Vinster:
- Förmåga att säkerställa terminologikonsistens genom att upprätta en termbas och tydligt definiera godkända och förbjudna motsvarigheter
- Använda artificiell intelligens för att snabbt extrahera terminskandidater och fatta det slutliga terminsbeslutet med experten och kunden
- Möjlighet att koppla termbas till verktyget/prompten under översättningen och upptäcka inkompatibiliteter med en QA-turné efter översättningen
I en teknisk översättning, om du översätter ordet "användarkonto" till "användarkonto" på ett ställe, "medlemskonto" på ett annat ställe, "användarprofil" på ett annat ställe, kommer användaren att gå förlorad, varumärket kommer att framstå som inkonsekvent, och sökningen/dokumentationen kommer att brytas, även om texten är tekniskt "korrekt". Det tysta men mest avgörande kvalitetselementet i översättning är terminologisk konsistens. I den här enheten kommer du att lära dig terminologihantering, skapa en termbas (termdatabas), termextraktion med AI och hur du upprätthåller terminologidisciplin under en översättning. Målet är att vara en expert som möter samma koncept i varje projekt på samma sätt överallt och är lojal mot företagsspråket.
Grundläggande begrepp
Terminologi är ord och uttryck som motsvarar specifika begrepp för ett område eller en institution ("kassa", "returpolicy", "stamcell"). Termbase (TB — termdatabas) är en strukturerad ordbok som behåller källmålsekvivalenter, definition, användningsanmärkning och "förbjudna motsvarigheter" till dessa termer; Den ansluter till CAT-verktyg och föreslår automatiskt översättning. Termextraktion är processen att automatiskt samla in termer som behöver översättas/standardiseras från en text. Ordlista är en enklare lista med två kolumner med termer; Det används istället för termbas i små jobb.
Varför är det så viktigt? Eftersom maskinöversättning och LLM i sig inte garanterar terminologikonsistens. NMT kan översätta varje mening oberoende; LLM kan ändra sitt beslut i lång text. Det som ger termdisciplin är termbasen som du har förberett och kopplat till fordonet.
Tips: Lägg 30 minuter på att skapa terminsbas på ditt första jobb hos en kund. Denna investering ökar både hastighet och kvalitet i allt efterföljande arbete och ger ryktet om "varumärke konsekvent i dina översättningar".
Termextraktion och termbaskonstruktion med AI
AI påskyndar den tråkigaste delen av att skapa en termbas: att hitta kandidater. Du kan ge en källtext till LLM och säga, "lista de domänspecifika termerna i den här texten, de som är repetitiva och de som kräver konsekvens i översättningen." Du godkänner sedan denna lista med kandidater, bestämmer rätt målsvar och bekräftar med kunden vid behov. Kritisk punkt: AI föreslår terminskandidater, experten och kunden fattar terminsbeslutet. Huruvida ett varumärke kallar "bokning" eller "bokning" är kundens val, inte AI:s.
För varje term, lägg in följande i Termbase: källterm, godkänd målmotsvarighet, kort beskrivning/kontext, "använd inte" (förbjudna) motsvarigheter och domän-/projekttagg om tillämpligt. Att skriva förbjudna motsvarigheter är det mest effektiva sättet att undvika inkonsekvens (för "konto", använd INTE bara "konto"; "profil", "medlemskap").
Upprätthålla terminologidisciplin under hela översättningen
Det räcker inte att installera Termbase; Det måste genomföras. Tre lager:
- Under översättning: När du översätter till LLM, lägg till termbas i prompten ("MÅSTE använda dessa termer med dessa motsvarigheter"). Om du använder ett CAT-verktyg, anslut termbase; Verktyget visar matchningen direkt.
- QA efter översättning: Skanna den färdiga texten mot termbas. Jag frågade LLM "finns det platser i den här texten som inte överensstämmer med termbasen?" eller kör termen QA-funktionen i CAT-verktyget.
- Uppdatering vid projektslut: Lägg till nya villkor och kundfeedback till terminsbasen när arbetet är klart; termbas är ett levande dokument.
Varning: När du ger LLM en långsiktig bas kan det "glömma" vissa termer eller ändra dem beroende på sammanhanget. Så hoppa aldrig över QA-rundan efter översättningen; Uppmaning är inte en ersättning för kontroll.
tre minifodral
Fall 1 — Termbase tog bort avvikelsen. I en dokumentation på 60 000 ord gjord av ett mjukvaruföretag med 5 olika frilansöversättare översattes samma 40 termer på dussintals olika sätt. När en gemensam termbas väl etablerats och alla översättningar anpassats till den, minskade klagomål som "Jag kan inte hitta den här skärmen" till användarsupport avsevärt.
Fall 2 — AI minskade slutsatsen från 2 dagar till 2 timmar. Istället för att manuellt extrahera en lista med termer från ett enhetsdokument på 200 sidor, lät ett medicinskt översättningsteam LLM skriva ut det: 380 kandidattermer listades på 2 timmar. Experten godkände dessa på 1 dag och förtydligade deras svar; Det skulle ha tagit veckor om det gjorts manuellt. Besluten tillhörde människor igen.
Fall 3 – Förbudsregeln avvärjde krisen. I ett varumärkes termbas godkändes "kund" för "kund" och "användare" förbjöds (på grund av varumärkespositionering). När en ny översättare skrev "användare", fångade term QA det och varumärkesspråksförvrängningen fixades innan den gick live.
