Messung maschineller¨Ubersetzbarkeit von ... - Parallele Systeme

Messung maschineller Übersetzbarkeit
von Texten
Diplomarbeit von Malte Diehl
Matrikelnummer: 8133810
Studiengang:
Informatik (Diplom)
Erstprüferin:
Dr. Elke Wilkeit
Zweitprüfer:
Dr. Hans Fleischhack
Abgabedatum:
16.04.2007

Zusammenfassung
Seit über 50 Jahren beschäftigt sich die Forschung intensiv mit maschineller Übersetzung
von Texten. Allen Erfolgen zum Trotz sind die gegenwärtigen Programme aber noch
nicht perfekt, sondern produzieren nach wie vor zahlreiche Fehler. Diese Fehler wiederum
erzwingen eine zeitintensive und aufwändige Nachbearbeitung der übersetzten Texte. Um
diesen unvermeidlichen Aufwand wenigstens zu minimieren, erscheint es sinnvoll, einen
Text bereits vor seiner Übersetzung so zu formulieren, dass die bei der Übersetzung durch
ein Programm auftretenden Fehler möglichst stark reduziert werden.
Vor diesem Hintergrund zeigt diese Arbeit einen Weg auf, die maschinelle Übersetzbarkeit
eines deutschen Textes in die englische Sprache vor der Übersetzung durch einen Index
zu bestimmen. Dazu werden nach einer kurzen Einführung in den Stand der Technik
zunächst verschiedene Merkmale, die häufig in deutschen Texten auftreten, auf eine Beeinträchtigung
der Leistung von Übersetzungsprogrammen untersucht. Auf der Grundlage
der Merkmale, die empirisch untermauert die Fehleranzahl im übersetzten Text erhöhen,
wird danach der Index für die maschinelle Übersetzbarkeit vom Deutschen ins Englische
erstellt. Im dritten Schritt demonstriert diese Arbeit schließlich die Implementierung eines
Programms, das diesen Index mit Hilfe von Algorithmen zur detaillierten Satzanalyse
automatisch und zuverlässig berechnet.

Inhaltsverzeichnis
Tabellenverzeichnis 7
Abbildungsverzeichnis 8
I. Einführung 10
1. Grundlagen der Arbeit 11
2. Stand der Technik 13
2.1. Maschinelle und computerunterstützte Übersetzung . . . . . . . . . . . . . 13
2.2. Historischer Abriss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3. Ansätze der maschinellen Übersetzung . . . . . . . . . . . . . . . . . . . . 15
2.3.1. Direkte Übersetzung . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.2. Transfer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.3. Zwischensprache . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.4. Statistische MÜ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.5. Beispielbasierte MÜ . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. Offene Probleme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.1. Mehrdeutigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.2. Komposita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3. Satzkomplexität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.4. Eigennamen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.5. Tempus-, Modus- und Aspektsystem . . . . . . . . . . . . . . . . . 20
2.4.6. Fehlerhafte und umgangssprachliche Texte . . . . . . . . . . . . . . 21
3. Ansätze zur Lösung der Übersetzungsprobleme 22
3.1. Kontrollierte Sprachen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.1. Attempto Controlled English . . . . . . . . . . . . . . . . . . . . . 22
3.1.2. Das KANT-Projekt . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.3. Basic English . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2. Vorbearbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.1. Linguistic Annotation Language . . . . . . . . . . . . . . . . . . . . 25
3.3. Übersetzbarkeitsmaße . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3.1. Logos Translatability Index . . . . . . . . . . . . . . . . . . . . . . 25
3.3.2. Translation Confidence Index . . . . . . . . . . . . . . . . . . . . . 26
3.3.3. Translatability Checker . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3.4. Bewertung der vorgestellten Ansätze . . . . . . . . . . . . . . . . . 27
4

Inhaltsverzeichnis
II. Ein Modell zur Einschätzung der Übersetzbarkeit eines Textes 28
4. Vorbereitende Maßnahmen 29
4.1. Auswahl von Textmerkmalen . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2. Textuelle Grundlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3. Eingesetzte Übersetzungsprogramme . . . . . . . . . . . . . . . . . . . . . 32
4.4. Bewertung der Übersetzungsqualität . . . . . . . . . . . . . . . . . . . . . 32
4.4.1. Fehlersuche und Berechnung der Fehlerzahlen . . . . . . . . . . . . 33
4.4.2. Beispiele zur Fehleranalyse . . . . . . . . . . . . . . . . . . . . . . . 34
4.5. Signifikanz der Untersuchungsergebnisse . . . . . . . . . . . . . . . . . . . 35
5. Untersuchung der Textmerkmale auf Fehlerrelevanz 37
5.1. Allgemeine Textmerkmale . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.1.1. Satzlänge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.1.2. Nebensätze (Relativsätze) . . . . . . . . . . . . . . . . . . . . . . . 39
5.1.3. Mehrdeutigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.1.4. Seltenheit von Wörtern . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.1.5. Elliptischer Schreibstil . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.2. Sprachspezifische Textmerkmale . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2.1. Verbklammern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2.2. Nominalklammern . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.3. Nominalkomposita . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2.4. Inversion der Wortstellung . . . . . . . . . . . . . . . . . . . . . . . 58
5.3. Signifikanz der Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.4. Vergleich der eingesetzten Übersetzungsprogramme . . . . . . . . . . . . . 63
6. Zusammenführung der Kriterien in einem Index 66
6.1. Erstellung des Übersetzbarkeitsindexes . . . . . . . . . . . . . . . . . . . . 66
6.1.1. Übersetzbarkeit von Texten . . . . . . . . . . . . . . . . . . . . . . 67
6.1.2. Übersetzbarkeit von Sätzen . . . . . . . . . . . . . . . . . . . . . . 67
6.1.3. Bewertung der Satzlänge . . . . . . . . . . . . . . . . . . . . . . . . 68
6.2. Überprüfung des Übersetzbarkeitsindexes . . . . . . . . . . . . . . . . . . . 69
III. MT Analyser: Automatische Messung der maschinellen Übersetzbarkeit
72
7. Modellierung von MT Analyser 73
7.1. Systemabgrenzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.2. Anforderungen an MT Analyser . . . . . . . . . . . . . . . . . . . . . . . . 74
7.3. Zur Verfügung stehende Hilfsmittel . . . . . . . . . . . . . . . . . . . . . . 75
7.3.1. Java und Swing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
7.3.2. Tagging-Richtlinien . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.3.3. TreeTagger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.4. Modellierung wesentlicher Programmteile . . . . . . . . . . . . . . . . . . . 77
7.4.1. Komponenten von MT Analyser . . . . . . . . . . . . . . . . . . . . 77
7.4.2. Datenhaltung und Datenbearbeitung im Programmkern . . . . . . . 77
5

Inhaltsverzeichnis
7.4.3. Modellierung des Mehrdeutigkeitslexikons . . . . . . . . . . . . . . 82
8. Implementierung von MT Analyser 85
8.1. Einbindung von TreeTagger . . . . . . . . . . . . . . . . . . . . . . . . . . 85
8.1.1. Satzerkennung und Reformatierung des Textes . . . . . . . . . . . . 85
8.1.2. Aufruf von TreeTagger . . . . . . . . . . . . . . . . . . . . . . . . . 85
8.1.3. Verarbeitung der Ausgabe von TreeTagger . . . . . . . . . . . . . . 86
8.2. Algorithmen zur Satzanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . 86
8.2.1. Zerlegung in atomare Teilsätze . . . . . . . . . . . . . . . . . . . . . 86
8.2.2. Kategorisierung der atomaren Teilsätze . . . . . . . . . . . . . . . . 88
8.2.3. Hierarchisierung der atomaren Teilsätze . . . . . . . . . . . . . . . . 91
8.2.4. Zusammenfügen der atomaren Teilsätze . . . . . . . . . . . . . . . . 92
8.2.5. Überprüfung der Satzanalyse . . . . . . . . . . . . . . . . . . . . . 94
8.3. Algorithmen zur Erkennung von Textmerkmalen . . . . . . . . . . . . . . . 94
8.3.1. Abgetrennte Kompositionsglieder . . . . . . . . . . . . . . . . . . . 94
8.3.2. Inversionen der Wortstellung . . . . . . . . . . . . . . . . . . . . . . 95
8.3.3. Mehrdeutigkeiten . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8.3.4. Nominalklammern . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
8.3.5. Relativsätze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
8.3.6. Verbklammern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
8.4. Weitere Programmmerkmale . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.4.1. Benutzungsmodi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.4.2. Übersetzbarkeitsreport . . . . . . . . . . . . . . . . . . . . . . . . . 106
8.4.3. Editierbares Mehrdeutigkeitslexikon . . . . . . . . . . . . . . . . . . 108
8.4.4. Konfigurationsmöglichkeiten . . . . . . . . . . . . . . . . . . . . . . 109
8.4.5. Hilfe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
8.4.6. Systemanforderungen und Laufzeit . . . . . . . . . . . . . . . . . . 112
8.5. MT Analyser Web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.5.1. Zusätzliche Hilfsmittel . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.5.2. Unterschiede zu MT Analyser . . . . . . . . . . . . . . . . . . . . . 113
8.5.3. Benutzungsoberfläche . . . . . . . . . . . . . . . . . . . . . . . . . . 114
IV. Fazit und Ausblick 115
9. Zusammenfassung der Ergebnisse 116
10.Ansätze zur Weiterentwicklung 117
Glossar 119
Stichwortverzeichnis 123
Literaturverzeichnis 127
6

Tabellenverzeichnis
5.1. Satzlänge und Fehlerhäufigkeit . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.2. Relativsätze und Fehlerhäufigkeit . . . . . . . . . . . . . . . . . . . . . . . 40
5.3. Andere Nebensätze und Fehlerhäufigkeit . . . . . . . . . . . . . . . . . . . 41
5.4. Mehrdeutigkeiten und Fehlerhäufigkeit . . . . . . . . . . . . . . . . . . . . 44
5.5. Ellipsen und Fehlerhäufigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.6. Fehler vor und nach der Beseitigung abgetrennter Kompositionsglieder . . 48
5.7. Verbklammern und Fehlerhäufigkeit . . . . . . . . . . . . . . . . . . . . . . 51
5.8. Nominalklammern und Fehlerhäufigkeit . . . . . . . . . . . . . . . . . . . . 54
5.9. Nominalkomposita und Fehlerhäufigkeit . . . . . . . . . . . . . . . . . . . . 56
5.10. Inversionen und Fehlerhäufigkeit . . . . . . . . . . . . . . . . . . . . . . . . 59
6.1. Auswirkungen der Textmerkmale im Vergleich . . . . . . . . . . . . . . . . 67
6.2. Zusammenhang zwischen Indexwert und Fehlerzahl pro Satz . . . . . . . . 70
8.1. Beispielsatz mit Kategorisierung der einzelnen Teilsätze . . . . . . . . . . . 91
7

Abbildungsverzeichnis
2.1. Schema für direkte Übersetzung . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2. Schema für Transferübersetzung . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Schema für Interlingua-Übersetzung . . . . . . . . . . . . . . . . . . . . . . 16
2.4. Schema für statistische Übersetzung . . . . . . . . . . . . . . . . . . . . . . 17
2.5. Schema für beispielbasierte Übersetzung . . . . . . . . . . . . . . . . . . . 17
5.1. Absolute Veränderungen der Fehleranzahl ohne Relativsätze . . . . . . . . 40
5.2. Absolute Veränderungen der Fehleranzahl bei weniger Nebensätzen . . . . 42
5.3. Absolute Veränderungen der Fehleranzahl bei Reduktion von Mehrdeutigkeiten
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.4. Zusammenhang zwischen Wortlänge und Worthäufigkeit . . . . . . . . . . 45
5.5. Häufigkeit sehr langer Wörter . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.6. Absolute Veränderungen der Fehleranzahl beim Ausfüllen von Ellipsen . . 48
5.7. Absolute Veränderungen der Fehleranzahl ohne Verbklammern . . . . . . . 52
5.8. Absolute Veränderungen der Fehleranzahl ohne Nominalklammern . . . . . 54
5.9. Absolute Veränderungen der Fehleranzahl bei reduzierter Anzahl von Nominalkomposita
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.10. Absolute Veränderungen der Fehleranzahl ohne Inversionen der Wortstellung 60
5.11. Fehlerzahlen von Babel Fish und Personal Translator 2006 für die einzelnen
Textkorpora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.12. Gesamtfehlerzahl von Babel Fish und Personal Translator 2006 . . . . . . 65
6.1. Zusammenhang zwischen Satzlänge und Fehlerzahl pro Wort . . . . . . . . 69
6.2. Zusammenhang zwischen Indexwert und Fehlerzahl pro Satz . . . . . . . . 70
7.1. Logo von MT Analyser (Startbildschirm des Programms) . . . . . . . . . . 73
7.2. Modellierung der zentralen Klassen zur Textbewertung . . . . . . . . . . . 79
7.3. Sequenzdiagramm zur Darstellung des Ablaufs der Textbewertung für beliebig
viele Sätze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
7.4. Modellierung des Mehrdeutigkeitslexikons . . . . . . . . . . . . . . . . . . 83
8.1. Teilsatzzerlegung am Beispiel eines aus zwölf atomaren Teilsätzen bestehenden,
mit Klammern und Gedankenstrichen versehenen Satzes . . . . . . 87
8.2. Beispielsatz mit Hierarchisierung der einzelnen Teilsätze . . . . . . . . . . 92
8.3. Reduktionsbaum für Nominalklammer (erstes Beispiel) . . . . . . . . . . . 100
8.4. Reduktionsbaum für Nominalklammer (zweites Beispiel) . . . . . . . . . . 101
8.5. Hauptmenü im Textmodus . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.6. Auswahl von Textmerkmalen im Bewertungsprozess . . . . . . . . . . . . . 104
8.7. Hauptfenster mit Übersetzbarkeitsreport . . . . . . . . . . . . . . . . . . . 105
8.8. Baumdarstellung des Mehrdeutigkeitslexikons . . . . . . . . . . . . . . . . 105
8

Abbildungsverzeichnis
8.9. Ausschnitt aus HTML-Übersetzbarkeitsreport . . . . . . . . . . . . . . . . 107
8.10. Klasse AnnotatedString . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.11. Bearbeiten eines mehrdeutigen Begriffs . . . . . . . . . . . . . . . . . . . . 108
8.12. Eintrag zum Lexikon hinzufügen . . . . . . . . . . . . . . . . . . . . . . . . 109
8.13. Angabe neuer Gewichte für die Textmerkmale . . . . . . . . . . . . . . . . 110
8.14. An- und Abwahl von Textmerkmalen . . . . . . . . . . . . . . . . . . . . . 110
8.15. Angabe und Test eines Pfades zu TreeTagger . . . . . . . . . . . . . . . . . 111
8.16. Hilfemenü in der grafischen Oberfläche . . . . . . . . . . . . . . . . . . . . 111
8.17. Hilfemenü in der textuellen Oberfläche . . . . . . . . . . . . . . . . . . . . 112
8.18. MT Analyser Web: Erweiterter Übersetzungsmodus . . . . . . . . . . . . . 114 9

Teil I.
Einführung
10

1. Grundlagen der Arbeit
Ausgangslage
Ganz bestimmt gibt es keine andere Sprache, die so ungeordnet und unsystematisch,
so schlüpfrig und unfaßbar ist; man treibt völlig hilflos in ihr umher,
hierhin und dahin; und wenn man schließlich glaubt, man hätte eine Regel erwischt,
die festen Boden böte, auf dem man inmitten der allgemeinen Unruhe
und Raserei der zehn Wortarten ausruhen könne, blättert man um und liest:
Der Schüler beachte sorgfältig folgende Ausnahmen.“ – Mark Twain [Twa94]
”
Dieses harte Urteil über die deutsche Sprache mag man teilen oder nicht, ganz gleich,
ob sie die eigene Muttersprache ist oder man sie sich erst mühsam in Schule oder Studium
aneignen musste. Niemand wird jedoch die Tatsache bestreiten, dass schon viele, die
versucht haben, sie zu lernen, ebenso hilflos in ihr umhergetrieben wurden wie seinerzeit
Mark Twain. Und obwohl seit den ersten Gehversuchen auf dem Gebiet der maschinellen
Übersetzung (MÜ) bereits über fünfzig Jahre vergangen sind, macht man selbst mit
hochspezialisierten Programmen trotz ausgefeilter Regelwerke auch heute noch diese Erfahrung,
wenn man versucht, einen Text von einer anderen in die deutsche Sprache zu
bringen oder umgekehrt: Diese Programme treiben in einem Gewirr aus Regeln und Ausnahmen
hin und her und spätestens, wenn sie die dritte Ausnahme von der zweiten Regel
entdeckt haben, kapitulieren sie bedingungslos.
Setzt man eines der vielen im Internet verfügbaren Übersetzungsprogramme1 auf obiges
Zitat an, das zwar von komplexer Struktur, aber ansonsten frei von Fachbegriffen oder
ungewöhnlichen Formulierungen ist, erhält man mitunter belustigende Ergebnisse. Babel
Fish, das die Technologie von Systran 2 benutzt, liefert, wenn man das Zitat erst ins
Englische und dann wieder zurück ins Deutsche übersetzen lässt, folgendes:
Es gibt vollständig zweifellos keine andere Sprache, die und unsystematically
so unordered ist, so glatt und unverständlich; ein schwimmt vollständig hilflos
in es herum, in auf diese Weise und dort; und wenn man schließlich glaubt,
würde man eine Richtlinie erhalten haben, die festen Boden anbieten würde,
auf dem man in der Mitte der allgemeinen Ruhelosigkeit und in der Raserei
der 10 Arten des Wortes stillstehen kann, eins wieder Blätter treibt und liest:
Die Schüler betrachtet die sorgfältig folgenden Ausnahmen.“
”
Ohne Schwierigkeiten ließen sich weitere Beispieltexte finden, die ein ähnlich fehlerdurchsetztes,
aber immerhin noch verständliches Ergebnis produzieren.
1 Als Beispiele seien an dieser Stelle Babel Fish (de.babelfish.yahoo.com), Personal Translator 2006
(http://www.linguatec.de/onlineservices/pt, inzwischen unter dieser Adresse: Personal Translator
2008 ), webtranslate (http://www.webtranslate.de/) oder opentrad (http://www.opentrad.
org/demo/) genannt, jeweils zuletzt besucht am 28. Februar 2007
2 Die Firma Systran wurde 1968 gegründet und stellt Übsersetzungsprogramme her. 11

1. Grundlagen der Arbeit
Motivation
Inzwischen sind automatische Übersetzungen trotz ihrer offensichtlichen Mängel unverzichtbar
geworden: Weltweit fallen jedes Jahr viele Millionen beschriebener Seiten an, die
– aus welchen Gründen auch immer – vollständig und korrekt in andere Sprachen übertragen
werden müssen. Da diese Arbeit nicht allein von ausgebildeten Übersetzern bewältigt
werden kann, müssen Computer einen Teil davon übernehmen. Und weil diese nach wie
vor viele Fehler machen, müssen nach erfolgter Übersetzung wieder Menschen die Fehler
finden und beheben. Dies erfordert einen nicht zu unterschätzenden Aufwand an Zeit und
Personal und verursacht damit hohe Kosten.
Solange Übersetzungsprogramme nicht annähernd fehlerfrei arbeiten, wird man um diesen
Sachverhalt auch nicht herumkommen; aber man kann versuchen, so wenig wie möglich
in die Beseitigung von Fehlern investieren zu müssen. Dazu bietet es sich an, einen zu
übersetzenden Text bereits in der Ausgangssprache so zu verfassen, dass er dem Übersetzungsprogramm
aller Voraussicht nach nur wenige Probleme bereitet. Es gibt hierzu
bereits mehrere Ansätze (siehe Abschnitt 3), unter anderem Maße für Übersetzbarkeit.
Allerdings fehlt es bislang an einem Maß, das die allgemeine, von konkreten Übersetzungsprogrammen
unabhängige Übersetzbarkeit eines deutschen Textes in die englische
Sprache für die aktuelle Generation von Übersetzungsprogrammen ermitteln kann.
Ziel der Arbeit
Die Frage, wie sich die Übersetzbarkeit eines Textes messen lässt, war bislang Gegenstand
vergleichsweise weniger Forschungsarbeiten und ist bisher für die deutsche Sprache nur
unzureichend beantwortet, weil sich die meisten Autoren vor allem mit der Übersetzbarkeit
englischer Texte in andere Sprachen befasst haben.
Ziel dieser Arbeit ist daher, auf Basis gegenwärtig verfügbarer Technologie einen Index für
die Übersetzbarkeit eines deutschsprachigen Textes zu erstellen. Als Grundlage für den
Index sollen allgemeine und sprachspezifische Textmerkmale identifiziert und die Auswirkungen
ihres Auftretens auf die Übersetzungsqualität anhand vorhandener Übersetzungsprogramme
empirisch gemessen und gewichtet werden. Der so erstellte Übersetzbarkeitsindex
soll dann automatisch durch ein Programm für gegebene Texte berechnet werden,
wobei eine Analyse sowohl für einzelne Sätze als auch für den gesamten Text erfolgen und
Verbesserungsvorschläge beinhalten soll. Die Benutzung des Programms soll sowohl über
eine Kommandozeile, in Form einer alleinstehenden grafischen Oberfläche (GUI) als auch
über eine Internetseite möglich sein, wobei die Benutzer ihre Texte übergeben und einen
ausführlichen Bericht über mögliche Übersetzungsschwierigkeiten sowie den erzielten Indexwert
zurückerhalten.
12

2. Stand der Technik
In diesem Abschnitt wird dargelegt, wie sich die automatische Übersetzung bis heute
entwickelt hat, welche Ansätze genutzt werden und welche Probleme es gibt. Außerdem
werden die zentralen Probleme der heutigen MÜ-Systeme erläutert und dargestellt, welche
Maßnahmen üblicherweise getroffen werden, um Übersetzungsfehler zu vermeiden.
2.1. Maschinelle und computerunterstützte Übersetzung
Um Verwechslungen im weiteren Verlauf zu vermeiden, wird an dieser Stelle zunächst der
Unterschied zwischen maschineller und computerunterstützter Übersetzung (CÜ) geklärt.
MÜ-Systeme umfassen neben umfangreichen Lexika der jeweiligen Sprachen auch Regeln
zur Syntax, Morphologie und Semantik in Ausgangs- und Zielsprache und führen auf
dieser Grundlage die Übersetzung auch selbstständig durch. Das Ergebnis wird hinterher
gegebenenfalls korrigiert und in eine korrekte, vollständige und stilistisch angemessene
Form gebracht. Bekannte MÜ-Systeme sind zum Beispiel Systran oder Logos.
CÜ-Software hingegen überlässt die Übersetzungsarbeit den Benutzern. Sie ist nicht in
der Lage, Übersetzungen selbst zu erzeugen: Zwar verfügt sie über Lexika, jedoch nicht
über Regeln zur Übersetzung. Vielmehr macht sie dem Benutzer auf Basis ihrer Lexika
Vorschläge und speichert, wie der Benutzer bestimmte Textabschnitte übersetzt hat
(Translation Memory), oder enthält bereits typische vorgefertigte Textabschnitte mit ihren
Übersetzungen. Erkennt sie das Auftreten eines derartigen Textstücks, schlägt sie aus
ihrem Datenbestand verschiedene Möglichkeiten zur Übersetzung vor, aus denen der Nutzer
dann eine auswählen oder auch eine völlig neue Übersetzung angeben kann. Beispiele
für CÜ-Software sind unter anderem MetaTexis1 und Wordfast 2 .
In jedem Fall besteht also bei CÜ-Software zwangsläufig eine ständige Interaktion zwischen
Nutzer und Programm, während MÜ-Systeme normalerweise autonom arbeiten,
wobei natürlich nicht ausgeschlossen ist, dass ein solches Programm beim Nutzer nachfragt,
wenn es sich nicht in der Lage sieht, einen bestimmten Textabschnitt selbstständig
korrekt zu übersetzen. CÜ-Programme werden im weiteren Verlauf der Arbeit nicht weiter
betrachtet, weil sie nicht zum Bereich der maschinellen Übersetzung gehören.
2.2. Historischer Abriss
Das Bestreben, sich von Computern Texte übersetzen zu lassen, ist fast so alt wie Computer
selbst. Erste Forschungen begannen bereits Ende der 1940er Jahre, und 1954 wurde
in dem vielbeachteten Georgetown-Experiment der erste, wenngleich noch rudimentäre
Übersetzungscomputer vorgestellt, der einfache Sätze mit sehr begrenztem Wortschatz
von der russischen in die englische Sprache transferieren konnte [Dos55].
1 Im Internet erreichbar unter: http://www.metatexis.com, zuletzt besucht am 5. April 2007
2 Im Internet erreichbar unter: http://www.wordfast.net, zuletzt besucht am 6. April 2007
13

