Gevinster:
- Evne til at sikre terminologikonsistens ved at etablere en termbase og klart definere godkendte og forbudte ækvivalenter
- Brug af kunstig intelligens til hurtigt at udtrække terminskandidater og træffe den endelige terminsbeslutning med eksperten og kunden
- Evne til at forbinde termbase til værktøjet/prompten under oversættelse og opdage inkompatibiliteter med en QA-rundvisning efter oversættelsen
I en teknisk oversættelse, hvis du oversætter ordet "brugerkonto" til "brugerkonto" et sted, "medlemskonto" et andet sted, "brugerprofil" et andet sted, vil brugeren gå tabt, mærket vil fremstå inkonsekvent, og søgningen/dokumentationen vil blive brudt, selvom teksten er teknisk "korrekt". Det tavse, men mest afgørende kvalitetselement ved oversættelse er terminologisk konsistens. I denne enhed lærer du terminologistyring, oprettelse af en termbase (termdatabase), termudtræk med AI, og hvordan du opretholder terminologidisciplin gennem en oversættelse. Målet er at være en ekspert, der møder det samme koncept i hvert projekt på samme måde overalt og er loyal over for virksomhedssproget.
Grundlæggende begreber
Terminologi er ord og udtryk, der svarer til specifikke begreber for et felt eller en institution ("kasse", "returpolitik", "stamcelle"). Termbase (TB — termdatabase) er en struktureret ordbog, der gemmer kildemålsækvivalenter, definition, brugsnote og "forbudte ækvivalenter" af disse termer; Den forbinder til CAT-værktøjer og foreslår automatisk oversættelse. Termudtræk er processen med automatisk at indsamle termer, der skal oversættes/standardiseres fra en tekst. Ordliste er en enklere, to-spaltet liste over termer; Det bruges i stedet for termbase i små job.
Hvorfor er det så vigtigt? Fordi maskinoversættelse og LLM i sig selv ikke garanterer terminologikonsistens. NMT kan oversætte hver sætning uafhængigt; LLM kan ændre sin beslutning i lang tekst. Det, der giver terminsdisciplin, er den termbase, som du har forberedt og forbundet til køretøjet.
Tip: Brug 30 minutter på at oprette termbase på dit første job hos en kunde. Denne investering øger både hastighed og kvalitet i alt efterfølgende arbejde og giver ry for "brand konsistent i dine oversættelser".
Termudtræk og termbasekonstruktion med AI
AI fremskynder den mest kedelige del af oprettelsen af en termbase: at finde kandidater. Du kan give en kildetekst til LLM og sige, "liste de domænespecifikke termer i denne tekst, dem, der er gentagne, og dem, der kræver konsistens i oversættelsen." Du godkender derefter denne liste over kandidater, bestemmer det korrekte målsvar og bekræfter med kunden, når det er nødvendigt. Kritisk punkt: AI foreslår terminskandidater, eksperten og kunden træffer terminsbeslutningen. Om et brand kalder "aftale" eller "booking" er kundens valg, ikke AI's.
For hvert udtryk skal du indsætte følgende i Termbase: kildeudtryk, godkendt målmodstykke, kort beskrivelse/kontekst, "brug ikke" (forbudte) ækvivalenter og domæne-/projekttag, hvis det er relevant. At skrive forbudte ækvivalenter er den mest effektive måde at undgå inkonsistens (til "konto" MÅ IKKE kun bruge "konto"; "profil", "medlemskab").
Vedligeholdelse af terminologidisciplin gennem hele oversættelsen
Installation af Termbase er ikke nok; Det skal implementeres. Tre lag:
- Under oversættelse: Når du oversætter til LLM, skal du tilføje termbase til prompten ("SKAL bruge disse termer med disse ækvivalenter"). Hvis du bruger et CAT-værktøj, tilslut termbase; Værktøjet viser matchen med det samme.
