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']

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

Im Fall «Facial Recognition Technologies» sehen Sie, wie Maschinen Stereotypen und Biases unserer Gesellschaft aufnehmen und verschärfen. Sehen Sie sich diesen Video-Beitrag an (vor allem das Kurzvideo ab 00:48) und überlegen Sie, wie sich dieses Problem auf maschinelle Übersetzung übertragen lässt.

Lösung
Wenn zu viele Texte mit bestimmten Merkmalen in den Trainingsdaten vorhanden sind, werden diese Merkmale überproportional vertreten. Zum Beispiel wird das US-amerikanische Wort "subway" vielleicht öfters vorgeschlagen als das britische "underground", oder das deutsche Wort "grillen" (DE) wird verwendet, anstatt "grillieren" (CH), so wie es eigentlich in der Schweiz heißen müsste.
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):
  1. A surgeon
  2. A gifted surgeon
  3. A beautiful surgeon
Inwieweit zeigt sich hier der Gender Bias?
Lösung

Im April 2022 waren die Ergebnisse:

  1. Ein Chirurg
  2. Ein talentierter Chirurg
  3. Eine schöne Chirurgin

Der Gender Bias zeigt sich, indem bei unklarer Geschlechtszuordnung in a) das Maskulin gewählt wird, und in b) und c) das Adjektiv jeweils zu einer stereotypisierten Zuordnung führt.

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

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

Mit der Aufgabe «False Fluency» erleben Sie, wie maschinell übersetzte Texte unberechenbare Fehler enthalten können. Sehen Sie sich folgendes Bild an. Es handelt sich um eine Hilfsseite der Firma Microsoft, zum Tool Microsoft Teams. Finden Sie den Übersetzungsfehler?

 

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

Es handelt sich um eine Fehlübersetzung aus dem Englischen, wie in diesem Bild ersichtlich:

Das Problem ist, dass der deutsche Text nirgendwo als Übersetzung (und erst recht nicht als maschinelle Übersetzung) gekennzeichnet ist. Daraus schließen unwissende Leser*innen falsche Informationen. Aus einem Fun Fact werden Fake News…

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