2. Stand der Technik
In den folgenden Jahren wurde die Entwicklung weiter vorangetrieben, denn insbesondere
die Militärs hatten während des Kalten Krieges ein starkes Interesse daran, ihren jeweiligen
Feind möglichst schnell und unabhängig von menschlichen Übersetzern zu verstehen.
Insofern war für sie auch ein System von Nutzen, das zwar meilenweit von fehlerfreien
Übersetzungen entfernt war, den Inhalt des zugrunde liegenden Textes aber einigermaßen
wiedergeben konnte. Allerdings blieben große Durchbrüche in der maschinellen Übersetzung
aus. Vielmehr traten mehr und mehr vor allem semantische, teilweise bis heute
ungelöste Probleme zutage, so dass der ursprüngliche Optimismus sich langsam in Skepsis
wandelte ([Hut86], Kap. 8).
1966 kam die Forschung dann in den USA und Großbritannien für etliche Jahre fast
komplett zum Erliegen. Grund dafür war eine US-amerikanische Studie, der sogenannte
ALPAC-Report [Pa66], die ein vernichtendes Urteil über den Stand, den Nutzen und die
Perspektiven maschineller Übersetzungen fällte. Als Folge wurden zahlreiche Forschungsprojekte
aufgegeben und die Fördergelder zusammengestrichen ([Hut86], Kap. 8). Auch
auf die Sowjetunion und Westeuropa hatte dieser Bericht Auswirkungen.
Allerdings wurde gerade in der Europäischen Gemeinschaft (EG) die Entwicklung von
MÜ-Systemen vor allem für die Verwaltungen fortgesetzt, weil man eine Vielzahl von
Dokumenten in die verschiedenen Sprachen der Mitgliedsländer übersetzen musste und
muss. Ein bekanntes System aus dieser Zeit, das unter anderem von der EG-Kommission
eingesetzt wurde, ist das bis heute weiterentwickelte Systran [Lau84].
Als in den 1980er Jahren PCs und Workstations mit Textverarbeitungsprogrammen große
Verbreitung erlangten, nahm die Entwicklungsaktivität auch in den USA wieder zu, da inzwischen
ein Bedarf für konstengünstige Massenprodukte zur automatischen Übersetzung
entstanden war. Zudem bedurften gerade auch internationale Konzerne zuverlässiger Software,
um der großen Anzahl an zu übersetzenden Texten (Verträge, Dokumentationen,
Anleitungen etc.) Herr zu werden. Anstelle des ursprünglichen Ansatzes, die Ausgangssprache
mittels eines spezialisierten Regelsystems direkt in die Zielsprache zu überführen,
wurden nun verstärkt indirekte Interlinguasysteme implementiert. (Eine Beschreibung der
vorherrschenden Übersetzungstechniken findet sich in Abschnitt 2.3.)
In den 90er Jahren entstanden erste Systeme, die nicht mehr rein regelbasiert waren, sondern
statistische Methoden oder Korpora von Beispielübersetzungen benutzten, um passende
Übersetzungen zu generieren. Zudem stieg durch die rasante Ausbreitung von PCs
auf der ganzen Welt der Bedarf für erschwingliche Übersetzungsprogramme seitens der
Privatanwender weiter an, so dass inzwischen eine Vielzahl von Firmen solche Produkte
kommerziell vertreibt. Mit dem Aufkommen des Internets wurden auch Online-Übersetzungstools
populär.
Auch die Ausrichtung der Übersetzungsprogramme wandelte sich: Standen in der Anfangszeit
vor allem Übersetzungen wissenschaftlicher und technischer Texte im Vordergrund, so
werden heute alle Arten von Texten übersetzt. Dementsprechend sind die Wörterbücher,
die von den heutigen Programmen benutzt werden, in aller Regel weniger spezialisiert
und liefern eine gute Abdeckung aller Themengebiete.
Der Markt für Übersetzungen ist nach wie vor von starkem Wachstum geprägt. Laut
Angaben der Universität Leipzig (Translatio) steigt die Nachfrage um rund 14 Prozent
jährlich [Tra06] – und damit auch der Bedarf an maschinellen Übersetzungen. Die Qualität
der Übersetzungen ist dabei bis heute, gleich welcher Ansatz einem System zugrundeliegt,
insofern unbefriedigend, als praktisch sämtliche übersetzten Texte umfassende Nachbearbeitung
benötigen, um veröffentlicht werden zu können. Allerdings liefern sie trotz vieler
14

2.3. Ansätze der maschinellen Übersetzung
ungelöster Probleme (siehe Abschnitt 2.4) in den meisten Fällen zwar keine fehlerfreien,
aber immerhin verständliche Übersetzungen. Ein Beispiel hierfür ist etwa das einleitende
Zitat von Mark Twain. Manchmal jedoch kommt es auch zu groben Verfälschungen, so
dass der Inhalt des Ausgangstextes nicht einmal erahnt werden kann.
Weil eine umfassende Lösung für die meisten Probleme nicht in Sicht war und/oder ist,
wurden in den vergangenen Jahren parallel zur Weiterentwicklung der Übersetzungstechniken
mehrere Ansätze entwickelt, um zu erreichen, dass die Übersetzung eines Textes
möglichst wenige Fehler und damit nur geringen Nachbearbeitungsaufwand nach sich
zieht. Einige davon werden im Rahmen dieser Einführung kurz vorgestellt. Es handelt
sich dabei um kontrollierte Sprachen (Abschnitt 3.1), Annotationssprachen (Abschnitt
3.2) und eben Methoden zur Messung der Übersetzbarkeit (Abschnitt 3.3).
2.3. Ansätze der maschinellen Übersetzung
Seit Beginn der Forschung auf diesem Gebiet ist eine Vielzahl an Übersetzungssystemen
entstanden, die verschiedenen Paradigmen folgen. Diese lassen sich in die folgenden
Klassen einordnen, wobei in der Praxis häufig auch Mischformen zum Einsatz kommen
(vergleiche [Hut92], [ABM + 94] und [HS92]).
2.3.1. Direkte Übersetzung
Eine direkte Übersetzung wird vorgenommen, indem ein Text aus einer Ausgangssprache
mit Hilfe eines Regelwerkes in eine Zielsprache überführt wird. Dazu werden nach einer
morphologischen Analyse die Wörter einzeln in die Zielsprache übertragen und Wortstellung
sowie Flexionsformen angepasst. Eine semantische Analyse findet dabei nicht statt,
so dass die Ergebnisse dieser Methode etwa bei Zweideutigkeiten sehr unbefriedigend sind.
Nachteilig ist zudem, dass bei n Sprachen, zwischen denen jeweils direkt übersetzt werden
soll, insgesamt (n 2 − n) Regelsätze angefertigt werden müssen. Abbildung 2.1 zeigt die
Funktionsweise dieses ältesten und einfachsten Ansatzes.
Abbildung 2.1.: Schema für direkte Übersetzung
2.3.2. Transfer
Der Transferansatz analysiert den Ausgangstext grammatikalisch und überführt ihn in eine
spezielle sprachabhängige Zwischendarstellung, die seine Eigenschaften wiedergibt und
auch semantische Informationen enthält. Meist wird dazu eine Baumstruktur benutzt. Anschließend
wird in einem zweiten Schritt mittels eines (namengebenden) Transfermoduls
die Zwischendarstellung der Ausgangssprache in eine gleichwertige Zwischendarstellung
der Zielsprache überführt. Erst dann wird aus der Zwischendarstellung der endgültige
Text in der Zielsprache generiert. Ein wichtiger Vorteil gegenüber dem direkten Ansatz ist
die Beachtung semantischer Strukturen. Auch können die Zwischendarstellungen für jede
15

2. Stand der Technik
Sprache optimiert werden. Allerdings müssen bei n Sprachen insgesamt (n 2 − n) Transfermodule
erstellt werden, um von jeder Sprache in jede andere übersetzen zu können.
Außerdem werden noch jeweils n Module zur Erzeugung der Zwischendarstellung und des
Zieltextes benötigt. Abbildung 2.2 zeigt den Ablauf dieses Schemas.
Abbildung 2.2.: Schema für Transferübersetzung
2.3.3. Zwischensprache
So genannte Interlingua-Systeme (lat. interlingua: Zwischensprache) erzeugen ebenfalls
aus einem Ausgangstext eine Zwischendarstellung. Diese ist allerdings sprachunabhängig.
So wird bei n Sprachen immer nur eine Zwischendarstellung benötigt, was den Programmieraufwand
im Vergleich zu einem Transfersystem drastisch senkt. Hinzu kommen noch
je n Module zur Erzeugung der Zwischendarstellung aus der Ausgangssprache und der
Zielsprache aus der Zwischendarstellung. Abbildung 2.3 beschreibt den Ansatz grafisch.
Das Problem bei diesem Ansatz ist die sprachunabhängige Zwischendarstellung. Bisher
ist es noch nicht gelungen, eine wirklich allgemeingültige Interlingua zu erstellen. Deshalb
wird trotz des höheren Aufwands der Transferansatz auch bei multilingualen MÜ-
Systemen vorgezogen.
Abbildung 2.3.: Schema für Interlingua-Übersetzung
2.3.4. Statistische MÜ
Statistische MÜ kommt im Gegensatz zu den obigen Ansätzen ohne vorgefertigte Grammatik
aus. Vielmehr werden alle benötigten Informationen wie Worthäufigkeiten, Grammatikregeln
usw. mit Methoden zur Informationsgewinnung aus großen bi- und multilingualen
Textkorpora für die beteiligten Sprachen extrahiert.
Im Zentrum bei der Übersetzung eines Textes steht dann die Berechnung der Wahrscheinlichkeit,
dass ein bestimmter Satz in der Ausgangssprache auf einen bestimmten Satz in
der Zielsprache abgebildet werden kann. Zunächst wird dazu die Wahrscheinlichkeit P (A)
des Auftretens des Ausgangssatzes A berechnet und anschließend die bedingte Wahrscheinlichkeit
P (Z|A), dass Zielsatz Z auftritt, wenn A vorliegt. Beide Wahrscheinlichkeiten
werden miteinander zu P (A) · P (Z|A) verknüpft. Diese Prozedur wird für zahlreiche
mögliche Zielsätze durchgeführt, wobei am Ende derjenige gewählt wird, der die größte
16

2.4. Offene Probleme
Wahrscheinlichkeit liefert. In der Praxis werden meist noch weitere Parameter hinzugefügt,
um die Ergebnisse zu verbessern.
Das Hauptproblem hierbei ist, dass große und vor allem in geeigneter Weise (z. B. durch
Zuordnung von Sätzen in Ausgangs- und Zielsprache) aufbereitete Textkorpora relativ selten
sind. Dafür erspart man sich die manuelle Erstellung komplizierter Grammatikregeln.
Abbildung 2.4.: Schema für statistische Übersetzung
2.3.5. Beispielbasierte MÜ
Im Gegensatz zur statistischen Übersetzungsmethode ist die beispielbasierte MÜ wieder
ein regelbasiertes Verfahren, das jedoch nicht wie die ersten drei Verfahren versucht,
möglichst allgemeine Grammatikregeln abzubilden. Vielmehr ist der Hauptbestandteil des
Systems wie bei statistischer MÜ ein bi- oder multilinguales Textkorpus, aus dem mittels
einander zugeordneter Sätze oder Phrasen zahlreiche Übersetzungsvorlagen für die
jeweiligen Sprachen gewonnen werden. Diese lassen sich über mit Bedingungen versehene
Regeln repräsentieren. Eine solche Bedingung könnte etwa sein, dass Zug mit train ins
Englische übersetzt wird, wenn im Beispiel auch das Wort Schiene vorkommt, aber mit
drag, wenn von einer Zigarette die Rede ist.
Da es allerdings unmöglich ist, auf diese Weise die gesamte Sprache abzudecken, müssen
Sätze in der Ausgangssprache daraufhin analysiert werden, welchem Übersetzungsbeispiel
sie am ehesten ähneln. Bei fehlenden Vokabeln ist es auch möglich, ähnliche Beispiele wie
Schablonen zu benutzen und Wörter einzusetzen.
Abbildung 2.5.: Schema für beispielbasierte Übersetzung
2.4. Offene Probleme
Wie das einführende Beispiel zeigte, bestehen trotz ausgefeilter Übersetzungstechniken
immer noch starke Defizite, die komplett fehlerfreie und in vielen Fällen selbst annehmbare
Übersetzungen verhindern. Im folgenden werden einige wichtige ungelöste Probleme
vorgestellt, die im weiteren Verlauf dieser Arbeit in ihrer Auswirkung auf die Übersetzungsqualität
betrachtet werden. Dabei gibt es sowohl allgemeingültige Probleme als auch
sprachspezifische.
17

2. Stand der Technik
2.4.1. Mehrdeutigkeit
Ein zentrales Problem beim Übersetzen zwischen zwei Sprachen ist, dass es in praktisch jeder
natürlichen Sprache Wörter gibt, die in einer anderen Sprache zwei oder mehr mögliche
Übersetzungen mit unterschiedlichen Bedeutungen haben. Dieses Phänomen bezeichnet
man als lexikalische Mehrdeutigkeit (vgl. [ABM + 94]). Es ist auch in der deutschen Sprache
häufig anzutreffen.
Als Beispiel sei hier das deutsche Substantiv Verdienst genannt. Es kann sich dabei um
ein Gehalt als auch um eine besondere Leistung handeln. Im Englischen muss je nach
Bedeutung entweder income oder merit als Übersetzung gewählt werden. Für Verdienst
ist diese Unterscheidung noch einfach, weil man nur auf darauf achten muss, ob es der
oder das Verdienst ist. Bei Wörtern wie Zug, das noch wesentlich mehr Bedeutungen hat
– Eisenbahn, Luftzug, Zug an einer Zigarette und andere –, ist es wesentlich schwerer,
die korrekte Übersetzung zu ermitteln. Hier muss ein wie auch immer gearteter anderer
Kontext herangezogen werden. Ein weiteres Beispiel für ein hochfrequentes mehrdeutiges
Wort ist etwa das Verb fahren. Im Englischen kann es je nach Situation unter anderem
go, drive, ride oder cycle heißen, im Spanischen conducir oder ir.
Von lexikalischer Mehrdeutigkeit spricht man auch, wenn ein und dasselbe geschriebene
Wort mehreren Wortarten angehört. Besonders im Englischen, das kaum wortartspezifische
Endungen aufweist, ist dieses Phänomen weit verbreitet. So kann lunch sowohl ein
Substantiv (the lunch) als auch ein Verb (to lunch) sein. Im Deutschen könnte man, wenn
man statt Mittagessen unbedingt den Anglizismus benutzen möchte, immer noch zwischen
dem Substantiv Lunch und dem Verb lunchen unterscheiden. Zwischen Adjektiven und
Verben existieren im Englischen ebenfalls zahlreiche Homographen, etwa cool (kühl bzw.
kühlen). Auch in der deutschen Sprache trifft man auf dieses Problem: Deutsch verfügt
über solche Homographen im wesentlichen nur bei Adjektiven und Adverbien, so etwa bei
schön: Man vergleiche beispielsweise die Sätze Margarete hat ihr Bild schön gemalt., wo
schön als Adverb gebraucht wird, und Margaretes Bild ist schön., wo schön ein Adjektiv
ist.
Darüber hinaus gibt es noch die strukturelle Mehrdeutigkeit, die auftritt, wenn ein Satz
oder ein Satzteil mehrere mögliche Strukturen hat. Ein Beispiel für dieses Problem ist
der Satz Die Spaziergänger beobachteten die Sternschnuppe mit ihrem Fernglas. Für einen
Menschen ist sofort klar, dass mit ihrem Fernglas sich nur sinnvoll auf die Spaziergänger
beziehen kann, die es einsetzen, um den Himmelskörper zu betrachten. Für eine Maschine,
die zuvorderst mit Regeln oder Wahrscheinlichkeiten und nicht mit Ratio agiert, könnte
die Präpositionalphrase sich aber genauso gut auf die Sternschuppe beziehen, die mit
ihrem Fernglas am Himmel entlangschwebt.
Insgesamt gilt das Problem der Mehrdeutigkeit als überaus komplex und bislang noch
nicht hinreichend gelöst. Dementsprechend bleibt es auch in Zukunft vielleicht die wichtigste
Fehlerquelle für maschinelle Übersetzungen. In letzter Zeit haben sich wegen seiner
Bedeutung viele Projekte auf dieses Problem fixiert und Lösungsansätze wie etwa die
Linguistic Annotation Language, die in 3.2.1 vorgestellt wird, entworfen.
2.4.2. Komposita
Ebenfalls ein für MÜ-Systeme wichtiges Problem in vielen Sprachen sind Komposita,
insbesondere ihre Zerlegung, wenn es in der Zielsprache kein passendes Wort oder kei-
18

2.4. Offene Probleme
nen vergleichbaren Mechanismus gibt. Deutsch ist ein sehr gutes Beispiel für eine Sprache,
in denen Nominalkomposita gebildet werden. Ein weithin bekanntes Kompositum
ist Donaudampfschifffahrtsgesellschaftskapitän, das sich durch Anfügen weiterer Substantive
beliebig verlängern lässt. Ein noch skurrileres, aber real existierendes Beispiel ist
das Rindfleischetikettierungsüberwachungsaufgabenübertragungsgesetz aus Mecklenburg-
Vorpommern.
Bei der Übersetzung in Sprachen, die keine Nominalkomposita kennen, wie etwa die romanischen
Sprachen müssen die einzelnen Bestandteile erkannt und als jeweils eigenständige
Wörter in eine korrekte Verbindung miteinander gebracht werden. Immerhin ist die Abgrenzung
deutscher Komposita durch ihre Zusammenschreibung gegeben, was im Englischen
nicht der Fall ist. Hier birgt ein Satz wie The killer games rage campaign intensified.
das Problem, dass nicht klar ist, welche Bestandteile zusammengehören. Die Wörter rage
und campaign könnten theoretisch auch das Hauptverb sein.
Wieder andere Sprachen können ganze Satzteile zu einem einzigen Wort agglutinieren, so
dass dann aus diesem Wort heraus bei der Übersetzung in andere Sprachen ein kompletter
Satz unter Wahrung der Bedeutung extrahiert werden muss. Ein berühmtes Beispiel
hierfür ist der Name des walisischen Ortes Llanfairpwllgwyngyllgogerychwyrndrobwllllantysiliogogogoch,
dessen offizielle englische Übersetzung3 Saint Mary’s Church in the hollow
of the white hazel near a rapid whirlpool and the Church of Saint Tysilio of the red cave
lautet.
2.4.3. Satzkomplexität
Je länger ein Satz wird, desto komplexer wird auch seine syntaktische Struktur. Zum einen
erhöht sich die bloße Anzahl der Wörter, die korrekt miteinander in Beziehung gesetzt
werden müssen, zum anderen bekommt der Satz durch Unterordnungen zusätzliche Ebenen.
Es steht zu erwarten, dass mit zunehmender Satzlänge auch ohne Mehrdeutigkeiten
ein Übersetzungsprogramm zunehmend die Übersicht verliert und nicht mehr in der Lage
ist, die Wörter korrekt zu ordnen und die Satzebenen mit all ihren Abhängigkeiten richtig
zu verwalten. Aus diesem Grund wird für maschinengerechtes Schreiben von Texten oft
empfohlen, allzu lange Sätze zu vermeiden, etwa in [Kor06] oder [BG00].
Ein weiterer Punkt sind satzübergreifende Referenzen. Viele Programme haben Probleme
damit, Referenzen über mehrere Sätze hinweg zu analysieren oder tun dies erst gar nicht.
Dies führt gerade bei Pronomen dazu, dass in vielen Fällen geraten werden muss, worauf
sie sich beziehen, so dass falsche Beziehungen zwischen Satzteilen entstehen. Ein Beispiel
hierfür ist das Satzgefüge:
Nach dem Vietnam-Krieg zeigte sich eine Desorientierung und Ratlosigkeit der US-Außenpolitik.
Sie fand ihren Ausdruck im Schwanken zwischen einer Abkehr von Interventionismus
und Demonstration militärischer Stärke und dessen Gegenteil.
Die Übersetzung mit Babel Fish liefert:
To the Viet Nam war a disorientation and an embarrassment of the US foreign policy
pointed themselves. She found her expression in varying between a break of interventionism
and demonstration of military strength and its opposite.
3 Entnommen der offiziellen Homepage der Gemeinde unter http://www.
llanfairpwllgwyngyllgogerychwyrndrobwllllantysiliogogogoch.co.uk/, letzter Besuch
am 16. November 2006
19

2. Stand der Technik
Abgesehen von den übrigen Fehlern wurde hier offenbar nicht erkannt, dass der zweite
Satz sich auf Desorientierung und/oder Ratlosigkeit bezieht, die im Englischen als Neutrum
behandelt werden, so dass die ursprünglich vorhandene Verbindung zerstört wird
durch die Benutzung der femininen Pronomina she und her. Um derartige Probleme zu
umgehen, verlangen zahlreiche kontrollierte Sprachen wie ACE und KCE (siehe Abschnitt
3.1) explizite Wiederholungen von Bezugswörtern.
2.4.4. Eigennamen
Auch bei Eigennamen stellen sich nach wie vor zwei zentrale Probleme:
• Der Eigenname muss korrekt herausgefiltert werden.
• Der Eigenname muss entweder korrekt übersetzt werden oder unverändert bleiben.
Beide Probleme scheinen auf den ersten Blick recht einfach zu lösen, sind aber mit zahlreichen
Schwierigkeiten behaftet. Insbesondere Firmennamen, die oftmals aus verschiedenen
Bestandteilen und Phantasiewörtern bestehen, sind problematisch, nicht nur weil oftmals
unklar ist, wo sie beginnen und enden. So muss das Wort Wohnungsbaugesellschaft
normalerweise übersetzt werden, aber nicht, wenn es Bestandteil eines (hier erdachten)
Firmennamens wie Zentralbau Wohnungsbaugesellschaft mbH ist. Und bei Phantasienamen
wie Infineon steht das MÜ-System vor der Frage, ob es nur eine unbekannte Vokabel
oder ein Eigenname ist.
Personen- und Ortsnamen sind ebenfalls problembehaftet, etwa wenn es um hintereinander
stehende oder historische Namen geht. Verkaufte Klaus Peter eine Eintrittskarte? ist
ein Satz, in dem es entweder um einen Mann namens Klaus Peter oder um zwei Männer
namens Klaus und Peter gehen kann. Ebenso muss ein MÜ-System entscheiden, wann
ein zu übersetzender Name vorliegt, was meistens bei größeren Orten und historischen
Persönlichkeiten der Fall ist. Karl der Große heißt auf Englisch nun einmal Charlemagne
und nicht Karl the great oder Charles the great, und aus Nürnberg muss in der Übersetzung
Nuremberg werden.
2.4.5. Tempus-, Modus- und Aspektsystem
Während die deklinierbaren Wortarten sich zwischen den verschiedenen Sprachen meist
nur geringfügig unterscheiden, nämlich in der Stärke und den Kategorien ihrer Beugung,
und ansonsten strukturell fast gleichen Systemen folgen, ist die korrekte Abbildung zweier
Verbsysteme aufeinander selbst bei eng verwandten Sprachen ein wesentlich komplizierteres
Unterfangen.
Um etwa zu wissen, in welchem Kasus oder mit welcher Präposition ein Nomen in der
Übersetzung steht, reicht es in den indogermanischen Sprachen aus, das zugehörige Verb
und die Funktion des Nomens im Satz zu kennen. Um sich für die richtige Verbform zu
entscheiden, bedarf es tiefgründigerer Analysen, weil das Zusammenspiel aus Tempus,
Modus und Aspekt von nicht explizit angegebenen Faktoren abhängt.
Die deutsche Sprache kennt zum Beispiel keinen Verbalsapekt, im Gegensatz etwa zu Englisch
oder Spanisch, die eine Zustands- und eine Verlaufsform bei Verben aufweisen. Ich
esse kann daher prinzipiell als I eat oder I am eating respektive als como oder estoy comiendo
übersetzt werden. Erst zusätzliche Informationen zu den Umständen der Aussage
20