Fyra kopierbara mallar
1) Termkandidatextraktion:
Din roll: terminolog. Från följande [domän] text extraherar termer som kräver konsekvent översättning: domänspecifika begrepp, upprepade fraser, produkt-/funktionsnamn, förkortningar. Lista varje term på källspråket, lägg till en kort sammanhangsanteckning. Beslutet är mitt; Du föreslår bara en kandidat. Lägga till vanliga ord (och, men).Text: [...]
2) Skapa termbasrad:
Förbered termbasrad för följande termer: source term | föreslagna målsvar | kort beskrivning | fel svar att undvika. Om du inte är säker, markera svaret med [?]; Jag kommer att fatta beslutet.Alan: [...] | Villkor: [...]
3) Termbaskompatibel översättning:
Översätt den här texten [källa]→[mål]. MÅSTE tillämpa termbasen nedan; ANVÄND INTE förbjudna motsvarigheter:- [källa1] → [mål1] (använd: [förbjuden1])- [källa2] → [mål2]Om du stöter på en term som inte finns i termbas, markera den med [?].Text: [...]
4) Term QA efter översättning:
Skanna översättningen nedan mot termbasen jag angav. Ange bara INKOMPATIBILITETERNA: vilken term som användes, var, med vilken felaktig betydelse, vad ska vara den korrekta. Rapportera kompatibla platser.Termbas: [...] | Översättning: [...]
Svag prompt / Stark prompt
Svag: "Var försiktig med villkoren." (Vilken term, vilken motsvarighet, vilket förbud — är oklart; maskinen väljer själv.)
Stark: "När du översätter den här texten, använd följande termbas: 'dashboard'→'dashboard', 'logga in'→'logga in'. Om du stöter på en term som inte är termbas, skriv [?] och hitta på den själv."
Skillnad: stark prompt anger den godkända motsvarigheten, den förbjudna motsvarigheten och det okända termens beteende; konsistens garanteras.
Tabell över terminologiverktyg/tillvägagångssätt
Tillvägagångssätt
Vad gör det?
gräns
Ordlista (två kolumner)
Litet företag, snabb start
Ingen definition/förbud
Termbas (ansluten till CAT)
Automatisk rekommendation, QA
Installationen kräver arbete
Termextraktion med LLM
Snabbar upp kandidatlistan
Folk bestämmer
Term QA-skanning
Fångar dissonans
Termbasen måste vara uppdaterad
Lista över förbjudna bestämmelser
Upprätthåller varumärkesspråk
Kräver konstant underhåll
Vanliga misstag
- Starta ett stort jobb utan att installera Termbase. Inkonsekvensen växer därefter exponentiellt.
- Accepterar svaret som föreslagits av AI utan att ifrågasätta. Beslut om terminologi är upp till kunden/experten.
- Skriver inte förbjudna svar. Att bara skriva "rätt" förhindrar inte "fel".
- Termen efter översättningen hoppar över QA. Att sätta termbase i prompten garanterar inte dess genomförande.
- Uppdaterar inte Termbase. En död termbas kommer att vilseleda med tiden.
Flerspråkig termbas och kundgodkännande
I stora projekt är termbasen ofta flerspråkig: ett koncept har en motsvarighet på mer än ett målspråk (källa → engelska, tyska, turkiska, arabiska). Detta säkerställer konsekvent översättning av samma koncept över alla språk och påskyndar arbetet när ett nytt språk läggs till. Poängen att notera i den flerspråkiga termbasen är att varje språk har sin egen kulturella och grammatiska motsvarighet; Det är fel att blint kopiera motsvarande på ett språk till ett annat.
Terminologi har också en dimension av godkännandekedja. I kritiska termer bör det slutliga beslutet ofta fattas av kundens ämnesexpert eller varumärkesteam, inte översättaren; Eftersom de känner bäst till den officiella/juridiska/varumärkes motsvarighet till en term. Det är därför det på stora jobb är god praxis att tagga termbasen som "godkänd", "kandidat" och "omtvistad": du ber kunden om kandidat och kontroversiella villkor helt och hållet, får dem godkända och låser dem sedan. Denna disciplin förhindrar mitten av uppgiften "den här termen borde faktiskt vara" överraskning och massomöversättning.
Sammanfattningsvis
Terminologisk konsekvens är det osynliga men mest avgörande kvalitetselementet i översättning. Mästaröversättaren upprättar en termbas på jobbet; Den använder AI för att snabbt extrahera terminskandidater, men överlåter beslutet till kunden och experten; skriver tydligt godkända och förbjudna svar; Den kopplar termbas till uppmaningen/verktyget under översättningen och hoppar aldrig över QA-rundan efter översättningen. Termbase är ett levande dokument; växer i varje verksamhet och skyddar varumärket.
Applikationsuppgift
Välj en fälttext (teknisk, medicinsk eller marknadsföring). Extrahera minst 15 termkandidater med mallen "termkandidatextraktion", bekräfta dem och skriv motsvarigheter, definitioner och förbjudna motsvarigheter med mallen "termbaslinje". Översätt sedan en kort text med denna termbas, skanna efter inkompatibiliteter med mallen "term QA" och fixa det du hittar.
checklista
- [ ] Jag har skapat en termbas/ordlista på jobbet.
- [ ] Jag godkände AI:s terminskandidater och fattade beslutet.
- [ ] Förutom de godkända svaren skrev jag även de förbjudna svaren.
- [ ] Jag kopplade termbasen till prompten/verktyget under översättningen.
- [ ] Jag gjorde en QA-skanning efter översättningen och fixade inkompatibiliteterna.