https://doi.org/10.25312/j.10192

Agnieszka Pietrzak https://orcid.org/0000-0003-0493-1884 Uniwersytet Łódzki

e-mail: agnieszka.pietrzak@uni.lodz.pl

Człowiek versus maszyna. Tłumaczenie maszynowe jako narzędzie pracy tłumacza tekstów specjalistycznych

Human versus machine: machine translation as a tool in the work of a specialist translator

Streszczenie

Postępujący rozwój technologii cyfrowych znajduje odzwierciedlenie również w branży tłumaczeniowej, gdzie coraz większą rolę odgrywa tłumaczenie maszynowe. Choć początki tych systemów sięgają XVII wieku, ich obecny dynamiczny rozwój znacząco zwiększył jakość i użyteczność generowanych przekładów. Pomimo istotnych postępów translatory nadal wymagają interwencji człowieka, najczęściej w formie postedycji, co wskazuje na ich rolę jako narzędzi wspomagających pracę tłumacza. Celem niniejszego artykułu jest ocena jakości tłumaczeń dokumentów szkolnych, stanowiących przykład tekstów specjalistycznych, wygenerowanych przez trzy translatory: DeepL, Google Translate oraz ChatGPT. Analiza pozwala określić ich potencjał w kontekście praktyki translatorskiej.

Słowa kluczowe: tłumaczenie maszynowe, narzędzia pracy tłumacza, tłumaczenie specjalistyczne, Tłumacz DeepL, Tłumacz Google, ChatGPT

Abstract

The progressive development of digital technologies is also reflected in the field of translation, where machine translation is playing an increasingly important role. Although the origins of such systems date back to the seventeenth century, their current dynamic evolution has considerably improved the quality and usability of generated translations. Despite significant progress, machine translation tools still require human intervention, most often in the form of post-editing, which highlights their function as instruments supporting the translator’s work. The aim of this article is to evaluate the quality of translations of school documents, regarded as examples

of specialised texts, produced by three machine translation systems: DeepL, Google Translate and ChatGPT. The analysis makes it possible to determine their potential in the context of translation practice.

Keywords: machine translation, translator’s tools, specialised translation, DeepL Translator, Google Translate, ChatGPT

Wstęp

Postęp technologiczny widoczny jest niemal w każdym aspekcie współczesnego, nieustan-nie rozwijającego się świata. Dominującą rolę w tym obszarze odgrywają bezsprzecznie narzędzia cyfrowe i sztuczna inteligencja. W mniejszym lub większym stopniu wspierają one wszechobecne inteligentne rozwiązania, których celem jest zwiększenie jakości, wydajności, niezawodności i efektywności wszelkiej działalności człowieka poprzez automatyzację procesów, skutkującą redukcją nakładu pracy i zmniejszeniem kosztów do niezbędnego minimum (por. Sztuk, 2018: 159). Wspomniana tendencja obserwowana jest również od lat w branży tłumaczeniowej – narzędzia wspierające pracę tłumacza bazują obecnie coraz częściej na cyfrowych rozwiązaniach, których jakość – choć nieide-alna – jest z reguły na tyle zadowalająca, że stanowią one wartą uwagi pomoc w procesie przygotowywania przekładu. Jednym z narzędzi cyfrowych zyskującym w ostatnim czasie na popularności jest tłumaczenie maszynowe, którego coraz szersze stosowanie sprowadza tłumacza jedynie do roli postedytora, czyli weryfikatora tekstów generowanych przez systemy tłumaczenia maszynowego.

Idea tłumaczenia maszynowego sięga XVII wieku, jednak praktyczna jej realizacja miała miejsce dopiero w drugiej połowie XX wieku, kiedy to w 1949 roku Warren We-aver przedstawił rozwiązania czterech najważniejszych problemów, które napotykały ówczesne systemy tłumaczeniowe, a także przewidywania dotyczące ich dalszego roz-woju. Zaproponował on między innymi wykorzystanie kontekstu w celu rozstrzygania wieloznaczności, odwoływanie się do wewnętrznych zależności logicznych w obrębie języka, zastosowanie metod przypominających techniki kryptograficzne, czyli traktowanie tłumaczenia jak procesu łamania szyfru oraz przyjęcie założenia o istnieniu uniwersal-nych właściwości językowych wspólnych dla wszystkich języków. Pierwsze systemy były bardzo proste – wykonywały tłumaczenie, opierając się głównie na dwujęzycznych słownikach i przestawianiu szyku zdań. Jakość translatów była niska, a efekty często nie nadawały się do użytku. W latach osiemdziesiątych rozwinięto systemy pośrednie, dzieląc je na te oparte na wiedzy (algorytmy bazujące na regułach językowych) oraz na danych (modele bazujące na obliczeniach statystycznych, konstruowane dzięki badaniu dwuję-zycznych, paralelnych zbiorów tekstów). Z czasem translatory1 zaczęły wykorzystywać technologie posiłkujące się sieciami neuronowymi, które kodują każde słowo przy użyciu setek parametrów i analizują je w wielu warstwach, co pozwala uzyskać bardziej naturalny kontekstowo przekład (por. Olas, 2019: 314–316).