2.4. Offene Probleme
ermöglichen die sinnvolle Wahl einer der beiden Formen. Fügte man gerade hinzu, wäre
eindeutig, dass die Verlaufsform zu wählen ist. Nähme man fast alles als Ergänzung, müsste
die Zustandsform gewählt werden. Diese Erkennungsleistung muss vom MÜ-System erst
einmal vollbracht werden. Ein weiteres Beispiel ist die Consecutio temporum (Zeitenfolge),
die im Englischen eher lax und im Deutschen der strengen lateinischen sehr ähnlich ist.
Ein im Englischen üblicher Satz wie zum Beispiel After I woke up, I took a shower. sollte
nie mit Nachdem ich aufwachte, duschte ich mich. übersetzt werden, weil die Vorzeitigkeit
zum Präterium im Deutschen mittels Plusquamperfekt ausgedrückt wird.
Noch komplizierter wird es bei indirekter Rede (oder allgemeiner: bei voneinander abweichendem
Modusgebrauch). Fast jede Sprache hat hier eigene Systeme. Im Englischen
spielt der Konjunktiv dabei anders als im Deutschen keine Rolle, dafür muss die Zeitform
des Indikativs der indirekten Rede an die des Hauptsatzes angepasst werden. Zusätzlich
wird normalerweise nirgendwo im Text explizit angegeben, wann die indirekte Rede beginnt
oder endet, so dass es Aufgabe des MÜ-Programms ist, dies herauszufinden, sofern
die indirekte Rede überhaupt bemerkt wird.
Dies sind nur einige Probleme, die zwischen eng verwandten indogermanischen Sprachen
bestehen. Es ließen sich an dieser Stelle noch viele weitere, wesentlich schwieriger zu lösende
oder ungelöste Probleme insbesondere zwischen Sprachen unterschiedlicher Sprachfamilien
nennen, etwa das völlige Fehlen von Tempora im Chinesischen oder die Wahl der
korrekten Anredeform.
2.4.6. Fehlerhafte und umgangssprachliche Texte
Ein weiteres Problem ist die Übersetzung von Texten, die zahlreiche Fehler hinsichtlich
Rechtschreibung und Grammatik enthalten. Hier kann kein noch so gutes MÜ-System
eine akzeptable Übersetzung liefern, da bereits der Ausgangstext unbrauchbar ist. So ist
es nicht verwunderlich, dass der falsche, aber so durchaus zu hörende Satz Ich hab kein
Hunger, weil ich hatte gerade schon gegessen gehabt. von Personal Translator 2006 mit
I have none hunger because I had just already had eaten. übersetzt wird. Ähnlich sieht
es mit Texten aus, in denen Slangwörter, die in keinem Wörterbuch verzeichnet sind und
sich bewusst von der Umwelt abheben wollen, auftreten. Weil in diesen Fällen die Texte
und nicht unzureichende Programme die Fehlerursache sind, werden sie in der weiteren
Analyse nicht beachtet.
21

3. Ansätze zur Lösung der
Übersetzungsprobleme
Es gibt inzwischen zahlreiche Strategien, um die bestehenden Probleme der MÜ zu lösen
oder zu umgehen. Die wesentlichen lassen sich in drei Gruppen zusammenfassen. Dies sind
kontrollierte Sprachen, die gerade in größeren Unternehmen und internationalen Behörden
zum Einsatz kommen (vgl. [CMU + 95]), Vorbearbeitung der zu übersetzenden Texte, die
eingesetzt wird, um das Programm mit zusätzlichen Informationen über Textinhalt und
-struktur zu versorgen, sowie Übersetzbarkeitsmaße, die meist im Vorfeld der Übersetzung
berechnet werden und angeben, wie gut sich ein Text zur MÜ eignet.
3.1. Kontrollierte Sprachen
Kontrollierte Sprachen sind natürliche Sprachen, die hinsichtlich ihres Umfangs eingeschränkt
sind, um MÜ-gerechtes Schreiben zu erleichtern oder zu erzwingen. Eine kontrollierte
Sprache kann auf einer sehr einfachen Ebene lediglich eine informelle Regelsammlung
sein mit Vorgaben wie Kein Satz darf länger als 25 Wörter sein. Es kann aber
auch eine ausgefeilte formale Grammatik sein, deren Ausdrucksmächtigkeit einem Teil
der Mächtigkeit der zugrundeliegenden Sprache entspricht. So könnte beispielsweise die
Wortstellung durch ihre Produktionsregeln auf Subjekt - Prädikat - Objekt beschränkt
sein. Möglich sind auch Einschränkungen im Wortschatz oder die Beschränkung auf genau
eine Bedeutung pro Wort, um der Mehrdeutigkeit zu begegnen. Im folgenden werden
drei unterschiedliche Beispiele für kontrollierte natürliche Sprachen kurz vorgestellt.
Allen kontrollierten Sprachen gemein ist jedoch, dass sie nur eine zeitlich begrenzte Umschiffung
der bestehenden Probleme bis zu ihrer Lösung sein können; denn das eigentliche
Ziel heißt nach wie vor, Sprache – wenn auch nicht gerade anspruchsvolle Literatur – ohne
Einschränkungen übersetzen zu können.
3.1.1. Attempto Controlled English
Attempto Controlled English (ACE) wurde und wird im Institut für Informatik der Universität
Zürich in der Schweiz entwickelt und unter anderem bei dem mit EU-Mitteln
geförderten Forschungsprojekt REWERSE 1 als kontrollierte Sprache eingesetzt. Es handelt
sich bei ACE um eine reduzierte Grammatik der englischen Sprache mit einem zugehörigen,
vom Benutzer erweiterbaren Lexikon, das in Prolog geschrieben wurde. Hinzu
kommen Programme zur Analyse, ob der Ausgangstext den Regeln entspricht, und zur
Überführung des Ausgangstextes in eine Darstellung in Diskursrepräsentationsstruktur
(DRS) (siehe [FSS99], [FHK + 06]). Durch diese Erweiterung der Prädikatenlogik ist es
1 Reasoning on the Web with Rules and Semantics, im Internet erreichbar unter http://rewerse.net,
zuletzt besucht am 6. April 2007
22

3.1. Kontrollierte Sprachen
möglich, dass auch Zusammenhänge über Satzgrenzen hinweg in einem gewissen Rahmen
beachtet werden können. Man betrachte die beiden Sätze: The user enters a code. The
code is valid. ACE ist in der Lage, The code im zweiten Satz aufgrund der Kongruenz mit
a code im ersten Satz in Beziehung zu setzen.
Ein Schwerpunkt bei der Entwicklung von ACE liegt auf der Reduzierung von Mehrdeutigkeit.
Sätze, die aufgrund ihrer Struktur mehrdeutig sind, werden immer deterministisch
interpretiert. Der Satz The user enters a code that is correct and opens a connection ist
in einem normalen englischen Text zweideutig, weil and opens a connection sowohl eine
Fortführung des Relativsatzes als auch eine Wiederaufnahme des Hauptsatzes sein kann.
ACE dagegen fasst den zweideutigen Satzteil immer als Wiederaufnahme des Hauptsatzes
auf, sofern der Relativsatz nicht durch explizite Wiederholung des Relativpronomens that
fortgesetzt wird. Des Weiteren wurden einige Möglichkeiten der englischen Sprache, die
Mehrdeutigkeiten provozieren können, ganz ausgelassen.
Zur Zeit liegt ACE in Version 5.0 vor und beherrscht unter anderem (vgl. [Hoe04],
[FHK + 06]) auch Fragesätze, Negationen, Quantifizierungen, Modalverben, bei- und untergeordnete
Sätze, Präpositionalphrasen, Genitive und mit Adverbien erweiterte Verben.
Allerdings können noch nicht alle Arten von Nebensätzen verarbeitet werden und es stellt
sich die Frage, inwieweit ACE gegen lexikalische Mehrdeutigkeiten geschützt ist.
3.1.2. Das KANT-Projekt
Seit 1989 wird an der US-amerikanischen Carnegie Mellon University an KANT, einem
Interlingua-Übersetzungssystem gearbeitet, das für den Einsatz in der hochtechnisierten
Industrie spezialisiert ist und englische Texte in verschiedene andere Sprachen übersetzen
kann. Der Name KANT steht dabei für Knowledge-based, Accurate Natural-language
Translation (dt.: wissensbasierte, präzise Übersetzung natürlicher Sprache).
Ein Kernelement von KANT ist KANT Controlled English (KCE), das wie ACE eine
eingeschränkte Variante der englischen Sprache ist [MNrC91]. Dabei umfasst KCE lexikalische
sowie Einschränkungen hinsichtlich der Satzkomplexität und bietet die Möglichkeit,
innerhalb des Quelltextes SGML-Mark-Ups einzufügen [MN95], um schwierige Passagen
wie etwa Maßangaben zu kapseln und die Übersetzung durch Hinweise für den Parser zu
erleichtern.
Die Einschränkungen der Grammatik sind insgesamt denen von ACE recht ähnlich und
zielen vorrangig auf die Vermeidung von Mehrdeutigkeiten. Beliebige Zusammensetzungen
von Substantiven sind beispielsweise nicht gestattet. [MBNS03]. Das Partizip Präsens
auf -ing darf nicht direkt nach einem Substantiv stehen. Bei Relativsätzen wird die Nutzung
des Relativpronomens sehr empfohlen, und es können nicht alle Varianten von Relativsätzen
übersetzt werden. In Subjekt- bzw. Objektsätzen darf das unterordnende that
nicht weggelassen werden, und die implizite Übertragung von Adjektiven ist nicht möglich,
wie das folgende, aus [MBNS03] übernommene Beispiel zeigt: Die Phrase top left and right
sides ist nicht gültig und muss zu the top left sides and the top right sides umgeschrieben
werden.
Das Lexikon umfasste anfänglich ca. 14.000 allgemeine Wörter sowie weitere Fachbegriffe
in beschränktem, vordefiniertem Umfang [MNrC91] und ist inzwischen bei 70.000
Einträgen [MBNS03] angekommen. Jedem Eintrag ist dabei nach Möglichkeit nur eine
Bedeutung zugeordnet, um auch hier Mehrdeutigkeiten zu vermeiden.
23

3. Ansätze zur Lösung der Übersetzungsprobleme
3.1.3. Basic English
Im Gegensatz zu den beiden zuvor dargestellten kontrollierten Sprachen ist Basic English
wesentlich älter und wurde nicht auf eine möglichst einfache und eindeutige automatische
Übersetzung ausgerichtet. Basic English wurde 1930 von dem britischen Linguisten
Charles Kay Ogden [Ogd30] entwickelt und war als einfache Lingua franca zur globalen
Kommunikation gedacht. Dennoch ist Basic English nicht bloß eine Plansprache wie Esperanto,
sondern auch eine kontrollierte Sprache, weil sie eine stark eingeschränkte Variante
des Standardenglischen ist; nur dass anders als bei neueren kontrollierten Sprachen das
alleinige Ziel die einfache Erlernbarkeit durch den Menschen ist.
Die bemerkenswerteste Abweichung gegenüber der englischen Sprache ist die Beschränkung
auf lediglich 850 Wörter. Dieser Wortschatz setzt sich aus 600 Substantiven, 150 Adjektiven
und einer Sammlung von 100 weiteren häufigen Wörtern zusammen, zu der etwa die
englischen Artikel a und the gehören. Ogden behauptete, diese Wörter seien ebenso effizient
wie 5.000 Wörter des Standardenglischen und könnten insgesamt sogar 20.000 Wörter
abdecken [Ogd30]. Alle fehlenden Wörter werden durch zweiteilige Komposita, die aus den
vorhandenen Wörtern gebildet werden, oder durch Umschreibungen ersetzt. Auffallend ist
ebenso das weitgehende Fehlen von Verben. Lediglich eine Handvoll unverzichtbarer Verben
wie etwa to do oder to be befindet sich unter den 100 weiteren häufigen Wörtern.
Alle Tätigkeiten müssen unter Zuhilfenahme dieser Verben und passender Substantive
und/oder Adjektive umschrieben werden. Diese Komposita und Umschreibungen sind in
verschiedenen Wörterbüchern festgehalten, etwa in [Ogd60]. Vereinfacht wurden auch die
Grammatikregeln. Verneinungen von Adjektiven werden prinzipiell durch das Präfix unausgedrückt
[Ogd30]. Für Ableitungen werden die Suffixe -ed, -er, -ing benutzt. Bei den
verbliebenen 16 Verben kommt -ed nur in einer Ausnahme als Vergangenheitsformen vor;
die anderen sind ungerelmäßige Verben. Allerdings gab es auch Vereinfachungen, zu denen
Ogden sich nicht durchringen konnte, wie etwa die Abschaffung der Ausnahmen bei
der Pluralbildung (tooth → teeth) oder des s der dritten Person bei Verben im Singular,
wenngleich er damit haderte [Ogd37].
Basic English besitzt, wie man der vorangegangenen Beschreibung entnehmen kann, obwohl
es nicht zur maschinellen Verarbeitung entworfen wurde, einige Merkmale, die seine
automatische Übersetzung erleichtern. So löst der stark reduzierte Wortschatz das
Problem ausufernder und unvollständiger Lexika. Der Verzicht auf die Vergangenheitsendung
-ed beseitigt viele Mehrdeutigkeiten. Die hohe Regelmäßigkeit verlangt weniger
Übersetzungsregeln. Es stellt sich andererseits aber wieder die Frage, ob durch die vielen
erzwungenen Umschreibungen nicht neue Übersetzungsprobleme entstehen.
3.2. Vorbearbeitung
Eine weitere Möglichkeit, die Qualität der Übersetzungen zu erhöhen, ist die Vorbearbeitung
eines Textes. Dabei werden dem Text über den eigentlichen Inhalt hinaus Metainformationen
hinzugefügt, die vom MÜ-System ausgewertet und bei der Übersetzung
berücksichtigt werden. Zahlreiche Systeme unterstützen zumindest einfache Direktiven,
um beispielsweise Eigennamen zu kennzeichnen, so etwa das soeben vorgestellte KANT.
Im folgenden wird ein komplexes System vorgestellt, das versucht, die Zusammenhänge
innerhalb von Texten hervorzuheben und Mehrdeutigkeiten abzubauen. Festzuhalten ist
dabei allerdings, dass nicht-marginale Vorbearbeitungen, die etwa über das Setzen von
24

3.3. Übersetzbarkeitsmaße
Steuerzeichen für das Programm innerhalb des Textes hinausgehen, nur für das professionelle
Verfassen von Texten geeignet sind.
3.2.1. Linguistic Annotation Language
Für IBM wurde in den letzten Jahren ein multilinguales Übersetzungssystem entwickelt,
das English als Zwischensprache einsetzt. Der Vorteil ist, dass keine künstliche Interlingua
entwickelt werden muss, der Nachteil, dass Englisch viele Merkmale anderer Sprachen
nicht oder nur unzureichend nutzt. So kennt das Englische beispielsweise nicht den deutschen
und französischen Unterschied zwischen Duzen und Siezen. Bei der Übersetzung
eines deutschen Textes über Englisch nach Französisch würden also Informationen verloren
gehen. Um dies zu verhindern, wurde zusätzlich die so genannte Linguistic Annotation
Language entwickelt (LAL) [WNMB02].
Dabei handelt es sich um eine XML-basierte Mark-Up-Sprache, die den XML-Namensraum
lal benutzt und den Text mit zahlreichen zusätzlichen Informationen versieht. Im wesentlichen
besteht sie aus drei Tags, die Sätze (s), Teilsätze (seg) und Wörter (w) abgrenzen
[Wat03]. Zusätzlich existieren Attribute, die diesen Tags zugewiesen werden können. Dazu
zählen unter anderem orig_lex, das den Lexikoneintrag der Ausgangssprache enthält,
orig_lang, das die Ausgangssprache des Eintrags angibt, oder lex, in dem die Grundform
des zugehörigen Wortes steht. Auf diese Weise werden Mehrdeutigkeiten eliminiert.
Das aus [Wat03] entnommene Beispiel
How are you?
gibt für den eingeschlossenen Satz an, dass er ursprünglich auf Deutsch verfasst wurde
und dass gesiezt wird (wegen polite="yes"). Zusammenhänge zwischen Wörtern werden
dargestellt, indem den einzelnen Wörtern eindeutige IDs (Attribut id) zugewiesen werden.
Über das Attribut mod, kann angegeben werden, auf welches Wort sich ein anderes Wort
bezieht.
Vorteilhaft an dieser Methode ist sicherlich, dass alle relevanten Informationen bei der
Übersetzung erhalten bleiben und XML einfach zu verarbeiten ist. Andererseits ist der
Arbeitsaufwand zur Vorbereitung des Textes erheblich; eigens für die LAL wurde ein
Editor geschrieben. Ob die in [WNMB02] festgestellte Verbesserung der Übersetzungen
den Mehraufwand der Annotation rechtfertigt, ist noch zu ermitteln.
3.3. Übersetzbarkeitsmaße
3.3.1. Logos Translatability Index
Der sogenannte Logos Translatability Index (LTI) wurde Anfang der 90er Jahre von Mitarbeitern
der Firma Logos für ihr MÜ-System entwickelt, um bereits vor der Übersetzung
für deutsche und englische Dokumente eine Beurteilung der Übersetzbarkeit abzugeben
[Gda94]. Der LTI liefert anhand von Textmerkmalen, mit denen das Logos-System
Probleme hat, einen Indexwert und Hinweise zur Verbesserung der Übersetzbarkeit für
vollständige Texte, allerdings nicht für einzelne Sätze oder konkrete Probleme wie etwa
ein bestimmtes nicht gefundenes Wort.
Faktoren, die die Übersetzbarkeit negativ beeinflussen, sind im LTI unter anderem (vergleiche
[BG00], [Gda94]):
25

3. Ansätze zur Lösung der Übersetzungsprobleme
• zu lange Sätze,
• Homographen,
• Fragen,
• kurze Parenthesen,
• nicht gefundene/vorhandene Wörter und
• Mehrdeutigkeiten.
Einem Text wird zu Beginn des Bewertungsprozesses zunächst willkürlich ein Wert von
7 als Ausgangswert für seine Übersetzbarkeit zugewiesen. Je stärker die eben genannten
Faktoren im Text zu Tage treten, desto mehr wird dieser Ausgangswert vermindert. Ein
Text gilt als geeignet für eine automatische Übersetzung, wenn sein LTI einen Mindestwert
übertrifft. Am Ende der Bewertung wird dem Autor die Übersetzbarkeit seines Textes
zusammen mit relativ allgemein gehaltenen Verbesserungsvorschlägen präsentiert.
3.3.2. Translation Confidence Index
1999, fünf Jahre nach dem LTI, wurde bei IBM der Translation Confidence Index (TCI)
fertiggestellt [Ber99]. Er wird während der Übersetzung eines Textes ermittelt und danach
für jeden einzelnen Satz angezeigt. Dazu wird das Vertrauen in die bereits erstellte Übersetzung
mit Werten zwischen 0 (sehr gering) und 100 (sehr hoch) angegeben. Dies ist somit
auch ein nachträglich erstelltes Maß für die Übersetzbarkeit. Fällt nun ein Satz unter eine
bestimmte Schwelle, bietet es sich an, ihn in der Ausgangssprache zu überarbeiten und
dann erneut übersetzen zu lassen, um den Nachbearbeitungsaufwand zu minimieren. Die
Genauigkeit bei einer Aufteilung in akzeptable und unbrauchbare Übersetzungen (Grenze
bei 70 Punkten) beträgt über 70 Prozent [Ber99]. Der TCI kann auf beliebige englische
Texte angewandt werden, die ins Deutsche übersetzt werden sollen.
Im Gegensatz zum LTI betrachtet der TCI nicht nur bestimmte Textmerkmale wie zum
Beispiel Präpositionalphrasen oder unbekannte Wörter, sondern auch, wie oft das jeweilige
Übsersetzungsprogramm, in das die TCI-Bewertung integriert wurde, aus verschiedenen
Möglichkeiten auswählen musste. Aus dem Zusammenspiel beider Faktoren werden dann
die von 100 abzuziehenden Strafpunkte errechnet.
3.3.3. Translatability Checker
Einen dritten Ansatz, der im Jahre 2001 entwickelt wurde, stellt der sogenannte Translatability
Checker (TC) dar [JU01]. Hierbei handelt es sich um ein Programm, das sowohl
einzelne Sätze wie auch den gesamten Text beurteilt und anschließend satzweise eine
Analyse mit detaillierten Hinweisen auf mögliche Probleme liefert. Allerdings konzentriert
der TC sich ausschließlich auf englische Texte. Bei der Bewertung wird zwischen
allgemeingültigen und für das jeweilige MÜ-System spezifischen Kritierien unterschieden.
Als allgemeine Kriterien, die die Übersetzbarkeit negativ beeinträchtigen, gelten:
• Abwesenheit eines Verbs,
• Abwesenheit eines finiten Verbs,
26

3.3. Übersetzbarkeitsmaße
• mehrfache Beiordnungen,
• ungünstige Satzlänge (< 3 oder > 25 Wörter),
• Auftreten von Nominalkomposita (> 2 Substantive),
• Substantiv-Verb-Homographen,
• Verb-Adjektiv-Homographen,
• Substantiv-Verb-Adjektiv-Homographen,
• Präpositionalphrasen und
• Nebensätze.
Darüber hinaus existieren die folgenden systemspezifischen Kriterien:
• ungünstige Satzlänge > 25 Wörter mit Adverbien,
• Adverbien oder Nebensätze am Satzanfang,
• Nebensätze und/oder Präpositionalphrasen am Satzanfang,
• sonstiges Auftreten von Präpositionalphrasen oder Nebensätzen und
• mit ”
of“ beginnende Präpositionalphrasen.
Je nach zur späteren Übersetzung eingesetzter MÜ-Software können Kriterien an- und
abgewählt werden. Die verschiedenen Faktoren werden zur Erstellung des Indexes außerdem
gewichtet. Der Index selbst ist dabei ein Wert zwischen 0 und 100 – je höher der
Wert, desto höher die prognostizierte Übersetzbarkeit eines Textes.
3.3.4. Bewertung der vorgestellten Ansätze
Die in den vorigen Abschnitten vorgestellten Ansätze liefern einige interessante Anknüpfungspunkte
für die Erstellung eines neuen Übersetzbarkeitsindexes. Ein Teil der Bewertungskriterien
aus den drei Ansätzen kann so oder in ähnlicher Form übernommen werden
(vgl. Abschnitt 5). Darüber hinaus haben alle Ansätze Vor- und Nachteile. Der LTI verfügt
nur über eine äußerst subjektive Bewertungsskala, ist nur auf ein bestimmtes System zugeschnitten
und liefert keine detaillierte Satzanalyse. Der TCI ist zwar das umfassendste
Bewertungssystem, da er alle Stufen des Übersetzungsprozesses beachtet, bringt aber auch
Probleme mit sich. So kann der Wert für den Index erst nach einem Durchlauf des MÜ-
Programms angegeben werden, nicht davor. Außerdem muss die TCI-Bewertung in ein
Übersetzungssystem integriert werden und kann nicht unabhängig davon betrieben werden,
was durchaus wünschenswert sein kann. Der TC schließlich verfügt zwar über die
komplexeste Berichterstattung, ist aber auf die englische Sprache spezialisiert und benutzt
ein Wörterbuch von 1961 [JU01], was gerade bei neuen wissenschaftlichen Texten
für Probleme sorgen könnte.
27

Teil II.
Ein Modell zur Einschätzung der
Übersetzbarkeit eines Textes
28

4. Vorbereitende Maßnahmen
Bevor mit der Erstellung eines Modells, das die Übersetzbarkeit eines Textes über einen
Index zuverlässig bewertet, begonnen werden kann, müssen einige vorbereitende Maßnahmen
durchgeführt werden. Es geht dabei vor allem darum, diejenigen Textmerkmale,
die auf ihre Auswirkungen auf die Übersetzungsqualität hin zu überprüfen sind,
begründet auszuwählen (Abschnitt 4.1) und die Vorgehensweise bei ihrer Überprüfung
festzulegen. Dazu gehört insbesondere die Erstellung geeigneter Textkorpora (Abschnitt
4.2), die Auswahl von MÜ-Systemen, die diese Korpora übersetzen, und der Ablauf von
Fehlersuche und -bewertung (Abschnitt 4.4). Schließlich gilt es, die Signifikanz der Untersuchungsergebnisse
sicherzustellen (Abschnitt 4.5), so dass in den Übersetzbarkeitsindex
nur tatsächlich relevante Textmerkmale einfließen.
Das Modell bleibt dabei stets ausschließlich auf die Bewertung der Übersetzbarkeit deutscher
Texte in die englische Sprache ausgerichtet, wenngleich der Index auch für die Übersetzung
von Deutsch in andere germanische Sprachen eine gewisse Aussagekraft besitzen
sollte. Diese Sprachen stehen dem Englischen in aller Regel hinsichtlich ihrer Struktur
und Grammatik recht nahe, so dass sich bei Übersetzungen ähnliche Probleme ergeben
dürften.
4.1. Auswahl von Textmerkmalen
Um Textmerkmale für eine nähere Untersuchung als geeignet betrachtet zu können,
müssen sie drei wesentliche Bedingungen erfüllen:
• Häufigkeit: Nur Merkmale, die vergleichsweise häufig zu beobachten sind, sollten
ausgewählt und beobachtet werden, da nur sie in der Praxis von Bedeutung sind.
• Allgemeinheit: Sicherlich könnte man zahlreiche sehr spezielle Merkmale wie etwa
einzelne Phrasen mit außergewöhnlicher Wortstellung wie um des lieben Friedens
willen, wo das Genitivobjekt von einer Zirkumposition eingeschlossen ist, benennnen.
Jedoch ergäbe sich dann das Problem, dass es Hunderte ähnlicher Merkmale
gibt, die jedes für sich nur ein kleines Detail sind und allesamt gleichberechtigt untersucht
werden müssten, so dass man das große Ganze vor lauter Details aus den
Augen verlöre.
• Entfernbarkeit: Um einen sinnvollen Vergleich zu ermöglichen, muss sich jedes beobachtete
Merkmal aus einem Satz auch entfernen und durch adäquate Umformulierungen
ersetzen lassen, ohne dabei den Sinn des Satzes zu verändern oder einen
allzu ungebräuchlichen Schreibstil zu erzwingen.
Bei der Auswahl der Textmerkmale wird darüber hinaus auf die in Abschnitt 2.4 genannten
offenen Probleme und auf die in den in Abschnitt 3.3 vorgestellten Übersetzbarkeitsindizes
genutzten Textmerkmale Rücksicht genommen. Die Entscheidung fällt daher
29

