Bygga en översättargemenskap¶

Att följa dessa rekommendationer bidrar till skapandet av ett komplett, flerspråkigt verktyg för efterredigering. Bra översättningar definieras genom Houses systemfunktionella modell, som syftar till en kontextuellt korrekt översättning. Skriv din egen efterredigeringsguide och anpassa dessa rekommendationer efter dina egna definitioner. I de flesta fall är webbläsarpluginen languageTool användbar som korrekturläsningsverktyg.

Många gånger stöter översättare på problem med källsträngarna. Se till att det är enkelt för dem att rapportera sådana problem. För att samla in denna feedback kan du ställa in fältet Arkivutforskare i din Weblate-komponent, så att översättarna kan föreslå sina ändringar till uppströmsrepositoriet. Du kan också ta emot kommentarer från översättare om du ställer in Adress för felrapport av källsträngar.

Community-checklista för lokalisering¶

Checklista för lokalisering av communityn, som finns i menyn för varje komponent, kan ge dig vägledning för att underlätta lokaliseringsprocessen för communityns översättare.

Terminologihantering¶

Efterredigering av maskinöversättning med terminologitilldelning påverkar varje nivå i översättningsprocessen. Maskinöversättningssystemet kan anpassas till specifikt ordförråd och stil med fortsatt träning eller neural fuzzy repair. Importera ditt befintliga översättningsminne till weblate eller skapa ett initialt omfång med din grundläggande terminologi. I slutändan bör lektorn instrueras med ytterligare terminologidokument för att garantera goda kunskaper och resultat inom området.

Maskinöversättning¶

Kvaliteten på den automatiska översättningen (som ofta mäts med BLEU-poäng) korrelerar med redigeringstiden [1]. Välj en maskinbackend som stöder de språk och domäner som behövs. Förtydliga hur översättningsbackenden fungerar och vilken kvalitet efterredigeraren kan förvänta sig.

Granska översättningar¶

Översättningarna bör granskas av en andra person efter efterredigeringen. Med en opartisk och kompetent granskare minskar tvåpersonsregeln antalet fel och förbättrar innehållets kvalitet och konsekvens. Att förse granskarna med förhandsgranskningar eller alfaöversättningar ger bästa möjliga granskning. Skärmdumpar och förklaringar hjälper också till att granska strängarna i sitt sammanhang.

Strukturerad återgivning¶

Det finns många Kontroller och korrigeringar i Weblate som ger strukturerad feedback om översättningarnas kvalitet. De ger också visuell feedback under översättningen. Detta förhindrar återkommande misstag och hjälper översättarna att förstå hur koden fungerar.

Översättningsdefinition¶

Förutom de mentalistiska och effektbaserade definitionerna, som innebär en kraftig reduktion, passar det textbaserade språkliga tillvägagångssättet bäst med de implementerade översättningsmetoderna. En välformulerad teori för översättningsutvärdering är Houses systemfunktionella modell, som fokuserar på relationen mellan original och översättning. Modellen utgår från att översättning är ett försök att behålla den semantiska, pragmatiska och textuella betydelsen av en text när den överförs från ett språkligt kodsystem till ett annat.

Översättningens kvalitet baseras på graden av ekvivalens, det vill säga överensstämmelsen mellan textprofilen och textfunktionen. Eftersom detta inte kan beräknas automatiskt bör tillräcklig information samlas in för att möjliggöra en enhetlig mänsklig utvärdering. De två viktigaste parametrarna för överensstämmelse i en motsvarande modell är makrokontexten – det vill säga inbäddningen i ett större socialt och litterärt sammanhang – och mikrokontexten som består av fält, tenor och modus.

Källor¶

Marina Sanchez-Torron och Philipp Koehn i Machine Translation Quality and Post-Editor Productivity, figur 1: https://www.cs.jhu.edu/~phi/publications/machine-translation-quality.pdf
Joanna Best och Sylvia Kalina. Översättning och tolkning: en orienteringsguide. A. Francke Verlag Tübingen och Base, 2002. Möjligheter för översättningskritik från sidan 101
neuronal fuzzy-korrigering, Bram Bulté och Arda Tezcan i Neural Fuzzy Repair: Integrating Fuzzy Matches into Neural Machine Translation, 2019 https://aclanthology.org/P19-1175.pdf