1 Translator rozumiany jest tutaj jako system tłumaczenia maszynowego, a nie tłumacz-człowiek.

Celem niniejszego artykułu jest ocena jakości tłumaczeń sporządzonych przez trzy systemy tłumaczenia maszynowego. Analizie porównawczej poddane zostaną tłumaczenia fragmentów dokumentów szkolnych stanowiących przykłady tekstów specjalistycznych, wygenerowane przez silniki (1) DeepL, (2) Google Translate oraz (3) ChatGPT, co pozwoli określić ich potencjał w kontekście praktyki translatorskiej.

Narzędzia pracy tłumacza a tłumaczenie maszynowe

Nierozłącznym elementem pracy tłumacza są narzędzia wspierające jego działalność i bezpośrednio wpływające na proces przekładu. Według Britty Nord (2002: 55, 158) można wyróżnić pięć następujących kategorii narzędzi pracy tłumacza:

1. Narzędzia fizyczne – podstawowe wyposażenie miejsca pracy (na przykład kompu-ter, drukarka).

2. Narzędzia administracyjne – umożliwiają przechowywanie tłumaczeń (na przykład pendrive, dysk zewnętrzny).

3. Narzędzia komunikacji – umożliwiają nawiązanie komunikacji ze zleceniodawcą (na przykład telefon, e-mail).

4. Narzędzia służące do produkcji tekstu – oprogramowanie pozwalające stworzyć plik tekstowy (na przykład MS Word).

5. Narzędzia pozyskiwania informacji – zewnętrzne zasoby wiedzy, do których tłumacz odwołuje się, aby poszerzyć własne zasoby wiedzy.

Z perspektywy samego procesu powstawania przekładu szczególnie istotna jest ostat-nia kategoria, do której należą wszelkie narzędzia i materiały pomocnicze pozwalające tłumaczowi pozyskać i uporządkować wiedzę służącą do rozwiązania konkretnych napo-tkanych trudności tłumaczeniowych. Do podstawowych z nich zaliczyć można słowniki jedno- i dwujęzyczne. Słowniki jednojęzyczne ułatwiają zrozumienie znaczenia terminów dzięki definicjom i przykładom użycia, natomiast dwujęzyczne podają odpowiedniki w języku docelowym, choć nie zawsze gwarantują pełną precyzję ze względu na brak kontekstu lub kwalifikatorów wskazujących na dziedzinę, w jakiej dany termin jest uzual-ny, na przykład technika, medycyna, administracja, prawo karne. Ważnym uzupełnieniem słowników są leksykony specjalistyczne i encyklopedie, które dostarczają pogłębionych definicji terminów, przez co stanowią istotne wsparcie w procesie doboru adekwatnych ekwiwalentów. Tłumacze specjalistyczni często tworzą własne glosariusze i zestawienia terminologiczne, gdzie gromadzone są trudniejsze terminy oraz ekwiwalenty wykorzystane w ich wcześniejszych projektach. Takie narzędzia pozwalają na zachowanie spójności terminologicznej w kolejnych tłumaczeniach oraz ułatwiają szybki dostęp do wcześniej zweryfikowanych odpowiedników (por. Snell-Hornby, 2006: 181; Siewert-Kowalkowska, 2013: 217; Pietrzak, 2023: 93–94).

Kolejnym kluczowym narzędziem są teksty paralelne, czyli oryginalne teksty w języku

docelowym o identycznej lub podobnej funkcji i tematyce jak tekst wyjściowy. Pozwa-lają one uchwycić różnice językowe, a także dostarczają aktualnej terminologii i wiedzy specjalistycznej. Dzięki nim tłumacz może opracować przekład zgodny z konwencjami

i oczekiwaniami odbiorców w kulturze docelowej. Teksty paralelne stanowią też źró-dło informacji o stylu, rejestrze językowym i strukturze tekstów specjalistycznych, co zwiększa jakość i akceptowalność przekładu. Trudność stanowić jednak może z jednej strony dotarcie do tekstów paralelnych – zwłaszcza jeśli dokument wyjściowy należy do niszowej dziedziny, z drugiej zaś strony ocena ich jakości czy wiarygodności – nie zawsze jasne jest, czy znaleziony dokument jest faktycznie tekstem równoległym, czy jedynie tłumaczeniem (por. Göpferich, 2006: 184; Weigt, 2010: 55).

