%20(4).svg)
Der er sket en markant udvikling med maskinoversættelser. Men teknologien er stadig ikke selvkørende. Ekspert guider til, hvordan eleverne kan benytte værktøjet med omhu.
I de senere år er det blandt sproglærere blevet diskuteret heftigt, hvorvidt det er passende, at eleverne benytter maskinoversættelser som Google Translate i sprogundervisningen.
I den ene lejr står de lærere, som mener, det helt skal forbydes og bør betegnes som decideret snyd. Mens andre mener, at det kan være et brugbart værktøj til eleverne, hvis det bliver anvendt fornuftigt.
Argumentet for brugen af maskinoversættelser er, at den nuværende generation af elever, der er vokset op med internettet, naturligt vil søge svar i teknologien.
Samtidig argumenteres der for, at de automatiske oversættelser er blevet så gode, at det bliver sværere og sværere at vurdere, om der er blevet anvendt Google Translate til elevernes tekstproduktion. Derfor skal man i stedet uddanne eleverne til kritisk at anvende teknologien, lyder holdningen.
Kristine Bundgaard er lektor på Aalborg Universitet, hvor hun forsker i sprogteknologi med særligt fokus på maskinoversættelse.
Hun forklarer, at maskinoversættelser er blevet en del af vores hverdag, som vi møder bevidst eller ubevidst i vores færden på internettet, når vi bruger de sociale medier eller booker et hotelværelse på nettet.
Kristine Bundgaard forklarer herunder, hvornår og hvordan elever kan bruge maskinoversættelser. Men også hvilke udfordringer man skal være opmærksom på ved maskinoversættelser, som fortsat er en teknologi i udviklingsfasen.
Maskinoversættelser er efterhånden alle steder, og derfor arbejder man inden for sprogforskningen med begrebet “Machine Translation Literacy”. Det dækker over digitale kompetencer, som alle, der bruger maskinoversættelser, burde have. Det gælder i høj grad elever, der bruger det aktivt i sprogundervisningen.
“Det er virkelig sket meget de seneste fem år, hvor der har været et skifte i den teknologi, man benytter. Teknologien, der ligger bag maskinoversættelse i dag, hedder neural maskinoversættelse, som bygger på kunstig intelligens og kunstige neurale netværk,” forklarer Kristine Bundgaard.
Når den neurale teknologi skal oversætte tekst fra dansk til tysk, forsøger den at finde den mest sandsynlige oversættelse af en sætning ved at trække på store mængder af i forvejen oversat tekst. Denne neurale tilgang har betydet, at kvaliteten af maskinoversættelser er langt bedre.
“Neural maskinoversættelse bruger mere kontekst til at forudsige den bedste oversættelse. Den bruger eksempelvis en hel sætning til at forudsige et enkelt ord. Tidligere lå fokus på det enkelte ord eller blot et par ord rundt om det. Men nu bliver der taget mere kontekst med i betragtning, og det er blandt andet derfor, at kvaliteten er steget,” siger Kristine Bundgaard.
I den forbindelse forklarer Bundgaard, at den øgede kvalitet gør, at mange professionelle oversættere bruger maskinoversættelse som supplement til andre teknologier, når de skal oversætte til et fremmedsprog.
Forskning har nemlig vist, at det er hurtigere for dem at tjekke en maskinoversat tekst igennem og rette til enkelte steder frem for at skrive teksten fra bunden. Men en vigtig del er netop, at teksten bliver redigeret efterfølgende.
Den neurale tilgang har generelt gjort maskinoversættelse bedre, men det er langt fra fejlfrit og fungerer bedre med et sprogpar, som ofte optræder sammen på nettet, forklarer Kristine Bundgaard.
Det betyder, at kvaliteten typisk vil være bedre mellem dansk og engelsk end dansk og andre sprog, særligt små sprog.
“Indenfor mit forskningsfelt går man meget op i at evaluere kvaliteten af maskinoversættelse, så vi ved, hvor godt de forskellige maskinoversættelsessystemer oversætter forskellige sprogkombinationer og tekstgenrer,” siger Bundgaard.
