Het is eind augustus 2017, het nieuwe academiejaar staat voor de deur. Het Duitse taaltechbedrijf DeepL (bekend van vertaalzoekmachine Linguee) lanceert DeepL Translator. Een nieuwe krachtige vertaalmachine en, zo claimt het bedrijf, beter dan Google Translate en Bing of Microsoft Translator. Dankzij deep learning, artificiële intelligentie, neurale netwerktechnologie en natuurlijk de enorme collectie menselijke vertalingen waarop ook Linguee draait. En nog gratis ook.
Jurgen Basstanie, docent zakelijk Engels en vertaling aan de Thomas More Hogeschool, legt de nieuwkomer meteen op de testbank. "DeepL is een fantastisch hulpmiddel, duidelijk beter dan de andere gratis online vertaalmachines." Jurgen Basstanie beseft dat hij natuurlijk niet de enige is die de mogelijkheden van DeepL ontdekt. Reken maar dat zijn studenten (bachelors Office Management) DeepL ook al bij hun favorieten staan hebben.
En dus is dé vraag waarop hij en zijn collega's tegen het begin van het nieuwe academiejaar een concreet antwoord moeten verzinnen wel deze: "Hoe gaan we deze robot vanaf de eerste dag in ons vertaalonderwijs integreren, want nu heeft het echt geen zin meer dat we onze studenten verbieden met DeepL te werken of blijven proberen deze nieuwe technologie buiten de vertaallessen te houden. Deze vertaalmachine is er en ze gaat niet meer weg. Ze kan alleen nog beter worden. Onze studenten moeten ermee leren werken."
Jurgen Basstanie en zijn collega's nemen een radicale beslissing: "In plaats van de studenten te verbieden met DeepL te werken, gaan we ze verplichten om met DeepL te werken."
Nu, negen maanden later, loopt het academiejaar op zijn laatste benen. Hoe is het gegaan? Welke invloed heeft het verplichte gebruik van DeepL gehad op het vertaalonderricht? Hoe zijn Jurgen Basstanie en zijn collega's met deze nieuwe technologie omgegaan? In dit artikel presenteert Jurgen Basstanie zijn ervaringen.
“Fantastisch hulpmiddel”
Geel, 27 juni 2018, Jurgen Basstanie - DeepL is zeker een fantastisch hulpmiddel, duidelijk beter dan de populaire online vertaalrobots. DeepL werkt het best wanneer je voldoende grote stukken tekst vertaalt, omdat dan meer context beschikbaar is. Veel vaker dan zijn concurrenten heeft deze robot de syntaxis door, hij gaat veel beter om met nuances van woorden in hun context, vertaalt niet noodzakelijk letterlijk en kiest de juiste woorden die passen in het register van de tekst. Dat doet hij allemaal in zeven talen. Bovendien suggereert de robot je voor elk vertaald woord een hoop alternatieven, mocht je niet helemaal tevreden zijn met wat hij als eerste vertaling voorstelt.
“Nu verplichten we onze studenten met DeepL te werken”
Te mooi om waar te zijn? Dat was zeker mijn eerste gevoel. Tegelijk was het voor ons in september meteen duidelijk dat we onze vertaallessen anders moesten gaan organiseren. Waar we studenten tot dan teksten lieten vertalen en ze hun vertaalkeuzes uitvoerig lieten motiveren, vragen we nu dat ze de vertaling van DeepL als vertrekpunt nemen en vervolgens hun aanpassingen bij die vertaling weergeven in een tweede versie.
Een voordeel van deze nieuwe aanpak is dat de studenten veel sneller tot een vertaling komen, die vaak al meteen van goede kwaliteit is (afhankelijk van tekstgenre en register natuurlijk).
Een nadeel van deze aanpak is dat de machinevertaling de studenten kan verblinden. Ze volgen minder hun eerste gevoel en het vergt creativiteit om los te komen van wat DeepL suggereert.
Toch hebben we beslist om de studenten te verplichten eerst DeepL te gebruiken. Waarom? We moeten niet naïef zijn: de studenten zouden anders toch DeepL of een andere machine hebben gebruikt - maar allicht minder kritisch dan vandaag het geval is. We wilden onze studenten vooral uitnodigen om kritisch te leren omgaan met wat artificiële intelligentie (AI) vandaag voor hen kan betekenen.
Beperkingen ontdekken
En wat blijkt? Studenten zien snel in dat er ook bij DeepL nog veel werk aan de winkel is om een volledige, vlotte en correcte vertaling te genereren. Ze leren dat DeepL (nog vaak) te letterlijk vertaalt, soms volledig fout, en de context niet altijd helemaal vat. Ze ontdekken dat ook grammatica, uitdrukkingen en technische termen vaak nog een probleem vormen.
