Kai kalbame apie vertimo kokybę, dažnai pirmiausia pagalvojame apie vertėjo patirtį, kalbos pojūtį ar terminijos žinias. Bet yra dar vienas dalykas, kuris pastaruosius kelis dešimtmečius tyliai, bet užtikrintai keičia visą vertimo mokslą – korpusų lingvistika. Jei kada nors naudojotės vertimo atmintimi, tikrinote terminą per konkordansą ar stebėjote, kaip mašininio vertimo sistema „išmoksta“ iš milijonų sakinių, jūs jau susidūrėte su korpusų metodais, net jei to pavadinimo niekada negirdėjote.
Kas yra korpusas ir kodėl vertėjams jis apskritai rūpi
Korpusas, paprasčiausiai tariant, yra didelis, susistemintas tekstų rinkinys, sudarytas taip, kad jį būtų galima analizuoti kompiuteriu. Tai ne šiaip krūva tekstų kompiuteryje – korpusas turi struktūrą, metaduomenis, dažnai ir anotacijas (pavyzdžiui, morfologines žymes ar sintaksinę informaciją). Vertimo tyrimuose korpusai naudojami jau nuo devintojo dešimtmečio pabaigos, kai Mona Baker paskelbė straipsnius, kuriuose siūlė korpusų lingvistikos metodus taikyti ne tik kalbotyroje apskritai, bet konkrečiai vertimo studijoms.
Kodėl tai svarbu praktikuojančiam vertėjui, o ne tik akademikui iš universiteto katedros? Todėl, kad korpusai leidžia atsakyti į klausimus, kurių intuicija ar žodynas tiesiog neatsako. Ar šis žodis tikrai vartojamas tokiame kontekste dažnai, ar tai retas, dirbtinis vertimas? Kaip natūralūs kalbėtojai formuluoja panašią mintį? Kokia žodžių tvarka skamba natūraliau konkrečioje kalboje? Korpusas duoda skaičius ir pavyzdžius, o ne subjektyvią nuomonę.
Lygiagretūs ir palyginamieji korpusai – du skirtingi keliai
Vertimo tyrimuose išskiriami du pagrindiniai korpusų tipai, ir supratimas, kuo jie skiriasi, iš tikrųjų daug paaiškina apie tai, kaip veikia šiuolaikinės vertimo technologijos.
Lygiagretus korpusas – tai tekstai originalo kalba ir jų vertimai, sulygiuoti sakinio ar segmento lygmeniu. Būtent tokie korpusai yra visų vertimo atminčių ir statistinio bei neuroninio mašininio vertimo pagrindas. Kai sistema „mato“ tūkstančius kartų, kad angliškas sakinys X yra verčiamas kaip lietuviškas sakinys Y, ji pradeda atpažinti dėsningumus ir juos pritaikyti naujiems, nematytiems sakiniams.
Palyginamasis korpusas – kitoks reikalas. Čia sudedami originalūs, ne versti tekstai iš dviejų ar daugiau kalbų, panašios temos ir žanro, bet be tiesioginio sulyginimo sakinys su sakiniu. Toks korpusas nepasako, kaip konkretus sakinys buvo išverstas, bet puikiai atskleidžia, kaip skiriasi natūralios kalbos vartosena skirtingose kalbose ta pačia tema. Vertėjui tai ypač naudinga renkantis stilių – pavyzdžiui, kaip skiriasi teisinių dokumentų sintaksė lietuvių ir vokiečių kalbomis, net kai vertimas nėra tiesiogiai lyginamas.
Korpusai kasdieniame vertėjo darbe – ne tik teorija
Daugelis vertėjų korpusų kalbą naudoja net negalvodami apie tai terminais. Kai atidarote CAT įrankį ir tikrinate, kaip anksčiau buvo išverstas panašus segmentas, jūs iš esmės naudojatės nedideliu, personalizuotu lygiagrečiu korpusu – savo pačių vertimo atmintimi. Kai ieškote termino koherencijai patikrinti didelėse duomenų bazėse, tokiose kaip IATE ar Linguee, jūs iš tikrųjų atliekate korpuso užklausą.