Obecnie coraz większe znaczenie odgrywają narzędzia komputerowe – zarówno te prostsze, takie jak wyszukiwarki internetowe czy bazy terminologiczne, jak i bardziej złożone, tj. systemy tłumaczenia maszynowego, które generują wstępne wersje tłumaczeń, oraz systemy CAT, które wspierają tłumacza poprzez automatyczne wstawianie w translat wcześniej przetłumaczonych segmentów i co za tym idzie zapewnianie spójności termi-nologicznej. W tekstach specjalistycznych – w tym w dokumentach szkolnych – gdzie powtarzalność terminów i struktur jest częsta, narzędzia te znacząco zwiększają wydajność i jakość pracy. W praktyce coraz częściej spotyka się połączenie tłumaczenia maszynowego i systemów CAT (tzw. MT-assisted TM translation), co umożliwia tłumaczowi jednoczesny dostęp do obu tych technologii (por. Kubacki, Łomzik, 2018: 131).

Eva Wiesmann (2004: 157) zauważa, że w niektórych klasyfikacjach narzędzi pracy tłumacza nie uwzględnia się tłumaczenia maszynowego, ponieważ zestawienia wyróżniają jedynie narzędzia wspierające tłumacza, a nie zastępujące go. Z drugiej strony należy jed-nak wyraźnie podkreślić, że tłumaczenie maszynowe używane w profesjonalnej praktyce translatorskiej nie zastępuje tłumacza, a jedynie wspomaga go poprzez zaproponowanie jednej z wersji przekładu danego fragmentu tekstu, który następnie podlega weryfikacji i niejednokrotnie gruntownej modyfikacji dokonanej przez człowieka.

Analizując poziom automatyzacji i udział człowieka w procesie tłumaczenia, wy-różnić można (1) tłumaczenie wykonane przez człowieka od podstaw, (2) tłumaczenie maszynowe z postedycją oraz (3) surowe tłumaczenie maszynowe. Najmniej precyzyjne rezultaty daje surowe tłumaczenie maszynowe, czyli przekład generowany całkowicie automatycznie, bez udziału człowieka. Gdy tekst przekładu zostanie poddany postedy-cji, jego jakość powinna co do zasady dorównywać jakości tłumaczenia sporządzonego przez profesjonalnego tłumacza. W praktyce zatem granica pomiędzy tłumaczeniem wykonanym przez człowieka a tłumaczeniem maszynowym z postedycją zaciera się (por. Biel, 2021: 13–14).

W procesie włączania tłumaczenia maszynowego do warsztatu pracy tłumacza klu-czową rolę odgrywa postedytor, którego zadaniem jest korekta tekstów wygenerowa-nych przez systemy tłumaczenia maszynowego, wymagająca w pierwszej kolejności zrozumienia tekstu wyjściowego, a następnie zrozumienia, oceny i korekty zapropono-wanego translatu. Pamiętać przy tym należy, że postedycja w pewnym stopniu różni się od standardowej korekty tłumaczenia, gdyż maszyna popełnia inne błędy niż człowiek. Do charakterystycznych uchybień, jakich dopuszczają się translatory, należy opuszczenie lub dodanie niepotrzebnego fragmentu tekstu, niewłaściwy dobór terminów i brak kon-sekwencji terminologicznej, brak spójności tekstu, nieadekwatny rejestr, niepotrzebne tłumaczenie nazw własnych, niepoprawne rozwijanie skrótów, dosłowne przekładanie

idiomów i metafor, błędy w zakresie neologizmów, slangu, niezrozumienie odniesień kulturowych oraz wszelkie błędy językowe, między innymi gramatyczne, leksykalne, frazeologiczne i interpunkcyjne, dużo rzadziej zaś błędy ortograficzne czy literówki (por. Biel, 2021: 25).

Analiza translatów wygenerowanych przez systemy tłumaczenia maszynowego

Analizie porównawczej, mającej na celu ocenę jakości wygenerowanych tłumaczeń, zostaną poddane fragmenty trzech świadectw szkolnych (świadectwo szkolne liceum ogólnokształcącego, świadectwo dojrzałości liceum dla dorosłych oraz świadectwo ukoń-czenia zasadniczej szkoły zawodowej2), przełożone z języka polskiego na niemiecki przy użyciu podstawowych, darmowych wersji systemów tłumaczenia maszynowego: DeepL, Google Translate oraz ChatGPT.

