MACHINE TRANSLATION IN THE FIELD OF LAW: A STUDY OF THE TRANSLATION OF ITALIAN LEGAL TEXTS INTO GERMAN

• Authors: Eva WIESMANN

Title variants

DE

MASCHINELLE ÜBERSETZUNG VON RECHTSTEXTEN: EINE STUDIE ZUR ÜBERSETZUNG AUS DEM ITALIENISCHEN INS DEUTSCHE

PL

PRZEKŁAD MASZYNOWY W OBSZARZE PRAWA: STUDIUM PRZEKŁADU TEKSTÓW PRAWNYCH Z JĘZYKA WŁOSKIEGO NA NIEMIECKI

• Languages of publication: EN

Abstracts

EN

With the advent of the neural paradigm, machine translation has made another leap in quality. As a result, its use by trainee translators has increased considerably, which cannot be disregarded in translation pedagogy. However, since legal texts have features that pose major challenges to machine translation, the question arises as to what extent machine translation is now capable of translating legal texts or at least certain types of legal text into another legal language well enough so that the post-editing effort is limited, and, consequently, whether a targeted use in translation pedagogy can be considered. In order to answer this question, DeepL Translator, a machine translation system, and MateCat, a CAT system that integrates machine translation, were tested. The test, undertaken at different times and without specific translation memories, provided for the translation of several legal texts of different types utilising both systems, and was followed by systematisation of errors and evaluation of translation results. The evaluation was carried out according to the following criteria: 1) comprehensibility and meaningfulness of the target text; and 2) correspondence between source and target text in consideration of the specific translation situation. Overall, the results are considered insufficient to give post-editing of machine-translated legal texts a bigger place in translation pedagogy. As the evaluation of the correspondence between source and target text was fundamentally worse than with regard to the meaningfulness of the target text, translation pedagogy should respond by raising awareness about differences between machine translation output and human translation in this field, and by improving translation approach and strengthening legal expertise.

PL

W związku z poprawą jakości tłumaczenia maszynowego jest ono wykorzystywane przez adeptów sztuki przekładoznawczej w coraz to większym stopniu. Teksty prawne stanowią jednak spore wyzwanie dla przekładu maszynowego, prowadząc do rozważań nad możliwością wykorzystywania tłumaczenia maszynowego właśnie do pracy nad takimi tekstami jak i nad potencjalnym zastosowaniem w nauczaniu przekładu. W celu analizy tego zagadnienia, podjęto pracę nad systemem tłumaczenia maszynowego DeepL Translator oraz systemem CAT integrującym tłumaczenie maszynowe – MateCat. Badania z wykorzystaniem obu systemów przeprowadzane były w różnym czasie, bez określonych pamięci tłumaczeniowych dla danych tekstów prawnych, dając zarazem podstawy dla oceny wyników i uszeregowania rodzajów błędów. Ocena opierała się na określonych kryteriach: 1) zrozumienie i znaczenie tekstu docelowego; 2) relacja między tekstami wyjściowym a wejściowym w określonych sytuacjach tłumaczeniowych. Wyniki okazały się być niewystarczające do uznania za przydatne w postedycji tekstów prawnych w znacznym stopniu dla nauczania przekładu. Ocena relacji tekst wejściowy-wyjściowy była znacznie niższa niż ta dotycząca znaczenia tekstu, stąd postuluje się, że nauczanie przekładu powinno prowadzić do zwiększenia świadomości, że między rezultatem przekładem maszynowym a tłumaczeniem ludzkim występują różnice oraz usprawnień w obszarze kompetencji prawnych i prawniczych jak i w podejściu translatorskim.

