Translating the Untranslatable: An Operationalizable Ontology for Untranslatability
Dieses Paper führt eine strukturierte Ontologie und Taxonomie der Unübersetzbarkeit ein, um das Konzept für das NLP zu operationalisieren, was zu einem neuen mehrsprachigen Datensatz und ersten Erkenntnissen führt, die zeigen, dass sich die Übersetzungsqualität verbessert, wenn Modelle erläuternde Kompensationsstrategien anwenden.
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
Die Kernidee: Wenn die Übersetzung an ihre Grenzen stößt
Stellen Sie sich vor, Sie versuchen, ein Möbelstück von Ihrem Haus in ein neues Haus zu transportieren. Normalerweise heben Sie es einfach auf und tragen es rüber. So funktioniert die heutige Computerübersetzung meistens: Sie bewegt Wörter von Sprache A nach Sprache B.
Aber manchmal ist das Möbelstück seltsam geformt oder die Türöffnungen im neuen Haus sind zu klein. Sie können es nicht einfach durchtragen; Sie müssen es auseinanderbauen, in Luftpolsterfolie einwickeln oder sogar eine Notiz hinterlassen, die erklärt, warum es anders aussieht.
In dieser Arbeit geht es um diese „seltsam geformten“ Momente in der Sprache. Die Autoren nennen dies Unübersetzbarkeit. Dies geschieht, wenn ein Wort oder eine Phrase in einer Sprache (wie Japanisch oder Spanisch) eine Bedeutung, einen Witz oder ein kulturelles Gefühl trägt, das es im Englischen schlichtweg nicht gibt. Wenn man versucht, es Wort für Wort zu übersetzen, verliert man die Seele der Botschaft.
Das Problem: Computer sind zu wörtlich
Aktuelle KI-Übersetzer sind wie sehr strenge Bibliothekare. Sie sind großartig darin, die exakte Wörterbuchdefinition eines Wortes zu finden. Aber sie haben Schwierigkeiten, wenn ein Wort eher ein Gefühl, ein Wortspiel oder ein kultureller Insider-Witz ist.
Das Papier erwähnt zum Beispiel den japanischen Internet-Slang „wwww“ (der wie Gras aussieht und „lol“ bedeutet). Eine KI könnte versuchen, es als „Gras“ zu übersetzen, was für einen englischsprachigen Sprecher keinen Sinn ergibt. Oder sie könnte ein spanisches Wort für die „Zeit, die man nach dem Essen beim Plaudern verbringt“ (sobremesa) einfach als „nach dem Abendessen“ übersetzen und dabei die gemütliche, soziale Atmosphäre des Originalwortes verlieren.
Die Autoren argumentieren, dass wir aufhören müssen, diese Momente als „Bugs“ oder seltene Fehler zu behandeln. Stattdessen sollten wir sie als eine spezifische Kategorie von Problemen betrachten, die einen speziellen Werkzeugkasten erfordern.
Die Lösung: Eine neue Karte und ein Werkzeugkasten
Um dies zu beheben, haben die Forscher zwei Hauptdinge entwickelt:
1. Die Karte (Die Ontologie)
Sie haben eine strukturierte Karte erstellt, um zu kategorisieren, warum etwas unübersetzbar ist. Sie unterteilte dies in drei Hauptviertel:
- Linguistisch: Die Grammatik oder die Klänge sind anders (wie ein Zungenbrecher, der in einer anderen Sprache nicht funktioniert).
- Figurativ: Es geht um Witze, Wortspiele oder Redewendungen (wie die Aussage „it's raining cats and dogs“).
- Kulturell: Es geht um Geschichte, Religion oder Bräuche (wie eine Begrüßung, die ein Küssen auf die Wange beinhaltet, was in einer anderen Kultur vielleicht seltsam wirkt).
