{"id":15358,"date":"2022-03-22T17:26:00","date_gmt":"2022-03-22T16:26:00","guid":{"rendered":"https:\/\/www.act-translations.com\/gender-uebersetzer\/"},"modified":"2024-07-16T16:31:41","modified_gmt":"2024-07-16T14:31:41","slug":"gender-uebersetzer","status":"publish","type":"post","link":"https:\/\/www.act-translations.com\/de-de\/gender-uebersetzer\/","title":{"rendered":"Maschinelle \u00dcbersetzungstools in der Gender-Falle"},"content":{"rendered":"\n

Hand aufs Herz: Egal, wie gut die Fremdsprachenkenntnisse auch sind, so ist es ab und zu wirklich hilfreich, einen Satz in ein \u00dcbersetzungstool wie DeepL oder Google Translate zu tippen und sich eine maschinelle \u00dcbersetzung liefern zu lassen, oder? Das Problem: Wer sich in der jeweiligen Fremdsprache nicht gut auskennt, der merkt wahrscheinlich auch nicht, wenn das KI-Werkzeug Ergebnisse liefert, die jedem Muttersprachler die Haare zu Berge stehen lassen. Ein Beispiel ist das vielfach diskutierte Thema \u201eGender\u201c. Hier zeigt sich deutlich, warum maschinelle \u00dcbersetzungsl\u00f6sungen in einigen F\u00e4llen zwar n\u00fctzlich, in anderen aber \u00fcberaus fehleranf\u00e4llig sein k\u00f6nnen.
Wer etwa S\u00e4tze wie \u201eI visited a doctor yesterday\u201c eingibt, erh\u00e4lt automatisch \u201eIch war gestern beim Arzt\u201c. Soll hei\u00dfen: \u201eDeepL\u201c und andere Tools halten scheinbar nicht viel von Emanzipation und Gleichberechtigung. Berufe werden automatisch \u201egegendert\u201c, also einem \u201etypischen\u201c Geschlecht zugeordnet. Wir von ACT Translations haben es einmal mit den verschiedensten Berufen und Sprachen ausprobiert, kamen aber immer wieder zu recht ern\u00fcchternden Ergebnissen. Eine \u201eNurse\u201c ist automatisch eine \u201eKrankenschwester\u201c, auch wenn der englische Begriff \u201eNurse\u201c durchaus auch f\u00fcr m\u00e4nnliche Pfleger gebr\u00e4uchlich ist. Ein \u201eMechanic\u201c wird mit \u201eMechaniker\u201c, \u201emec\u00e1nico\u201c oder \u201em\u00e9canicien\u201c \u00fcbersetzt, ein \u201ePhysical Therapist\u201c wird \u201ePhysiotherapeutin\u201c. Der Professor ist, wen wundert\u2019s, m\u00e4nnlich, \u201eHousekeeper\u201c hingegen typisch weiblich.
\"\"<\/p>\n\n\n\n

KI-Branche wei\u00df, m\u00e4nnlich und wenig divers<\/h5>\n\n\n\n

Sind Deep Learning, Maschinelles Lernen oder KI also per se testosterongetriebene Macho-Systeme? Oder woran liegt es, dass die Tools keine \u201e\u00c4rztin\u201c oder \u201eKFZ-Mechanikerin\u201c vorschlagen? Die Antwort ist vielschichtig. Zum einen wird das Forschungsgebiet der k\u00fcnstlichen Intelligenz dominiert von wei\u00dfen, m\u00e4nnlichen Wissenschaftlern. Laut MIT Technologie Review sind bei f\u00fchrenden KI-Konferenzen nur 18 Prozent der geladenen Sprecher Frauen, nur 20 Prozent der KI-Professoren und nur zehn Prozent der wissenschaftlichen Mitarbeiter bei Facebook oder Google sind weiblich. Das ist aber nur ein kleiner Aspekt eines gr\u00f6\u00dferen Problems.<\/p>\n\n\n\n

