Detailansicht
Neural machine translation versus human translation in the field of natural science
Maren Etzlinger
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Zentrum für Translationswissenschaft
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Translation Deutsch Englisch
Betreuer*in
Dagmar Gromann
DOI
10.25365/thesis.71134
URN
urn:nbn:at:at-ubw:1-22766.81457.504733-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Ziel dieser Masterarbeit ist es, zu ermitteln, wie Übersetzer*innen und
Naturwissenschaftler*innen den unbearbeiteten Output neuronaler maschineller Übersetzung im Vergleich zur menschlichen Übersetzung bei hochspezialisierten Texten aus dem Bereich der Chemie und in der Sprachrichtung Englisch-Deutsch bewerten und welches der in diesem Experiment verwendeten neuronalen maschinellen Übersetzungstools (DeepL Translator, Google Translate, Microsoft Bing Translator und SYSTRAN Translate) ohne menschliche Eingriffe wie Pre- oder Post-Editing die besten Ergebnisse liefert.
Anhand eines Best-Worst-Scalings wurden die von den neuronalen maschinellen Übersetzungstools erstellten Übersetzungen und die menschliche Übersetzung verglichen und von den Teilnehmer*innen der Umfrage bewertet. Durch Plus- und Minuspunkte konnten die Teilnehmer*innen angeben, für wie gut oder schlecht sie die jeweiligen Übersetzungen hielten, wodurch eine numerische Punktezahl für jede Übersetzungsmethode erlangt wurde.
Das Ergebnis dieser Umfrage war, dass sowohl die Übersetzer*innen als auch die Naturwissenschaftler*innen ein neuronales maschinelles Übersetzungstool, nämlich DeepL Translator, deutlich besser bewerteten als alle anderen Objekte, sogar besser als die menschliche Übersetzung. DeepL Translator war auch das einzige neuronale maschinelle Übersetzungstool mit einer positiven numerischen Bewertung.
Zusammenfassend lässt sich sagen, dass neuronale maschinelle Übersetzungstools ohne Post-Editing unter bestimmten Bedingungen die menschliche Übersetzung übertreffen können, obwohl dies nicht für alle Tools behauptet werden kann.
Abstract
(Englisch)
The objective of this master’s thesis is to determine how translators and natural scientists rate the raw output of neural machine translation in comparison to human translation in highly specialised textsfrom the domain of chemistry and in the language direction English to German, and to determine which of the neural machine translation tools used in this experiment (DeepL Translator, Google Translate, Microsoft Bing Translator, and SYSTRAN Translate) yields the best results without any human intervention such as pre- or post-editing.
Using a best-worst scaling, the translations produced by the neural machine translation tools and the human translation were compared and assessed by the participants of the survey. By means of plus and minus points, participants could indicate how good or bad they considered the respective translations to be, resulting in a numeric score for each translation method.
The findings of this survey were that both the translators and the natural scientists rated one neural machine translation tool, namely DeepL Translator, significantly better than all the remaining objects, even better than human translation. DeepL Translator was also the only neural machine translation tool with a positive numeric rating. In conclusion, it can be said that, under certain conditions, neural machine translation tools can outperform human translation without undergoing post-editing, although this cannot be claimed for all tools.
Schlagwörter
Schlagwörter
(Deutsch)
neuronale maschinelle Übersetzung maschinelle Übersetzung menschliche Übersetzung Naturwissenschaften Best-Worst-Scaling Übersetzungsvergleich
Schlagwörter
(Englisch)
neural machine translation machine translation human translation natural science best-worst scaling translation comparison
Autor*innen
Maren Etzlinger
Haupttitel (Englisch)
Neural machine translation versus human translation in the field of natural science
Paralleltitel (Deutsch)
Neuronale maschinelle Übersetzung im Vergleich zu menschlicher Übersetzung im Bereich der Naturwissenschaften
Publikationsjahr
2022
Umfangsangabe
136 Seiten : Diagramme
Sprache
Englisch
Beurteiler*in
Dagmar Gromann
Klassifikation
17 Sprach- und Literaturwissenschaft > 17.45 Übersetzungswissenschaft
AC Nummer
AC16538528
Utheses ID
63484
Studienkennzahl
UA | 070 | 331 | 342 |