4. Vorbereitende Maßnahmen
auf folgende Textmerkmale (in alphabetischer Reihenfolge und mit kurzer Begründung),
weil zu erwarten steht, dass sie die Fehlerhäufigkeit bei der maschinellen Übersetzung
erkennbar erhöhen 1 :
• Elliptischer Schreibstil (Seite 46): Ellipsen zwingen ein MÜ-Programm entweder zu
einer schwierigen Analyse der Zusammenhänge und Beziehungen innerhalb eines
Satzes oder sogar zum Raten und erhöhen so die Komplexität deutlich.
• Inversion der Wortstellung (Seite 58): Eine Abweichung von der Standardwortstellung
erhöht die Schwierigkeit, die Satzteile zu identifizieren, und impliziert eine
Abweichung vom Standardübersetzungsschema.
• Mehrdeutigkeiten (Seite 43): Das MÜ-System ist gezwungen, anhand einer Analyse
des Satzkontextes eine passende Übersetzungsmöglichkeit auszuwählen.
• Nebensätze (Seite 39): Nebensätze sorgen für zusätzliche syntaktische Ebenen und
erhöhen die Komplexität des Satzes.
• Nominalklammern (Seite 52): Nominalklammern erfordern eine ausgefeilte Analyse
der Wortbeziehungen und -zusammengehörigkeit innerhalb eines Satzes.
• Nominalkomposita (Seite 55): Nominalkomposita müssen erkannt und korrekt zerlegt
werden und stellen für die MÜ-Programme oftmals Neologismen dar.
• Satzlänge (Seite 37): Je länger ein Satz ist, desto mehr Möglichkeiten gibt es, ihn zu
übersetzen und dabei Fehler zu machen. Zwar lässt sich die Satzlänge anders als die
anderen ausgewählten Merkmale nicht entfernen, doch kann man überlange Sätze
in aller Regel leicht in mehrere Sätze zerlegen.
• Seltenheit von Wörtern (Seite 45): Seltene Wörter fehlen oftmals in den Lexika der
MÜ-Systeme und können daher nur auf Umwegen übersetzt werden oder bleiben
unübersetzt.
• Verbklammern (Seite 49): Verbklammern erfordern eine ausgefeilte Analyse der
Wortbeziehungen und -zusammengehörigkeit innerhalb eines Satzes.
Die Untersuchung dieser Merkmale wird in Abschnitt 5 durchgeführt. Dort erfolgt auch
– sofern nötig – eine genauere Vorstellung und Begründung.
Die folgenden Textmerkmale werden zwar als bedeutsam angesehen oder von anderen Indizes
zur Berechnung der Übersetzbarkeit verwendet, finden jedoch hier keine Beachtung:
• Präpositionalphrasen: Deutsche Präpositionen sind zwar oftmals anfällig für im Kontext
falsche Übersetzungen, da es zu vielen Präpositionen mehrere Entsprechungen
im Englischen gibt, sie sind jedoch nur in den seltensten Fällen verzichtbar.
• Eigennamen: MÜ-Programme werden durch Eigennamen zwar vor enorme Schwierigkeiten
gestellt; jedoch können Eigennamen in aller Regel nicht weggelassen werden,
ohne einen Satz zu entstellen.
1 Zum Nachschlagen grammatikalischer Fachbegriffe sei auf die diesbezügliche Fachliteratur, zum Beispiel
[BEFH + 05], oder auf entsprechende Internetseiten verwiesen.
30

4.2. Textuelle Grundlagen
• Aufzählungen/Beiordnungen: Aufzählungen und Beiordnungen erhöhen einerseits
die Satzkomplexität, andererseits ist es unrealistisch, für jedes Element einer Aufzählung
oder Beiordnung einen eigenen Satz zu formulieren. Dieses Textmerkmal
wird durch die Beachtung der Satzlänge ausreichend abgedeckt, weil Aufzählungen
und Beiordnungen auch immer mit erhöhter Satzlänge einhergehen.
• Abwesenheit von (finiten) Verben: Weil im folgenden Auszüge aus ausformulierten
Texten überprüft werden, tritt dieses Merkmal nur sehr selten auf. Außerdem ist
auch ohne Verb anders als im Englischen aufgrund des im Deutschen ausgeprägteren
Systems von Wortformen (kaum Homographen) eine bessere Unterscheidung
möglich, so dass dieses Textmerkmal nicht als relevant erscheint.
• Unbekannte Wörter: Wörter, die einem MÜ-Programm unbekannt sind, werden stets
als Übersetzungsschwierigkeit angenommen; weil aber dieser Übersetzbarkeitsindex
nicht für ein bestimmtes MÜ-Programm gemacht wird, kann somit nicht beurteilt
werden, ob ein Wort in dessen Lexikon vorhanden ist oder nicht. Statt dessen werden
Wörter betrachtet, von denen bekannt ist, dass sie allgemein sehr selten sind.
4.2. Textuelle Grundlagen
Damit für ein Textmerkmal ein aussagekräftiges Ergebnis hinsichtlich seiner Beeinflussung
der Übersetzungsqualität erzielt werden kann, ist je Merkmal ein hinreichend großes
Textkorpus vonnöten, das zufällige Ergebnisse weitgehend ausschließt. Gleichzeitig muss
der Arbeitsaufwand unter Berücksichtigung der Anzahl der ausgewählten Merkmale in
angemessener Zeit zu bewältigen sein. Zudem sollen die Inhalte der Texte nicht auf ein
bestimmtes Themengebiet beschränkt sein, sondern aus verschiedenen Bereichen stammen,
um eine möglichst große Textvielfalt sicherzustellen und dadurch ein realitätsnahes
Untersuchungsergebnis zu begünstigen.
Die Entscheidung fällt daher auf 100 Sätze pro Textmerkmal, das heißt, der Autor erstellt
in der Regel für jedes Textmerkmal ein Textkorpus, das 100 Sätze mit jeweils mindestens
einer Instanz dieses Merkmals enthält. Ein zweites Textkorpus, das im Prinzip dieselben
100 Sätze enthält, jedoch so weit wie möglich von dem zu beobachtenden Merkmal befreit,
ist anschließend zwecks Kontrolle der Veränderung der Fehlerzahl zu bilden. Die
Festlegung auf jeweils 100 Sätze erfolgt, weil die damit verbundene Übersetzungs- und
Korrekturarbeit noch zu bewältigen erscheint und die Ergebnisse nicht zu sehr durch einzelne
Ausreißer beeinträchtigt werden können. Dies versetzt den Autor in die Lage, die
Qualität der Übersetzungen der Sätze aus zusammengehörigen Textkorpora insbesondere
in der Aggregation über diese Textkorpora zu vergleichen, nachdem er sie mit den dazu
ausgewählten Übersetzungsprogrammen satzweise ins Englische übersetzt hat (siehe
Abschnitt 4.4). Die Länge der Sätze soll dabei sehr variabel sein, wie es auch in Wirklichkeit
der Fall ist, das heißt, sämtliche Satzlängen von wenigen bis zu mehreren Dutzend
Wörtern sollen in jedem Korpus vertreten sein. Allerdings wird darauf geachtet, dass die
Länge der einzelnen Korpora in Wörtern halbwegs gleich ist, damit der Schwierigkeitsgrad
der Übersetzung der einzelnen Korpora annähernd gleich bleibt. Vor allem ist auch das
Auftreten anderer wichtiger Textmerkmale zusätzlich zu dem beobachteten erwünscht,
weil dies in realen Texten auch oft der Fall ist. Insgesamt erstellte der Autor im Laufe
31

4. Vorbereitende Maßnahmen
der Untersuchungen 19 Textkorpora mit über 1750 deutschen Sätzen und analysierte über
3500 englische Übersetzungen.
Als Quelle der Sätze wird die deutsprachige Version von Wikipedia 2 gewählt. Es wäre
ein nicht zu rechtfertigender Aufwand und darüber hinaus wahrscheinlich tendenziös, die
Sätze selbst zu verfassen. Außerdem stellen die mittlerweile über 500.000 verfügbaren
Artikel ein umfassendes Textreservoir aus sehr vielen Themenbereichen dar, wobei die
Auswahl der Sätze willkürlich erfolgt und nur auf das Auftreten des jeweils gesuchten
Merkmals geachtet wird. Die oftmals geführte Diskussion über Qualität und Zitierbarkeit
der Online-Encyklopädie erübrigt sich hier, weil die inhaltliche Güte der Sätze für derartige
Untersuchungen belanglos ist. Vor dem Einfügen in ein Textkorpus wird jeder Satz auf
Rechtschreibfehler überprüft und gegebenenfalls korrigiert. Kein Satz wird in mehreren
Textkorpora verwendet.
Sofern von den Regeln bezüglich Textauswahl und Korpusgröße abgewichen wird, wird
dies in den Abschnitten zu den Untersuchungen der einzelnen Kriterien gesondert vermerkt.
4.3. Eingesetzte Übersetzungsprogramme
Eine weitere wichtige Frage ist, mit welchen Programmen die Textkorpora übersetzt werden
sollen. Es ist allgemein von großer Bedeutung, sicherzustellen, dass die Beobachtungen
nicht von einem Programm allein abhängen. Daher werden im Vorfeld der Untersuchung
zwei aktuelle und populäre (im Internet kostenlos benutzbare) MÜ-Programme
ausgewählt, deren Übersetzungstechnologien von verschiedenen Firmen entwickelt worden
sind:
• Personal Translator 2006 3 von Linguatec
• Babel Fish 4 , basierend auf Systran-Technologie
So ist gewährleistet, dass individuelle Schwächen oder Stärken eines Programms nicht
zu sehr ins Gewicht fallen. Zeigen beide Programme dieselben Schwächen, ist darauf zu
schließen, dass das verursachende Übersetzbarkeitskriterium an sich noch nicht hinreichend
behandelt wird. Sämtliche Sätze werden mit beiden Programmen in die englische
Sprache übersetzt. Noch besser wäre es natürlich, drei oder vier Programme einzusetzen,
jedoch ließe sich dies angesichts des zusätzlichen Arbeitsaufwands nicht bewältigen.
4.4. Bewertung der Übersetzungsqualität
Um beurteilen zu können, ob die Übersetzung des originalen oder des bearbeiteten Textes
besser ist, bedarf es eines Maßstabes zur Bewertung der Qualität. Die Frage ist dabei
stets, wie exakt die Bewertung sein muss. So wurde etwa in der ALPAC-Studie [Pa66]
eine Skala angewendet, die einen übersetzten Text in neun Stufen von perfekt verständlich
bis hoffnungslos unverständlich einordnet.
2 Erreichbar unter: http://de.wikipedia.org, zuletzt besucht am 1. April 2007
3 Erreichbar unter: http://www.linguatec.de/onlineservices/pt, inzwischen unter dieser Adresse:
Personal Translator 2008, zuletzt besucht am 18. März 2007
4 Erreichbar u. a. unter: http://babelfish.altavista.com, zuletzt besucht am 18. März 2007
32

4.4. Bewertung der Übersetzungsqualität
Eine derartige Einordnung mag zwar zur Einschätzung der Qualität von MÜ-Programmen
hilfreich sein, ist jedoch nicht genau genug, um die Veränderungen der Fehlerzahl, die
durch Hinzufügen oder Weglassen von Textmerkmalen entstehen, angemessen abzubilden,
denn die Fehlerzahl ist maßgeblich für den Nachbearbeitungsaufwand. So ist es denkbar,
dass ein Satz, der im Originalzustand und nach seiner Bearbeitung als gut verständlich
eingeschätzt wird, dennoch in beiden Versionen eine stark abweichende Fehlerzahl aufweist,
falls es sich um geringfügige“ Fehler – wie etwa falsch gewählte Präpositionen –
”
handelt, die den Satz nicht entstellen. Außerdem ist diese Bewertung sehr subjektiv und
würde von Mensch zu Mensch unterschiedlich ausfallen.
Es erscheint daher sinnvoller, wenngleich wesentlich arbeitsaufwändiger, die einzelnen
Fehler der Übersetzungen satzweise und für das gesamte Textkorpus aggregiert zu zählen
und die absoluten bzw. prozentualen Veränderungen bei Ausschaltung eines Textmerkmals
zu berücksichtigen. Neben der absoluten Fehlerzahl pro Satz oder Textkorpus ergibt
sich als relative Kenngröße auf Satz- und Korpusebene die Fehlerzahl pro Wort. Auf diese
Weise erhält man eine sehr exakte quantitative Einschätzung der Übersetzungsqualität.
Nachteilig ist, dass es trotz sehr guter Englischkenntnisse des Autors unvermeidbar ist,
gelegentlich Fehler zu übersehen oder richtige Übersetzungen als falsch zu markieren,
zumal Englisch nicht die Muttersprache des Autors ist. Es wird jedoch im Rahmen der
Untersuchung stets nach Kräften versucht, die Anzahl solcher Fehler in Grenzen zu halten.
Insbesondere werden Art und Anzahl von Bewertungsfehlern des Autors über die verschiedenen
Textproben hinweg gleich bleiben, weil sämtliche Bewertungen von ihm selbst bei
nahezu konstanten Sprachkenntnissen vorgenommen werden, so dass sich hieraus keine
bedeutende Verfälschung des Ergebnisses ergibt. Daher wird diese quantitative Form der
Bewertung gewählt.
Darüber hinaus stellt sich die Frage, wann sich sagen lässt, dass eines der ausgewählten
Textmerkmale maßgeblichen Einfluss auf die Übersetzungsqualität hat. Wesentlicher Anhaltspunkt
hierfür ist die absolute Veränderung der Fehlerzahl, weil jeder Fehler weniger
auch für weniger Nachbearbeitungsaufwand sorgt. Wann diese Änderung bedeutsam wird,
lässt sich durch einen Signifikanztest (siehe Abschnitt 4.5) ermitteln. Dies sollte jedoch
nicht das alleinige Kriterium für die Aufnahme eines Merkmals in den Index sein.
4.4.1. Fehlersuche und Berechnung der Fehlerzahlen
Bei der Kontrolle der übersetzten Sätze wird auf falsche Vokabeln, inkorrekte Wortstellung,
falsche Formenbildung, fehlerhafte Erkennung von Eigennamen und verkehrte Zusammenhänge
zwischen Satzteilen, kurz sämtliche Verstöße gegen Grammatik und Semantik
geachtet. Jeder Fehler wird einfach gezählt, wobei es durchaus möglich ist, dass ein
einzelnes Wort mehrere Fehler verursacht, etwa wenn es falsch übersetzt und zudem einem
falschen Bezugswort zugeordnet wurde. Innerhalb der Übersetzung zusammenhängende
Wortgruppen mit Fehlstellungen werden in der Regel als ein einziger Fehler gewertet. Vokabelübersetzungen
werden als falsch gewertet, wenn die gewählte Übersetzung prinzipiell
nicht möglich oder im vorliegenden Zusammenhang inkorrekt ist.
Personennamen, zu denen es im historischen Kontext eine spezielle englische Übersetzung
gibt, wie etwa Wilhelm I. → William I werden immer als Fehler gewertet, wenn sie
nicht dementsprechend übersetzt wurden. Übersetzungen anderer Eigennamen werden als
Fehler gewertet, wenn sie allgemein bekannt sind – Namen bedeutender Städte (Köln →
Cologne) oder Organisationen (UNO → UN ) etwa – und nicht in ihr korrektes Pendant
33

4. Vorbereitende Maßnahmen
übersetzt wurden. Ebenso werden unbekannte, aber trotzdem (falsch) übersetzte Eigennamen
als Fehler gewertet (zum Beispiel Münster → cathedral, wenn es um die westfälische
Stadt geht). Dabei gilt, dass pro Übersetzung eines Eigennamens nur ein Fehler angerechnet
wird. Seine Einordnung als Satzteil oder seine Stellung im übersetzten Satz kann aber
weitere Fehler hervorrufen. Nicht übersetzt werden sollen alle anderen Personennamen
sowie nicht allgemein bekannte Eigennamen.
Kommasetzungen und Interpunktionen, die im Englischen wesentlich freier sind als im
Deutschen, werden nur dann als Fehler gewertet, wenn sie das Verständnis des Satzes
massiv behindern oder unmöglich machen, indem sie etwa falsche Bezüge erzeugen. Großund
Kleinschreibung wird ebenfalls berücksichtigt, wobei großgeschriebene Wörter im
Satz Fehler verursachen, solange es sich nicht um Eigennamen handelt, und ebenso kleingeschriebene,
international bekannte Eigennamen. So ist etwa in der Deutschen Sprache
Zweiter Weltkrieg ein Eigenname und ebenso im Englischen die Bezeichnungen World
War II und Second World War; beide sind auf Englisch großzuschreiben.
Zur Berechnung der Fehlerzahl pro Wort werden die absoluten Fehlerzahlen der beiden
ausgesuchten MÜ-Programme mit dem Faktor 0, 5 gewichtet und addiert, so dass man den
Durchschnittswert erhält, und dann durch die Anzahl aller Wörter im Korpus geteilt. Ein
Beispiel: Bei insgesamt 1000 Wörtern und 100 Fehlern von Babel Fish und 150 Fehlern von
Personal Translator 2006 ergäbe sich beispielsweise eine Fehlerzahl pro Wort von 0, 125.
Die absoluten Fehlerzahlen, die in den Tabellen für die einzelnen Textkorpora angegeben
sind, enthalten jeweils die Summe aller Fehler der beiden Übersetzungsprogramme.
4.4.2. Beispiele zur Fehleranalyse
Die Fehleranalyse soll an zwei Beispielen verdeutlicht werden:
• Textkorpus Verbklammern, erste Messreihe, Satz 3:
– Deutsches Original:
Am 5. Mai 1985 legte Kohl gemeinsam mit US-Präsident Ronald Reagan in
Bitburg einen Kranz auf dem dortigen Soldatenfriedhof nieder.
– Englische Übersetzung (Personal Translator 2006):
Cabbage laid together with U.S. president Ronald Reagan into bit castle a
wreath down on the military cemetery there on May 5th, 1985.
– Fehleranalyse:
∗ Kohl, obwohl eindeutig auf den ehemaligen deutschen Bundeskanzler bezogen,
wird mit cabbage übersetzt.
∗ U.S. president ist in dem hier vorliegenden Kontext großzuschreiben, weil
eine konkrete Person damit bezeichnet ist.
∗ Die Wortstellung laid ... down im Beispiel ist ungültig, weil derartige
Klammerungen im Englischen nicht existieren.
∗ Bitburg wird nicht als Eigenname erkannt, sondern wörtlich übersetzt nach
bit castle.
∗ Die Präposition into ist falsch, da hier eine Orts- und keine Richtungsangabe
vonnöten ist.
34

4.5. Signifikanz der Untersuchungsergebnisse
∗ Für den vorliegenden Satz werden also fünf Fehler notiert.
• Textkorpus Satzlänge, erste Messreihe, Satz 1:
– Deutsches Original:
Das nordkoreanische Kernwaffenprogramm wird von der Regierung Nordkoreas
energisch vorangetrieben.
– Englische Übersetzung (Babel Fish):
North Korea niche the nuclear weapon program is energetically advanced by
the government of North Korea.
∗ Das Adjektiv nordkoreanisch wurde fehlerhaft mit North Korea niche wiedergegeben.
∗ Die Wortstellung North Korea niche the nuclear weapon program ist falsch,
da der Artikel zwischen Adjektiv und Substantiv steht.
∗ Eine korrekte Übersetzung von energisch wäre in diesem Kontext forcefully,
aber nicht energetically gewesen.
∗ Für den vorliegenden Satz werden also drei Fehler notiert.
4.5. Signifikanz der Untersuchungsergebnisse
Um zu gewährleisten, dass die Ergebnisse nicht zufällig zustande kommen, muss ihre
statistische Signifikanz auf geeignete Weise sichergestellt werden (vgl. [Bor05]). Für jedes
Textmerkmal wird dazu als Nullhypothese H 0 angenommen, dass es die Übersetzungsqualität
verschlechtere oder wenigstens nicht verändere, wenn man es weglässt, also den Satz
sinnwahrend umschreibt, so dass das betreffende Textmerkmal nicht mehr vorkommt.
Die Gegenhypothese H 1 ist dementsprechend, dass die Übersetzungsqualität durch ein
Weglassen dieses Textmerkmals verbessert wird.
Für die Signifikanztests wird die Veränderung der Fehlerzahl vom originalen zum bearbeiteten
Textkorpus betrachtet. Dazu werden die Beträge der Fehlerzahländerungen der
einzelnen Sätze aufsummiert und diese Summe als Stichprobenumfang n genommen. Die
Summe aller Fehlerzahlabnahmen ergibt die Anzahl k der Erfolge“ bei n Ziehungen“.
” ”
Dazu ein Beispiel: Angenommen, aus einer Stichprobe von fünf Sätzen weisen zwei keine
Änderungen der Fehlerzahl auf. In einem Fall steigt die Fehlerzahl um zwei, bei einem
sinkt sie um drei und bei einem um vier Fehler. Somit gilt n = 9 und k = 7.
Ein Textmerkmal, dessen Entfernung die Übersetzungsqualität überhaupt nicht beeinflusst,
wird ein Verhältnis von k = 0, 5 aufweisen.
n
Nota bene: Man könnte auch ein einfacheres Modell aufbauen, in dem n die Gesamtheit
der Stichprobe (die Anzahl aller Sätze) ist und k die Anzahl der Sätze, deren Übersetzung
sich verbessert. Dies würde aber bei gleichen Veränderungen der absoluten oder relativen
Fehlerzahlen bei Entfernung eines Textmerkmals zu unterschiedlichen Ergebnissen des
Tests führen. Angenommen, in einem Textkorpus verlieren alle 100 Sätze durch das Entfernen
von Verbklammern einen Fehler, so würde das Ergebnis mit n = 100 und k = 100
eine höchstsignifikante Verbesserung der Übersetzbarkeit ergeben. Verändern sich aber 75
Sätze gar nicht, während die restlichen je vier Fehler verlieren, so wäre mit k = 25 keine
signifikante Fehlerzahlabnahme zu konstatieren, obwohl die Fehlerabnahme dieselbe ist
und sich die 25 Sätze kaum als Ausreißer einordnen lassen.
35

4. Vorbereitende Maßnahmen
Zusätzlich zum jeweiligen Stichprobenumfang ist eine Grundgesamtheit der Summen der
Beträge der Fehlerzahländerungen in den zugrundeliegenden Sätzen beim Entfernen eines
einzelnen Textmerkmals vonnöten, die den Stichprobenumfang weit übertrifft, um daraus
eine Verteilungsdichtefunktion zu konstruieren. Da eine derartige Grundgesamtheit nicht
bekannt ist, wird sie jeweils willkürlich mit N = 100.000 ≫ n als Summe der Beträge der
Fehlerzahländerungen angenommen.
Zusätzlich gelte M = 50.000 als Summe aller in N enthaltenen Beträge von Fehlerzahlabnahmen,
weil dies der Grenzfall ist, in dem H 0 gerade noch gilt, weil sich die Übersetzungsqualität
nicht verändert. Diese Setzung erfolgt, weil die Gültigkeit von H 0 initial für
jedes Textmerkmal angenommen wird. Zeigt der Test, dass selbst mit dieser Aufteilung
H 0 verworfen werden sollte, weil die Wahrscheinlichkeit, bei Vorliegen von H 0 mindestens
die vorgefundene Anzahl an Erfolgen“ zu erzielen, geringer ist als das Signifikanzniveau,
”
so ist dies zwangsläufig auch für jede Verteilung mit M alt < M der Fall.
Auf Basis dieser Gesamtheit wird nun für jedes Textmerkmal mit einer Stichprobe des
Umfangs n untersucht, wie wahrscheinlich es ist, dass sich darin minimal X = k Fehlerzahlabnahmen
befinden, wenn H 0 zutrifft. Man kann dies als Ziehung ohne Zurücklegen
interpretieren, erhält also die Werte der Wahrscheinlichkeitsfunktion durch
( M
)( N−M
)
k n−k
P (X = k) = ( N
n)
(hypergeometrische Verteilung). Somit gilt für maximal k − 1 Fehlerzahlabnahmen
und entsprechend
∑k−1
P (X < k) = P (X = i)
i=0
P (X ≥ k) = 1 − P (X < k)
für minimal k Fehlerzahlabnahmen.
Liegt dieser Wert unter dem Signifikanzniveau 5 von α = 0, 05, ist der Anteil der Fehlerzahlabnahmen
an der Gesamtzahl der Fehlerzahländerungen in der Stichprobe signifikant 6
erhöht. Dann wird H 0 zurückgewiesen und statt dessen H 1 , dass also ein Entfernen des
betrachteten Textmerkmals aus dem Satz die Übersetzungsqualität verbessert, übernommen.
Die statistische Signifikanz der Stichproben zu den jeweiligen Textmerkmalen ist das
zentrale, aber nicht das alleinige Kriterium für die Aufnahme in den Übersetzbarkeitsindex.
5 Die Setzung des Signifikanzniveaus auf α = 0, 05 ist weit verbreitet und wird daher auch hier übernommen,
weil somit die Wahrscheinlichkeit, die Nullhypothese irrtümlich zurückzuweisen, akzeptabel
genug ist.
6 Entsprechend ab α = 0, 01 hochsignifikant und ab α = 0, 001 höchstsignifikant.
36

