Gevinster:
- Evne til å sikre terminologikonsistens ved å etablere en termbase og tydelig definere godkjente og forbudte ekvivalenter
- Bruk av kunstig intelligens for raskt å trekke ut terminkandidater og ta den endelige terminbeslutningen med eksperten og kunden
- Evne til å koble termbase til verktøyet/forespørselen under oversettelse og oppdage inkompatibiliteter med en QA-turné etter oversettelsen
I en teknisk oversettelse, hvis du oversetter ordet "brukerkonto" til "brukerkonto" et sted, "medlemskonto" et annet sted, "brukerprofil" et annet sted, vil brukeren gå tapt, merkevaren vil fremstå som inkonsekvent, og søket/dokumentasjonen vil bli ødelagt, selv om teksten er teknisk "riktig". Det tause, men mest avgjørende kvalitetselementet i oversettelsen er terminologisk konsistens. I denne enheten vil du lære terminologihåndtering, lage en termbase (termdatabase), termekstraksjon med AI og hvordan du opprettholder terminologidisiplin gjennom en oversettelse. Målet er å være en ekspert som møter det samme konseptet i hvert prosjekt på samme måte overalt og er lojal mot bedriftsspråket.
Grunnleggende konsepter
Terminologi er ord og uttrykk som tilsvarer spesifikke konsepter for et felt eller institusjon ("kasse", "returpolicy", "stamcelle"). Termbase (TB — termdatabase) er en strukturert ordbok som beholder kildemålekvivalenter, definisjon, bruksnotat og "forbudte ekvivalenter" av disse termene; Den kobles til CAT-verktøy og foreslår automatisk oversettelse. Termekstraksjon er prosessen med å automatisk samle termer som må oversettes/standardiseres fra en tekst. Ordliste er en enklere, to-kolonne liste over termer; Det brukes i stedet for termbase i små jobber.
Hvorfor er det så viktig? Fordi maskinoversettelse og LLM i seg selv ikke garanterer terminologikonsistens. NMT kan oversette hver setning uavhengig; LLM kan endre avgjørelsen i lang tekst. Det som gir termdisiplin er termbasen du har forberedt og koblet til kjøretøyet.
Tips: Bruk 30 minutter på å sette opp termbase på din første jobb hos en klient. Denne investeringen øker både hastighet og kvalitet i alt etterfølgende arbeid og gir omdømmet til "merkevarekonsistent i oversettelsene dine".
Termekstraksjon og termbasekonstruksjon med AI
AI setter fart på den mest kjedelige delen av å sette opp en termbase: å finne kandidater. Du kan gi en kildetekst til LLM og si: "liste opp domenespesifikke termene i denne teksten, de som er repeterende og de som krever konsistens i oversettelsen." Deretter godkjenner du denne listen over kandidater, bestemmer riktig målrespons og bekrefter med kunden når det er nødvendig. Kritisk poeng: AI foreslår terminkandidater, eksperten og kunden tar terminbeslutningen. Om et merke kaller "avtale" eller "booking" er kundens valg, ikke AI-en.
For hvert begrep legger du inn følgende i Termbase: kildeterm, godkjent målmotpart, kort beskrivelse/kontekst, "ikke bruk" (forbudte) ekvivalenter og domene-/prosjekttag hvis aktuelt. Å skrive forbudte ekvivalenter er den mest effektive måten å unngå inkonsekvens (for "konto", IKKE bruk bare "konto"; "profil", "medlemskap").
Opprettholde terminologidisiplin gjennom hele oversettelsen
Det er ikke nok å installere Termbase; Det må implementeres. Tre lag:
- Under oversettelse: Når du oversetter til LLM, legg til termbase i ledeteksten ("MÅ bruke disse vilkårene med disse ekvivalentene"). Hvis du bruker et CAT-verktøy, koble til termbase; Verktøyet viser treffet umiddelbart.
- QA etter oversettelse: Skann den ferdige teksten mot termbase. Jeg spurte LLM "er det steder i denne teksten som ikke samsvarer med termbase?" eller kjør termen QA-funksjonen til CAT-verktøyet.
- Oppdatering ved sluttprosjekt: Legg til nye vilkår og tilbakemeldinger fra kunder til terminbasen når arbeidet er ferdig; termbase er et levende dokument.
Forsiktig: Når du gir LLM en langsiktig base, kan det "glemme" noen vilkår eller endre dem avhengig av konteksten. Så aldri hopp over QA-runden etter oversettelsen; Spørring er ikke en erstatning for kontroll.
tre minisaker
Tilfelle 1 — Termbase slettet avviket. I en dokumentasjon på 60 000 ord laget av et programvareselskap med 5 forskjellige frilansoversettere, ble de samme 40 termene oversatt på dusinvis av forskjellige måter. Når en felles termbase ble etablert og alle oversettelser var justert til den, ble klager som "Jeg finner ikke denne skjermen" til brukerstøtte betydelig redusert.
Tilfelle 2 — AI reduserte slutningen fra 2 dager til 2 timer. I stedet for manuelt å trekke ut en liste med termer fra et 200-siders enhetsdokument, fikk et medisinsk oversetterteam LLM-utkastet: 380 kandidattermer ble oppført på 2 timer. Eksperten godkjente disse på 1 dag og avklarte svarene deres; Det ville tatt flere uker hvis det ble gjort manuelt. Beslutninger tilhørte folk igjen.
Sak 3 – Forbudsregel avverget krise. I en merkevares termbase ble "kunde" godkjent for "kunde" og "bruker" var forbudt (på grunn av merkeposisjonering). Når en ny oversetter skrev "bruker", fanget begrepet QA det og merkespråkforvrengningen ble fikset før den ble publisert.