2. Der Werkzeugkasten (Kompensationsstrategien)
Da man die Bedeutung nicht einfach „tragen“ kann, benötigt man eine Strategie, um die Botschaft zu vermitteln. Die Autoren definierten sechs Wege, um dies zu handhaben, vergleichbar mit verschiedenen Werkzeugen in einem Werkzeugkasten:
- Annotation (Die „Notiz“-Strategie): Übersetzen Sie das Wort, aber fügen Sie in Klammern eine kleine Erklärung hinzu. Beispiel: „We enjoyed the sobremesa (a long chat after dinner).“
- Adaption (Die „Austausch“-Strategie): Ersetzen Sie den ursprünglichen Witz durch einen anderen Witz, der das Publikum auf die gleiche Weise zum Lachen bringt, auch wenn die Wörter völlig anders sind.
- Entlehnung (Die „Beibehalten“-Strategie): Behalten Sie einfach das ursprüngliche Fremdwort bei und hoffen Sie, dass die Leute es lernen. Beispiel: „We had a nice feng-shui.“
- Paraphrase (Die „Erklär“-Strategie): Werfen Sie die wörtlichen Wörter weg und erklären Sie stattdessen die Bedeutung in einfachem Englisch.
- Optionen (Die „Vielleicht“-Strategie): Wenn der ursprüngliche Satz vage ist, geben Sie dem Leser mehrere Möglichkeiten. Beispiel: „He/She went home.“
- Calque (Die „Wörtliche Kopie“-Strategie): Übersetzen Sie die Wörter exakt so, wie sie sind, auch wenn es seltsam klingt, damit der Leser die Bedeutung erraten kann.
Das Experiment: Die Werkzeuge testen
Die Forscher haben nicht nur darüber gesprochen; sie haben einen massiven Datensatz erstellt. Sie nahmen 1.300 knifflige Sätze aus dem Spanischen und Japanischen und generierten 18.200 verschiedene englische Übersetzungen, wobei jede eine andere Strategie aus ihrem Werkzeugkasten verwendete.
Dann ließen sie echte Menschen als Richter fungieren. Sie zeigten den Leuten den Originalsatz und die verschiedenen Übersetzungen und fragten: „Welche davon gefällt Ihnen besser?“
Was sie herausfanden
Die Ergebnisse waren überraschend und wichtig:
- Die Leute lieben die „Notiz“-Strategie: Die beliebteste Übersetzung war meist diejenige, die eine Erklärung enthielt (Annotation). Die Menschen bevorzugten es, zu wissen, warum ein Wort verwendet wurde, auch wenn dies den Satz länger machte.
- Kontext ist entscheidend: Wenn die Übersetzung für ein Lehrbuch war (wo Lernen der Schlüssel ist), liebten die Leute die Erklärungen. Wenn es für einen Film war (wo der Fluss entscheidend ist), wollten sie es kürzer, aber sie bevorzugten immer noch Erklärungen gegenüber verwirrenden wörtlichen Übersetzungen.
- Ein Einheitsmodell passt nicht für alle: Eine Strategie, die für ein Wortspiel funktioniert, kann bei einem kulturellen Brauch versagen. Die beste Übersetzung hängt davon ab, was übersetzt wird und wo es gelesen wird.
Das Fazit
Die Arbeit kommt zu dem Schluss, dass die maschinelle Übersetzung derzeit versucht, einen quadratischen Klotz in ein rundes Loch zu pressen. Indem wir erkennen, dass manche Dinge nicht direkt übersetzt werden können, und indem wir Computern eine strukturierte Liste von Strategien (wie das Hinzufügen von Notizen oder das Austauschen von Witzen) geben, um diese Momente zu bewältigen, können wir Übersetzungen schaffen, die für Menschen tatsächlich Sinn ergeben.
Sie beheben nicht nur Fehler; sie lehren Computer, wie menschliche Übersetzer zu sein: flexibel, kreativ und bereit, ein wenig zusätzlichen Kontext hinzuzufügen, um sicherzustellen, dass die Botschaft wirklich verstanden wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.