Toward Human-Centered AI-Assisted Terminology Work

Sintesi Tecnica: Verso un Lavoro Terminologico Assistito dall'IA Centrato sull'Uomo

Problematica
La rapida emergenza dell'Intelligenza Artificiale Generativa (GenAI), in particolare dei Modelli Linguistici di Grandi Dimensioni (LLM), presenta una duplice sfida per il lavoro terminologico (TW). Sebbene gli LLM offrano opportunità di automazione — come la generazione di definizioni, la proposta di equivalenti terminologici e l'identificazione di relazioni concettuali — essi introducono anche rischi significativi. Gli attuali LLM sono soggetti a errori, allucinazioni e varie forme di bias, rendendoli inaffidabili per scopi terminologici autonomi. Inoltre, il campo manca di principi stabiliti per guidare l'integrazione di queste tecnologie. Prevale la preoccupazione che le pressioni sull'efficienza possano portare a un'automazione eccessiva basata sul malinteso che l'esperienza umana possa essere sostituita, rischiando potenzialmente di minare l'autonomia del terminologo, svalutare la competenza professionale ed erodere la diversità linguistica e concettuale. Il problema centrale è l'assenza di un quadro che bilanci i guadagni di efficienza della GenAI con la necessità di mantenere l'agenzia umana, l'accuratezza e gli standard etici nella produzione terminologica.

Metodologia
Questo articolo adotta un approccio concettuale e teorico piuttosto che un disegno sperimentale empirico. Esso sintetizza la letteratura accademica esistente da tre domini primari:

1. Intelligenza Artificiale Centrata sull'Uomo (HCAI): Basandosi fortemente sul lavoro di Shneiderman (2020) e altri, il documento stabilisce l'HCAI come un paradigma che dà priorità alla fioritura umana, all'amplificazione dell'agenzia umana e alla compatibilità tra alta automazione e forte controllo umano.
2. Studi sulla Traduzione: Il documento esamina come i principi HCAI siano stati applicati alla traduzione, specificamente riguardo al passaggio dal "taylorismo digitale" alla "traduzione aumentata" e alla relazione simbiotica tra umani e macchine.
3. Letteratura sul Lavoro Terminologico: Analizza le specifiche caratteristiche epistemiche e professionali del TW, inclusi la natura dei prodotti terminologici, il ruolo della validazione e i limiti delle attuali prestazioni degli LLM in compiti come l'estrazione di termini, la generazione di definizioni e la proposta di equivalenze.

La metodologia prevede un'analisi critica di questi campi intersecati per proporre un quadro concettuale per l'integrazione dell'IA nel TW. Esamina studi su piccola scala esistenti sulle prestazioni degli LLM nella terminologia (ad esempio, estrazione di termini, generazione di definizioni) per dimostrare gli attuali limiti e la necessità dell'intervento umano.

Contributi Chiave
Il documento propone un quadro di Intelligenza Artificiale Centrata sull'Uomo (HCAI) specificamente adattato per il Lavoro Terminologico, organizzato attorno a tre dimensioni interrelate:

1. Il Terminologo Aumentato:

   • Compatibilità di Automazione e Controllo: Il documento sostiene che alti livelli di automazione e un forte controllo umano non sono mutuamente esclusivi, ma sono compatibili e desiderabili. Propone un modello "AI-in-the-loop" in cui l'IA agisce come componente di supporto subordinata alla direzione umana, piuttosto che come sostituto.
   • Empowerment vs. Emulazione: L'obiettivo primario dell'IA nel TW deve essere quello di potenziare i terminologi (migliorando le loro capacità) piuttosto che limitarsi a emulare l'intelligenza umana. L'IA dovrebbe gestire i compiti ad alta intensità di dati (ad esempio, riconoscimento di pattern, generazione rapida di candidati) mentre gli umani mantengono l'autorità sulla modellazione concettuale, la validazione e il processo decisionale finale.
   • Nuovi Set di Competenze: L'integrazione dell'IA richiede una "alfabetizzazione all'IA", che includa la capacità di valutare criticamente gli output dell'IA, formulare prompt efficaci, comprendere le implicazioni etiche e selezionare i livelli di automazione appropriati per specifici sottotitoli.