DeepL to działający od 2017 roku translator stworzony przez niemiecką firmę DeepL, wykorzystujący sieci neuronowe szkolone na wielojęzycznym korpusie Lin-guee. Google Translate to system, który został uruchomiony w 2006 roku, początkowo tłumaczył teksty za pomocą metody statystycznej, przechodząc przez język angielski jako język pośredni. Od 2016 roku działa już w oparciu o sieci neuronowe, dzięki czemu tłumaczy bezpośrednio na język docelowy (por. Kubacki, Łomzik, 2018: 134). ChatGPT zaś to chatbot firmy OpenAI umożliwiający interakcje pomiędzy maszyną i człowiekiem, którego pierwsza generacja powstała w 2018 roku, jednak konwersacja z człowiekiem możliwa była od roku 2022, kiedy to premierę miała trzecia, dopraco-wana generacja systemu. Podobnie jak dwa powyższe translatory, również ChatGPT bazuje na modelach opartych na sieciach neuronowych. ChatGPT działa na podstawie autoregresyjnego modelu językowego korzystającego z technik głębokiego uczenia, co pozwala mu generować odpowiedzi przypominające wypowiedzi formułowane przez człowieka, zatem jego możliwości są nieporównywalnie większe (por. Czerski, 2023: 56; Tytko i in., 2023: 182–186). W poniższym badaniu ChatGPT został wykorzystany jednak jako zwykły system tłumaczenia maszynowego, analizie poddane zostały odpo-wiedzi, jakich udzielał na polecenie „Przetłumacz poniższy tekst na język niemiecki: (…)”, bez wchodzenia z nim w jakąkolwiek dodatkową interakcję, która pozwoliłaby mu – na przykład na podstawie dodatkowych pytań – lepiej zrozumieć tekst wyjściowy, styl czy kontekst.

2 Dokumenty szkolne, których fragmenty poddane zostały analizie, pochodzą z publikacji Wybór polskich i nie-

mieckich doku̇mentów do ćwiczeń translacyjnych (2006) autorstwa J. Iluka i A. Kubackiego.

Tab. 1. Tłumaczenia fragmentów świadectwa szkolnego liceum ogólnokształcącego

Źródło: opracowanie własne.

Ad 1. Tytuł analizowanego dokumentu to świadectwo szkolne i wszystkie translatory przetłumaczyły go dosłownie jako Schulzeugnis. Pamiętać jednak należy, że analiza tek-stów paralelnych, tj. niemieckich świadectw szkolnych wykazuje, że tego typu dokument nazywany jest w Niemczech Zeugnis (świadectwo), zatem chcąc zastosować uzualny odpowiednik, tłumacz powinien zaingerować i poprawić każdą z trzech propozycji tłu-maczenia maszynowego.

Ad 2. Fraza Liceu̇m Ogólnokształcące im. Krzysztofa K. Baczyńskiego w Chrzanowie składa się z trzech elementów charakterystycznych dla pełnej nazwy szkoły, tj. typ szko-ły + patron + miejscowość, każdy z tych członów powinien zwrócić szczególną uwagę tłumacza. Termin liceu̇m ogólnokształcące został przetłumaczony jako Gymnasium oraz Allgemeinbildendes Lyzeu̇m i obydwie te propozycje należy ocenić dość pozytywnie. Pierwszy wariant – Gymnasium – może częściowo wprowadzać odbiorcę w błąd. Obie szkoły są co prawda szkołami ponadpodstawowymi, kończą się egzaminem maturalnym, a ich absolwenci mogą podejmować studia wyższe, jednak istotną różnicę stanowi czas ich trwania – polskie liceu̇m ogólnokształcące trwa cztery lata, podczas gdy niemieckie Gymnasium od sześciu do nawet dziewięciu lat. Tłumaczenie Allgemeinbildendes Lyzeu̇m słusznie zawiera przymiotnik ogólnokształcący, a sama szkoła Lyzeum jako przykład szkoły średniej, która w XX wieku przekształcona została w Gymnasium, znana jest nie-mieckiemu systemowi edukacji. Jedyną wątpliwość budzi fakt, że Lyzeum funkcjonowało przez lata jako szkoła przeznaczona wyłącznie dla dziewcząt. Żaden z translatorów nie zaproponował dość powszechnie spotykanego w praktyce translatorskiej ekwiwalentu allgemeinbildende Oberschu̇le, czyli ogólnokształcąca szkoła ponadpodstawowa, który nie wywołuje zbędnych skojarzeń z żadnym typem szkoły znanym niemieckiej oświacie. Druga uwaga odnosi się do nazwiska patrona, które w dwóch pierwszych transla-tach zostało słusznie umieszczone w prepozycji. Propozycja ChatGPT wypada również czytelnie, mimo że nazwisko patrona pojawia się po nazwie szkoły (tak jak w tekście

wyjściowym). Należy docenić fakt, że żaden z translatorów nie przetłumaczył imienia

(…) dosłownie jako nieuzualne namens (…), co jest powszechnie spotykanym błędem.

