Toward Human-Centered AI-Assisted Terminology Work
Dieses Papier plädiert für einen menschenzentrierten KI-Rahmen in der Terminologiearbeit, der generative KI nutzt, um die Fähigkeiten von Terminologen zu erweitern, während gleichzeitig deren wesentliche Handlungsfähigkeit und Aufsicht gewahrt bleiben, um Genauigkeit zu gewährleisten, Risiken wie Halluzinationen und Bias zu mindern und die Integrität der spezialisierten Kommunikation zu bewahren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das große Ganze: Der „Co-Pilot“ vs. der „Autopilot“
Stellen Sie sich die Terminologiearbeit als den Beruf eines meisterhaften Kartografen vor. Ihre Aufgabe ist es, die genauesten Karten für bestimmte Gebiete (wie Medizin, Recht oder Ingenieurwesen) zu zeichnen. Sie entscheiden exakt, was ein Wort bedeutet, wie es mit anderen Wörtern zusammenhängt und wie es übersetzt werden muss, damit Experten in verschiedenen Sprachen einander perfekt verstehen.
Stellen Sie sich nun Generative KI (wie ChatGPT) als einen superschnellen, superintelligenten Roboter-Assistenten vor, der in Sekundenschnelle Karten zeichnen kann.
Das Papier argumenttiert, dass dieser Roboter-Assistent zwar unglaublich schnell ist, aber auch zu Halluzinationen (Dinge erfinden), Voreingenommenheit (bevorzugt bestimmte Kulturen oder Sprachen) und Fehlern neigt. Wenn wir den Roboter das Auto ganz allein fahren lassen (Vollautomatisierung), riskieren wir, Karten zu erstellen, die Menschen in den Abgrund führen.
Stattdessen schlägt der Autor Human-Centered AI (HCAI) vor. Betrachten Sie dies nicht als Ersatz für den Kartografen, sondern als die Gabe eines hochmodernen Co-Piloten. Der Roboter erledigt die schwere Arbeit und schlägt Routen vor, aber der menschliche Kartograf behält das Steuer fest in der Hand, um die endgültigen Entscheidungen zu treffen und Sicherheit sowie Genauigkeit zu gewährleisten.
Die drei Säulen des Papers
Der Autor schlägt vor, dass wir diese Beziehung auf drei Hauptideen aufbauen müssen:
1. Der „augmentierte“ Terminologe (Das Super-Werkzeug)
- Der alte Weg: In der Vergangenheit wurde Technologie manchmal den Arbeitern aufgezwungen, um sie schneller zu machen, wodurch sie zu „Zahnrädern in einer Maschine“ wurden (wie ein Fabrikarbeiter am Fließband).
- Der neue Weg: Das Papier plädiert für Augmentierung (Erweiterung). Stellen Sie sich einen Zimmermann vor, der einen Akkuschrauber bekommt. Der Akkuschrauber ersetzt nicht den Zimmermann; er ermöglicht es ihm, ein Haus in der Hälfte der Zeit zu bauen, während er dennoch sein Geschick nutzt, um perfekte Verbindungen herzustellen.
- Die Behauptung: Die KI sollte wie dieser Akkuschrauber wirken. Sie kann Definitionen entwerfen oder Äquivalente für Begriffe in Sekundenschnelle finden, aber der Mensch muss die Arbeit dennoch überprüfen, bearbeiten und genehmigen. Das Ziel ist es, den Menschen fähiger zu machen, nicht ihn obsolet zu machen.
2. Ethische KI (Der „Fairness“-Filter)
- Das Problem: KI-Modelle werden mit riesigen Mengen an Daten aus dem Internet trainiert. Das Papier weist darauf hin, dass diese Daten wie eine voreingenommene Bibliothek sind:
- Es gibt viel mehr Bücher auf Englisch (insbesondere US-Englisch) als in anderen Sprachen.
- Es gibt mehr Bücher über Sport und Popkultur als über Physik oder Mathematik.
- Es spiegelt westliche kulturelle Ansichten stärker wider als andere.