5. Untersuchung der Textmerkmale auf
Fehlerrelevanz
In diesem Kapitel des zweiten Teils der Arbeit werden die in Abschnitt 4 ausgewählten
Textmerkmale daraufhin untersucht, ob sie tatsächlich die Übersetzung deutscher Texte
ins Englische signifikant erschweren. Sie lassen sich in zwei Klassen einteilen:
• Allgemeine Textmerkmale: Dies sind Merkmale, die sich auch für beliebige andere
Sprachen untersuchen lassen, weil sie – eventuell mit wenigen Ausnahmen – in
jeder bekannten Sprache der Welt auftreten. Hierzu zählen Satzlänge, Nebensätze,
Mehrdeutigkeit, Seltenheit von Wörtern und elliptischer Schreibstil.
• Sprachspezifische Textmerkmale: Als sprachspezifisch lassen sich Merkmale bezeichnen,
die (fast) ausschließlich in der deutschen Sprache oder der germanischen Sprachfamilie
auftreten oder für sie prägend sind. Dazu gehören Verb- und Nominalklammern,
Nominalkomposita sowie Inversion der Wortstellung.
Anmerkung zum Umgang mit den Textkorpora: Nachdem alle Textkorpora erstellt
und bewertet worden waren, erfolgte mit einigem zeitlichen Abstand eine zweite Kontrolle
aller Übersetzungen. Dadurch sollten Fehler des Autors, die im ersten Durchlauf
unbemerkt geblieben waren, entdeckt werden. Die Änderungen der Fehlerzahlen, die sich
daraus ergaben und in den folgenden Untersuchungsberichten berücksichtigt sind, waren
eher gering und lagen bei etwa 20 bis 30 Fehlern pro Korpus bei zumeist insgesamt rund
750 bis 950 Fehlern, wobei jedoch nie eine bedeutende Änderung der Ergebnisse eintrat.
Es stellte sich dabei auch heraus, dass sich der Bewertungsstil im Laufe der einzelnen
Textkorpora leicht verändert hatte, weil etwa bestimmte Übersetzungsfehler anfangs anders
bestraft wurden als später. Die Nachkontrolle der Textkorpora erwies sich also auch
als nützlich, um solche Inkonsistenzen auszuräumen.
5.1. Allgemeine Textmerkmale
In den nächsten fünf Abschnitten werden Merkmale auf ihre Auswirkungen auf die Übersetzungsqualität
hin untersucht, die in (fast) allen Sprachen auftreten. Dies sind Satzlänge,
Nebensätze, Mehrdeutigkeit, Seltenheit von Wörtern und elliptischer Schreibstil.
5.1.1. Satzlänge
Die Länge eines Satzes wird oftmals als ein zentrales Kriterium für seine Übersetzbarkeit
bezeichnet und auch im Logos Translatability Index [Gda94] und im Translatability Checker
[JU01], die in Abschnitt 3.3.1 vorgestellt werden, benutzt. Auch wenn diese Indizes
schon einige Jahre alt sind, steht nach wie vor zu vermuten, dass zunehmende Satzlänge
mit mehr Fehlern einhergeht, weil sie die Komplexität des Satzes erhöht.
37

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
Vorgehensweise
Anders als bei den anderen Merkmalen wurden für die Untersuchung der Auswirkungen
der Satzlänge insgesamt drei Textkorpora mit jeweils 100 Sätzen erstellt:
• einer mit recht kurzen Sätzen (maximal 15 Wörter),
• ein zweiter mit mittellangen Sätzen (minimal 16, maximal 30 Wörter) und
• ein letzter mit sehr langen Sätzen (minimal 31 Wörter).
Textquelle war wie üblich die deutsprachige Version von Wikipedia.
Weil es sich um insgesamt 300 verschiedene Sätze in drei Korpora handelte und nicht
wie in den meisten anderen Fällen um 100 Originalsätze, die für das zweite Textkorpus
bearbeitet wurden, entfiel nach der Übersetzung der Vergleich bezüglich der Veränderung
der Fehlerzahl, weil die Sätze der verschiedenen Sammlungen nichts miteinander zu tun
hatten und die Fehlerzahlen daher nicht vergleichbar waren.
Untersuchungsergebnisse
Fehlerhäufigkeit Die Ergebnisse, die sich beim Ermitteln der Fehlerzahl pro Wort für
die einzelnen Korpora ergaben, entsprachen den Erwartungen und zeigten eine deutliche
Zunahme der Fehlerzahl bei steigender Satzlänge, wie Tabelle 5.1 verdeutlicht. Mit
den kurzen Sätzen kamen beide MÜ-Programme vergleichsweise gut zurecht. Hier wurden
insgesamt 251 Fehler in den übersetzten Texten ermittelt, was bei 1002 Worten einer
Quote von 0, 1252 Fehlern pro Wort entspricht. Die mittellangen Sätze mit maximal 30
Wörtern verursachten 755 Fehler in allen Sätzen, also 0, 1710 Fehler pro Wort bei 2208
Wörtern. Dies kommt einer Steigerung von 36, 6% gegenüber der Fehlerrate im ersten
Korpus gleich. Das dritte Korpus bereitete erwartungsgemäß die meisten Probleme. Hier
entstanden bei den Übersetzungen 1502 Fehler und somit bei 3865 Worten ein Durchschnitt
von 0, 1943 Fehlern pro Wort. Dies entspricht einer Steigerung von 13, 6 Prozent
gegenüber den mittellangen und von 55, 2 Prozent gegenüber den kurzen Sätzen.
Satzart Wörter Fehler ∅ Fehler pro Wort 1
Kurz (≤ 15 Wörter) 1002 251 0,1252
Mittel (16 - 30 Wörter) 2208 755 0,1710
Lang(> 30 Wörter) 3865 1502 0,1943
Tabelle 5.1.: Satzlänge und Fehlerhäufigkeit
Insbesondere zeigen diese Zahlen, dass sich die Fehlerquoten überproportional erhöhen,
wenn die Satzlänge steigt, wenngleich mit abnehmender Tendenz. Hätte die Satzlänge
keinerlei oder nur geringen Einfluss auf die Fehlerhäufigkeit, so müssten die Fehlerzahlen
pro Wort in allen drei Vergleichen annähernd identisch sein. Betrachtet man die absoluten
Fehlerzahlen, so ergibt sich folgendes, sehr ähnliches Bild:
• Vom ersten zum zweiten Textkorpus nimmt die Wortanzahl um 120% zu, während
die absolute Fehlerzahl infolge der Übersetzungen um 201% steigt.
1 Zur Berechnung der Fehlerzahlen siehe Abschnitt 4.4.1, letzten Absatz.
38

5.1. Allgemeine Textmerkmale
• Vom ersten zum dritten Textkorpus nimmt die Wortanzahl um 286% zu, während
die absolute Fehlerzahl infolge der Übersetzungen um 498% steigt.
• Vom zweiten zum dritten Textkorpus nimmt die Wortanzahl um 75% zu, während
die absolute Fehlerzahl infolge der Übersetzungen um 99% steigt.
Der Schluss liegt also nahe, dass eine steigende Satzlänge die Fehlerhäufigkeit der Übersetzung
stark erhöht und somit die Übersetzbarkeit verringert.
5.1.2. Nebensätze (Relativsätze)
Nebensätze sind ein wichtiger Bestandteil jedes längeren Textes und tragen erheblich zu
dessen semantischer Gliederung bei. Durch ihr Auftreten erhöht sich die Komplexität
der Satzstruktur. Es liegt daher nahe, dass Nebensätze zu einer Erhöhung der Fehlerrate
beitragen. Auch der Translatability Checker [JU01] verwendet sie als Indiz für schlechtere
Übersetzbarkeit
Vorgehensweise
Um zu überprüfen, wie es sich mit Nebensätzen tatsächlich verhält, wurde zunächst ein
Textkorpus mit 100 Sätzen aus der deutschsprachigen Wikipedia erstellt, die allesamt
mindestens einen Relativsatz aufwiesen, und ein zweiter, in dem die Relativsätze aus
diesen Sätzen entfernt wurden. Dass Relativsätze als Repräsentanten für Nebensätze im
Allgemeinen ausgewählt wurden, hat im wesentlichen einen Grund:
Relativsätze sind die wohl am schwersten zu übersetzende Art von Nebensätzen in der
deutschen Sprache. Sie haben durch das einleitende Relativpronomen mindestens einen
Bezug zu einem Satzteil des übergeordneten Satzes, der bei der Übersetzung beachtet werden
muss. Bei einem Temporalsatz reicht es beispielsweise, die einleitende Konjunktion,
etwa nachdem, zu erkennen und dann mit einem der englischen Äquivalente, etwa after,
wiederzugeben. Bei einem Relativsatz dagegen muss, auch wenn das englische System von
Relativpronomen gegenüber dem deutschen stark vereinfacht ist, beachtet werden, in welchem
Kasus das deutsche Relativpronomen steht (der Abgleich von Genus und Numerus
entfällt im Englischen) und ob es belebt oder unbelebt ist. So können nur Relativsätze im
Englischen mit who beginnen, wenn das Bezugswort belebt ist, ansonsten muss entweder
which oder that eingesetzt werden. Und nur, falls das deutsche Relativpronomen im Dativ
oder Akkusativ steht, kann bei einem belebten Bezugswort whom verwendet werden. Nur
bei Genitiven darf hingegen – ob belebt oder unbelebt – whose benutzt werden.
Wenn also Nebensätze tatsächlich einen negativen Effekt auf die Übersetzungsqualität
haben, wird dieser bei Relativsätzen voraussichtlich am stärksten ausfallen. Umgekehrt
ist bei einer deutlichen Beeinflussung der Fehlerzahl durch Relativsätze auch damit zu
rechnen, dass andere Nebensätze Einfluss haben, weil auch sie über einige, die Übersetzung
erschwerende Merkmale von Relativsätzen verfügen, wie etwa die veränderte Wortstellung
im Deutschen mit dem Prädikat am Ende.
Untersuchungsergebnisse
Fehlerhäufigkeit Das Resultat der Fehleranalyse (siehe Tabelle 5.2) zeigt deutlich, dass
Relativsätze geringe, aber spürbare Auswirkungen auf die Fehlerhäufigkeit bei der Über-
39

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
setzung eines Textes haben. So entstanden bei der Übersetzung der Sätze aus der Messreihe
mit Relativsätzen insgesamt 815 Fehler, während es bei dem Korpus ohne Relativsätze
794 waren. Bei 2212 bzw. 2184 Wörtern entspricht das einer Fehlerhäufigkeit von 0, 1786
Fehlern pro Wort mit Relativsätzen bzw. 0, 1818 Fehlern pro Wort ohne Relativsätze.
Die durch das Ersetzen der Relativsätze entstandene Abnahme der absoluten Fehlerzahl
beträgt also nur etwa 2, 58 Prozent; das ist wesentlich weniger als erwartet, aber dennoch
deutlich. Die Relativsätze spielen demnach nur eine vergleichsweise geringe Rolle für die
Übersetzbarkeit eines deutschen Textes in die englische Sprache. Sie können also nur mit
einem entsprechend kleinen Gewicht in den Index einfließen.
Satzart Wörter Fehler ∅ Fehler pro Wort 2
Mit Relativsätzen 2212 815 0,1786
Ohne Relativsätze 2184 794 0,1818
Tabelle 5.2.: Relativsätze und Fehlerhäufigkeit
Aus dieser erstaunlich geringen Verbesserung der Übersetzbarkeit durch das Weglassen
von Relativsätzen darf allerdings nicht automatisch geschlossen werden, dass Relativsätze
oder Nebensätze im Allgemeinen generell eher unbedeutende Textmerkmale seien. Hierfür
sind für jede Sprache eigene Untersuchungen nötig, zumal es in anderen Sprachen andere
Rahmenbedingungen für die Behandlung solcher Sätze gibt. Und vieles spricht dafür, dass
ihr Einfluss auf die Übersetzbarkeit in anderen Sprachen wesentlich größer ist.
Abbildung 5.1.: Absolute Veränderungen der Fehleranzahl ohne Relativsätze für die einzelnen
Übersetzungsprogramme (Babel Fish grün, Personal Translator
2006 blau) und aufsummiert (rot, mit Werteangaben)
So sind Nebensätze etwa im Englischen und Spanischen vielfach nicht nötigerweise durch
Kommata eingegrenzt. In einigen Sprachen, so im Englischen und auch im Dänischen,
dürfen unter bestimmten Bedingungen sogar Relativpronomen weggelassen werden, was
2 Zur Berechnung der Fehlerzahlen siehe Abschnitt 4.4.1, letzten Absatz.
40

5.1. Allgemeine Textmerkmale
die Erkennung eines Relativsatzes zweifelsohne erschwert. Als Beispiel für beides diene
der Satz Das Buch, das Peter kaufen möchte, kostet 10 Euro. mit seiner spanischen Übersetzung
El libro que Peter quiere comprar cuesta 10 euros. und dem englischen Äquivalent
The book Peter wants to buy costs 10 euros. Im Deutschen ist der Relativsatz durch Kommata
und Pronomen abgegrenzt. Im Spanischen fehlen bereits die Kommata, und im
Englischen fehlt auch noch das Pronomen.
Veränderungen der Fehlerzahl Abbildung 5.1 zeigt, wie die Veränderungen der Fehlerzahlen
bei der Gegenüberstellung der Übersetzungen der Originalsätze und der von
Relativsätzen befreiten Sätze für die beiden MÜ-Programme und insgesamt verteilt sind.
Die durchschnittliche Veränderung während der Untersuchung betrug −0, 11 Fehler, das
heißt, etwa jeder zehnte Satz wird im Durchschnitt durch eine Bearbeitung besser übersetzbar.
Im Vergleich zeigten 87 Übersetzungen überhaupt keine Veränderungen, 57-mal verschlechterten
sich die Übersetzungen, davon 41-mal um einen Fehler, 13-mal um zwei,
zweimal um drei und sogar einmal um gleich vier Fehler. Nur 56-mal verbesserte sich
das Ergebnis, 31-mal gab es einen Fehler weniger, 15-mal zwei, sechsmal drei, immerhin
zweimal vier, einmal fünf und sogar einmal sechs Fehler weniger.
Untersuchung anderer Arten von Nebensätzen Um zu überprüfen, ob es sich mit
anderen Nebensätzen auch anders als ursprünglich erwartet verhält, wurden die anderen
Arten von Nebensätzen zusätzlich auf ihre Auswirkungen auf die Fehlerzahl untersucht.
Der eher geringe Einfluss der Relativsätze auf die Übersetzbarkeit war so überraschend,
dass Klarheit vonnöten war, ob dies nur eine Ausnahme darstellt oder ob andere Arten
von Nebensätzen vielleicht sogar noch weniger Einfluss auf die Übersetzbarkeit haben.
Satzart Wörter Fehler ∅ Fehler pro Wort 3
Mit Nebensätzen 859 320 0,1863
Mit weniger Nebensätzen 839 320 0,1907
Tabelle 5.3.: Andere Nebensätze und Fehlerhäufigkeit
Dazu wurden wieder zwei Textkorpora gebildet, die allerdings diesmal kleiner ausfielen
und jeweils 40 Sätze enthielten, weil aufgrund der zuvor begründeten Hypothese, dass
Nebensätze im Allgemeinen sich ähnlich verhalten wie Relativsätze im Speziellen, trotz
des unerwarteten Ergebnisses für Relativsätze kein in großem Maßstab anderes Resultat
für andere Arten von Nebensätzen zu erwarten war. Im ersten Korpus besaßen alle Sätze
mindestens einen Nebensatz, während sie im zweiten Korpus von mindestens einem Nebensatz
befreit wurden. In vielen Fällen konnten auch sämtliche Nebensätze vermieden
werden, ohne den Sinn des Satzes zu enstellen. Bei dieser Analyse der Übersetzungen
fiel das Ergebnis allerdings genauso unerwartet wie bei den Relativsätzen aus. Die zentrale
Kennziffer, die absolute Fehlerzahl, änderte sich nämlich überhaupt nicht; vielmehr
wiesen beide Textkorpora 320 Fehler auf, die Veränderung ist somit 0, wie man Tabelle
5.3 entnehmen kann. Lediglich die Fehlerzahl pro Wort nahm marginal zu, weil sich die
Wortanzahl im bearbeiteten Textkorpus leicht verringert hatte.
3 Zur Berechnung der Fehlerzahlen siehe Abschnitt 4.4.1, letzten Absatz.
41

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
Die Verteilung der Änderung der Fehlerzahl bei Entfernen von Nebensätzen sieht im Vergleich
der Übersetzungen von Original und Bearbeitung sehr symmetrisch aus. Insgesamt
wiesen 35 Übersetzungen nach der Bearbeitung der Originale keine Änderung der Fehlerzahl
auf. Weitere 21 zeigten eine Zunahme, die restlichen 24 eine Abnahme der Fehlerzahl.
Es scheint also tatsächlich so zu sein, dass Relativsätze schwieriger zu übersetzen sind als
andere Nebensätze und dass diese anderen Nebensätze für die Qualität der Übersetzung
eines deutschen Textes ins Englische keine Bedeutung haben.
Abbildung 5.2.: Absolute Veränderungen der Fehleranzahl bei weniger Nebensätzen für
die einzelnen Übersetzungsprogramme (Babel Fish grün, Personal Translator
2006 blau) und aufsummiert (rot, mit Werteangaben)
Erklärungsversuche Um die Relativsätze zu eliminieren, wurden in etlichen Fällen aus
dem ursprünglichen Satz zwei Sätze gemacht, wobei einer dieser Sätze dem vormaligen
Relativsatz entsprach. Dies erwies sich häufig als die sinnvollste Art der Umgestaltung, um
die Aussage der Texte nicht zu verändern. Auffällig bei beiden zur Übersetzung benutzten
Programmen war die oftmals unzureichende Erkennung von Referenzen zwischen Sätzen.
Die folgenden Beispiele aus dem zweiten Textkorpus sollen dies demonstrieren. Die falsch
übersetzten Referenzen sind fett markiert.
• Satz 34:
– Regentin wurde jedoch zunächst Iwans Schwester Sophia. Sie stützte ihre
Macht wesentlich auf die Strelitzen.
–
• Satz 13:
Übersetzung mit Babel Fish: Regentin became however first Iwans sister Sophia.
It supported its power substantially by the Strelitzen.
– Eine Sonderstellung nehmen die gelben Post-TGV ein. Sie sind ansonsten
technisch mit den TGV PSE identisch.
42

–
5.1. Allgemeine Textmerkmale
Übersetzung mit Personal Translator 2006: The yellow post TGV take a
special position. You otherwise are technically identical with the TGV PSEs.
Diese des öfteren wiederkehrenden Übersetzungsfehler lassen darauf schließen, dass beide
Programme in aller Regel nur satzweise übersetzen und das passende Relativpronomen
mehr oder weniger zufällig zuordnen, zumal es in beiden Beispielsätzen keine Möglichkeit
gibt, die Referenz auf eine Sache (it) bzw. auf eine direkt angesprochene Person (you) zu
beziehen.
Für die anderen Arten von Nebensätzen lässt sich nur vermuten, dass die sehr strikte
Kommasetzung im Deutschen, die dafür sorgt, dass Haupt- und Nebensätze explizit
voneinander abgetrennt werden, ausreicht, um durch die Satzstruktur verursachte Fehler
weitgehend auszuschließen.
5.1.3. Mehrdeutigkeit
Wie bereits in Abschnitt 2.4.1 dargelegt, ist Mehrdeutigkeit eines der Hauptprobleme der
derzeitigen Forschung auf dem Gebiet der MÜ-Systeme. Dementsprechend ist anzunehmen,
dass Mehrdeutigkeiten sich deutlich negativ in der Übersetzungsqualität bemerkbar
machen.
Vorgehensweise
Die Untersuchung konzentrierte sich auf lexikalische Mehrdeutigkeit, weil diese bei der
Übersetzung von der deutschen in die englische Sprache wesentlich stärker zum Tragen
kommt als strukturelle Mehrdeutigkeit, die bei der Übersetzung von Deutsch ins Englische
in vielen Fällen kein Problem darstellt, weil die Satzstrukturen sehr ähnlich sind. Darüber
hinaus ist es vielfach nur sehr aufwändig möglich, strukturelle Ambiguitäten zu entfernen,
ohne den Satz allzu sehr zu verändern. So ließe sich in dem aus Abschnitt 2.4.1 bekannten
strukturell mehrdeutigen Satz Die Spaziergänger beobachteten die Sternschnuppe mit
ihrem Fernglas. die strukturell mehrdeutige Fügung mit ihrem Fernglas an eine andere
Stelle des Satzes verschieben. Worauf sich das Possessivpronomen ihrem bezieht – auf die
Spaziergänger oder die Sternschnuppe –, kann aber nicht eindeutig geklärt werden. Der
lexikalisch mehrdeutige Satz 75 des unbearbeiteten Textkorpus (Dadurch gibt es mittlerweile
eine große Auswahl an Sekten aller Qualitäten und Preisklassen.) hingegen kann
eindeutig gemacht werden, indem man das mehrdeutige Verb geben durch existieren und
das im Dativ Plural mehrdeutige Substantiv Sekt durch Schaumwein ersetzt.
Insgesamt wurden aus Wikipedia 100 Sätze ausgewählt, die jeder mindestens ein Wort
enthielten, das mehrere englische Übersetzungen mit unterschiedlichen Bedeutungen besitzt.
Im zweiten Textkorpus wurden diese Wörter dann soweit möglich durch eindeutig
übersetzbare Begriffe ersetzt. Nicht behandelt wurden dabei Präpositionen mit zum Teil
sehr vielen Bedeutungen wie bei oder über, weil es kaum eine Möglichkeit gibt, sie durch
synonyme, eindeutige Wörter oder Formulierungen zu ersetzen.
Untersuchungsergebnisse
Fehlerhäufigkeit Wie Tabelle 5.4 zeigt, nahm bei etwa gleicher Wortzahl beider Korpora
(2089 und 2099 Wörter) die Fehleranzahl in den Übersetzungen sowohl absolut als auch
43

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
relativ zur Länge des Gesamttextes deutlich ab. Statt 879 Fehler wie im ersten übersetzen
Textkorpus traten im von Mehrdeutigkeiten weitgehend befreiten zweiten Textkorpus nur
noch 776 Fehler auf, also 103 weniger. Die Fehlerzahl pro Wort sank von 0, 2104 auf 0, 1848.
Insgesamt scheint es sich also durchaus zu lohnen, beim Verfassen eines zu übersetzenden
Textes auf mehrdeutige Worte soweit möglich zu verzichten.
Satzart Wörter Fehler ∅ Fehler pro Wort 4
Mit vielen Mehrdeutigkeiten 2089 879 0,2104
Mit weniger Mehrdeutigkeiten 2099 776 0,1848
Tabelle 5.4.: Mehrdeutigkeiten und Fehlerhäufigkeit
Veränderungen der Fehlerzahl Abbildung 5.3 stellt die Verteilung der Veränderung
der Fehlerzahlen bei der Gegenüberstellung der Übersetzungen der Originalsätze und
der wesentlich weniger Mehrdeutigkeiten enthaltenden bearbeiteten Sätze für die beiden
MÜ-Programme sowie im Gesamten dar. Durchschnittlich verlor ein Satz durch seine
Bearbeitung 0, 52 Fehler.
Ein Großteil der 200 Übersetzungen der bearbeiteten Sätze, insgesamt 92, zeigte keinerlei
Verbesserung oder Verschlechterung. Nur 23 Übersetzungen wiesen mehr Fehler auf als
vorher, nämlich 16-mal einen Fehler mehr, sechsmal zwei Fehler mehr und einmal sogar
vier. Demgegenüber standen 85 Übersetzungen, die weniger Fehler lieferten, wovon 52
einen und 25 zwei Fehler weniger aufwiesen. Eine starke Abnahme der Fehlerzahl zeigte
sich bei je drei Übersetzungen mit drei und vier Fehlern weniger und bei zweien mit sogar
sechs Fehlern weniger.
Abbildung 5.3.: Absolute Veränderungen der Fehleranzahl bei Reduktion von Mehrdeutigkeiten
für die einzelnen Übersetzungsprogramme (Babel Fish grün, Personal
Translator 2006 blau) und aufsummiert (rot, mit Werteangaben)
4 Zur Berechnung der Fehlerzahlen siehe Abschnitt 4.4.1, letzten Absatz.
44