Trzeci element to toponim lokalizacyjny, który przez wszystkie translatory został przetłumaczony jako (…) in Chrzanów. Niemiecki wzorzec nazwotwórczy zakłada jednak, że po nazwie instytucji nie pojawia się spójnik in (w), zatem idealnie byłoby przetłumaczyć nazwę szkoły jako (…) Allgemeinbildende Oberschu̇le Chrzanów, czyli Liceu̇m Ogólnokształcące (…) Chrzanów, z pominięciem wspomnianego spójnika (por. Kubacki, 2012: 85).

Ad 3. Rada pedagogiczna będąca organem szkoły, w skład którego wchodzą dyrektor i wszyscy nauczyciele, to po niemiecku Lehrerkollegium – dwa translatory zasugerowa-ły słusznie tę wersję, albo Lehrerkonferenz. Propozycja Pädagogischer Rat translatora Google jest błędnym tłumaczeniem dosłownym.

Ad 4. Słownikowe ekwiwalenty leksemu zachowanie to Verhalten i Benehmen i takie odpowiedniki zaproponowały wszystkie trzy systemy tłumaczenia maszynowego. Postedy-tor kontrolujący jakość przekładu powinien jednak w tym miejscu zwrócić uwagę na fakt, że lektura tekstów paralelnych wykazuje, iż na niemieckich świadectwach zachowanie określane jest z reguły słowem Betragen i taki właśnie ekwiwalent byłby bez wątpienia najlepszym wyborem.

Ad 5. W pierwszej kolejności należy z aprobatą odnotować, że wszystkie trzy transla-tory, dostrzegając imię Renata, zaproponowały – zgodnie z konwencją języka niemiec-kiego – żeńską formę Klassenlehrerin (wychowawczyni), mimo że w tekście wyjściowym pojawiła się wersja męska wychowawca. Co do zasady pozytywnie ocenić należy również próby przekładu skrótu mgr jako M.A. (Magister Artiu̇m) oraz Mag. (Magister) – są to analogiczne do polskiego magistra tytuły nadawane absolwentom studiów wyższych w Niemczech. Z drugiej jednak strony warto pamiętać, że tłumacz nie jest uprawniony do oceniania równoważności poziomu wykształcenia – kompetencje te należą do Biura Uznawalności Wykształcenia w ramach Narodowej Agencji Wymiany Akademickiej, dlatego zaleca się pozostawianie tytułów zawodowych, stopni naukowych i tytułu na-ukowego w brzmieniu oryginalnym, a ewentualne tłumaczenie danego tytułu czy stopnia można podać jedynie w celach informacyjnych w formie przypisu (por. Kubacki, 2012: 88). Z uwagi na powyższe ingerencja postedytora byłaby w tym miejscu zdecydowanie wskazana.

Tab. 2. Tłumaczenia fragmentów świadectwa dojrzałości liceum dla dorosłych

Źródło: opracowanie własne.

Ad 1. Pierwszy segment analizowanej frazy, czyli świadectwo dojrzałości, został przetłumaczony w formie parafrazy jako Abitu̇rzeu̇gnis (świadectwo matu̇ralne) oraz dosłownie jako Reifezeugnis (świadectwo dojrzałości). Obydwie propozycje są w pełni czytelne, nie wprowadzają odbiorcy w błąd. Duże wątpliwości budzi jednak druga część frazy, tj. liceu̇m dla dorosłych. Translatory DeepL oraz Google ograniczyły się do tłuma-czenia świadectwo matu̇ralne/dojrzałości dla dorosłych, pomijając istotną informację, o jaki typ szkoły chodzi. W analizowanym przykładzie jest to liceum, jednak odbiorca takiego tłumaczenia mógłby mylnie uznać, że jest to świadectwo ukończenia technikum, którego absolwenci również mogą podchodzić do egzaminu dojrzałości. Translat wygene-rowany przez ChatGPT Abendgymnasiu̇m – pomijając fakt, że sugeruje, iż jest to szkoła wieczorowa, a liceum dla dorosłych niekoniecznie ma taki charakter – świadczy o pewnej niekonsekwencji tego systemu. W jednej z wcześniej badanych fraz liceum tłumaczone było przez ChatGPT jako Lyzeum, w tym fragmencie zaś użyto odpowiednika Gymnasium. Ad 2. Przedmiot szkolny elementy informatyki został przetłumaczony jako Informatik (informatyka), IT-Elemente (elementy IT), Elemente der Informatik (elementy informatyki). W dużej mierze wszystkie te propozycje dobrze oddają sens frazy wyjściowej, jednak w niemieckich świadectwach szkolnych analogiczne przedmioty nazywane są na ogół EDV-Grundlagen lub IT-Gru̇ndlagen (podstawy IT), które należy uznać za trafniejsze

ekwiwalenty funkcjonalne.

