Detailansicht
Language needs and language technology in disaster management
current status and future pathways in governmental policy
Florian Kaiselgruber
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Zentrum für Translationswissenschaft
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Translation Deutsch Englisch
Betreuer*in
Claudia Plieseis
DOI
10.25365/thesis.81896
URN
urn:nbn:at:at-ubw:1-15893.76676.512955-1
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Krisenlagen erfordern klare Kommunikation, um Todesfälle, Verletzungen sowie Schäden an Infrastruktur und Privateigentum zu minimieren. Insbesondere müssen Mitteilungen an die betroffene Bevölkerung in einer Sprache zugänglich sein, die diese verstehen. Oftmals erfordert dies eine Ad-hoc-Übersetzung in Krisensituationen durch Laien, darunter Freiwillige, Ersthelfende und Nichtregierungsorganisationen. In den letzten Jahren hat die Nutzung von Tools zur maschinellen Übersetzung (MT) in der breiten Bevölkerung erheblich zugenommen. Sprachmodelle (LLMs) wie ChatGPT und Tools zur neuronalen maschinellen Übersetzung (NMT) wie Google Translate sind mittlerweile allgegenwärtig. Für nicht-professionelle Übersetzer:innen, die in Krisenübersetzungen einspringen, ist es daher naheliegend, diese Tools zu nutzen, um den Betroffenen Nachrichten in deren Sprachen zur Verfügung zu stellen. Allerdings ist nur wenig über die Leistung dieser MT-Tools in Krisensituationen oder den Aufwand für die Nachbearbeitung (Post-Editing) bekannt, der erforderlich ist, um den Roh-Output für die Verbreitung geeignet zu machen. In Krisensituationen ist dies besonders kritisch, da bereits kleine Fehler in Übersetzungen die Rezipient:innen in Gefahr bringen könnten. Darüber hinaus wurde bislang nicht untersucht, ob der Einsatz von maschineller Übersetzung bei der Verbreitung von Alarmmeldungen in die offizielle Planung von Katastrophenschutz und -vorsorge integriert wurde. Um diese Forschungslücken zu bearbeiten, befasst sich diese Masterarbeit anhand einer Fallstudie zu zwei offiziell französischsprachigen Ländern – Senegal und Frankreich – sowohl mit Erwähnungen von (maschineller) Übersetzung in Planungsdokumenten auf nationaler Ebene als auch mit der Leistung der maschinellen Übersetzung anhand einer Alarmmeldung für Nicht-Französischsprachige. Im ersten Teil der Methodik wurde ein Korpus aus offiziellen Regierungsdokumenten zu den Themen Katastrophenrisikomanagement, Planung und Vorsorge sowie Notfallmaßnahmen zusammengestellt. Anschließend wurden systematische Stichwortsuchen durchgeführt, um die Einbeziehung von Übersetzungen im Allgemeinen und maschineller Übersetzung im Besonderen in diese Dokumente zu untersuchen. Im zweiten Teil der Methodik wurde das Beispiel einer französischsprachigen Hochwasserwarnmeldung herangezogen. Diese wurde mittels Google Translate und ChatGPT sowohl ins Englische als auch ins Wolof (die am häufigsten gesprochene Sprache im Senegal) übersetzt. Anschließend wurde ein Experiment zur Nachbearbeitung der maschinellen Übersetzungen (PEMT) durchgeführt, bei dem drei englisch- und vier wolofsprachige Teilnehmende gebeten wurden, die Meldung so lange nachzubearbeiten, bis sie ausreichend verständlich sei, um an die Zielgruppe gesendet zu werden, und um die Handlungsanweisungen korrekt zu vermitteln. Zur Bewertung des technischen Aufwands für die Nachbearbeitung wurde die Damerau-Levenstein-Edit-Distance (ED) herangezogen. Darüber hinaus wurde von weiteren Teilnehmenden eine Fehlerbewertung sowohl der rohen maschinellen Übersetzung als auch der nachbearbeiteten Versionen durchgeführt, und zwar einmal für den Englisch- und zweimal für den Wolof-Teil des Experiments. Die Ergebnisse der Korpusanalyse zeigen, dass weder Frankreich noch Senegal in ihrer Planung für Katastrophenrisikomanagement oder -bewältigung explizit auf maschinelle Übersetzung im Speziellen eingehen, sich aber am Rande einige Erwähnungen von Übersetzung im Allgemeinen finden. Diese beziehen sich auf Barrierefreiheit von Informationen für verschiedene vulnerable Bevölkerungsgruppen, und auf die Fremdsprachenkenntnisse von Freiwilligen in Kriseninformationszentren. Die Qualität von Übersetzungen findet allerdings keine Erwähnung. Das PEMT-Experiment zeigte, dass Google Translate bei Übersetzungen sowohl ins Englische als auch ins Wolof insgesamt besser abschnitt als ChatGPT, mit geringeren Gesamt- und Durchschnitts-EDs. Die zusätzliche Formatierung, die ChatGPT einfügte, um bestimmte Handlungsaufforderungen für die Zielgruppe hervorzuheben, wurde von den Post-Editor:innen jedoch geschätzt, insbesondere in der Englisch-Version. Es ist zudem festzustellen, dass die Übersetzungen vom Französischen ins Englische (zwei ressourcenreiche Sprachen) keine kritischen Fehler aufwiesen. Zwar verschob sich die relative Betonung einiger Phrasen der Warnmeldung, diese blieb aber insgesamt verständlich. Im Gegensatz dazu enthielten die maschinellen Übersetzungen aus dem Französischen ins Wolof (eine ressourcenarme Sprache) mehrere kritische Fehler, die die Rezipient:innen möglicherweise in Gefahr bringen könnten, insbesondere in der ChatGPT-Version. Erhebliche Teile wurden als überhaupt unverständlich bewertet. Letztendlich unterstreicht diese Arbeit die Notwendigkeit einer fundierten menschlichen Nachbearbeitung, wenn maschinelle Übersetzung in Krisensituationen eingesetzt wird, insbesondere wenn es sich bei der Zielsprache um eine ressourcenarme Sprache handelt.
