Sprache und Maschine

Mehrsprachigkeit und Technologie: Who's lost in translation | Alice Delorme Benites, Caroline Lehr

Thema d Algorithmischer Bias und Gender Bias: Probleme maschineller Übersetzung

Aufgabe 1 | Machine Translation Literacy: Wie Verzerrung entsteht [5']

Lösung

Aufgabe 2 | Gender Bias: Traditionelle Geschlechtervorstellungen und KI [10']

Aufgabe 2 | Gender Bias: Traditionelle Geschlechtervorstellungen und KI [10']

Mit der Aufgabe «Gender Bias» sehen Sie, wie maschinelle Übersetzung mit den traditionellen Geschlechtervorstellungen umgeht. Gehen Sie auf www.deepl.com und geben Sie folgende Ausdrücke ein (immer nur ein Ausdruck auf einmal):

A surgeon
A gifted surgeon
A beautiful surgeon

Inwieweit zeigt sich hier der Gender Bias?

Lösung

Aufgabe 3 | False Fluency: Erkennen Sie Übersetzungsfehler? [10']

Lösung

Es sollte statt "Völker" "Personen" stehen. Das geschulte Auge wird schnell sehen, dass es sich höchstwahrscheinlich um eine falsche Übersetzung vom englischen "people" handelt. Der Fehler ist aber unvorhersehbar und der Text sonst so gut und leserlich, dass man den Fehler leicht übersieht. Allerdings weist Microsoft immer auf seinen Hilfsseiten darauf hin, dass es sich um automatische Übersetzungen handelt. Das hilft, den Text mit einem besonderen Augenmerk zu lesen.

Aufgabe 4 | Fake News: Wenn maschinelle Übersetzung Fehler macht [10']

Aufgabe 4 | Fake News: Wenn maschinelle Übersetzung Fehler macht [10']

Im Fall «False Fluency und falsche Erkenntnisse» erleben Sie, wie maschinell übersetzte Texte durch unbemerkte Fehler neue bzw. falsche Informationen erschaffen können. Sehen Sie sich folgendes Bild an. Dort steht, dass Fotografie "einfaches Schreiben" bedeutet. Allerdings steht auf der Seite www.dwds.de, dass Fotographie von "phos" (Licht) und "grafie" (Beschreibung) stammt. Wie erklären Sie den Fehler auf dem Bild?

Lösung

Language Matters

Sprache und Maschine

Mehrsprachigkeit und Technologie: Who's lost in translation | Alice Delorme Benites, Caroline Lehr

Thema d Algorithmischer Bias und Gender Bias: Probleme maschineller Übersetzung

> zu Thema e Pre- und Post-Editing: Wofür KI-Lösungen eingesetzt werden können