- QA efter oversættelse: Scan den færdige tekst mod termbase. Jeg spurgte LLM "er der steder i denne tekst, der ikke overholder termbase?" eller kør termen QA-funktionen i CAT-værktøjet.
- Slut-på-projektopdatering: Tilføj nye vilkår og kundefeedback til termbasen, når arbejdet er færdigt; termbase er et levende dokument.
Forsigtig: Når du giver LLM en langsigtet base, kan det "glemme" nogle vilkår eller ændre dem afhængigt af konteksten. Så spring aldrig QA-runden efter oversættelsen over; Spørgsmål er ikke en erstatning for kontrol.
tre minisager
Case 1 — Termbase slettede uoverensstemmelsen. I en dokumentation på 60.000 ord lavet af et softwarefirma med 5 forskellige freelanceoversættere, blev de samme 40 termer oversat på snesevis af forskellige måder. Når en fælles termbase var etableret, og alle oversættelser var tilpasset den, faldt klager såsom "Jeg kan ikke finde denne skærm" til brugersupport betydeligt.
Tilfælde 2 — AI reducerede slutningen fra 2 dage til 2 timer. I stedet for manuelt at udtrække en liste over termer fra et 200-siders enhedsdokument, fik et medicinsk oversættelsesteam LLM udarbejdet det: 380 kandidatudtryk blev opført på 2 timer. Eksperten godkendte disse på 1 dag og præciserede deres svar; Det ville have taget uger, hvis det blev gjort manuelt. Beslutninger tilhørte igen mennesker.
Sag 3 — Forbudsregel afværgede krise. I et brands termbase blev "kunde" godkendt for "kunde", og "bruger" var forbudt (på grund af brandpositionering). Da en ny oversætter skrev "bruger", fangede term QA det, og mærkesproget blev rettet, før det gik live.
Fire kopierbare skabeloner
1) Udtrækning af terminskandidat:
Din rolle: terminolog. Fra følgende [domæne] tekst udtræk termer, der kræver konsistens i oversættelsen: domænespecifikke begreber, gentagne sætninger, produkt-/funktionsnavne, forkortelser. Angiv hvert udtryk på kildesproget, tilføj en kort kontekstnote. Beslutningen er min; Du foreslår bare en kandidat. Tilføjelse af almindelige ord (og, men).Tekst: [...]
2) Oprettelse af termbaselinje:
Forbered termbase-rækken for følgende termer: source term | foreslået målsvar | kort beskrivelse | forkerte svar at undgå. Hvis du ikke er sikker, så marker svaret med [?]; Jeg vil tage beslutningen.Alan: [...] | Vilkår: [...]
3) Termbase-kompatibel oversættelse:
Oversæt denne tekst [kilde]→[mål]. SKAL anvende termbasen nedenfor; BRUG IKKE forbudte ækvivalenter:- [kilde1] → [mål1] (brug: [forbudt1])- [kilde2] → [mål2]Hvis du støder på et udtryk, der ikke er i termbase, skal du markere det med [?].Tekst: [...]
4) Efter oversættelse af udtryk QA:
Scan oversættelsen nedenfor i forhold til den termbase, jeg har angivet. Bare skriv INKOMPATIBILITETERNE: hvilket udtryk blev brugt, hvor, med hvilken forkert betydning, hvad skulle være det rigtige. Rapportering af kompatible lokationer.Termbase: [...] | Oversættelse: [...]
Svag prompt / Stærk prompt
Svag: "Vær forsigtig med vilkårene." (Hvilket udtryk, hvilket ækvivalent, hvilket forbud - er uklart; maskinen vælger sig selv.)
Stærk: "Når du oversætter denne tekst, skal du anvende følgende termbase: 'dashboard'→'dashboard', 'log ind'→'log ind'. Hvis du støder på et ikke-termbase-udtryk, så indsæt [?] og gør det op selv."