Praktinis pavyzdys: tarkime, verčiate techninį dokumentą ir nesate tikri, ar terminas „sąsaja“ ar „interfeisas“ šiuo atveju labiau tinka. Įvedę abu variantus į didelį lietuviškų tekstų korpusą (pvz., Dabartinės lietuvių kalbos tekstyną), galite pamatyti, kuris variantas dažniau vartojamas panašiuose kontekstuose, kokiuose žanruose, ir ar vartosena keičiasi laikui bėgant. Tai daug patikimiau nei paprastas žodynas, nes žodynas dažnai neatspindi realios, gyvos vartosenos.
Verta paminėti ir tai, kad korpusai padeda atskleisti vadinamąjį „vertimo kalbėjimą“ (translationese) – subtilius bruožus, kurie atsiranda verstiniuose tekstuose, net jei jie gramatiškai teisingi. Tyrėjai, lygindami verstinius ir originalius tekstus tuo pačiu korpusu, dažnai pastebi, kad vertimai linkę būti ilgesni, turėti daugiau eksplicitinių jungiamųjų žodžių ar mažiau idiomatinių posakių. Tai svarbu žinoti, nes profesionalus vertėjas, suprasdamas šį reiškinį, gali sąmoningai jo vengti ir siekti natūralesnio teksto.
Kaip korpusai maitina mašininio vertimo sistemas
Nė viena šiuolaikinė mašininio vertimo sistema, ar tai būtų neuroninis vertimas, ar dar senesni statistiniai modeliai, negalėtų egzistuoti be milžiniškų korpusų. Sistemos treniruojamos naudojant lygiagrečius korpusus, kuriuose gali būti milijonai ar net milijardai sakinių porų. Kuo kokybiškesnis ir įvairesnis korpusas, tuo geriau sistema geba generuoti natūralius, kontekstiškai tinkamus vertimus.
Čia slypi ir viena didžiausių problemų – korpuso kokybė tiesiogiai lemia vertimo kokybę. Jei duomenyse gausu prastų, mašininiu būdu jau iš anksto išverstų tekstų arba pasenusios terminijos, sistema tiesiog perima šiuos trūkumus ir juos atkartoja masiškai. Būtent todėl didelės vertimo kompanijos ir technologijų įmonės tiek daug dėmesio skiria korpusų valymui, dubliavimosi šalinimui ir kokybės filtravimui prieš pradedant modelio mokymą.
Įdomu tai, kad ir mažesnėms, retesnėms kalboms korpusų trūkumas yra realus iššūkis. Anglų–vokiečių kalbų porai duomenų yra apstu, tačiau, tarkime, lietuvių–suomių ar lietuvių–estų kalbų poroms tinkamų lygiagrečių korpusų yra gerokai mažiau, todėl tokių kalbų porų mašininis vertimas dažnai remiasi netiesioginiu vertimu per anglų kalbą, o tai neišvengiamai prideda papildomą klaidų sluoksnį.
Dažniausios klaidos ir spąstai dirbant su korpusais
Nors korpusai atrodo kaip objektyvus ir patikimas įrankis, jais naudojantis lengva suklysti. Štai keletas dalykų, į kuriuos verta atkreipti dėmesį:
- Korpuso reprezentatyvumas. Jei korpusas surinktas tik iš vieno žanro (pvz., naujienų straipsnių), jo duomenys nebus tinkami analizuojant grožinės literatūros ar teisinių tekstų vertimą. Prieš pasitikint rezultatais, verta pasidomėti, iš ko konkrečiai korpusas sudarytas.
- Chronologinis atotrūkis. Kalba keičiasi greitai, ypač technologijų ir šnekamosios kalbos srityse. Korpusas, surinktas prieš dešimt metų, gali rodyti pasenusią vartoseną.
- Per didelis pasitikėjimas dažniu. Tai, kad terminas dažniau pasitaiko korpuse, dar nereiškia, kad jis yra teisingiausias ar geriausias pasirinkimas konkrečiam kontekstui – dažnis rodo tendenciją, ne taisyklę.
