Studio sulla traduzione automatica del linguaggio scientifico tedesco in italiano e sulla valutazione della sua qualita

Nel panorama contemporaneo, l’innovazione tecnologica riveste un ruolo centrale in numerosi ambiti, esercitando un’influenza sempre più significativa anche nel campo degli studi traduttivi. In particolare, la diffusione capillare della traduzione automatica (TA) ha trasformato in modo sostanziale non solo la pratica professionale, ma anche la percezione stessa del ruolo del traduttore, sempre più orientato verso attività di post-editing, con una conseguente ridefinizione della componente decisionale e creativa della professione (Sakamoto 2019). In questo contesto, la crescente rilevanza del post-editing nel mercato dei servizi linguistici rende necessario approfondirne l’applicazione nei diversi ambiti specialistici. Il presente studio analizza la qualità della traduzione automatica del linguaggio scientifico tedesco in italiano in ambito linguistico e valuta l’entità dell’intervento richiesto al post-editor per elaborare proposte di traduzione utili al raggiungimento di una qualità pubblicabile, ossia quella che Monti (2019) definisce come outbound translation. Il linguaggio scientifico viene esaminato nelle sue componenti chiave individuate da Ehlich (1996/2007): linguaggio comune, linguaggio scientifico quotidiano (alltägliche Wissenschaftssprache) e terminologia. L’analisi empirica si basa su un corpus di contributi scientifici in lingua tedesca tradotti in italiano mediante il sistema di TA generico DeepL integrato in Trados Studio. Successivamente, gli output della TA sono stati sottoposti a una fase di individuazione, classificazione e annotazione degli errori e, infine, di post-editing. Sulla base degli errori emersi, sono state elaborate linee guida specifiche volte a ottimizzare il processo di post-editing e garantire una qualità del testo finale idonea alla pubblicazione. In considerazione dell’assenza di linee guida standard per il post-editing (Hu e Cadwell 2016), lo studio propone pertanto un quadro strutturato per l’analisi degli errori in testi scientifici tedeschi tradotti automaticamente in italiano, facilitandone la correzione e la complessiva valutazione. I risultati di tale analisi hanno mostrato che i sistemi di TA generici, come DeepL, non essendo addestrati specificatamente per la traduzione del linguaggio scientifico, non sono in grado di produrre in modo costante risultati ottimali. Tale riscontro ha condotto all’integrazione di una fase sperimentale basata sull’addestramento di un sistema di TA neurale pre-addestrato (fine-tuning) per tradurre il linguaggio scientifico tedesco in italiano in ambito linguistico. In linea con le strategie di adattamento al dominio descritte in letteratura (ad esempio Bertoldi e Federico 2009; Bojar e Tamchyna 2011; Sennrich et al. 2016; Ueffing et al. 2007) e in assenza di corpora paralleli adeguati al fine-tuning, è stato creato un corpus sintetico, incorporando dati generati artificialmente per migliorare la capacità del sistema di TA di gestire la complessità linguistica del dominio. A conclusione del processo di fine-tuning, è stato eseguito un esperimento di traduzione e sono state confrontate le prestazioni del sistema adattato con quelle di DeepL, al fine di verificare se l’addestramento su un corpus specifico consenta un miglioramento qualitativo significativo della traduzione automatica di testi scientifici tedeschi in italiano in ambito linguistico.