Abstract
(Englisch)
Crisis situations demand clear communication in order to minimize fatalities, injuries, and damage to infrastructure and private property. In particular, the messages sent to affected populations need to be accessible to them in a language they understand. Often, this demands ad hoc crisis translation by non-specialists, including volunteers, first responders, and NGOs. Over the past years, the use of machine translation (MT) tools has increased significantly among the general population, with Large Language Models (LLMs) such as ChatGPT and neural machine translation (NMT) tools like Google Translate becoming ubiquitous. Therefore, it can seem like a default choice for non-professional translators stepping up in crisis translation to use these tools in making messages available to affected populations in their languages. However, little is known about the performance of these MT tools in crisis situations or the post-editing effort it takes to make the raw MT output suitable for distribution. In crisis situations, this is particularly critical as even small mistakes in translations could end up endangering recipients. Furthermore, it has not been investigated whether the use of machine translation in the diffusion of emergency messages has been integrated into official action plans, preparedness documents. To address these knowledge gaps, this MSc thesis takes the case study of two officially francophone countries – Senegal and France – and investigates both the presence of mentions of (machine) translation in national-level planning documents, and the performance of MT in rendering an emergency message available to non-French-speakers. For the first part of the methodology, a corpus was compiled of official governmental documents related to disaster risk management, planning, and preparedness, and emergency response. Systematic keyword queries were then run to investigate the incorporation of translation in general and machine translation in particular into these documents. For the second part of the methodology, the example of a French-language flood warning message was taken. It was translated into both English and Wolof (the most commonly spoken language in Senegal) using Google Translate and ChatGPT. Subsequently, a Post-Editing of Machine Translation (PEMT) experiment was performed, with three English- and four Wolof-speaking participants being asked to post-edit the message until they felt it was of sufficient quality to be broadcast to the target audience and convey emergency instructions accurately. For the assessment of the technical post-editing effort, the Damerau-Levenstein edit distance (ED) was used. In addition, error-scoring was performed on the raw MT output and the post-edited versions by one participant for the English and two participants for the Wolof part of the experiment. The results of the corpus analysis show that neither France nor Senegal explicitly take machine translation into account specifically but that they mention translation in general in passing in their disaster risk management or emergency response plans. Some mentions are made of the accessibility of information for different vulnerable population groups, and of the foreign language skills of volunteers in crisis information centres. However, no mention is made of quality assurance. The PEMT experiment demonstrated that, overall, Google Translate performed better than ChatGPT when it came to translations into both English and Wolof, with smaller overall and average EDs. However, the additional formatting that ChatGPT inserted to highlight particular action items for the target audience was appreciated by post-editors, especially in the English version. It can also be noted that the machine translations from French to English (a high-resource language) did not contain any critical errors. While small nuances shifted the main emphasis of some phrases of the emergency message, it remained intelligible overall. In contrast, the machine translations from French to Wolof (a low-resource language) contained several critical errors that could result in additional danger for the readers, especially in the ChatGPT version. Large parts of them were rated as incomprehensible. Ultimately, this thesis highlights the need for well-grounded human post-editing if MT is used in crisis translation situation, especially if the target language is a low-resource one.
Schlagwörter
Schlagwörter
(Deutsch)
Krisenübersetzung Maschinelle Übersetzung Post-Editieren maschineller Übersetzung Katastrophenrisikomanagement
Schlagwörter
(Englisch)
crisis translation machine translation machine translation post-editing 4-A Standards Analysis disaster risk management
Autor*innen
Florian Kaiselgruber 
Haupttitel (Englisch)
Language needs and language technology in disaster management
Hauptuntertitel (Englisch)
current status and future pathways in governmental policy
Publikationsjahr
2026
Umfangsangabe
209 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Claudia Plieseis
Klassifikationen
17 Sprach- und Literaturwissenschaft > 17.45 Übersetzungswissenschaft ,
54 Informatik > 54.75 Sprachverarbeitung
AC Nummer
AC18017962
Utheses ID
82037
Studienkennzahl
UA | 070 | 331 | 342 |