5.1. Allgemeine Textmerkmale
5.1.4. Seltenheit von Wörtern
Weil aufgrund der prinzipiell unbeschränkten Wortanzahl der deutschen Sprache nicht
alle Wörter in den Lexika der Übersetzungsprogramme vorhanden sein können und eine
Beschränkung auf die wichtigsten notwendig ist, ist zu vermuten, dass sehr seltene und
somit wahrscheinlich in den Lexika der MÜ-Systeme fehlende Wörter die Übersetzungsqualität
mindern, weil sie nicht übersetzt werden können oder Übersetzungen zufällig
gewählt werden müssen.
Es bot sich an, die Untersuchung der Seltenheit von Wörtern mit der Untersuchung der
Auswirkungen von Komposita zu verbinden, weil komplexe Komposita in der Regel auch
sehr selten sind. Überprüft man also die Auswirkungen sehr langer Komposita, ist dies
zugleich auch eine Überprüfung seltener Wörter. Diese zusammengelegte Untersuchung
wird in Abschnitt 5.2.3 dargelegt.
Abbildung 5.4.: Zusammenhang zwischen Wortlänge und Worthäufigkeit
Der Zusammenhang zwischen Wortlänge und Seltenheit wird in den Abbildungen 5.4 und
5.5 dargestellt. Grundlage für diese Grafiken ist ein Textkorpus der Universität Leipzig
mit insgesamt drei Millionen deutschen Sätzen 5 . Der verwendete und die anderen Korpora
der Leipziger Universität im so genannten Projekt Deutscher Wortschatz führen für jedes
Wort über seine Häufigkeit Buch, so dass über einfache Datenbankabfragen Statistiken
zum Zusammenhang von Worthäufigkeit und Wortlänge erstellt werden können. Die rote
Linie in der ersten Grafik zeigt, wie oft ein Wort einer bestimmten Länge durchschnittlich
im gesamten Korpus mit drei Millionen Sätzen vorkommt. Die zweite Abbildung zeigt
vergrößert dieselbe Linie, allerdings nur für Wortlängen von 30 bis 50 Zeichen. Da ausschließlich
Komposita mit einer Mindestlänge von 30 Zeichen betrachtet wurden und diese
nie häufiger als durchschnittlich zweimal in sämtlichen Sätzen auftreten, kann hier wohl
von Seltenheit gesprochen werden.
5 Projekt Deutscher Wortschatz, online erreichbar unter http://corpora.informatik.uni-leipzig.
de, zuletzt besucht am 5. April 2007
45

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
5.1.5. Elliptischer Schreibstil
Was sind Ellipsen?
Abbildung 5.5.: Häufigkeit sehr langer Wörter
Als Ellipsen bezeichnet man in der Sprachwissenschaft Auslassungen von Worten oder
ganzen Satzteilen in Sätzen. Sie können in verschiedensten Formen auftreten, wie die
folgenden Beispiele zeigen:
• Und dann? statt Und was geschah dann? → fehlendes Prädikat
• Ich hätte gerne eine Krakauer! statt Ich hätte gerne eine Krakauer Bratwurst! →
verkürzter Begriff
• Flussarme fließen in südliche und westliche Richtung. statt Flussarme fließen in
südliche Richtung und in westliche Richtung. → ausgelassene Wörter
• Gas- und Ölförderung sind wichtige Industrien. statt Gasförderung und Ölförderung
sind wichtige Industrien. → abgetrenntes Kompositionsglied, Bindestrich-Ellipse“
”
• Wenn München gewinnt oder Bremen verliert, ist Schalke Meister. statt Wenn
München gewinnt oder wenn Bremen verliert, dann ist Schalke Meister. → nicht
wiederholte Konjunktionen oder Präpositionen
• In dieser Stadt gibt es u. a. eine Universität. statt In dieser Statt gibt es unter
anderem eine Universität. → Abkürzung
Bis auf die erste Variante kommen solche Ellipsen alle auch in geschriebenen Texten
sehr häufig vor. Übersetzungsprogramme werden also vor die Schwierigkeit gestellt, die
Auslassungen korrekt zu erkennen und in der englischen Übersetzung angemessen wiederzugeben.
Da Ellipsen die Komplexität der Satzstruktur erhöhen, ist mit einem negativen
Einfluss auf die Übersetzungsleistungen zu rechnen, wenn sie in einem Satz auftreten;
nicht zuletzt deshalb grenzen Sprachen wie ACE und KCE derartigen Schreibstil strikt
ein oder untersagen ihn (siehe Abschnitt 3.1).
46

Vorgehensweise
5.1. Allgemeine Textmerkmale
Wieder wurden insgesamt 100 beliebige Sätze aus Wikipedia herangezogen, die eine oder
mehrere Ellipsen aufwiesen, und mit Babel Fish und Personal Translator 2006 einzeln
ins Englische übersetzt. Anschließend wurden die elliptischen Formulierungen so weit
wie möglich entfernt, indem die fehlenden Wörter ergänzt wurden, und die neuen Sätze
ebenfalls übersetzt.
Untersuchungsergebnisse
Fehlerhäufigkeit Bei der Untersuchung stellte sich heraus, dass Ellipsen keinen oder nur
sehr geringen Einfluss auf die Übersetzungsqualität haben (siehe Tabelle 5.5). Zwar ergibt
sich eine Abnahme der durchschnittlichen Fehlerzahl pro Wort von 0, 2145 mit Ellipsen
auf 0, 2001 ohne bzw. mit wesentlich weniger Ellipsen, jedoch muss die Veränderung dieser
zentralen Kennzahl vor dem Hintergrund der durch die Ergänzungen von 2086 auf
2224 gestiegenen Wortanzahl betrachtet werden. So sank die absolute Fehlerzahl nur um
insgesamt 5, was bei 895 Fehlern im Korpus mit Ellipsen und 890 im bearbeiteten Korpus
lediglich einer Abnahme von nur 0, 56 Prozent entspricht.
Insgesamt spricht das Ergebnis also nicht dafür, sondern klar dagegen, dass sich durch
den Verzicht auf Ellipsen im Allgemeinen bessere Resultate erzielen lassen, denn die beobachtete
Größenordnung der Fehlerabnahme ist nichts, worauf man aufbauen sollte.
Satzart Wörter Fehler ∅ Fehler pro Wort 6
Mit Ellipsen 2086 895 0,2145
Ohne Ellipsen 2224 890 0,2001
Tabelle 5.5.: Ellipsen und Fehlerhäufigkeit
Veränderungen der Fehlerzahl In Abbildung 5.6 ist die Veränderung der Fehlerzahl
bei der Befreiung des Textkorpus von Ellipsen sowohl für Babel Fish als auch Personal
Translator und insgesamt dargestellt. Pro Satz erbrachte die Bereinigung von Ellipsen also
durchschnittlich 0, 03 Fehler weniger, was praktisch gesehen mit 0 gleichgesetzt werden
kann.
Bei insgesamt 75 der 200 Übersetzungen des bearbeiteten Textkorpus zeigte sich keinerlei
Veränderung der Fehlerzahl, 48-mal nahm die Fehlerzahl um einen Fehler ab, elfmal um
gleich zwei Fehler. Die stärksten Abnahmen sind sechsmal drei Fehler und zweimal vier
Fehler. In Gegenrichtung zeigten 40 Sätze eine Zunahme um einen Fehler und neun eine
Zunahme um zwei Fehler. Drei Sätze enthielten drei Fehler mehr, sechs Sätze sogar vier.
Wie man aber sieht, waren die Veränderungen in der Regel eher gering.
Sonderfall abgetrennte Kompositionsglieder Eine für die deutsche Sprache typische
Form der Ellipse ist der Einsatz eines Bindestrichs, um Kompositionsglieder einzusparen,
so etwa gleich doppelt in Zubehöran- und -verkauf (statt Zubehörankauf und Zubehörverkauf
). Nach der allgemeinen Untersuchung auf Veränderungen der Fehlerzahl wurden die
Textkorpora speziell auf die Veränderungen durch das Weglassen derartiger Ellipsen hin
6 Zur Berechnung der Fehlerzahlen siehe Abschnitt 4.4.1, letzten Absatz.
47

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
Abbildung 5.6.: Absolute Veränderungen der Fehleranzahl beim Ausfüllen von Ellipsen für
die einzelnen Übersetzungsprogramme (Babel Fish grün, Personal Translator
2006 blau) und aufsummiert (rot, mit Werteangaben)
überprüft, weil sie als besonders schwierig zu handhaben einzuschätzen war. Dabei wurde
gezählt, wie viele Fehler direkt auf diese Form von Auslassungen zurückzuführen waren,
wobei vorwiegend falsch gewählte Wörter berücksichtigt wurden, weil andere Fehler wie
beispielsweise eine Verfälschung der Wortstellung im übersetzen Satz auch auf andere
Änderungen am Ausgangssatz zurückzuführen sein könnten.
(Fehler verteilt auf 61 Sätze) Fehler vorher Fehler nachher Veränderung
Babel Fish 46 34 −12 ≡ −26, 09%
Personal Translator 2006 39 28 −11 ≡ −28, 21%
Gesamt 85 62 −23 ≡ −27, 06%
Tabelle 5.6.: Fehler vor und nach der Beseitigung abgetrennter Kompositionsglieder
Insgesamt traten in 61 der 100 Ausgangssätze derartige Ellipsen auf, die insgesamt 85
Übersetzungsfehler verursachten (siehe Tabelle 5.6). Nach der Bearbeitung wurden nur
noch 62 Fehler beobachtet, was einer Abnahme um 23 Fehler oder um 27, 06 Prozent
entspricht.
Allerdings ist die Auswirkung des Weglassens von abgetrennten Kompositionsgliedern
wesentlich geringer, wenn man berücksichtigt, dass die 61 Sätze, in denen diese Ellipsen
vorkamen, im ersten, unbearbeiteten Korpus insgesamt 532 Fehler aufwiesen. Dennoch
verbleibt eine spürbare Reduktion der Gesamtfehlerzahl um 23 · 100 = 4, 32%. Es scheint
532
also sehr sinnvoll zu sein, auf diese spezielle Form der Ellipsen zu verzichten, um Fehler
zu vermeiden.
Erklärungsversuche Insgesamt sind die Fehlerzahlen pro Wort in beiden übersetzten
Textkorpora relativ hoch. Und in der Tat werden durch Ellipsen erwartungsgemäß zahlreiche
Fehler verursacht (allein 85 durch abgetrennte Kompositionsglieder, wie bereits
48

5.2. Sprachspezifische Textmerkmale
erläutert). Satz 20 des des ersten Korpus lautet beispielsweise:
• Dies kann über Fest-, Mindest- oder Höchsttarife (price caps) erreicht werden, die
absolute Grenzen setzen.
Personal Translator 2006 übersetzt ihn folgendermaßen:
• This can be reached about celebration, least or maximum rates (Price Cap) which
put absolute limits.
Man sieht, dass hier die Ellipsen bei Fest- und Mindest- fälschlicherweise mit celebration
und least wiedergegeben werden. Aber auch über ist falsch, weil es in diesem Kontext auf
die Frage nach dem Mittel antwortet und mit by oder through zu übersetzen wäre. Der
bearbeitete Satz lautet nun:
• Dies kann über Festtarife, über Mindesttarife oder über Höchsttarife (price caps)
erreicht werden, die absolute Grenzen setzen.
Er wird von Personal Translator 2006 wie folgt übersetzt:
• This which absolute limits put can be reached about flat rates, about minimum rates
or about maximum rates (Price Cap).
Abgesehen von der nun völlig konfusen Wortstellung der Übersetzung, fällt auf, dass jetzt
zwar die zuvor abgekürzten Begriffe richtig übersetzt wurden, aber nun insgesamt dreimal
über falsch übersetzt wurde, so dass dafür drei Fehler angerechnet werden. Derartiges
Verhalten kommt auch in zahlreichen anderen Sätzen des zweiten Korpus vor und sorgt
dafür, dass auf solche und ähnliche Weise die Vorteile, die durch Auffüllen von Ellipsen
gewonnen werden, gleich wieder verlorengehen.
5.2. Sprachspezifische Textmerkmale
In den folgenden vier Abschnitten werden die Auswirkungen des Auftretens einiger Merkmale,
die typisch für die deutsche Sprache sind und häufig auftreten, mit Hinblick auf die
Fehlerhäufigkeit untersucht. Dies sind im Einzelnen Verbklammern, Nominalklammern,
Nominalkomposita und Inversionen der Wortstellung.
5.2.1. Verbklammern
Was sind Verbklammern?
Für die deutsche Sprache typisch sind so genannte Verbklammern 7 , zweiteilige Prädikate
aus einem finiten Verb und einer infiniten Ergänzung, die über große Teile eines Satzes
verteilt sind. Sie treten im wesentlichen in drei Varianten auf:
1. Finites Hilfsverb + Partizip Perfekt oder Infinitiv
2. Finites Modalverb + Infitiv
7 Auch als Verbalklammern oder Satzklammern bezeichnet; der Begriff Satzklammer erscheint allerdings
zu ungenau, weil eine lange Nominalklammer ebenfalls einen Großteil des Satzes einklammern kann.
49

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
3. Finites Verb + Präfix
Als Beispiel wird im folgenden das Verb kaufen betrachtet. Die erste Variante tritt im
Passiv oder bei Benutzung der Tempora Futur I und II, Perfekt und Plusquamperfekt ein,
in denen die Hilfsverben sein, haben und/oder werden zusammen mit dem ursprünglichen
Verb benutzt werden, um das Prädikat darzustellen. Dabei steht das finite Verb dieser
Konstruktion im Deutschen normalerweise an zweiter Stelle und die anderen Bestandteile
am Ende des Satzes. So etwa in Peter hatte gestern vormittag auf dem Markt Butter
gekauft. Das Plusquamperfekt wird hier durch die finite Präteritumsform hatte an zweiter
Stelle und das Partizip Perfekt gekauft ausgedrückt. Anders in Bis morgen abend wird
Peter auch noch Nudeln gekauft haben., wo das Futur II durch das finite Präsens von
werden und den Infinitv Perfekt von kaufen bezeichnet wird.
Die zweite Variante tritt oftmals bei der Beschreibung von Möglichkeiten, Notwendigkeiten,
Hoffnungen oder Wünschen ein. Ein Beispiel hierfür ist der Satz Außerdem muss
Peter noch viele andere Dinge kaufen. Die Notwendigkeit wird hier über die finite Form
des Modalverbs müssen mit dem ans Ende gestellten Infinitiv von kaufen dargestellt.
Hierbei handelt es sich nicht um einen erweiterten Infinitiv, der von Übersetzungsprogrammen
in den meisten Fällen über ein abgrenzendes Komma erkannt werden kann und
keine Verbklammer ist (vgl. den Satz Um Geld zu sparen, stahl er die Nudeln.).
Die dritte Variante schließlich tritt immer dann auf, wenn das Verb an sich bereits ein
Kompositum aus einem Präfix und einem anderen Verb ist und im Satz eine Verbform ohne
Hilfsverben und Partizipien verwendet wird, was in den Tempora Präsens und Präteritum
der Fall ist. Das Verb einkaufen ist beispielsweise ein Kompositum aus dem Verb kaufen
und dem Präfix ein. Ein Beispiel für eine derartige Verbklammer liefert der Satz Mit dem
gesparten Geld kaufte Peter Kartoffeln ein.
Die Verbklammer kann als sprachspezifisches Textmerkmal betrachtet werden, weil sie
in vielen anderen Sprachen unbekannt ist oder nur in geringerem Umfang zum Tragen
kommt. Als Beispiele dienen hierzu die Wortstellungen im Englischen und Spanischen.
Der Satz Peter hat ein Buch gekauft. lautet dort Peter has bought a book. 8 bzw. Peter ha
comprado un libro., wobei die Prädikate has bought und ha comprado eine untrennbare
Einheit darstellen.
Die besondere Schwierigkeit für ein Übersetzungsprogramm besteht nun darin, nach dem
finiten Verb den zweiten Teil der Verbklammer korrekt zu erkennen und richtig zuzuordnen,
da das Programm bei deutschen Texten wegen des langen Mittelfeldes dazwischen
nicht wissen kann, wann dieser Teil beginnt. Aufgrund dieser Ungewissheit ist zu erwarten,
dass ein Satz mit einer oder mehreren Verbklammern tendenziell auch mehr Fehler
bei der automatischen Übersetzung hervorrufen wird.
Vorgehensweise
Die obige Vermutung wurde wieder an einem Textkorpus von 100 aus Wikipedia entnommenen
Sätzen, die jeder mindestens eine Verbklammer mit fünf oder mehr Worten
zwischen ihren beiden Bestandteilen enthielten, überprüft. Als zweites Korpus wurden
dieselben Sätze verwendet, die jedoch zuvor von der Verbklammer befreit worden waren.
Sofern dies nicht gänzlich möglich war, wurde wenigstens die Länge der Klammer
8 Der Satz Peter has a book bought. ist zwar auch korrekt, bedeutet aber, dass Peter ein Buch kaufen
lässt.
50

5.2. Sprachspezifische Textmerkmale
deutlich verringert. Dabei wurde stets versucht, den Satz insgesamt so wenig wie möglich
zu verändern, um nur die Auswirkungen der Verbklammern auf die Fehlerhäufigkeit zu
eliminieren.
In der Regel wurden die Sätze geändert, indem der Autor ein bedeutungsgleiches Verb,
das kein Kompositum ist, oder eine andere, nicht zusammengesetzte Verbform anstelle
des ursprünglichen Verbs einsetzte, indem er die Wortstellung veränderte oder indem
die Tempora sinnerhaltend geändert wurden. Die folgenden Beispiele aus dem Korpus
illustrieren dies:
• Satz 8
• Satz 62
– Mit Verbklammer: Bei seinen Auftritten außerhalb der Kaserne wurde Leutnant
Forstner vor allem von jugendlichen Demonstranten wiederholt verhöhnt
und beschimpft.
– Ohne Verbklammer: Bei seinen Auftritten außerhalb der Kaserne verhöhnten
und beschimpften vor allem jugendliche Demonstranten Leutnant Forstner wiederholt.
– Mit Verbklammer: Heute setzen sich die Kirchen gemeinsam mit Menschenrechtsgruppen
für ihre weltweite Abschaffung ein.
– Ohne Verbklammer: Heute bemühen sich die Kirchen gemeinsam mit Menschenrechtsgruppen
um ihre weltweite Abschaffung.
Untersuchungsergebnisse
Fehlerhäufigkeit Das Ergebnis der Fehleranalyse beider übersetzter Textkorpora ist in
Tabelle 5.7 zu sehen.
Das Textkorpus mit Verbklammern wies bei 2264 Wörtern insgesamt 939 Fehler aus, was
einer durchschnittlichen Rate von 0, 2074 Fehlern pro Wort entspricht. Nach der Entfernung
der Verbklammern sank die Wortanzahl auf 2237, die Fehleranzahl auf 849 und
somit die Fehlerzahl pro Wort auf 0, 1898. Es stellte sich also wie erwartet insbesondere
eine Abnahme der absoluten Fehlerzahl um 9, 58 Prozent ein, aber auch eine Abnahme
der relativen Fehlerzahl um 8, 49 Prozent. Somit kann festgehalten werden, dass die Anwesenheit
einer Verbklammer sich merklich negativ auf die Übersetzbarkeit eines Satzes
durch Programme auswirkt.
Satzart Wörter Fehler ∅ Fehler pro Wort 9
Mit Verbklammer 2264 939 0,2074
Ohne/Stark verkürzte Verbklammer 2237 849 0,1898
Tabelle 5.7.: Verbklammern und Fehlerhäufigkeit
Veränderungen der Fehlerzahl In Abbildung 5.7 ist an den drei Kurven zu sehen, wie
die absoluten Veränderungen der Fehlerzahl über die 200 Vergleiche zwischen Übersetzung
9 Zur Berechnung der Fehlerzahlen siehe Abschnitt 4.4.1, letzten Absatz.
51

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
von Original und Bearbeitung verteilt sind. Durchschnittlich verlor ein Satz nach dem
Umschreiben 0, 45 Fehler. Der Bereich, in den die Ergebnisse fielen, ist mit +5 bis −8
Fehlern recht breit.
Dabei wiesen von den insgesamt 200 Übersetzungen des bearbeiteten Korpus ohne Verbklammern
im Vergleich zu denen mit Verbklammern insgesamt 85 eine Abnahme der
Fehlerzahl von bis zu acht Fehlern auf. Allein 42-mal gab es einen Fehler weniger, 24-
mal gleich zwei Fehler und zehnmal drei Fehler weniger. Drei-, fünf- und einmal ergaben
sich sogar vier, fünf und acht Fehler weniger. In weiteren 69 Übersetzungen blieb die
Fehleranzahl gleich. Die restlichen 46 Übersetzungen zeigten eine Zunahme um bis zu
fünf Fehler, wobei 26-mal ein Fehler hinzukam, 14-mal zwei, dreimal drei und zweimal
gleich fünf sowie einmal gleich sechs Fehler.
Abbildung 5.7.: Absolute Veränderungen der Fehleranzahl ohne Verbklammern für die
einzelnen Übersetzungsprogramme (Babel Fish grün, Personal Translator
2006 blau) und aufsummiert (rot, mit Werteangaben)
5.2.2. Nominalklammern
Was sind Nominalklammern?
Ein weiteres häufig in der deutschen Sprache (und auch in anderen germanischen Sprachen,
etwa dem Niederländischen) anzutreffendes Phänomen ist die Nominalklammer 10 .
Sie ist eine spezielle Form der Nominalphrase und tritt immer dann auf, wenn innerhalb
einer Nominalphrase weitere Nominalphrasen vor ihrem Nomen stehen und eine
verschachtelte Struktur entsteht wie in der für das im Sommer geöffnete Bad zuständige
Bademeister. Die Nominalklammer ist dadurch bedingt, dass oftmals alle Attribute
10 Der Begriff Nominalklammer wird gelegentlich auch für Nominalphrasen verwendet oder teilweise,
sobald überhaupt ein Attribut zwischen Artikel und Nomen steht. In dieser Arbeit jedoch beschränkt
sich der Begriff ausschließlich auf den Fall, dass innerhalb einer Nominalphrase mindestens eine weitere
Nominalphrase als Attribut vor dem Nomen (Kopf) der erstgenannten Nominalphrase steht. Somit
wird dann die innere von der umgebenden Nominalphrase geklammert.
52

5.2. Sprachspezifische Textmerkmale
vor das zugehörige Nomen gestellt werden, sogar wenn es sich dabei um sehr komplexe
Ausdrücke handelt. Keine Nominalklammer liegt dagegen vor, wenn nur ein oder mehrere
Adjektive zur näheren Beschreibung des Substantivs eingesetzt werden. Im Englischen
dagegen pflegt man komplexere Attribute hinter das zugehörige Subjekt zu stellen oder
in Nebensätze auszulagern. In romanischen Sprachen stehen meist alle Attribute hinter
dem Bezugswort.
Ein weiteres Beispiel für eine Nominalklammer ist der deutsche Satz Magrit gefiel das
ihr von Peter geschenkte Buch nicht. Zwischen Artikel und Substantiv steht zur näheren
Bestimmung des adjektivisch gebrauchten Partizips geschenkt noch das feminine Personalpronomen
sie im Dativ und eine Präpositionalphrase. Im Englischen oder auch in
romanischen Sprachen ist diese Wortstellung nicht möglich. Korrekt übersetzt lautet der
Satz auf Englisch Magrit didn’t like the book given to her by Peter. Auf Spanisch könnte
man sagen A Magrit no le gustó el libro regalado a ella de Peter. In beiden Fällen rückt
das Partizip mitsamt näherer Bestimmung hinter das Substantiv und belässt es damit bei
einer einfacheren, weniger komplexen syntaktischen Struktur.
Die Schwierigkeit bei der maschinellen Übersetzung besteht nun darin, alle im deutschen
Ausgangstext zusammengehörigen Artikel, Adjektive und Substantive, die über große Teile
eines Satze verstreut sein können, und ebenso die weiteren Angaben zur näheren Bestimmung
korrekt zu identifizieren und sie in eine in der Zielsprache akzeptable Wortstellung
unter Wahrung der Bedeutung zu transferieren. Dies ist insofern schwieriger als der Umgang
mit einer Verbklammer (siehe Abschnitt 5.2.1), als es dort nur zwei Teile eines Verbs
gibt, nämlich die finite Verbform und die restlichen, aufeinanderfolgenden Bestandteile des
Prädikats. In jedem Fall ist also mit einer Verschlechterung der Übersetzungsqualität zu
rechnen, wenn eine oder mehrere Nominalklammern auftreten.
Vorgehensweise
Für die Untersuchung dieses Zusammenhangs wurden 100 Sätze aus der deutschsprachigen
Wikipedia herausgesucht, die entweder eine Nominalklammer aufwiesen oder so
konstruiert waren, dass man leicht eine Nominalklammer im Satz bilden konnte, ohne die
Bedeutung des Satzes zu verändern. So wurden jeweils 100 Sätze mit und ohne Nominalklammern
in zwei Korpora erstellt und deren Übersetzungen auf Fehler untersucht. Dabei
wurde in vielen Sätzen ein Abstand von zehn oder mehr Wörtern zwischen erstem und
letztem Element der Nominalklammer eingehalten.
Die Entfernung von Nominalklammern erfolgte in der Regel, indem die bisher vorangestellten
Attribute in einen Nebensatz oder in einen eigenständigen zweiten Satz ausgelagert
wurden. Sofern ein Satz im Original keine Nominalklammer aufwies, wurde umgekehrt
verfahren. Zur Verdeutlichung des Entfernens von Nominalklammern ein Beispiel:
• Satz 89
– Mit Nominalklammer: 1998 waren die zuvor schon aus den anderen ostdeutschen
Landesparlamenten gefallenen Grünen auch in Sachsen-Anhalt
an der Fünf-Prozent-Hürde gescheitert.
– Ohne Nominalklammer: 1998 waren die Grünen auch in Sachsen-Anhalt an
der Fünf-Prozent-Hürde gescheitert, nachdem sie schon vorher aus den
anderen ostdeutschen Landesparlamenten gefallen waren.
53