Når man evaluerer maskinoversættelse skelnes der oftest mellem begreberne “adequacy” og “fluency”.
Adequacy dækker over, hvorvidt indholdet i den oprindelige tekst er hensigtsmæssigt gengivet i oversættelsen. Altså om indholdet er det samme i oversættelsen. Fluency dækker over, hvorvidt oversættelsen i sig selv er en sprogligt god og korrekt tekst.
Forskningen viser, at særligt fluency-delen er blevet langt bedre med den neurale tilgang, men der er en del fejl og udfordringer, hvad angår adequacy eller indholdet.
“Det betyder generelt set, at en oversættelse kan lyde rigtig god, men den ikke nødvendigvis afspejler det, der står i den oprindelige tekst. Det er problematisk, hvis man ikke forstår det sprog, som man oversætter til eller fra. Fordi man nødvendigvis ikke er klar over, at der ikke står helt det samme,” fortæller Kristine Bundgaard.
Udfordringerne med adequacy kan være en direkte fejloversættelse, hvor der er ord, som får en forkert betydning i oversættelsen. Samtidig sker det også, at der er ord, som slet ikke bliver oversat. Når man eksempelvis oversætter en tekst fra tysk til dansk, og der stadig gemmer sig tyske ord i teksten.
Selvom fluency-delen er blevet bedre, er der stadig fejl i grammatikken, hvor ordene står i en forkert rækkefølge eller er bøjet forkert.
Der er også flere elementer, man skal have for øje, når man benytter maskinoversættelser. For eksempel såkaldte kulturspecifikke elementer, som læserne af en oprindelig tekst sagtens kan forstå, fordi de tilhører den samme kultur, som teksten er skrevet indenfor. Men som en ny eller fremmed læser af oversættelsen ikke forstår eller skal have forklaret.
“Hvis man skal være en reflekteret bruger af maskinoversættelse, skal man forholde sig til de her punkter, hvis man skal kunne vurdere, om noget er en god oversættelse. Det er særlig vigtigt, når unge skal bruge det til at producere tekst, så de ved, hvad man skal redigere i teksten for at lave en god efterredigering,” forklarer Kristine Bundgaard.
Umiddelbart er Kristine Bundgaard begejstret for udviklingen på området, men understreger samtidig, at teknologien i dag er på et stadie, hvor man langt fra kan stole blindt på en maskinoversat tekst.
“Man kan faktisk godt sammenligne udviklingen af maskinoversættelser med udviklingen af selvkørende biler. Bilindustrien udvikler på selvkørende biler, som skal flytte os af A til B, mens vi arbejder lidt eller tager en lur. Uden der sker uheld undervejs. På samme måde vil man udvikle maskinoversættelsessystemer, der kan få os fra udgangstekster til måltekster, mens vi tager en slurk kaffe og med et fejlfrit resultat,” siger Bundgaard.
Både selvkørende biler og maskinoversættelser er systemer, der er udviklet ved hjælp af kunstig intelligens. Kristine Bundgaard peger på, at ligesom selvkørende biler fortsat kun kører på helt afgrænsede områder, så findes der endnu ikke oversættelsessystemer, som generelt set er selvkørende.
“Nogle gange producerer maskinoversættelsessystemer rigtig gode oversættelser, og andre gange indeholder de mange fejl eller passer simpelthen ikke i den sammenhæng, de skal bruges i,” forklarer hun og fortsætter:
“Vi har stadig brug for mennesker til at sidde bag rattet i biler, så der ikke sker noget uventet. På samme måde har vi også brug for mennesker, som er gode til sprog, der kan kommunikere både skriftligt og mundtligt med folk på andre sprog. Personer, der kan spotte de fejl, som systemerne laver og tilpasse tekster, “ afslutter Kristine Bundgaard.
cand.ling.merc. ph.d. i erhvervskommunikation, lektor på Aalborg Universitet
Sådan kan du bruge Minlæring til fjernundervisning
Digital læring er omdiskuteret som aldrig før: Men hvad siger forskere om, hvordan det virker?