KI basiert auf Unmengen von Daten<\/h5>\n\n\n\n

Maschinelle Lern-Systeme k\u00f6nnen au\u00dfer Frage leistungsf\u00e4hige Werkzeuge sein, aber sie sind immer nur so gut wie die Daten, mit denen sie gef\u00fcttert werden. Ist also ein systematischer Fehler in den Daten, die zum Trainieren eines maschinellen Lernalgorithmus verwendet werden, wird das resultierende Modell dies widerspiegeln.<\/p>\n\n\n\n

In den meisten F\u00e4llen geht es schlichtweg nicht um Voreingenommenheit oder Stereotypen. Es h\u00e4ngt auch nicht mit den Menschen zusammen, die vielleicht bei der Auswahl ihrer Datens\u00e4tze oder beim Training ihrer Modelle oberfl\u00e4chlich vorgegangen sind. Nein, in den Ergebnissen der maschinellen \u00dcbersetzungen manifestieren sich inh\u00e4rente gesellschaftliche Verzerrungen, so \u00e4hnlich wie historische Aufzeichnungen einer Gesellschaft, Schlaglichter der Gesamtsituation. Diese Datens\u00e4tze wiederum geben ihre Voreingenommenheit, beziehungsweise Oberfl\u00e4chlichkeit, an die maschinellen Lernmodelle weiter, die aus ihnen lernen. Waren in der Vergangenheit mehr M\u00e4nner als Frauen \u00c4rzte, wird ein maschinelles Lernmodell, das auf historischen Daten trainiert wurde, lernen, dass \u00c4rzte mit gr\u00f6\u00dferer Wahrscheinlichkeit m\u00e4nnlich als weiblich sind, unabh\u00e4ngig von der aktuellen Geschlechterverteilung unter den \u00c4rzten.<\/p>\n\n\n\n

Typische Sprachmuster statt Kontext<\/h5>\n\n\n\n

Maschinelle \u00dcbersetzungsmodelle werden mithilfe riesiger Textzusammenh\u00e4nge trainiert. Unter ihnen befinden sich auch Satzpaare, die schon einmal \u00fcbersetzt wurden. Hinzukommen Nuancen einer Sprache, die es oft erschweren, eine genaue und direkte \u00dcbersetzung zu liefern. Bei der \u00dcbersetzung vom Englischen in Sprachen wie Deutsch, Franz\u00f6sisch oder Spanisch werden einige geschlechtsneutrale Substantive in geschlechtsspezifische Substantive \u00fcbersetzt. Ist ein \u201eFriend\u201c im Englischen geschlechtsneutral, wird der Begriff auf Spanisch \u201eamiga\u201c (feminin) oder \u201eamigo\u201c (maskulin). Ein menschlicher \u00dcbersetzer kann nachfragen: Ist ein Mann oder eine Frau gemeint? Das maschinelle \u00dcbersetzungstool kann diesen Kontext nicht erfragen.<\/p>\n\n\n\n

Herausforderung Kommunikation und gesprochenes Wort<\/h5>\n\n\n\n

Richtig kompliziert wird es, wenn maschinelle Tools f\u00fcr die \u00dcbersetzung von Reden und Co. eingesetzt werden. In der gesprochenen Sprache k\u00f6nnen Intonation, Mimik, Wiederholungen und Sarkasmus oder Ironie die Bedeutung eines Satzes v\u00f6llig ver\u00e4ndern. Moderne maschinelle \u00dcbersetzungsl\u00f6sungen erfassen derartige Nuancen nicht genau. Hinzukommen weitere Beispiele, bei denen \u00dcbersetzungstools an ihre Grenzen sto\u00dfen. Wer etwa \u201eCream of Tartar\u201c (eine Art Backpulver) in Google Translate eingibt, erh\u00e4lt die wortw\u00f6rtliche \u00dcbersetzung \u201eSahne von Zahnstein\u201c. Aus \u201eKernseife\u201c wurde vor einigen Jahren noch \u201eNuclear Soap\u201c. Doch hier hat das System mittlerweile dazugelernt und \u00fcbersetzt mittlerweile mit \u201ecurd soap\u201c.<\/p>\n\n\n\n