- Anotacijų kokybė. Jei korpusas turi automatinę morfologinę ar sintaksinę anotaciją, joje gali būti klaidų, ypač sudėtingesnėse konstrukcijose ar retesniuose žodžiuose.
Geras principas – niekada nepriimti korpuso duomenų kaip absoliučios tiesos, o traktuoti juos kaip vieną iš įrodymų šaltinių, kurį reikia derinti su kalbiniu jausmu ir konteksto supratimu.
Įrankiai, su kuriais verta susipažinti
Jei norite patys pradėti eksperimentuoti su korpusų analize, nereikia iškart mokytis programuoti ar pirkti brangią programinę įrangą. Yra keletas prieinamų priemonių, kurios tinka tiek pradedantiesiems, tiek profesionalams:
- Sketch Engine – vienas populiariausių įrankių korpusų analizei, turintis paruoštus korpusus dešimtimis kalbų, įskaitant lietuvių.
- Linguee ir Reverso Context – iš esmės tai lygiagretūs korpusai, pritaikyti kasdieniam vertėjo naudojimui, leidžiantys greitai pamatyti, kaip konkreti frazė verčiama realiuose tekstuose.
- AntConc – nemokamas, paprastas konkordanso įrankis, puikiai tinkantis savo pačių surinktų tekstų analizei.
- Dabartinės lietuvių kalbos tekstynas (VDU) – vienas svarbiausių šaltinių dirbant su lietuvių kalbos vartosena.
Verta pradėti nuo paprastų užklausų – pasirinkti terminą ar frazę, kurios reikšme abejojate, ir pažiūrėti, kaip ji vartojama realiuose kontekstuose. Su laiku šis įprotis tampa antra prigimtimi ir gerokai sustiprina vertėjo argumentaciją, kai reikia paaiškinti klientui, kodėl pasirinktas būtent toks, o ne kitas variantas.
Ką visa tai reiškia praktiškai – vietoj išvadų, keli patarimai kelionei
Korpusų metodai vertimo srityje nėra vien akademinė mada ar universitetų tyrėjų žaislas – tai realus įrankis, kuris jau seniai integruotas į kasdienį vertėjo ir kalbos technologijų kūrėjo darbą, dažnai net nepastebimai. Jei norėtumėte iš šio straipsnio pasiimti kelias konkrečias mintis, kurias verta įsidėti į savo darbo rutiną, štai jos:
Pirma, prieš pasitikint bet kokiu terminu ar fraze, kuri atrodo „tikriausiai teisinga“, patikrinkite ją per bent vieną korpusą ar konkordansą – tai užtrunka kelias minutes, bet gali apsaugoti nuo nemalonių klaidų, ypač specializuotuose tekstuose. Antra, jei dirbate su mašininio vertimo išvestimi ir ją redaguojate, verta suprasti, kad sistemos klaidos dažnai kyla ne iš „kvailumo“, o iš mokymosi duomenų spragų – tai padeda numatyti, kur tikėtis problemų (retos kalbų poros, specifinė terminija, idiomos). Trečia, jei dirbate su ilgalaikiais projektais ar konkrečiu klientu, apsvarstykite galimybę patys kurti nedidelį, specializuotą korpusą iš ankstesnių to kliento tekstų – tai geriausias būdas užtikrinti terminologinę darną, geresnis net už standartinius glosarijus, nes rodo realią, kontekstinę vartoseną.
Ir galiausiai – nebijokite skaičių. Vertimas dažnai suvokiamas kaip grynai kūrybinis, intuityvus procesas, tačiau korpusų lingvistika primena, kad už kiekvieno gero vertimo sprendimo slypi ir empirinis pagrindas: realūs duomenys apie tai, kaip kalba iš tikrųjų veikia. Kuo geriau vertėjas – ar tai būtų žmogus, ar algoritmas – supranta šiuos duomenis, tuo natūralesnis ir tikslesnis gaunasi galutinis tekstas.