Ad 3. Również w tym punkcie widoczna jest drobna niekonsekwencja w propozycjach tłumacza DeepL i Google – egzamin dojrzałości to według pierwszego translatora Reife-prüfung (egzamin dojrzałości), a według drugiego Abitu̇rprüfu̇ng (egzamin maturalny). Z analizy punktu 1 wynika, że człon dojrzałości (we frazie świadectwo dojrzałości) został przetłumaczony przez obydwa systemy odwrotnie. Zaznaczyć jednak należy, że rozbież-ność ta – choć nie powinna mieć miejsca i należałoby ją skorygować – ma niewielki wpływ na jakość i czytelność przekładu. Większe zastrzeżenia budzi propozycja tłumaczenia frazy Komisja Egzaminacyjna wygenerowana przez Google Translate, tj. Prüfungsamt (biuro egzaminacyjne), które jest jednostką uniwersytecką w Niemczech odpowiedzialną za organizację egzaminów na danej uczelni (por. Błażek, Rapti, Schaeder, 2010: 132). Poprawne ekwiwalenty Państwowej Komisji Egzaminacyjnej to Prüfungsausschuss oraz

Prüfungskommission – drugi z tych wariantów został słusznie zaproponowany przez pozostałe dwa translatory.

Ad 4. Trudność w przekładzie analizowanej frazy stanowi człon Zespół Szkół, ozna-czający połączenie różnych typów szkół w jedną jednostkę, który przetłumaczony został jako (Schul)komplex i Schulzentrum. Obydwie te propozycje są dla niemieckiego odbiorcy nieczytelne i wymagają korekty – Komplex to kompleks budynków w sensie architekto-nicznym, natomiast Schulzentrum to niewiele mówiące centru̇m szkół. Kubacki (2012: 86) sugeruje w takiej sytuacji użycie liczby mnogiej rzeczownika szkoła, czyli Wirtschafts- und Chemieschulen (Szkoły Ekonomiczno-Chemiczne), co dobrze oddaje sens frazy wyjściowej. Ad 5. M. p. to powszechnie występujący na polskich dokumentach szkolnych i urzędo-wych skrót oznaczający miejsce pieczęci. Translatory DeepL i Google nie podjęły próby rozszyfrowania tego skrótu i zostawiły go w oryginale, ChatGPT zaś zaproponował wariant Dienstsiegel (pieczęć słu̇żbowa). Docenić należy, że ChatGPT dostrzegł, że chodzi o jakiś typ pieczęci, z pewnością jednak nie jest to pieczęć słu̇żbowa, tylko pieczęć danej instytucji (tutaj pieczęć szkoły), ewentualnie pieczęć urzędowa. Tłumacz korygujący propozycje translatów mógłby w tym miejscu użyć ekwiwalentu dosłownego Platz für Siegel (miejsce pieczęci) lub odpowiednika funkcjonalnego Siegel (pieczęć), gdyż właśnie tak oznacza się na niemieckich dokumentach miejsce, gdzie powinna zostać odbita pieczęć instytucji.

Tab. 3. Tłumaczenia fragmentów świadectwa ukończenia zasadniczej szkoły zawodowej

Źródło: opracowanie własne.

Ad 1. Polska zasadnicza szkoła zawodowa trwała 2–3 lata i łączyła nauczanie ogólne z przygotowaniem zawodowym. W Niemczech podobną funkcję pełni Berufsschule, czyli trwająca od 2,5 do 3 lat szkoła, gdzie część zajęć ma charakter teoretyczny, a część odbywa się w zakładzie pracy, dająca jednak – w odróżnieniu od polskiej szkoły zawodowej –

wykształcenie średnie bez matury. Wszystkie trzy translatory zaproponowały ten wariant. Drugi typ analogicznej niemieckiej szkoły to Berufsgrundschule, która trwa jednak tylko rok i wymaga, aby jej kandydaci byli absolwentami szkoły średniej (por. Kubacki, 2012: 97). Ze względu na duże rozbieżności w specyfice tych trzech szkół uznać należy, że nie istnieje niemiecki ekwiwalent funkcjonalny polskiej szkoły zawodowej i stosowne byłoby użycie ekwiwalentu dosłownego grundlegende Berufsschule, który ograniczy skojarzenia z niemieckimi wariantami – jedynie podobnych – szkół zawodowych. Drugi aspekt, na który należy zwrócić uwagę, to przymiotnik przyzakładowa (Betriebs-, betrie-blich lub bei der Betriebsstätte – przy zakładzie), który uwzględnił ChatGPT. DeepL po-traktował fabrykę Bumar-Fablok jako nazwę własną, Google Translate natomiast określił ją mianem firmy, co nie brzmi trafnie.