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
Untersuchungsergebnisse
Fehlerhäufigkeit Die Auswertung der Übersetzungen zeigte eine deutliche Fehlerabnahme
beim Verzicht auf Nominalklammern. Zwar waren die Sätze mit Nominalklammern
in der Regel geringfügig kürzer (insgesamt 2155 statt 2294 Wörter), wiesen aber insgesamt
eine deutlich höhere Fehlerzahl pro Wort auf, nämlich 0, 2183, was 941 Fehlern im
Textkorpus entspricht. Demgegenüber wurden im Textkorpus ohne Nominalklammern nur
815 Fehler entdeckt, was gleichbedeutend ist mit 0, 1776 Fehlern pro Wort. Es wurde also
eine Abnahme der absoluten Fehlerzahl um 13, 39 Prozent festgestellt und die eingangs
gestellte Hypothese damit bestätigt: Nominalklammern wirken sich deutlich negativ auf
die maschinelle Übersetzbarkeit eines Satzes aus (vgl. dazu auch Tabelle 5.8).
Satzart Wörter Fehler ∅ Fehler pro Wort 11
Mit Nominalklammer 2155 941 0,2183
Ohne Nominalklammer 2294 815 0,1776
Tabelle 5.8.: Nominalklammern und Fehlerhäufigkeit
Abbildung 5.8.: Absolute Veränderungen der Fehleranzahl ohne Nominalklammern für die
einzelnen Übersetzungsprogramme (Babel Fish grün, Personal Translator
2006 blau) und aufsummiert (rot, mit Werteangaben)
Veränderungen der Fehlerzahl Abbildung 5.8 zeigt die drei Kurven, die angeben, wie
sich die Fehlerzahl nach Bearbeitung der Originalsätze verändert hat, für Babel Fish
und Personal Translator sowie aggregiert. Durchschnittlich verlor ein Satz nach dem
Umschreiben 0, 63 Fehler.
Von den insgesamt 200 Übersetzungen der bearbeiteten Sätze wiesen nur 64 dieselbe
Anzahl Fehler auf wie die Originale. 97 Übersetzungen erzielten weniger Fehler, davon
11 Zur Berechnung der Fehlerzahlen siehe Abschnitt 4.4.1, letzten Absatz.
54

5.2. Sprachspezifische Textmerkmale
45 einen, 26 zwei und 15 drei Fehler weniger als die Version mit Nominalklammer. Elf
Übersetzungen wiesen extreme Abnahmen der Fehlerzahl auf, nämlich achtmal vier Fehler
und dreimal sogar fünf Fehler weniger. Im Gegenzug gab es noch 39 Übersetzungen mit
teilweise deutlich mehr Fehlern. Um einen Fehler legten 21 Übersetzungen im Vergleich zu
den entsprechenden Versionen mit Nominalklammern zu, 14-mal um zwei Fehler. Dreimal
traten drei Fehler mehr auf und einmal sogar fünf Fehler.
5.2.3. Nominalkomposita
Typisch für die deutsche Sprache sind Nominalkomposita, wie bereits in Abschnitt 2.4.2
vorgestellt. Sie treten auch in einigen weiteren germanischen Sprachen auf, sind aber
in slawischen oder romanischen Sprachen unbekannt. Wegen der unbegrenzten Wortbildungsmöglichkeiten
können viele Zusammensetzungen nicht im Lexikon eines MÜ-
Programms stehen. Die Wörter müssen als Komposita erkannt, korrekt zerlegt und richtig
auf Wörter oder ganze Satzteile der Zielsprache übersetzt werden. Daraus lässt sich
folgern, dass gerade längere Komposita die Fehlerhäufigkeit bei Übersetzungen deutlich
erhöhen.
Vorgehensweise
Es galt sicherzustellen, dass die ausgewählten Wörter aller Voraussicht nach eine Hürde für
die MÜ-Programme darstellen. Dazu wurde das bereits in 5.1.4 erwähnte Textkorpus der
Universität Leipzig mit drei Millionen deutschsprachigen Sätzen benutzt. Aus dem Korpus
wurden insgesamt 100 äußerst seltene Wörter mit mindestens 30 Zeichen ausgewählt, die
bis auf wenige Ausnahmen allesamt im gesamten Korpus nur einmal vorkamen. Zu jedem
Wort wurde über Internetsuchmaschinen ein Satz herausgesucht, in dem es vorkam. Die
Seltenheit der gewählten Nominalkomposita zeigte sich beim Aussuchen der 100 Wörter
darin, dass selbst Google zu etlichen Begriffen keine Einträge finden konnte. Texte aus
Wikipedia konnten nicht genommen werden, weil die entsprechenden Begriffe hier fast gar
nicht zu finden waren.
Zur Überprüfung der Auswirkungen von Nominalkomposita wurden wie üblich zwei Textkorpora
benutzt. Im ersten befanden sich 100 Sätze mit mindestens einem solchen Kompositum,
im zweiten Korpus wurden alle größeren Komposita durch andere, sinnwahrende
Konstruktionen ersetzt, sofern sie nicht ausschließlich oder überwiegend in dieser Form in
der Alltags- und Schriftsprache verwendet werden. Ein Beispiel (Satz 73 der Korpora):
• Original: Die Stabhochsprungvizeweltmeisterin oder das Fußballweltmeisterschaftsachtelfinalspiel
kommen sehr gut ohne Bindestriche aus.
• Bearbeitet: Die Vizeweltmeisterin im Stabhochsprung oder das Achtelfinalspiel der
Weltmeisterschaft im Fußball kommen sehr gut ohne Bindestriche aus.
Wie man sieht, sind auch im bearbeiteten Satz noch Komposita vorhanden, die jedoch
im Gegensatz zu den beiden Wörtern Stabhochsprungvizeweltmeisterin und Fußballweltmeisterschaftsachtelfinalspiel
alltäglich sind und in gängigen Wörterbüchern stehen, so
dass von ihnen keine Auswirkungen auf die Übersetzungsqualität zu erwarten ist. Niemand
würde außerdem statt Bindestriche die Form Striche der Bindung oder statt Stabhochsprung
Hoher Sprung mit einem Stab benutzen – eine derart feingranulare Zerlegung
dürfte sogar tendenziell für mehr Fehler sorgen.
55

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
Untersuchungsergebnisse
Fehlerhäufigkeit Das Ergebnis war überaus unerwartet, wie Tabelle 5.9 zeigt: Zwar sank
die Fehlerhäufigkeit von der Übersetzung des originalen zu der des bearbeiteten Textkorpus
von 0, 2180 Fehlern pro Wort auf nur noch 0, 1913, allerdings bei stark erhöhter
Wortzahl (statt 1908 nun 2404). Absolut gesehen nahm die Fehlerzahl aber von 832 auf
920 zu, das heißt, durch das Umformulieren komplizierter Komposita sind 88 Fehler hinzugekommen.
Dies entspricht einer Zunahme von 10, 58 Prozent.
Trotz der Seltenheit und Komplexität (minimal 30 Zeichen) der ausgewählten Komposita
nützt es also nichts, auf sie zu verzichten. Eine derartige Überarbeitung eines Textes
erhöht den Nachbearbeitungsaufwand sogar noch und ist daher kontraproduktiv.
Satzart Wörter Fehler ∅ Fehler pro Wort 12
Original 1908 832 0,2180
Bearbeitet 2404 920 0,1913
Tabelle 5.9.: Nominalkomposita und Fehlerhäufigkeit
Veränderungen der Fehlerzahl Wie sich die Fehlerzahl verändert, wenn man Zahl und
Komplexität der Nominalkomposita reduziert, zeigt Abbildung 5.9. Die grüne Linie steht
dabei für die Ergebnisse mit Babel Fish, die blaue für Personal Translator 2006 und die
rote für das aggregierte Gesamtergebnis. Die durchschnittliche Änderung der Fehlerzahl
beträgt 0, 44 Fehler pro Satz, jeder bearbeitete Satz weist also im Durchschnitt 0, 44 Fehler
mehr auf als das Original.
Von den insgesamt 200 Übersetzungen des zweiten Korpus zeigten 71 keine Veränderung
der Fehlerzahl gegenüber dem Original. Bei 39 Übersetzungen kam es zu einer Abnahme
der Fehlerzahl, davon 27-mal um einen Fehler, fünfmal zum zwei Fehler, sechsmal um drei
Fehler und einmal um fünf Fehler. Die restlichen 90 Übersetzungen der bearbeiteten Sätze
lieferten schlechtere Ergebnisse als die Originale, wovon 55 um einen Fehler zulegten, 19
um zwei Fehler, elf um drei Fehler. Immerhin drei Sätze enthielten nach der Bearbeitung
sogar vier Fehler mehr und zwei sogar fünf Fehler.
Erklärungsversuche Die Zunahme der Fehlerzahl bei den Übersetzungen des bearbeiteten
Textkorpus war das überraschendste Ergebnis der gesamten Testreihen. Es scheint
in der Tat, als hätten beide Programme gelernt, mit derartigen Wörtern umzugehen.
Verweigerte Übersetzungen von Komposita kamen nur in den seltensten Fällen vor.
Vielfach war statt dessen zu beobachten, dass beide Programme unbekannte Wörter korrekt
in ihre Bestandteile zerlegten und diese dann einfach übersetzten, manchmal mit
weniger Erfolg, manchmal mit mehr Erfolg, wobei Personal Translator 2006 alles in allem
weniger Probleme zu haben schien als Babel Fish. Personal Translator 2006 etwa
übersetzte Stabhochsprungvizeweltmeisterin korrekt mit pole vault vice-world champion,
während Babel Fish mit staff high jump vice-world champion zwar eine äußerst wörtliche,
jedoch auch äußerst falsche Übersetzung präsentierte. Und ein Steuerberater bleibt auf
Englisch immer noch ein tax advisor, auch wenn beide MÜ-Systeme tax counsel oder tax
consultant vorschlugen.
12 Zur Berechnung der Fehlerzahlen siehe Abschnitt 4.4.1, letzten Absatz.
56

5.2. Sprachspezifische Textmerkmale
Abbildung 5.9.: Absolute Veränderungen der Fehleranzahl bei reduzierter Anzahl von Nominalkomposita
für die einzelnen Übersetzungsprogramme (Babel Fish
grün, Personal Translator 2006 blau) und aufsummiert (rot, mit Werteangaben)
Die zerlegten Komposita hätten zwar theoretisch einfacher zu übersetzen sein müssen,
warfen jedoch neue Probleme auf, insbesondere durch den nun zunehmenden Einsatz von
Präpositionen, die sich an vielen Stellen im Deutschen nicht vermeiden lassen. Aber gerade
sie wurden von beiden Programmen oftmals falsch übersetzt. Ein Beispiel: Statt
Behindertengleichstellungsgesetz kann man ebenfalls Gesetz zur Gleichstellung Behinderter
formulieren. Die Präposition zu kann im Deutschen lokalen Sinn haben (Ich gehe zur
Schule.), aber auch finalen Sinn wie bei dem Gesetzesnamen. Im Englischen muss nun in
aller Regel differenziert übersetzt werden, nämlich im ersten Fall mit to, im zweiten mit
for. Personal Translator 2006 übersetzte aber nahezu jedesmal, wenn zu einen finalen
Sinn hatte, mit to und verursachte dadurch regelmäßig neue Fehler.
Dies erwies sich aber nicht als einzige neue Fehlerquelle. Oft kam es vor, dass die verschiedenen
Teile der zerlegten Komposita nicht mehr wie im deutschen Satz in korrekter
Reihenfolge zusammenstanden, sondern kreuz und quer über den übersetzten Satz verstreut
waren. Auf derartigen Wegen kamen letztlich mehr Fehler zustande als bei der
schlichten wörtlichen Übersetzung der den Programmen unbekannten Komposita.
Das überraschende Ergebnis soll allerdings keinen Freibrief darstellen, jetzt massenhaft
Komposita in allen möglichen Texten unterzubringen, zumal dies der Verständlichkeit für
die Leserschaft abträglich wäre. Es darf lediglich dahingehend verstanden werden, dass
es kontraproduktiv ist, selbst längere Komposita systematisch zu entfernen, noch dazu
solche, die ohnehin gebräuchlich sind.
Davon abgesehen gilt aber: Wenn man Übersetzungsprogramme mit allzu wüsten Wortschöpfungen
konfrontiert, wird die Arbeit schlichtweg verweigert. Das Wort Donaudampfschifffahrtsgesellschaftskapitänsmützenherstellungsstandortverlagerungsbeschluss
konnte keines der Programme mehr übersetzen.
57

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
5.2.4. Inversion der Wortstellung
Was ist eine Inversion der Wortstellung?
Die deutsche Sprache verfügt nicht zuletzt dank ihrer noch recht ausgeprägten Flexion
über eine recht variable Wortstellung. Dennoch gibt es im normalen Sprachgebrauch
für Haupt-, Neben- und Fragesätze/Anweisungen sowie Infinitivkonstruktionen eine Art
Standardwortstellung, nämlich
• Subjekt - Prädikat - Objekt bei Hauptsätzen,
• Subjekt - Objekt - Prädikat bei Nebensätzen und
• Prädikat - Subjekt - Objekt bei Fragen und Anweisungen und
• Objekt - Infinitiv bei erweiterten Infinitiven
Es gibt aber viele Fälle – gerade in Haupt- und Fragesätzen –, in denen von dieser Konvention
abgewichen wird, um einen bestimmten Sachverhalt oder Zustand zu betonen.
Beispiele hierfür sind:
• Die Hausaufgaben hat er schon gemacht? statt Hat er die Hausaufgaben schon gemacht?
• Den Hund verjagte die Katze. statt Die Katze verjagte den Hund.
• Pünktlich kam der Zug an. statt Der Zug kam pünktlich an.
Diese Veränderung der Wortstellung, oft als Inversion bezeichnet, weil z. B. Subjekt und
Objekt die Positionen tauschen oder weil das Subjekt im Hauptsatz hinter das finite
Verb rückt, erfordert von den Übersetzungsprogrammen, dass sie in der Lage sind, sie
zu erkennen und dementsprechend von ihrem Standardübersetzungsschema abzuweichen,
zumal sich derartige Wortstellungen nicht originalgetreu im Englischen nachbilden lassen.
Dies wird insbesondere dann problematisch, wenn, anders als in den obigen Beispielen,
nicht eindeutig erkennbar ist, was Subjekt und Objekt ist. Im ersten Satz etwa könnte
Die Hausaufgaben zwar auch im Nominativ stehen und damit das Subjekt sein, jedoch
passte dann das finite Verb hat, das eindeutig in der 3. Person Singular steht, nicht dazu.
Im zweiten Satz ist Den Hund wegen des Artikels klar als Akkusativ Singular und somit
als direktes Objekt zu identifizieren, so dass nur die Katze als Subjekt verbleibt. Dagegen
ist in den Sätzen
• Gute Leistungen haben die Oldenburger Schützenvereine gezeigt.
• Ihre neuen Autos verkauften sie schon bald wieder.
allein auf Grundlage der Grammatikregeln der deutschen Sprache keine eindeutige Identifizierung
von Subjekt und Objekt möglich. Es muss im Kontext etwa bekannt sein, dass
Autos nichts verkaufen können. Aufgrund solcher Schwierigkeiten ist bei einer Inversion
der Wortstellung mit einer signifikanten Zunahme der absoluten Fehlerzahl bei der Übersetzung
zu rechnen.
58

5.2. Sprachspezifische Textmerkmale
Vorgehensweise
Dem in Abschnitt 4.2 definierten Standard entsprechend, wurden 100 Sätze aus der
deutschsprachigen Wikipedia zufällig ausgesucht, die mindestens eine Abweichung von
der Standardwortstellung enthielten, und übersetzt. Im zweiten Textkorpus wurden die
abweichenden Wortstellungen dann dem Standard angeglichen und die so entstandenen
100 neuen Sätze ebenfalls übersetzt. Zwar änderte sich dadurch die Betonung der einzelnen
Satzelemente, der Inhalt blieb jedoch stets derselbe.
Untersuchungsergebnisse
Fehlerhäufigkeit Die Untersuchung lieferte das erwartete Ergebnis (siehe Tabelle 5.10):
Das Textkorpus mit den Inversionen wies bei 2147 Wörtern insgesamt 802 Übersetzungsfehler
auf, was einer Fehlerzahl pro Wort von 0, 1868 entspricht. Demgegenüber sank die
absolute Fehlerzahl der Übersetzungen im bearbeiteten, von Inversionen befreiten Textkorpus
auf nur noch 724 Fehler bei 2152 Wörtern. Dies entspricht 0, 1682 Fehlern pro
Wort.
Die Abnahme der absoluten Fehlerzahl beträgt also beim Verzicht auf Inversionen der
Worstellung 78 Fehler oder 9, 73 Prozent. Die Abnahme der Fehlerzahl pro Wort ist mit
9, 96 Prozent noch etwas größer. Es lässt sich also festhalten, dass man die Übersetzungsqualität
deutlich verbessern kann, indem man die Standardwortstellung verwendet.
Satzart Wörter Fehler ∅ Fehler pro Wort 13
Mit Inversionen 2147 802 0,1868
Ohne Inversionen 2152 724 0,1682
Tabelle 5.10.: Inversionen und Fehlerhäufigkeit
Veränderungen der Fehlerzahl In Abbildung 5.10 ist die Veränderung der Fehlerzahl
bei der Befreiung des Textkorpus von Inversionen der Wortstellung sowohl für Babel Fish
als auch Personal Translator und insgesamt dargestellt. Die durchschnittliche Änderung
der Fehlerzahl beträgt −0, 39 Fehler pro Satz, auf jeweils 2, 5 Sätze entfällt also im Schnitt
ein Fehler.
In insgesamt 116 von 200 Übersetzungen der bearbeiteten Sätze änderte sich die Fehlerzahl
nicht. 22-mal ergibt sich eine Erhöhung der Fehlerzahl um einen Fehler, lediglich zweimal
kam es zu zwei zusätzlichen Fehlern. Demgegenüber gab es wesentlich mehr Sätze, die eine
verminderte Fehlerzahl aufwiesen, nämlich insgesamt 60, davon allein 36 Sätze mit einem
Fehler weniger und 13 mit zwei Fehlern weniger. Sieben Sätze lieferten eine Abnahme um
drei Fehler, ein Satz wies vier, zwei Sätze fünf und einer sogar sieben Fehler weniger auf.
Insgesamt waren die Veränderungen in der Regel also nicht dramatisch, aber mit klarer
Tendenz zu einer Abnahme der Fehlerzahl.
13 Zur Berechnung der Fehlerzahlen siehe Abschnitt 4.4.1, letzten Absatz.
59

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
Abbildung 5.10.: Absolute Veränderungen der Fehleranzahl ohne Inversionen der Wortstellung
für die einzelnen Übersetzungsprogramme (Babel Fish grün,
Personal Translator 2006 blau) und aufsummiert (rot, mit Werteangaben)
5.3. Signifikanz der Ergebnisse
Die ausgewählten Textmerkmale wurden gemäß den Ausführungen in Abschnitt 4.5 überprüft,
das heißt, es wurden die Sätze der zugehörigen Textkorpora auf eine signifikante
Verbesserung der Übersetzungsqualität beim Verzicht auf das jeweilige Textmerkmal hin
untersucht. Als Grundlage diente die dort angegebene Wahrscheinlichkeitsfunktion auf
Basis der hypergeometrischen Verteilung mit N = 100.000 und M = 50.000. Die Bedeutung
der Variablen N und M sowie der im weiteren Verlauf verwendeten Variablen k und
n wird ebenfalls in Abschnitt 4.5 erläutert.
Satzlänge
Für die Satzlänge war als einziges Textmerkmal ein Signifikanztest nicht möglich, weil
Satzlänge nichts ist, was sich wie etwa Nominalkomposita beseitigen ließe, ohne den Sinn
des Satzes gravierend zu verändern. Selbst wenn man die Korpora für mittellange und
kurze Sätze auf Basis des Korpus mit den sehr langen Sätzen erstellt und die Sätze jeweils
passend gekürzt hätte, wären die Veränderungen der Fehlerzahlen nicht vergleichbar, weil
es sich bei den drastisch unterschiedlichen Satzlängen in den drei Korpora um inhaltlich
stark verschiedene Sätze handeln würde.
Gleichwohl wird die Satzlänge auch ohne Signifikanztest in den Übersetzbarkeitsindex
aufgenommen, weil sie erstens von anderen Bewertungsprogrammen als Kriterium benutzt
wird (vgl. Abschnitt 3.3) und zweitens der empirische Befund zu den drei übersetzten
Textkorpora eine deutlich überproportionale Zunahme der durchschnittlichen Fehlerzahl
bei Erhöhung der Satzlänge ausweist (vgl. Abschnitt 5.1.1).
60

5.3. Signifikanz der Ergebnisse
Nebensätze (Relativsätze)
In den übersetzten Textkorpora zu Nebensätzen im Allgemeinen und Relativsätzen im
Speziellen waren keine bzw. recht geringe Veränderungen der Fehlerzahl zu beobachten.
Die Beseitigung von Nebensätzen brachte bei einer Summe der Fehlerzahländerungen von
n = 82 keine Veränderung der Gesamtfehlerzahl oder k = 41 Fehlerzahlzunahmen bei
41 -abnahmen in den Übersetzungen, deren Fehlerzahl sich veränderte. Die Beseitigung
von Relativsätzen brachte dagegen 21 Fehler weniger, wobei es in der Summe insgesamt
n = 175 Fehlerzahländerungen gab, von denen k = 98 auf die Sätze mit verringerter
Fehlerzahl entfielen.
Für die Nebensätze ergibt sich daraus eine Wahrscheinlichkeit von P (X ≥ 41) ≈ 0, 54394,
dass in den Sätzen mit Fehlerabnahme mindestens k Fehler entfallen, wenn H 0 gilt. Die
Gefahr einer fälschlichen Zurückweisung von H 0 ist daher viel zu groß, so dass sie beibehalten
wird und Nebensätze aller Art nicht in den Übersetzbarkeitsindex aufgenommen
werden. Bei Relativsätzen im Speziellen ergibt sich diesbezüglich mit k = 98 ein Wert von
P (X ≥ 98) ≈ 0, 06500. Obwohl diese Wahrscheinlichkeit größer ist als das Signifikanzniveau
α = 0, 05 und Relativsätze die Übersetzbarkeit somit nicht signifikant verschlechtern,
werden sie in den Index aufgenommen. Der Grund ist, dass der Wert der Verteilungsfunktion
nur sehr knapp über dem Signifikanzniveau liegt (bereits bei k = 99 wäre das Ergebnis
signifikant) und gleichzeitig Relativsätze in anderen Übersetzbarkeitsmaßen berücksichtigt
werden (vgl. Abschnitt 3.3). Berücksichtigt man dies, so ist die Wahrscheinlichkeit,
die Gegenhypothese H 1 zu Unrecht nicht anzunehmen, trotz des nicht-signifikanten Testergebnisses
viel zu groß. Allerdings ist der Einfluss von Relativsätzen im Vergleich zu
anderen in den Index aufgenommenen Textmerkmalen eher gering, was sich auch bei der
Konstruktion des Indexes niederschlagen wird (vgl. Kapitel 6). Dementsprechend wird
selbst eine möglicherweise doch fälschliche Aufnahme in den Index nicht zu großen Verzerrungen
führen.
Mehrdeutigkeit
Insgesamt nahm die Fehlerzahl der Übersetzungen nach dem Entfernen von Mehrdeutigkeiten
um 103 Fehler ab. Dabei gab es 92 Sätze ohne Veränderung der Fehlerzahl, 23 mit
einer Erhöhung der Fehlerzahl und 85 mit einer Verringerung der Fehlerzahl. In diesen
108 Sätzen mit veränderter Fehlerzahl kamen in den verschlechterten Sätzen 32 Fehler
hinzu, k = 135 fielen in den verbesserten Sätzen weg, so dass sich als Stichprobenumfang
der Fehlerzahlveränderungen n = 167 ergibt.
Daraus folgt (auf fünf Stellen gerundet): P (X ≥ 135) ≈ 0, 00000. Die Fehlerzahlabnahme
ist also sogar höchst signifikant, die Wahrscheinlichkeit, dass die Nullhypothese zu Unrecht
verworfen wird, dementsprechend verschwindend gering. Daher werden Mehrdeutigkeiten
in den Übersetzbarkeitsindex aufgenommen.
Elliptischer Schreibstil
Auf beide Textkorpora bezogen, ergab sich beim Entfernen von Ellipsen eine Abnahme
um insgesamt fünf Fehler in den Übersetzungen. Insgesamt summierten sich die Fehlerzahlveränderungen
auf n = 187, wovon k = 96 Fehlerzahlverringerungen waren.
Somit ergab sich für das Komplement der Verteilungsfunktion ein Funktionswert von
P (X ≥ 96) ≈ 0, 38489. Die (sehr geringe) Fehlerzahlabnahme ist also bei weitem nicht
61