Voorbeelden
Met onze studenten werkten we onder meer aan een Nederlandse vertaling van “We called him Madiba”, een fotoboek over de laatste levensjaren van Nelson Mandela.
In dit voorbeeld vertaalt DeepL goed door te kiezen voor een relatiefzin. De woordvolgorde in de bijzin klopt. De oplossing van DeepL is veel beter dan die van andere vertaalrobots:
EN: “We called him Madiba” is a ten year journey documenting and archiving the intimate and detailed life of Nelson Mandela.
NL: "We noemden hem Madiba" is een tien jaar durende reis die het intieme en gedetailleerde leven van Nelson Mandela documenteert en archiveert.
Onze studenten analyseren hoe DeepL de vertaalproblemen oplost, maar tegelijk moeten ze zelf nog een beter alternatief vinden voor het omslachtige "een tien jaar durende reis".
In het volgende voorbeeld leren ze hoe DeepL onderwerp en lijdend voorwerp door elkaar haalt:
NL: In de film vertolkt de 40-jarige Elba Mandela vanaf zijn 23ste tot zijn 76ste.
EN: In the film, 40-year-old Elba Mandela performs from his 23rd to his 76th birthday.
In dit voorbeeld leren de studenten dat DeepL goed zit qua woordenschat:
EN: His face spoke volumes.
NL: Zijn gezicht sprak boekdelen.
Maar op andere momenten slaat DeepL de bal volledig mis:
EN: Mandela, in his great age, slowly made his way out of the office.
NL: Mandela, in zijn grote leeftijd, maakte langzaam zijn weg uit het bureau.
Werk aan de winkel dus voor de studenten.
Dieper analyseren en meer metakennis verwerven
Er zijn uiteraard nog talloze voorbeelden te geven op nog hele andere terreinen waar DeepL last mee heeft: spelling, grammatica, woordkeuze, register. DeepL heeft moeite met beeldspraak, kan helemaal niets maken van een elliptische of een slordige brontekst. Opmerkelijk is dat DeepL niet steeds dezelfde vertaling geeft voor eenzelfde brontaalzin. Veel hangt af van de context, zo lijkt het. Het doel is dat onze studenten al deze beperkingen goed leren zien.
Een belangrijk gevolg van de radicale beslissing die we bij Thomas More hebben genomen, is dat we met onze studenten bron- en doelteksten diepgaander moeten analyseren en dat we daarbij nu veel meer dan vroeger moeten inzetten op het ontwikkelen van de metakennis die de studenten nodig hebben om te kunnen reflecteren over vertaalkeuzes. Is deze fout die DeepL hier maakt een kwestie van woordenschat, of van register, of van collocaties of connotaties? Werkt de oorspronkelijke metafoor nog wel in deze vertaling? Is de bedoelde gelaagdheid in dit artikel goed weergegeven in vertaling? Als we willen dat onze studenten slimmer worden en blijven dan de machines, dan moeten we ze wel helpen inzicht te krijgen in hoe de machines werken.
Sneller en efficiënter
DeepL heeft nog veel verbetermarge en de vraag is hoe ver de kwaliteit van artificiële intelligentie zal reiken. Toch lijkt het dat met DeepL echt wel uitzonderlijke vooruitgang geboekt is. Deze vertaalrobot overtreft met gemak de vertalingen van techreuzen zoals Google of Facebook, knap voor een relatief klein bedrijf. Intussen is er ook DeepL Pro, een betaalde service die nog meer mogelijkheden belooft en integreerbaar is in Trados Studio 2017, de belangrijkste CAT-tool (vertaalprogramma) waarmee vertaalprofessionals werken.
Vertalers zullen de nieuwe technologie moeten omarmen en er voordeel uit halen om sneller en efficiënter te werken. Het lijkt ons niet wenselijk en ook onmogelijk om de nieuwe technologie buiten de vertaallessen te houden. Machinevertalingen nalezen en aanpassen wordt de norm. Vertalers zullen nodig blijven. Het is verleidelijk maar veel te gevaarlijk om DeepL als een totaaloplossing te gebruiken. Een vertaler die dat wel doet, is niet ernstig met zijn vak bezig.
Bij Thomas More hebben we intussen geleerd dat het verplichte gebruik van DeepL de vertaallessen juist naar een hoger niveau kan tillen. Wie kritisch wil leren omgaan met DeepL en andere vertaalmachines moet op metaniveau leren spreken over vertalen, vertaalkeuzes, -strategieën en -technieken en grondig leren analyseren hoe de machines werken. Dat is wat onze studenten het afgelopen academiejaar meer dan ooit hebben geleerd. Het is ook de enige manier om uiteindelijk slimmer te blijven dan de machine.
Jurgen Basstanie (