2. IA Etica:

   • Protezione dei Valori Professionali: Il quadro sottolinea che l'adozione dell'IA non deve compromettere il benessere o i valori professionali del terminologo, come la precisione linguistica, la diversità epistemica e la rappresentazione equa delle visioni del mondo.
   • Mitigazione dei Bias: Il documento dettaglia i bias specifici inerenti agli LLM (Linguistici, Temporali, Culturali, Epistemici e Sociali) derivanti dalla composizione dei dati di addestramento (ad esempio, la dominanza di contenuti in inglese e centrati sugli Stati Uniti) e dal funzionamento algoritmico. Postula che i terminologi siano indispensabili per mitigare questi bias attraverso interventi a monte (prompting, selezione delle fonti) e a valle (revisione critica, de-biasing) per prevenire la circolazione di terminologia inaccurata o distorta.

3. Design Centrato sull'Uomo (HCD):

   • Integrazione Centrata sull'Utente: Gli strumenti di IA dovrebbero essere inseriti direttamente nei flussi di lavoro terminologici anziché essere accessibili tramite chatbot indipendenti, riducendo l'attrito.
   • Design Partecipativo: I terminologi devono essere attivamente coinvolti nella concezione, nel design e nel perfezionamento degli strumenti di IA per garantire l'allineamento con le pratiche professionali.
   • Ergonomia Cognitiva: I sistemi dovrebbero essere progettati per ridurre il carico cognitivo, supportare il processo decisionale attraverso la spiegabilità (ad esempio, la Generazione Aumentata dal Recupero - RAG - per la verifica delle fonti) e mitigare rischi come la riduzione dell'impegno critico e l'effetto ancoraggio attraverso un design dell'interfaccia intenzionale (ad esempio, dialoghi di conferma, ritardando i suggerimenti dopo l'analisi indipendente).

Risultati e Conclusioni
Il documento non presenta nuovi dati sperimentali, ma sintetizza le prove esistenti per trarre diverse conclusioni:

• Limiti degli LLM: Gli attuali LLM sono inconsistenti e inaffidabili per i compiti terminologici. Sebbene possano superare i metodi statistici tradizionali in contesti specifici (ad esempio, l'estrazione di termini), spesso allucinano, confondono le varianti regionali e faticano con le profonde relazioni concettuali.
• Indispensabilità degli Umani: A causa di questi limiti e della necessità di una validazione autorevole, i terminologi umani rimangono essenziali. Il loro ruolo si sposta dall'esecuzione manuale alla supervisione, al raffinamento e alla gestione etica.
• Rischio di Automazione Incontrollata: L'adozione non strutturata della GenAI rischia di amplificare i bias, erodere la diversità linguistica e diminuire l'agenzia professionale dei terminologi, portando potenzialmente a un "taylorismo digitale" in cui i lavoratori diventano meri validatori dell'output della macchina.
• Fattibilità dell'HCAI: Le evidenze provenienti dagli studi sulla traduzione suggeriscono che un'alta automazione può coesistere con un forte controllo umano, a condizione che la tecnologia sia progettata per aumentare, piuttosto che sostituire, il giudizio umano.

Significatività
Il documento sostiene che un orientamento centrato sull'uomo non è solo desiderabile, ma necessario per garantire che l'IA rafforzi, piuttosto che indebolire, il ruolo essenziale del lavoro terminologico. Preservando l'agenzia professionale e l'autorità decisionale, questo approccio salvaguarda l'accuratezza e l'affidabilità dei prodotti terminologici, che sono critici per la comunicazione specializzata, la traduzione, la standardizzazione e il trasferimento di conoscenza tra lingue e culture. Il documento conclude che le decisioni prese riguardo all'integrazione dell'IA oggi determineranno se il lavoro terminologico continuerà a sostenere la trasmissione accurata della conoscenza o se soccomberà ai rischi di bias e distorsione concettuale. Esso invoca un programma di ricerca sostenuto per valutare empiricamente come i terminologi interagiscono con l'IA e per valutare sistematicamente la competenza degli LLM in varie condizioni.