Wie man KI-gestützte Übersetzungen prüft

Lernmaterial Deutsch

Dieser Leitfaden erklärt, wie KI-generierte Übersetzungen im Hinblick auf Bedeutung, Terminologie, Barrierefreiheit, Ton und den nötigen menschlichen Review geprüft werden.

Themen: Übersetzungsqualität

Checkliste für den Review

zuerst die Bedeutung prüfen, erst danach den Stil
Terminologie mit dem Projektglossar abgleichen
sensible Formulierungen besonders sorgfältig prüfen
bestätigen, dass auch Barrierefreiheitstexte lokalisiert wurden
den Reifegrad des Reviews ehrlich kennzeichnen

Slowenische Fallstudie

Ursprünglicher KI-Entwurf

Skrbniki morajo moči OCR, prevajanje in ocenjevanje stanja po potrebi tudi izklopiti. Plačljive obogatitve morajo biti izrecne, sledljive in stroškovno nadzorovane.

Korrigierte slowenische Fassung

Skrbniki morajo imeti možnost, da po potrebi izklopijo OCR, prevajanje in ocenjevanje stanja. Plačljive obogatitve morajo biti izrecno omogočene, sledljive in stroškovno nadzorovane.

Feedback aus dem menschlichen Review

Problem 1

Original: morajo moči
Korrigiert: morajo imeti možnost, da
Kategorien: Grammatik, Modalität
wahrscheinliche KI-Fehlerursache: wörtliche Übersetzung einer englischen Modal-Konstruktion
Begründung des Reviewers: Die ursprüngliche Formulierung ist im Slowenischen ungrammatisch; die korrigierte Version verwendet die natürliche Form für Regel- oder Policy-Sprache.

Problem 2

Original: po potrebi tudi izklopiti
Korrigiert: da po potrebi izklopijo
Kategorien: Flüssigkeit, Wortstellung
wahrscheinliche KI-Fehlerursache: unnatürliche Wortstellung aus der Ausgangssprache und schwache Diskurskontrolle
Begründung des Reviewers: Die korrigierte Reihenfolge ist klarer und entfernt unnötige Hervorhebung.

Problem 3

Original: morajo biti izrecne
Korrigiert: morajo biti izrecno omogočene
Kategorien: Terminologie, Register, domänenspezifische Policy-Formulierung
wahrscheinliche KI-Fehlerursache: lexikalische Wortwahl ohne ausreichend Produkt- oder Policy-Kontext
Begründung des Reviewers: Die Anforderung betrifft das ausdrückliche Aktivieren kostenpflichtiger Enrichment-Funktionen, nicht die Beschreibung dieser Funktionen als „explizit“.

Häufige Problemkategorien

Grammatik
Modalität
Terminologie
Register
Flüssigkeit
wörtliche Übersetzung
Mehrdeutigkeit
Kontextverlust
Wortstellung
Kollokation
Schrift oder Orthografie
domänenspezifische Policy-Formulierung
Formulierungen zur Barrierefreiheit

Bewertungshinweise

Für wiederholbare Reviews eine einfache Skala von 0 bis 3 verwenden.

0: unbrauchbar
1: große Probleme
2: mit Review-Änderungen verwendbar
3: stark oder fast veröffentlichungsreif

Empfohlene Bewertungsdimensionen:

Bedeutungsgenauigkeit
Grammatik und Flüssigkeit
Terminologie und Domänenpassung
Register und Stil
erforderlicher Review-Aufwand

Hinweise zur Veröffentlichungsfreigabe

blocker: nicht für Veröffentlichung oder Nutzersicht geeignet
major_revision: die Bedeutung kann nahe liegen, aber es ist noch deutliche Überarbeitung nötig
minor_revision: brauchbarer Entwurf mit gezielten Korrekturen durch Muttersprachler
ready_with_review_signoff: geeignet nach normaler Reviewer-Freigabe

Nicht nur die Korrektur, sondern auch den Grund dokumentieren

Für wiederverwendbare Review-Arbeit festhalten:

Originaltext
korrigierter Text
Fehlerkategorie
Hypothese zur Ursache
Begründung des Reviewers

Wiederverwendbare Lehren aus dem slowenischen Review

Das Muster der slowenischen Fallstudie ist auch in anderen Sprachen breit wiederverwendbar:

die grammatische Bedeutung kann nahe liegen, obwohl der Satz für Muttersprachler noch nicht veröffentlichbar ist
modale Konstruktionen sind besonders anfällig für wörtliche Übersetzung
Terminologie und Policy-Sprache brauchen oft domänenbewusste Umformulierung
automatisiertes QA hilft, reicht aber für feine Registerprobleme selten aus

Localization-at-Scale-Hinweis

Selbst wenn die Gesamtbedeutung erhalten bleibt, können KI-generierte Übersetzungen einen Muttersprachler-Review benötigen, um feine Probleme in Grammatik, Modalität, Terminologie und domänenspezifischem Register zu korrigieren. Solche Probleme lassen sich allein mit automatisierten Qualitätsmetriken oft nur schwer erkennen.

Wo solche Beispiele wiederverwendet werden sollten

Trainingsmaterial für Localization-Reviewer
Datensätze zur Bewertung von KI-Übersetzung
Beispiele im Style Guide
Human-in-the-loop-Dokumentation
Localization-at-Scale-Artikel und Best-Practice-Leitfäden

Solche Beispiele helfen Reviewern, ihre Erwartungen zu kalibrieren, und geben Localization-Leads realistisches Referenzmaterial.