Neuronale Netze statt statistischer Methoden<\/h5>\n\n\n\n

Derartige \u00dcbersetzungsfehler lassen sich damit erkl\u00e4ren, dass Google Translate etwa viele Jahre mit statistischen \u00dcbersetzungsmethoden gearbeitet hat, die Wort f\u00fcr Wort vorgingen und keine Zusammenh\u00e4nge erkannten. Solche Fails sind heute weitaus seltener als noch vor ein paar Jahren, da Google Translate jetzt bei vielen der mehr als 100 Sprachen im Angebot auf neuronale Netze, also k\u00fcnstliche Intelligenz, setzt, um Kontext genauer zu erfassen. Wissenschaftler arbeiten mit Hochdruck auch an der Gender-Herausforderung.<\/p>\n\n\n\n

Sprachgef\u00fchl gefragt<\/h5>\n\n\n\n

Ohne Frage: Maschinen arbeiten wunderbar mit strukturierter Sprache f\u00fcr bestimmte Anwendungen. Beispiele sind Wetterberichte, Finanzberichte, Regierungsprotokolle oder Sportergebnisse. Es gibt aber viele Bereiche, bei denen die smarten Werkzeuge an ihre Grenzen sto\u00dfen und menschliche \u00dcbersetzer und Sprachkenner ans Werk m\u00fcssen. Wer schon einmal versucht hat, einen schmissigen Marketing-Text maschinell zu \u00fcbersetzen, sieht schnell: Das funktioniert nicht! So verstand so mancher Parf\u00fcmerie-Kunde beim Douglas-Slogan \u201eCome in and find out\u201c nicht \u201eKommen Sie herein und finden Sie es heraus\u201c sondern \u201eFinden Sie rein und wieder raus\u201c. Auch Rechtstexte sollten besser von Experten als von Maschinen \u00fcbersetzt und dann noch einmal Korrektur gelesen werden, um Missverst\u00e4ndnisse oder gar Klagen zu vermeiden.<\/p>\n\n\n\n

Zusammenspiel von Mensch und Maschine<\/h5>\n\n\n\n

Auch wenn maschinelle \u00dcbersetzungstools in den vergangenen Jahren immer besser und genauer geworden sind und sich viele Studien mit genderspezifischen Herausforderungen diesbez\u00fcglich besch\u00e4ftigen, gibt es auf diesem Gebiet noch enormen Nachholbedarf \u2013 wie im gesamten Bereich der Gender-Forschung und Gleichberechtigung. Wie gut, dass menschliche \u00dcbersetzer \u00fcber das notwendige Sprach- und Fingerspitzengef\u00fchl verf\u00fcgen, um Sch\u00fctzenhilfe zu leisten. Und gegen ein gutes Zusammenspiel zwischen Mensch und Maschine ist nichts einzuwenden, oder?<\/p>\n\n\n\n

Unverbindliche Beratung anfordern<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Auch wenn maschinelle \u00dcbersetzungstools in den vergangenen Jahren immer besser und genauer geworden sind und sich viele Studien mit genderspezifischen Herausforderungen diesbez\u00fcglich besch\u00e4ftigen, gibt es auf diesem Gebiet noch enormen Nachholbedarf \u2013 wie im gesamten Bereich der Gender-Forschung und Gleichberechtigung.<\/p>\n","protected":false},"author":2,"featured_media":16399,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[472,473],"tags":[],"class_list":["post-15358","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-maschinelle-uebersetzungen-ki-uebersetzungen","category-sprachtechnologie"],"_links":{"self":[{"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/posts\/15358","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/comments?post=15358"}],"version-history":[{"count":2,"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/posts\/15358\/revisions"}],"predecessor-version":[{"id":21744,"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/posts\/15358\/revisions\/21744"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/media\/16399"}],"wp:attachment":[{"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/media?parent=15358"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/categories?post=15358"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.act-translations.com\/de-de\/wp-json\/wp\/v2\/tags?post=15358"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}