Ad 2. Rozszyfrowanie nazwy promulgatora Dz. Urz. Min. Ośw. i Wych. (…) przyspo-rzyło wszystkim translatorom pewnych trudności i wymagałoby interwencji postedytora. Jedynie DeepL przetłumaczył Dz. Urz. poprawnie jako Amtsblatt (dziennik u̇rzędowy), pozostałe dwa systemy wygenerowały błędną propozycję Gesetzblatt (dziennik ustaw) i jej skrót GBl. (Dz. U.). Google Translate i DeepL niesłusznie uznały, że jest to dziennik ministerstwa, a nie dziennik ministra, w przypadku ChatGPT nie można stwierdzić, czy doszło do pomyłki, ponieważ system zaproponował – wzorem tekstu wyjściowego – skrót (Min.). Dodatkowo Google Translate przetłumaczył błędnie funkcję Ministra Oświaty i Wychowania jako Ministerstwo Oświaty i (Wy)kształcenia (Ministerium für Bildung und Au̇sbildu̇ng), a poz. 79 stała się pu̇nktem 79.

Ad 3. Wszystkie trzy propozycje tłumaczeniowe przedmiotu szkolnego przysposo-bienie obronne w mniejszym lub większym stopniu odzwierciedlają znaczenie terminu wyjściowego. Translatory DeepL i Google zdecydowały się na tłumaczenie opisowe, tj. Verteidigungsausbildung (kształcenie obronne) i nieco niejednoznaczny Defensivtra-ining (trening obronny). ChatGPT sięgnął po ekwiwalent funkcjonalny Wehrkunde, czyli alternatywną nazwę przedmiotu Wehrunterricht, będącego niemieckim odpowiednikiem przysposobienia obronnego z czasów NRD (por. Kubacki, 2012: 95).

Ad 4. Analizując strukturę nazwy przedmiotu bezpieczeństwo, higiena i prawo pracy, na pierwszy rzut oka nie do końca jasne jest, czy są to trzy niezależne człony (bezpie-czeństwo, higiena, prawo pracy), czy może chodzi o bezpieczeństwo pracy, higienę pracy i prawo pracy, zwłaszcza jeżeli nie dostrzeże się analogii do BHP, czyli zasad odnoszą-cych się do bezpiecznego i higienicznego wykonywania pracy. DeepL przetłumaczył ten przedmiot dosłownie jako trzy osobne człony, co jest zabiegiem nieudanym, natomiast ChatGPT słusznie uznał, że człon pracy odnosi się zarówno do bezpieczeństwa, higieny, jak i prawa, jednak trzykrotne powtórzenie leksemu Arbeit w złożeniach nie było ko-nieczne – wariant Arbeitssicherheit, -hygiene u̇nd -recht wyglądałby zdecydowanie lepiej stylistycznie. Tłumacz Google zaproponował zaś translat Gesundheits-, Sicherheits-, u̇nd Arbeitsrecht, czyli prawo zdrowia, bezpieczeństwa i pracy, co stanowi ewidentne przekłamanie tekstu wyjściowego.

Wnioski

Przeprowadzona analiza porównawcza fragmentów trzech polskich świadectw szkol-nych oraz ich przekładów wygenerowanych przez systemy tłumaczenia maszynowego wykazała, że mimo stosunkowo prostego charakteru badanych tekstów specjalistycznych w translatach pojawiały się błędy. Należy jednak podkreślić, że ich liczba i waga nie były szczególnie duże. Zidentyfikowano stosunkowo niewiele błędów rzeczowych (na przykład prawo bezpieczeństwa zamiast bezpieczeństwo pracy, biuro egzaminacyjne zamiast komi-sja egzaminacyjna), kilka uchybień stylistycznych (na przykład Szkoła Zawodowa Firmy Bumar-Fablok zamiast Zasadnicza Szkoła Zawodowa Przyzakładowa „Bu̇mar-Fablok”), pojedyncze problemy z rozszyfrowaniem skrótów (Dz. Urz. to nie Dziennik Ustaw, brak rozwinięcia skrótu m. p.), nieuwzględnienie specyfiki danego tekstu specjalistycznego (na przykład zachowanie na świadectwach szkolnych to Betragen, a samo świadectwo szkolne to Zeugnis), podawanie odpowiednika o innym zakresie znaczeniowym niż fraza wyjściowa (na przykład Gymnasium jako liceum) czy nieuwzględnienie konwencji języka docelowego przy podawaniu toponimu lokalizacyjnego po nazwie instytucji (niepotrzebny spójnik in). Translatory często oferowały ekwiwalenty opisowe, parafrazujące, dla których wprawdzie istniały trafniejsze odpowiedniki funkcjonalne, jednak generowane propozycje były na ogół czytelne i sporadycznie wprowadzały odbiorcę w błąd. Nie ulega wątpliwości, że mnogość pojawiających się błędów wymagała czujności postedytora, jednak absolutnie nie dyskwalifikowała systemów tłumaczenia maszynowego jako narzędzi pracy tłumacza tekstów specjalistycznych.