DE

Mit der Ablösung der statistischen durch die neuronale Übersetzung hat die maschinelle Übersetzung einen weiteren Qualitätssprung gemacht. Dadurch ist auch ihre Nutzung durch Übersetzerinnen und Übersetzer in der Ausbildung stark gestiegen, was bei der Ausrichtung der Didaktik und der Bewertung der studentischen Leistungen nicht unberücksichtigt bleiben kann. Da nun aber Rechtstexte Merkmale haben, die die maschinelle Übersetzung vor größere Herausforderungen stellen, fragt sich, inwieweit die maschinelle Übersetzung heute schon in der Lage ist, auch Rechtstexte oder zumindest bestimmte Textsorten oder Teile von Textsorten so gut in eine andere Rechtssprache zu übertragen, dass sich der Aufwand an Post-Editing in Grenzen hält, und ob folglich ein gezielter Einsatz in der Didaktik in Erwägung gezogen werden kann. Auf dem Prüfstand stehen zwei kostenlos online zur Verfügung stehende Systeme, DeepL Translator und MateCat. Während DeepL Translator ein reines mit Linguee trainiertes System der neuronalen maschinellen Übersetzung ist, handelt es sich bei MateCat um ein CAT-System mit Integration der zunächst statistischen und heute neuronalen maschinellen Übersetzung, das einerseits eine Nutzung eigener Ressourcen oder von MyMemory und andererseits eine Auswahl unter verschiedenen Systemen der maschinellen Übersetzung oder eine Nutzung einer Kombination von Systemen der maschinellen Übersetzung erlaubt. Das Versuchsdesign sieht die mehrfach in verschiedenen Zeitabständen erfolgende italienisch-deutsche Übersetzung von Texten verschiedener Textsorten der Rechtsetzung (Gesetze), Rechtspraxis (notarielle Immobilienkaufverträge, Klageschriften, Gerichtsurteile, Vollmachten) und Rechtslehre (rechtswissenschaftliche Aufsätze) mit beiden Systemen und die anschließende Systematisierung der Fehler und die Bewertung der Übersetzungsergebnisse vor. Bei der Auswahl der Texte wurde nicht nur auf die Provenienz aus den verschiedenen rechtlichen Handlungsbereichen geachtet, sondern auch auf den unterschiedlichen, mit DyLan TextTools ermittelten Schwierigkeitsgrad. Die Bewertung erfolgt nach dem rein den Zieltext betreffenden Kriterium Verständlichkeit bzw. Sinnhaftigkeit und dem die Relation zwischen Ausgangstext und Zieltext betreffenden Kriterium Entsprechung unter Berücksichtigung der Übersetzungssituation. Insgesamt ist das Ergebnis noch zu schlecht, um dem Post-Editing von maschinell übersetzten Rechtstexten in der Didaktik einen größeren Platz einzuräumen. Beim rechtswissenschaftlichen Aufsatz, beim Gesetz und beim Tatbestand der Klageschrift wurden aber vergleichsweise gute Ergebnisse erzielt. Die Bewertung fiel bei der Relation zwischen Ausgangstext und Zieltext grundsätzlich schlechter als in Bezug auf die Verständlichkeit bzw. Sinnhaftigkeit des Zieltextes aus. Darauf muss die Didaktik mit einer Verbesserung des übersetzerischen Vorgehens und einer Stärkung der Fachkompetenz antworten. Außerdem muss sie das Bewusstsein für die Unterschiede zwischen Human- und maschineller Übersetzung schärfen.  

Keywords

EN

neural machine translation; legal translation; translation pedagogy.

DE

Neuronale maschinelle Übersetzung; Rechtsübersetzung; Übersetzungsdidaktik.

PL

neuronowe tłumaczenie maszynowe (NMT); tłumaczenie prawne; nauczanie przekładu.; neuronowe tłumaczenie maszynowe (NMT); tłumaczenie prawne; nauczanie przekładu.

• Publisher: Uniwersytet im. Adama Mickiewicza w Poznaniu
• Journal: Comparative Legilinguistics
• Year: 2019
• Volume: 37
• Pages: 117-153

Dates

published

2019-10-23

Contributors

author

Eva WIESMANN

• Department of Interpreting and Translation, University of Bologna, Corso della Repubblica 136, 47121 Forlì, Italy