- Das Risiko: Wenn wir die KI die Karten ohne Kontrolle zeichnen lassen, könnte sie Begriffe erfinden, die nur in den USA Sinn ergeben, oder sie könnte lokale Arten der Beschreibung ignorieren. Sie könnte sogar versehentlich Stereotypen verwenden.
- Die Lösung: Der menschliche Terminologe fungt als der ethische Filter. Er muss die Arbeit der KI prüfen, um sicherzustellen, dass sie nicht voreingenommen ist, nichts erfindet und die spezifische Kultur und Sprache respektiert, in der sie verwendet wird. Der Mensch ist der Einzige, der sagen kann: „Nein, so sagen wir das in dieser Gemeinschaft nicht.“
3. Human-Centered Design (Das richtige Werkzeug bauen)
- Das Problem: Viele KI-Tools werden derzeit von Ingenieuren entwickelt, die nicht wissen, wie Terminologen arbeiten. Es ist, als würde man einem Koch ein Messer geben, das zu schwer ist oder einen rutschigen Griff hat. Der Koch muss seinen Kochstil an das Werkzeug anpassen, anstatt dass das Werkzeug ihm beim Kochen hilft.
- Die Lösung: Das Papier fordert Human-Centered Design. Das bedeutet:
- Fragen Sie zuerst die Nutzer: Entwickeln Sie die Werkzeuge basierend auf dem, was Terminologen tatsächlich brauchen, und nicht nach dem, was für einen Programmierer cool aussieht.
- Kontrolle behalten: Die Software sollte es dem Menschen ermöglichen, Funktionen ein- oder auszuschalten. Wenn die KI einen Begriff vorschlägt, sollte der Mensch problemlos „Nein“ sagen oder „Noch einmal versuchen“ können.
- Das Gehirn nicht austricksen: Das Design sollte verhindern, dass der Mensch träge wird. Das Tool sollte beispielsweise die Antwort nicht vor dem Menschen anzeigen, bevor dieser über das Problem nachgedacht hat, da der Mensch sonst dazu neigen könnte, die falsche Antwort der KI blind zu akzeptieren.
Wichtige Erkenntnisse in einfacher Sprache
- KI ist nicht bereit, Menschen zu ersetzen: Large Language Models (LLMs) sind großartig in Bezug auf Geschwindigkeit, aber schlecht in Bezug auf Präzision. Sie machen Fehler und lügen (halluzinieren). In einem Bereich, in dem Genauigkeit alles ist, sind Menschen weiterhin unverzichtbar.
- Geschwindigkeit vs. Kontrolle: Man kann ein sehr schnelles KI-System haben und gleichzeitig einen Menschen in voller Kontrolle haben. Sie sind keine Feinde; sie arbeiten am besten zusammen.
- Der Mensch ist der Chef: Das Papier besteht darauf, dass Terminologen die Entscheidungsträger bleiben müssen. Wenn Unternehmen KI nur nutzen, um Kosten zu senken und Experten zu entlassen, wird die Qualität des Wissens sinken und Voreingenommenheit verbreitet sich.
- Neue Fähigkeiten erforderlich: Terminologen müssen eine „KI-Literalität“ erlernen. Sie müssen wissen, wie man mit der KI kommuniziert (Prompting), wie man erkennt, wann die KI lügt, und wie man ihre Fehler korrigiert.
Das Fazit
Das Papier kommt zu dem Schluss, dass wir, wenn wir wollen, dass KI uns hilft, über Sprachen und Kulturen hinweg besser zu kommunizieren, sie als ein Werkzeug behandeln müssen, das Menschen befähigt, und nicht als eine Maschine, die sie ersetzt. Wenn wir diese Werkzeuge mit dem Wohlergehen und der Expertise des Menschen im Zentrum entwickeln, kann die KI uns helfen, bessere Karten des Wissens zu erstellen. Wenn wir es nicht tun, riskieren wir, uns in einem Nebel aus Fehlern und Voreingenommenheit zu verlieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.