Zastosowanie tłumaczenia maszynowego pozwala zwiększyć tempo i efektywność

pracy tłumacza, między innymi dzięki gotowym propozycjom przekładu, ograniczeniu konieczności pisania na klawiaturze czy redukcji czasu potrzebnego na wyszukiwanie potencjalnych ekwiwalentów, które po stosownej weryfikacji mogą zostać wykorzystane w wysokojakościowym przekładzie. Badanie wykazało, że translatory nie są obecnie w stanie zastąpić tłumacza-człowieka, jednak przy świadomym i krytycznym ich wyko-rzystaniu mogą stanowić realne wsparcie w procesie przekładu tekstów specjalistycznych.

Bibliografia

Biel Ł. (2021), Postedycja tłu̇maczeń maszynowych, „Lingua Legis”, nr 29, s. 11–34.

Błażek A., Rapti A., Schaeder B. (2010), Prüfungsamt, [w:] Universitätswörterbu̇ch Deu̇tsch-Polnisch. Słownik u̇niwersytecki niemiecko-polski, Warszawa: Fundacja Rozwoju Systemu Edukacji.

Czerski W. (2023), ChatGPT – potrzebne narzędzie czy przekleństwo naszych czasów?, „Dy-daktyka Informatyki”, nr 18, s. 55–63.

Göpferich S. (2006), Paralleltexte, [w:] M. Snell-Hornby, H. Honig, P. Kussmaul, P. Schmitt (red.), Handbuch Translation, Tübingen: Stauffenburg, s. 184–186.

Iluk J., Kubacki A. (2006), Wybór polskich i niemieckich doku̇mentów do ćwiczeń translacyj-nych, Warszawa: Wydawnictwo Promocja XXI.

Kubacki A. (2012), O problemach tłu̇maczenia poświadczonego polskich doku̇mentów szkol-nych, „Comparative Legilinguistics”, t. 9, s. 79–101.

Kubacki A., Łomzik M. (2018), Systemy przekładu̇ maszynowego w pracy tłu̇macza języka niemieckiego, [w:] E. Białek, T. Małysek, N. Południak (red.), Orbis Lingu̇aru̇m, t. 52, Dres-den–Wrocław: Instytut Filologii Germańskiej Uniwersytetu Wrocławskiego, s. 131–150.

Nord B. (2002), Hilfsmittel beim Übersetzen. Eine empirische Stu̇die zu̇m Rechercheverhalten professioneller Übersetzer, Frankfurt am Main: Peter Lang.

Olas J. (2019), Perspektywy rozwoju̇ tłu̇maczenia maszynowego (na przykładzie angielsko-ro-syjskich relacji przekładowych), „Studia Rossica Posnaniensia”, nr 44(2), s. 313–324.

Pietrzak A. (2023), Übersetzu̇ngen des polnischen Strafgesetzbu̇ches ins Deu̇tsche. Rechts-terminologie und Übersetzu̇ngsstrategien, Göttingen: Vandenhoeck & Ruprecht Verlage | Brill.

Siewert-Kowalkowska K. (2013), Rozwijanie kompetencji pozyskiwania informacji w dydak-

tyce przekładu̇ na przykładzie pracy ze słownikami i tekstami paralelnymi, [w:] M. Krajewska,

L. Zieliński (red.), Rocznik Przekładoznawczy. Stu̇dia nad teorią, praktyką i dydaktyką prze-kładu̇, t. 6, Toruń: Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika, s. 211–226.

Snell-Hornby M. (2006), Wörterbücher, [w:] M. Snell-Hornby, H. Honig, P. Kussmaul,

P. Schmitt (red.), Handbuch Translation, Tübingen: Stauffenburg, s. 181–184.

Sztuk A. (2018), Sztu̇czna inteligencja (SI) w badaniach lingwistycznych, „Applied Linguistics Papers”, nr 25(4), s. 159–174.

Tytko K., Roszkowski M., Malucha M., Walusiak Ł., Ryłko N., Nurtazina K. (2023), ChatGPT i przyszłość nau̇czania: jak AI zmienia krajobraz edu̇kacyjny, „Edukacja Biologiczna i Śro-dowiskowa”, nr 2, s. 182–195.

Weigt Z. (2010), Fachtext in stu̇dentischer Übersetzu̇ng, [w:] M. Duś, G. Zenderowska-Korpus (red.), Fachsprachenpropädeu̇tik im Germanistikstu̇diu̇m, Częstochowa: WSL, s. 103–117.

Wiesmann E. (2004), Rechtsübersetzung und Hilfsmittel zur Translation: Wissenschaftliche Grundlagen und computergestützte Umsetzung eines lexikographischen Konzepts, Tübingen: Gunter Narr Verlag.

Ten utwór jest dostępny na licencji Creative Commons Uznanie autorstwa-Na tych samych warunkach 4.0 Międzynarodowe.