Forskel: stærk prompt specificerer den godkendte modpart, den forbudte modpart og den ukendte term adfærd; konsistens er garanteret.
Tabel over terminologiværktøjer/-tilgange
tilgang
Hvad gør det?
grænse
Ordliste (to kolonner)
Lille virksomhed, hurtig start
Ingen definition/forbud
Termbase (forbundet til CAT)
Automatisk anbefaling, QA
Installation kræver arbejdskraft
Termudtræk med LLM
Fremskynder kandidatlisten
Folk bestemmer
Term QA-scanning
Fanger dissonans
Termbase skal være opdateret
Liste over forbudte bestemmelser
Vedligeholder brandsprog
Kræver konstant vedligeholdelse
Almindelige fejl
- Starter et stort arbejde uden at installere Termbase. Inkonsekvensen vokser efterfølgende eksponentielt.
- Accepterer svaret foreslået af AI uden spørgsmål. Beslutning om terminologi er op til klienten/eksperten.
- Ikke at skrive forbudte svar. Bare det at skrive det "rigtige" forhindrer ikke det "forkerte".
- Udtrykket efter oversættelse springer QA over. At sætte termbase i prompten garanterer ikke implementeringen.
- Opdaterer ikke Termbase. En død termbase vil vildlede over tid.
Flersproget termbase og kundegodkendelse
I store projekter er termbasen ofte flersproget: Et koncept har en pendant på mere end ét målsprog (kilde → engelsk, tysk, tyrkisk, arabisk). Dette sikrer ensartet oversættelse af det samme koncept på tværs af alle sprog og fremskynder arbejdet, når et nyt sprog tilføjes. Pointen, der skal bemærkes i den flersprogede termbase, er, at hvert sprog har sin egen kulturelle og grammatiske ækvivalent; Det er forkert blindt at kopiere det tilsvarende på ét sprog til et andet.
Terminologi har også en godkendelseskædedimension. I kritiske termer bør den endelige beslutning ofte træffes af kundens emneekspert eller brandteam, ikke oversætteren; Fordi de bedst kender den officielle/juridiske/brand-ækvivalent til et udtryk. Derfor er det på store opgaver god praksis at mærke termbasen som "godkendt", "kandidat" og "omstridt": du beder kunden om kandidat og kontroversielle vilkår i det hele taget, får dem godkendt og låser dem derefter. Denne disciplin forhindrer midt i opgaven "dette udtryk burde faktisk være" overraskelse og massegenoversættelse.
Sammenfattende
Terminologisk konsistens er det usynlige, men mest afgørende kvalitetselement i oversættelse. Mesteroversætteren etablerer en termbase på jobbet; Den bruger kunstig intelligens til hurtigt at udtrække terminskandidater, men overlader beslutningen til kunden og eksperten; skriver klart godkendte og forbudte svar; Det forbinder termbase med prompten/værktøjet under oversættelsen og springer aldrig over QA-runden efter oversættelsen. Termbase er et levende dokument; vokser i enhver virksomhed og beskytter brandet.
Ansøgningsopgave
Vælg en felttekst (teknisk, medicinsk eller marketing). Udtræk mindst 15 termkandidater med skabelonen "termkandidatudtrækning", bekræft dem og skriv ækvivalenter, definitioner og forbudte ækvivalenter med skabelonen "termbase line". Oversæt derefter en kort tekst med denne termbase, scan for inkompatibiliteter med "term QA"-skabelonen og ret det, du finder.
tjekliste
- [ ] Jeg har oprettet en termbase/ordliste på arbejdet.
- [ ] Jeg godkendte AI's periodekandidater og tog beslutningen.
- [ ] Ud over de godkendte svar skrev jeg også de forbudte svar.
- [ ] Jeg koblede termbase til prompten/værktøjet under oversættelsen.
- [ ] Jeg lavede en QA-scanning efter oversættelsen og fiksede inkompatibiliteterne.