• https://orcid.org/0000-0001-9414-8038

References

• Burchardt, Aljoscha, et al. 2014. Multidimensional Quality Metrics (MQM) Definition. http://www.qt21.eu/mqm-definition/definition-2014-08-14.html (accessed May 7, 2019).
• Burchardt, Aljoscha, and Jörg Porsiel. 2017. Vorwort: Was kann die maschinelle Übersetzung und was nicht? In Maschinelle Übersetzung. Grundlagen für den professionellen Einsatz, ed. Jörg Porsiel, 11–8. Berlin: BDÜ-Fachverlag.
• Castilho, Sheila, et al. 2017. Is Neural Machine Translation the New State of the Art? The Prague Bulletin of Mathematical Linguistics 108: 109–20.
• Forcada, Mikel L. 2017. Making sense of neural machine translation. Translation Spaces 6/2: 291–309.
• Hansen-Schirra, Silvia, et al. 2017. Post-Editing: Strategien, Qualität, Effizienz. In Maschinelle Übersetzung. Grundlagen für den professionellen Einsatz, ed. Jörg Porsiel, 176–91. Berlin: BDÜ-Fachverlag.
• Heiss, Christine, and Marcello Soffritti. 2018. DeepL Traduttore e didattica della traduzione dall’italiano in tedesco. Alcune valutazioni preliminari. InTRAlinea. Special Issue: Translation and Interpreting for Language Learners (TAIL). http://www.intralinea.org/specials/article/2294 (accessed September 13, 2019).
• Hutchins, W. John. 1995. Machine Translation: A Brief History In Concise History of the Language Sciences: from the Sumerians to the Cognitivists, eds. Ernst F. K. Koerner and R.E. Asher, 431–45. Oxford: Pergamon Press.
• Killman, Jeffrey. 2014. Vocabulary Accuracy of Statistical Machine Translation in the Legal Context. In Third Workshop on Post-Editing Technology and Practice, eds. Sharon O’Brian, Michel Simard and Lucia Specia, 85–98.
• www.amtaweb.org/AMTA2014Proceedings/AMTA2014Proceedings_PEWorkshop_final.pdf (accessed May 7, 2019).
• Koehn, Philipp. 2010. Statistical Machine Translation. Cambridge: Cambridge University Press.
• Kyburz, Kevin. 2018. Schlägt sogar Google. Die Übersetzungsmaschine DeepL.
• https://techgarage.blog/schlaegt-sogar-google-die-uebersetzungsmaschine-deepl/ (accessed February 28, 2019).
• Matthiesen, Aaron J. 2017. Maschinelle Übersetzung im Wandel. Die Auswirkungen von künstlicher Intelligenz auf maschinelle Übersetzungssysteme. Mit einer vergleichenden Untersuchung von Google Translate und Microsoft Translator. Berlin: epubli.
• Prieto Ramos, Fernando. 2015. Quality Assurance in Legal Translation: Evaluating Process, Competence and Product in the Pursuit of Adequacy. International Journal for the Semiotics of Law – Revue internationale de Sémiotique juridique 28/1: 11–30.
• Şahin, Mehmet, and Nilgün Dungan. 2014. Translation testing and evaluation: A study on methods and needs. Translation & Interpreting 6/2: 67–90.
• Van Brussel, Laura, et al. 2018. A Fine-grained Error Analysis of NMT, PBMT and RBMT Output for English-to-Dutch. In Eleventh International Conference on Language Resources and Evaluation, 3799–804.
• https://biblio.ugent.be/publication/8561558 (accessed May 8, 2019)
• Wallberg, Ilona. 2017. DIN EN ISO 18587 – eine Norm über den Prozess des Posteditierens. In Maschinelle Übersetzung. Grundlagen für den professionellen Einsatz, ed. Jörg Porsiel, 160–7. Berlin: BDÜ-Fachverlag.
• Werthmann, Antonia, and Andrea Witt. 2014. Maschinelle
• Übersetung – Gegenwart und Perspektiven. In Translation and Interpretation in Europe. Contributions to the Annual Conference 2013 of EFNIL in Vilnius, ed. Gerhard Stickel, 79–103. Frankfurt et al.: Lang.
• Yates, Sarah. 2006. Scaling the Tower of Babel Fish: An Analysis of the Machine Translation of Legal Information. Law Library Journal 98/3: 481–500.

Identifiers

DOI

10.14746/cl.2019.37.4