Fire kopierbare maler
1) Termekandidatutvinning:
Din rolle: terminolog. Fra følgende [domene] tekst ut begreper som krever konsistens i oversettelse: domenespesifikke konsepter, repeterende fraser, produkt-/funksjonsnavn, forkortelser. List opp hvert begrep på kildespråket, legg til et kort kontekstnotat. Avgjørelsen er min; Du foreslår bare en kandidat. Legge til vanlige ord (og, men).Tekst: [...]
2) Opprette Termbase-linje:
Forbered termbase-raden for følgende termer: kildeterm | foreslått målrespons | kort beskrivelse | feil svar å unngå. Hvis du ikke er sikker, merk svaret med [?]; Jeg tar avgjørelsen.Alan: [...] | Vilkår: [...]
3) Termbase-kompatibel oversettelse:
Oversett denne teksten [kilde]→[mål]. MÅ bruke termbasen nedenfor; IKKE BRUK forbudte ekvivalenter:- [kilde1] → [mål1] (bruk: [forbudt1])- [kilde2] → [mål2]Hvis du støter på et begrep som ikke er i termbase, merk det med [?].Tekst: [...]
4) Term QA etter oversettelse:
Skann oversettelsen nedenfor mot termbasen jeg oppga. Bare oppgi INKOMPATIBILITETER: hvilket begrep som ble brukt, hvor, med hvilken feil betydning, hva skal være det riktige. Rapportering av kompatible steder.Termbase: [...] | Oversettelse: [...]
Svak forespørsel / Sterk forespørsel
Svak: «Vær forsiktig med vilkårene». (Hvilket begrep, hvilket ekvivalent, hvilket forbud - er uklart; maskinen velger seg selv.)
Sterkt: "Når du oversetter denne teksten, bruk følgende termbase: 'dashboard'→'dashboard', 'logg inn'→'logg inn'. Hvis du kommer over et ikke-termbasebegrep, skriv [?] og lag det selv."
Differanse: sterk melding spesifiserer den godkjente motparten, den forbudte motparten og det ukjente begrepet atferd; konsistens er garantert.
Tabell over terminologiverktøy/tilnærminger
Tilnærming
Hva gjør det?
grense
Ordliste (to kolonner)
Liten bedrift, rask start
Ingen definisjon/forbud
Termbase (koblet til CAT)
Automatisk anbefaling, QA
Installasjon krever arbeid
Termekstraksjon med LLM
Får fart på kandidatlisten
Folk bestemmer
Term QA-skanning
Fanger dissonans
Termbasen må være oppdatert
Liste over forbudte bestemmelser
Opprettholder merkespråket
Krever konstant vedlikehold
Vanlige feil
- Starter en stor jobb uten å installere Termbase. Inkonsekvensen vokser deretter eksponentielt.
- Aksepterer svaret foreslått av AI uten spørsmål. Terminologibeslutning er opp til oppdragsgiver/ekspert.
- Ikke å skrive forbudte svar. Bare det å skrive "riktig" forhindrer ikke "galt".
- Termen etter oversettelse hopper over QA. Å sette termbase i ledeteksten garanterer ikke implementeringen.
- Oppdaterer ikke Termbase. En død termbase vil villede over tid.
Flerspråklig termbase og kundegodkjenning
I store prosjekter er termbasen ofte flerspråklig: et konsept har et motstykke på mer enn ett målspråk (kilde → engelsk, tysk, tyrkisk, arabisk). Dette sikrer konsistent oversettelse av det samme konseptet på tvers av alle språk og gjør arbeidet raskere når et nytt språk legges til. Poenget å merke seg i den flerspråklige termbasen er at hvert språk har sin egen kulturelle og grammatiske ekvivalent; Det er feil å blindt kopiere tilsvarende på ett språk til et annet.
Terminologi har også en godkjenningskjede-dimensjon. I kritiske termer bør den endelige avgjørelsen ofte tas av klientens fagekspert eller merkevareteam, ikke oversetteren; Fordi de kjenner best den offisielle/juridiske/merkeekvivalenten til et begrep. Derfor er det på store jobber god praksis å merke termbasen som «godkjent», «kandidat» og «omstridt»: du ber kunden om kandidater og kontroversielle vilkår i det hele tatt, får dem godkjent, og låser dem deretter. Denne disiplinen forhindrer «dette begrepet burde faktisk være»-overraskelse og masseoversettelse midt i oppgaven.
Oppsummert
Terminologisk konsistens er det usynlige, men mest avgjørende kvalitetselementet ved oversettelse. Mesteroversetteren etablerer en termbase på jobben; Den bruker AI for raskt å trekke ut terminkandidater, men overlater avgjørelsen til kunden og eksperten; skriver tydelig godkjente og forbudte svar; Den kobler termbase til ledeteksten/verktøyet under oversettelse og hopper aldri over QA-runden etter oversettelsen. Termbase er et levende dokument; vokser i hver virksomhet og beskytter merkevaren.
Søknadsoppgave
Velg en felttekst (teknisk, medisinsk eller markedsføring). Trekk ut minst 15 terminkandidater med malen "termkandidatutvinning", bekreft dem og skriv ekvivalenter, definisjoner og forbudte ekvivalenter med malen "termbase line". Oversett deretter en kort tekst med denne termbasen, skann for inkompatibiliteter med "term QA"-malen og fiks det du finner.
sjekkliste
- [ ] Jeg har satt opp en termbase/ordliste på jobben.
- [ ] Jeg godkjente AIs terminkandidater og tok avgjørelsen.
- [ ] I tillegg til de godkjente svarene skrev jeg også de forbudte svarene.
- [ ] Jeg koblet termbase til ledeteksten/verktøyet under oversettelsen.
- [ ] Jeg gjorde en QA-skanning etter oversettelsen og fikset inkompatibilitetene.