Detailansicht
The role of language technology in doctor-patient communication
Diana-Andreea Codrean
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Zentrum für Translationswissenschaft
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Translation Rumänisch Deutsch
Betreuer*in
Dragos Ioan Ciobanu
DOI
10.25365/thesis.81341
URN
urn:nbn:at:at-ubw:1-13799.46593.613382-6
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Arbeit untersucht die Dolmetschqualität sowie das subjektiv wahrgenommene Verständnis im konsekutiven medizinischen Dolmetschsetting und vergleicht diese mit einer auf einem großen Sprachmodell (LLM) basierenden Speech-to-Speech-Übersetzungstechnologie (S2S). Im Fokus stehen dabei Kommunikationssituationen im Kontext des Medizindolmetschens, die entweder durch einen/e professionellen/e Dolmetscher/in oder durch ein KI-gestütztes System (ChatGPT) vermittelt werden. Auf Grundlage des Conduit-Modells sowie des triadischen Interaktionsmodells des Dolmetschens untersucht die Arbeit, inwiefern die Interaktionsdynamik die kommunikativen Prozesse und die Dolmetschqualität in einem klinischen Setting beeinflussen. Methodologisch basiert die Studie auf einem Mixed-Methods-Design, das quantitative Auswertungsverfahren mit qualitativer Diskurs- bzw. Interaktionsanalyse kombiniert. Es wurden vier simulierte medizinische Interaktionen durchgeführt, an denen zwei rumänischsprachige Patient:innen und eine deutschsprachige ärztliche Fachperson beteiligt waren. Jeder/e Patient/in nahm an zwei Szenarien teil: einem, das von einem/er professionellen Dolmetscher/in vermittelt wurde, und einem, das von ChatGPT vermittelt wurde. Die Konsultationen wurden transkribiert, segmentiert auf Basis von drei unterschiedlichen Annotations- bzw. Analyseframeworks systematisch kodiert und annotiert. Das Verständnis wurde quantitativ untersucht, indem Anzeichen für das Verständnis der Teilnehmer:innen gemäß Clark & Schaefer (1989) identifiziert wurden, während die Qualität anhand eines von Hamai et al. (2024) vorgeschlagenen Modells zur Qualitätsbewertung im medizinischen Dolmetschen sowie der Multidimensional Quality Metrics (MQM) bewertet wurde. Die Qualität und das wahrgenommene Verständnis wurden zusätzlich durch halbstrukturierte Interviews untersucht, die qualitativ analysiert wurden. Die Ergebnisse zeigen, dass die S2S-Übersetzungstechnologie zwar ein leicht zugängliches und funktionales Instrument für den Informationsaustausch darstellt, das menschliche Dolmetschen jedoch im Allgemeinen zu einem höher wahrgenommenen Verständnis und einer zuverlässigen Qualität der Vermittlung führt. Die Auswertung mithilfe des MQM-Rasters verdeutlicht, dass ChatGPT solide Leistungen erzielen kann, allerdings weniger zuverlässig ist und, im Vergleich zur konstant hohen Qualität des/r Dolmetschers/in, niedrigere Bewertungen sowie kritische Fehler aufweist. Gleichzeitig unterstreicht die auf Hamai et al. (2024) basierende Analyse die Bedeutung der Interaktionskompetenz menschlicher Dolmetscher:innen und ihren Beitrag zu einer effektiven triadischen Kommunikation in diesen Szenarien. Darüber hinaus deuten die Ergebnisse darauf hin, dass die Teilnehmenden ihre Sprache bei der Interaktion mit ChatGPT anpassen, indem sie Äußerungen verkürzen und Standardsprache verwenden, um die maschinelle Verarbeitung zu erleichtern. Schließlich thematisiert die Arbeit ethische Fragestellungen im Zusammenhang mit dem Einsatz von KI-Tools in Kontexten mit strikten Vertraulichkeitsanforderungen. Die Arbeit unterstreicht, dass die Bewertung von Dolmetschleistungen und von auf großen Sprachmodellen basierender S2S-Übersetzungstechnologie sowohl über ergebnisorientierte Qualitätsindikatoren als auch unter Berücksichtigung der Interaktionsdynamik erfolgen muss. Dabei werden das Potenzial und die Grenzen solcher Technologien aufgezeigt, während zugleich die fortwährende Relevanz menschlicher Dolmetscher:innen für eine präzise, nuancierte und ethisch fundierte Kommunikation im Gesundheitswesen betont wird.
Abstract
(Englisch)
This thesis investigates the quality and perceived understanding of consecutive medical interpreting in comparison with Speech-to-Speech (S2S) translation technology based on a large language model (LLM), focusing on interactions mediated by ChatGPT and a human interpreter. Drawing on both the conduit and the triadic models of interpreting, the thesis examines how interactional dynamics influence communicative outcomes in a clinical context. A mixed-methods approach was adopted, combining quantitative and qualitative analyses. Four simulated medical interactions were conducted involving two Romanian-speaking patients and one German-speaking physician. Each patient participated in two scenarios: one mediated by a professional human interpreter and one by ChatGPT. The consultations were transcribed, segmented, and annotated using three different frameworks. Understanding was quantitatively analysed by identifying evidence of understanding exhibited by the participants following Clark & Schaefer (1989), while quality was evaluated through a framework for quality assessment in medical interpreting proposed by Hamai et al. (2024) and the Multidimensional Quality Metrics (MQM). Understanding and perceived quality were further explored through semi-structured interviews, which were analysed qualitatively. The findings indicate that while S2S translation technology constitutes an easily accessible and functional tool for information exchange, human interpreting generally results in higher perceived understanding and reliable quality. MQM results reveal that although ChatGPT can perform well, it remains less reliable, producing lower scores and critical errors compared to the consistent quality of the human interpreter. At the same time, the analysis based on Hamai et al. (2024) underscores the importance of the interactional capabilities of human interpreters and their contribution to effective communication in these scenarios. Furthermore, the results suggest that participants tend to modify their speech when interacting with ChatGPT, shortening their utterances and using standard language to facilitate machine processing. Lastly, the thesis addresses the ethical considerations of employing AI tools in contexts governed by strict confidentiality requirements. The thesis highlights the need to evaluate interpreting quality and LLM-based S2S translation technology through both outcome-based measures and interactional dynamics, demonstrating the potential and limitations of such tools while underscoring the continued importance of human interpreters for accurate, nuanced, and ethically sound communication in healthcare.
Schlagwörter
Schlagwörter
(Deutsch)
Medizindolmetschen große Sprachmodelle Speech-to-Speech-Übersetzungstechnologie ChatGPT MQM Verständnis Qualität
Schlagwörter
(Englisch)
Medical Interpreting Large Language Models Speech-to-Speech Translation Understanding Quality
Autor*innen
Diana-Andreea Codrean
Haupttitel (Englisch)
The role of language technology in doctor-patient communication
Publikationsjahr
2026
Umfangsangabe
138 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Dragos Ioan Ciobanu
Klassifikation
17 Sprach- und Literaturwissenschaft > 17.45 Übersetzungswissenschaft
AC Nummer
AC17909596
Utheses ID
80687
Studienkennzahl
UA | 070 | 354 | 331 |