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
signifikant, so dass Ellipsen nicht als Textmerkmal in den Übersetzbarkeitsindex aufgenommen
werden können.
Für abgetrennte Kompositionsglieder ergab sich jedoch ein anderes Bild: Hier traten in
den Sätzen, die nach dem Weglassen solcher Ellipsen ihre Fehlerzahl veränderten, insgesamt
n = 61 Veränderungen auf, wovon k = 42 Abnahmen waren. Daraus folgte eine
Wahrscheinlichkeit von P (X ≥ 42) ≈ 0, 00222, so dass diese Fehlerabnahme ebenfalls
höchstsignifikant ist. Abgetrennte Kompositionsglieder werden also in den Übersetzbarkeitsindex
aufgenommen.
Verbklammern
Die Sätze, aus denen die Nominalklammern entfernt wurden und deren Übersetzung sich
verbesserte, wiesen eine um k = 165 verringerte Fehlerzahl auf, während in den sich
verschlechternden Sätzen 76 Fehler hinzukamen, so dass der Stichprobenumfang n = 241
betrug.
Mit k = 165 ergab die Verteilungsfunktion dann (auf fünf Stellen gerundet) P (X ≥ 165) ≈
0, 00000, was ein höchstsignifikantes Ergebnis darstellt, so dass Verbklammern ebenfalls
in den Index einfließen werden.
Nominalklammern
Die Entfernung von Nominalklammern verursachte Veränderungen der Fehlerzahl bei 136
der 200 Übersetzungen des zweiten Textkorpus. Die Anzahl der Fehler in den Sätzen, in
denen insgesamt weniger Fehler festgestellt wurden, verringerte sich um k = 189, in den
Sätzen, in denen insgesamt mehr Fehler gemessen wurden, erhöhte sie sich um 63 Fehler,
so dass sich ein Stichprobenumfang von n = 252 ergab.
Die Verteilungsfunktion liefert P (X ≥ 189) ≈ 0, 00000, also ein höchstsignifikantes Ergebnis,
so dass Nominalklammern ohne Zweifel in den Übersetzbarkeitsindex gehören.
Nominalkomposita
Mit Nominalkomposita verhält es sich anders als mit allen anderen Merkmalen, weil ihre
Beseitigung eine deutliche Fehlerzahlzunahme in den Übersetzungen hervorrief. Die Sätze,
deren Übersetzung sich ohne Komposita verbesserte, zeigten k = 60 Fehler weniger, die
Sätze, deren Übersetzung sich ohne Komposita verschlechterte, legten um 148 Fehler zu,
was einen Stichprobenumfang von n = 208 ergibt.
Mit diesen Parametern liefert die Verteilungsfunktion P (X ≥ 60) ≈ 1, 00000. Das Ergebnis
ist also insofern bedeutsam, als man deutlich erkennen kann, dass Nominalkomposita
die Übersetzbarkeit entgegen allen anderen Behauptungen positiv beeinflussen. Es wäre
daher angebracht, sie mit umgekehrtem Vorzeichen ebenfalls in den Übersetzbarkeitxsindex
hineinzunehmen.
Allerdings ergäben sich daraus auch Probleme: Zum ersten wäre ein Algorithmus nötig, der
Nominalkomposita aus beliebigen Wörtern zuverlässig erkennt. Ein derartiges Programm
ist aber anscheinend nicht frei verfügbar, und bloßes Raten anhand der Wortlänge wäre zu
fehleranfällig. Zum zweiten stellt sich die Frage, ab wann ein Kompositum überhaupt positiv
bewertet werden soll. Das Wort Eieruhr ist beispielsweise ein Nominalkompositum,
das aber sehr kurz ist und zu dem es keine sinngleiche Bezeichnung ohne Kompositum gibt.
62

5.4. Vergleich der eingesetzten Übersetzungsprogramme
Es wäre also falsch, pauschal Bonuspunkte zu verteilen, sobald irgendein Nominalkompositum
auftaucht, zumal sich der Textkorpus auf überdurchschnittlich lange Komposita
konzentrierte. Und drittens muss der geschriebene Text immer noch für die Menschen
verständlich sein, die ihn lesen sollen. Selbst wenn es Übersetzungsprogrammen leichter
fällt, Wörter mit 30 Zeichen und mehr ins Englische zu übersetzen, fällt es sowohl Autoren
als auch Lesern mit Sicherheit bei steigender Wortlänge schwerer, Wörtern Sinn und
Bedeutung zuzuordnen.
Aus diesen Erwägungen heraus wird auf die Übernahme dieses Textmerkmals in den
Übersetzbarkeitsindex in dieser Arbeit verzichtet.
Inversion der Wortstellung
Das Ergebnis der Untersuchung von Inversionen der deutschen Standardwortstellungen
zeigte eine deutliche Abnahme der Fehlerzahl, wenn man auf Inversionen verzichtet. Insgesamt
84 der 200 Übersetzungen ohne Inversionen wiesen Veränderungen der Fehlerzahlen
auf, wobei die Summe insgesamt n = 130 Fehler betrug. Auf die Sätze, deren Fehlerzahl
in der Übersetzung sich verringerte, entfielen davon k = 104 Fehler, die nun weniger
gemessen wurden.
Somit lieferte die Verteilungsfunktion das höchstsignifikante Ergebnis P (X ≥ 104) ≈
0, 00000. Die Wahrscheinlichkeit, bei n = 130 Fehlerzahländerungen mindestens k = 104
Fehlerzahlzunahmen zu finden, ist praktisch null. Zweifelsohne verringert der Verzicht auf
Inversionen also die Übersetzungsschwierigkeiten, so dass dieses Textmerkmal ebenfalls
in den Index aufzunehmen ist.
5.4. Vergleich der eingesetzten Übersetzungsprogramme
Während der Korrektur der jeweils mit Babel Fish und Personal Translator 2006 vorgenommenen
Übersetzungen fielen im direkten Vergleich beider Programme im wesentlichen
zwei Punkte auf, die hier erwähnt werden sollen.
1. Beide Programme verhielten sich bei den untersuchten Textmerkmalen weitgehend
gleich, das heißt, die Zahl der von ihnen in der Übersetzung verursachten Fehler
veränderte sich zwischen den Textkorpora mit einer Ausnahme in dieselbe Richtung
(Zunahme oder Abnahme) und auch in etwa in derselben Stärke (hierbei gab es
allerdings zwei Ausnahmen).
2. In allen Testreihen und Textkorpora verursachte Babel Fish zum Teil deutlich mehr
Fehler als Personal Translator 2006 .
Um eine Übersicht zu ermöglichen, stellt das Diagramm in Abbildung 5.11 die Fehlerzahlen
für alle übersetzten Textkopora im Vergleich dar.
Der Fall, dass die Fehlerzahlen beider Programme sich gegenläufig entwickeln, trat bei
Ellipsen auf. Hier wiesen die mit Babel Fish übersetzten Sätze nach der Bearbeitung insgesamt
acht Fehler weniger auf, während es bei Personal Translator 2006 drei Fehler mehr
waren. Wegen der geringen Abweichung ist dem allerdings keine Bedeutung zuzumessen.
Die beiden anderen Ausnahmen traten auf beim Ersetzen von Nominalklammern durch
andere Konstruktionen und bei Steigerung der Satzlänge von mittellangen (16 - 30 Wörter)
zu sehr langen (ab 31 Wörtern) Sätzen. Im ersten Fall zeigte Babel Fish eine wesentlich
63

5. Untersuchung der Textmerkmale auf Fehlerrelevanz
Abbildung 5.11.: Vergleich der Fehlerzahlen von Babel Fish (BF, blau) und Personal
Translator 2006 (PT 2006, rot) für die einzelnen Textkorpora
64

5.4. Vergleich der eingesetzten Übersetzungsprogramme
stärkere Abnahme der Fehlerzahl als Personal Translator 2006 . Im zweiten Fall war die
Fehlerzunahme relativ gesehen bei Personal Translator 2006 wesentlich höher als bei
Babel Fish.
Der erste Punkt lässt also darauf schließen, dass die ausgewählten Merkmale nicht bloß für
ein Programm, sondern ganz allgemein eine Schwierigkeit darstellen bzw. ganz allgemein
keine Schwierigkeit bedeuten, weil andernfalls ein deutlich entgegengesetztes Verhalten
beider Programme zu erwarten gewesen wäre.
Abbildung 5.12.: Gesamtfehlerzahl von Babel Fish und Personal Translator 2006
Zum zweiten Punkt ist zu sagen, dass die Unterschiede in den Fehlerzahlen zwischen den
MÜ-Programmen bei demselben Korpus bisweilen nur wenige Prozent betragen, so dass
sie durchaus auch zufällig zustande gekommen sein könnten. Der geringste Unterschied in
den Fehlerzahlen kam bei beiden Textkorpora zu Nebensätzen zustande, wo Babel Fish
gerundet nur 2, 5 Prozent mehr Fehler verursachte als Personal Translator 2006.
Allerdings stehen dem die sehr großen Abweichungen in der Mehrzahl der übersetzten
Korpora gegenüber, die eine Differenz von bis zu 149 Fehlern zugunsten von Personal
Translator 2006 ergeben, sowie die Tatsache, dass Babel Fish in keinem der insgesamt 19
Korpora das bessere Ergebnis liefert.
Der größte prozentuale und absolute Unterschied entstand bei dem bearbeiteten Textkorpus
zu Verbklammern. Hier wiesen die Babel-Fish-Übersetzungen insgesamt knapp
43 Prozent Fehler mehr auf als die Personal-Translator-2006 -Übersetzungen. Betrachtet
man die Summe aller Fehler, aggregiert über alle Korpora und gegliedert nach Programm,
so ergibt sich folgendes Bild (vgl. Abbildung 5.12):
Personal Translator 2006 verursachte insgesamt in allen Sätzen 6865 Fehler, Babel Fish
dagegen bei gleicher Satz- und Wortanzahl 8154. Das sind immerhin knapp 19 Prozent
mehr als Personal Translator 2006 . Diese Differenz, die hohe Anzahl der übersetzten Sätze
und die durch die zahlreichen getesteten Merkmale hohe Varietät der Sätze erfordern
zwingend den Schluss, dass Personal Translator 2006 zum jetzigen Zeitpunkt (Anfang
2007) das bessere MÜ-Programm ist. 65

6. Zusammenführung der Kriterien in
einem Index
In den folgenden Abschnitten wird auf Grundlage der vorangegangenen Analyse ein Index
erstellt, der die Übersetzbarkeit eines Textes anzeigt. Zudem wird der Index anhand von
Beispielen aus den für die Analysen aufgestellten Textkopora überprüft.
6.1. Erstellung des Übersetzbarkeitsindexes
Nach der Untersuchung der Fehlerrelevanz der einzelnen Textmerkmale im vorigen Abschnitt
bleiben von den neun ursprünglich ausgewählten noch insgesamt sieben Textmerkmale
übrig, deren Auftreten die Übersetzungsqualität mindert. Aufsteigend aufgezählt
von dem Merkmal mit der geringsten Verschlechterung aus sind dies (ohne Satzlänge):
Relativsätze (statt Nebensätzen im Allgemeinen), abgetrennte Kompositionsglieder (statt
Ellipsen im Allgemeinen), Verbklammern, Inversionen der Wortstellung, Mehrdeutigkeiten
und Nominalklammern. Die Satzlänge ist zwar auch maßgeblich für die Fehlerzahl
verantwortlich, lässt sich allerdings nicht in den Kanon der anderen Merkmale einreihen,
weil dieses Merkmal jeden Satz zwingend begleitet und nicht entfernbar ist.
Um die Zielsetzungen der Arbeit zu erfüllen, müssen zwei Maßzahlen angegeben werden:
• die Übersetzbarkeit eines einzelnen Satzes und
• die aggregierte Übersetzbarkeit eines ganzen Textes mit beliebig vielen Sätzen.
Eine zentrale Frage dabei ist, wie der Index aussehen soll. Der Logos Translatability Index
etwa setzt für die Übersetzbarkeit einen Maximalwert von sieben Punkten an und zieht
dann je nach Textbeschaffenheit Punkte ab [Gda94]. Neben der Willkür dieser Festsetzung
ist auch der gewählte Ausgangswert des Indexes von sieben Punkten nicht ohne Hintergrundwissen
nachzuvollziehen. Hingegen ist der von Translatability Checker [JU01] und
Translation Confidence Index [Ber99] benutzte Ausgangswert von 100 Punkten immer
noch willkürlich, aber wesentlich einprägsamer, weil er einfach als Prozentwert gedeutet
werden kann. Und je mehr negative Faktoren zusammenkommen, desto geringer wird der
Wert.
Ein Problem bei einer derartigen Vorgehensweise, die von einem Ausgangswert aus abnehmende
Werte vergibt, ist aber, dass irgendwann 0 erreicht werden kann und negative
Übersetzbarkeitsindizes wenig Sinn ergeben. Und kann man überhaupt sagen, dass ein
Satz eine Übersetzbarkeit von 0 hat? Wie vergleicht man einen solchen Satz sinnvoll mit
einem, der noch viel mehr abträgliche Merkmale aufweist, dem man aber dennoch keine
geringere Übersetzbarkeit zuschreiben kann?
Es scheint daher wesentlich hilfreicher, einen Index zu benutzen, der bei 0 beginnt und
dann unbeschränkt Strafpunkte hinzufügen kann. Je höher dann der Wert dieses Indexes,
66

6.1. Erstellung des Übersetzbarkeitsindexes
desto geringer ist die Übersetzbarkeit bzw. desto höher das Fehlerrisiko, und sowohl Aussagekraft
als auch Vergleichbarkeit von Sätzen sind jederzeit gegeben. Dieser Ansatz wird
also nunmehr weiter verfolgt.
6.1.1. Übersetzbarkeit von Texten
Die Übersetzbarkeit eines ganzen Textes lässt sich beschreiben als der Mittelwert der
Übersetzbarkeitswerte seiner einzelnen Sätze. Seien t der zu bewertende Text, n die Anzahl
der Sätze, aus denen der Text besteht, und s i der i-te Satz im Text. Sei außerdem T S die
Übersetzbarkeit eines einzelnen Satzes (T für engl. translatability). Dann gilt für die
Übersetzbarkeit T T dieses Textes:
T T (t) = 1 n ·
n∑
T S (s i )
i=1
6.1.2. Übersetzbarkeit von Sätzen
In den Index für die Übersetzbarkeit eines einzelnen Satzes muss das Vorkommen der
verschiedenen relevanten Textmerkmale einfließen. Außerdem ist zu berücksichtigen, wie
häufig ein Merkmal im Satz auftritt, da etwa drei Mehrdeutigkeiten in einem Satz mehr
Fehler bei der Übersetzung nach sich ziehen als eine. Darüber hinaus stellt sich die Frage
nach der Gewichtung der einzelnen Merkmale, da ihre Beseitigung in den Textkorpora teils
erheblich unterschiedliche Auswirkungen hatte. Die Spanne der Abnahme der absoluten
Fehlerzahl reicht von rund zwei bis gut 13 Prozent. Es wäre daher falsch, für alle Textmerkmale
dieselbe Punktzahl anzurechnen. Die Gewichtung muss also die quantitativen
Abstände zwischen den Merkmalen wiedergeben.
Die folgende Tabelle zeigt im Überblick die verschiedenen Textmerkmale, die die Übersetzungsqualität
beeinflussen, mit den Veränderungen der Fehlerzahlen, wenn das Vorkommen
dieser Merkmale reduziert oder ganz entfernt wird, und den Abständen dazwischen.
Als Punktwert bzw. Indexgewicht wird dabei jeweils der auf 0, 5 gerundete und halbier-
Merkmal ∆ Fehler bei Entfernen Differenz zum Vorigen Gewicht
Relativsätze -2,58% — 1,25
abgetr. Kompositionsgl. -4,32% -1,74% 2,25
Verbklammern -9,58% -5,26% 4,75
Inversionen -9,73% -0,15% 4,75
Mehrdeutigkeiten -11,72% -1,99% 5,75
Nominalklammern -13,39% -1,67% 6,75
Tabelle 6.1.: Auswirkungen der Textmerkmale im Vergleich
te Betrag der Fehlerzahlveränderung aus Tabelle 6.1 benutzt. Die Halbierung erfolgt,
damit die Werte nicht zu schnell zu groß werden. Damit ergeben sich für Relativsätze
1, 25 und für abgetrennte Kompositionsglieder 2, 25, für Mehrdeutigkeit 5, 75 und für
Nominalklammern 6, 75 Punkte als Gewichtung. Inversionen und Verbklammern werden
zusammengefasst bei einem Wert von 4, 75 Punkten.
67

6. Zusammenführung der Kriterien in einem Index
Die Satzlänge lässt sich wie schon gesagt nicht in dieses Schema einordnen, sondern verlangt
statt dessen nach einer eigenen Funktion f L , die jeder Satzlänge einen Punktwert
zuordnet, wobei der Wert zu den anderen hinzugefügt wird.
Unter den Vorgaben, dass T S die Übersetzbarkeit eines Satzes, s ein gegebener Satz, f L die
Funktion zur Bewertung der Satzlänge, n die Anzahl der Textmerkmale, m i die Häufigkeit
des i-ten Merkmals, g i die Punktzahl zur Gewichtung des i-ten Merkmals und L(s) die
Länge des Satzes s seien, gilt dann:
T S (s) = f L (L(s)) +
n∑
g i · m i
i=1
Oder mit den explizit eingesetzten Gewichten für die Merkmale:
T S (s) = f L (L(s)) + 1, 25 · m rs + 2, 25 · m ak + 4, 75 · (m vk + m inv ) + 5, 75 · m md + 6, 75 · m nk
Dabei bezeichnet m vk die Anzahl der Verbklammern in diesem Satz, und analog m inv
die Anzahl der Inversionen, m md die Anzahl der Mehrdeutigkeiten, m nk die Anzahl der
Nominalklammern, m rs die Anzahl der Relativsätze und m ak die Anzahl der abgetrennten
Kompositionsglieder.
6.1.3. Bewertung der Satzlänge
Noch offen ist bislang die Bewertung der Satzlänge. Aus der zugehörigen Untersuchung
in Abschnitt 5.1.1 ging hervor, dass bei zunehmender Satzlänge auch die Fehlerzahl pro
Wort zunimmt, wenngleich der Anstieg bei großen Satzlängen weniger stark ausfällt als
bei kleinen. Weil als Fehlerhäufigkeit für Sätze der Länge 0 naturgemäß auch 0 Fehler pro
Wort angenommen werden können, ergibt sich die in Abbildung 6.1 dargestellte grafische
Darstellung des Zusammenhangs von durchschnittlicher Satzlänge (horizontale Achse)
und Fehlern pro Wort (vertikale Achse), die bereits in der vorangegangenen Untersuchung
des Einflusses der Satzlänge gemessen worden waren.
Die Vermutung liegt nahe, dass es sich um eine logarithmische Abhängigkeit handelt. Um
eine passende Funktion für die Beschreibung des Zusammenhangs zu finden, betrachtete
der Autor verschiedene dekadisch logarithmische Funktionen der Form
f L (L(s)) = a · lg(b · L(s) c + d),
wobei L(s) die Länge des Satzes s bezeichnet, und suchte nach geeigneten Konstanten a, b,
c, d ∈ R. Als beste Funktion erwies sich dabei 0, 1 · lg(L(s) 1,24 +1) , deren Fehlerquadrate,
also die Quadrate der Abweichungen der Funktionswerte von den empirisch gemessenen
Fehlerzahlen pro Wort in Abbildung 6.1, in der Summe mit einem Betrag von lediglich
2, 23 · 10 −5 mit Abstand am geringsten ausfielen. Weil die Werte dieser Funktion auch bei
großen Satzlängen sehr klein sind, so etwa 0, 1991 bei 40 Wörtern, wählte der Autor den
Faktor 100, um die Werte in ein angemessenes Verhältnis zu den Bewertungen der übrigen
Merkmale zu bringen. Die endgültige Funktion zur Bewertung der Satzlänge L(s) lautet
also bei gegebener Länge:
∀L(s) > 0 : f L (L(s)) = 10 · lg(L(s) 1,24 + 1)
68

6.2. Überprüfung des Übersetzbarkeitsindexes
Abbildung 6.1.: Zusammenhang zwischen Satzlänge und Fehlerzahl pro Wort (mit eingefügter
gestrichelter Trendlinie zwischen den empirisch gemessenen Werten)
6.2. Überprüfung des Übersetzbarkeitsindexes
Von zentraler Bedeutung für die Güte des Indexes ist, dass seine Werte die Fehleranfälligkeit
eines gegebenen Satzes passend widerspiegeln. Um sicherzustellen, dass der Index
sinnvolle Bewertungen vornimmt, an denen man die Richtung, in die die Übersetzungsqualität
eines gegebenen Satzes gehen wird, korrekt voraussehen kann, ist also ein Test
der Übersetzbarkeitsfunktion auf Satzebene erforderlich1 . Gleichzeitig diente dieser Test
auch dazu zu erkennen, wie hoch die vom Index errechneten Werte bei welchen erwarteten
Fehlerzahlen ausfallen; dies lässt sich allein aus der Definition der Gleichungen nicht
ablesen.
Für die Überprüfung wurden aus dem Korpus mit kurzen Sätzen und bei allen anderen
Textmerkmalen aus den Korpora mit Originalsätzen die ersten 15 Sätze herausgenommen
und vom Übersetzbarkeitsindex bewertet. Insgesamt wurde die Funktion also an 135
verschiedenen Sätzen getestet. Damit konkrete Werte für die einzelnen Sätze berechnet
werden konnten, wurde für jeden einzelnen Buch geführt, wie oft die relevanten Textmerkmale
darin auftraten. Am häufigsten kamen Mehrdeutigkeiten vor (168), am seltensten
abgetrennte Kompositionsglieder (16). Zu den Mehrdeutigkeiten ist außerdem zu sagen,
dass wie im zugehörigen Textkorpus nur lexikalische Mehrdeutigkeiten, also Wörter mit
verschiedenen Bedeutungen in der Zielsprache, gezählt wurden. Es zeigte sich eine große
Bandbreite von Indexwerten für die Übersetzbarkeit, die von etwa zwölf bis hin zu gut 70
Punkten reichte.
Die Qualität des Indexes kann durch einen linear-proportionalen Zusammenhang zwischen
der absoluten Fehlerzahl pro Satz und der Höhe des Indexwertes gezeigt werden, indem
die Indexwerte sich – abzüglich einer Konstante – prozentual ähnlich stark verändern wie
1 Werden die einzelnen Sätze überwiegend richtig bewertet, so gilt dies aufgrund der Beschaffenheit der
Übersetzbarkeitsfunktion für Texte aus beliebig vielen Sätzen dann auch für den ganzen Text.
69

6. Zusammenführung der Kriterien in einem Index
die Fehlerzahlen pro Satz. Die Fehlerzahl pro Wort ist hier als Variable nicht relevant, weil
ein kurzer Satz, dem genau dieselbe Übersetzbarkeit zugeordnet wird wie einem längeren,
bei gleicher Anzahl tatsächlicher Fehler eine viel höhere Fehlerzahl pro Wort aufweist. Die
Vergleichbarkeit ist somit nicht gegeben.
Die 135 Sätze wurden also auf eine Korrelation zwischen Fehlerzahl und Indexwert hin
untersucht. Zu diesem Zweck wurden die Indexwerte der Sätze in sieben Intervalle eingeteilt.
Fünf dieser Intervalle umfassten fünf Punkte, nämlich 20 bis 25, weiter bis 30, bis
35, bis 40 und bis 45 Punkte. Die Werte kleiner als 20 und größer gleich 45 bildeten jeweils
eigene Intervalle. Den Intervallen wurden nun die zugehörigen aggregierten Fehlerzahlen
zugeordnet und durch die Anzahl der Sätze im jeweiligen Bereich geteilt, so dass sich
durchschnittliche Fehlerzahlen pro Satz ergaben, die von 2, 35 Fehlern bei Indexwerten
unter 20 Punkten bis zu 6, 63 Fehlern pro Satz bei 45 und mehr Indexpunkten reichen.
Die exakten Ergebnisse sind in Tabelle 6.2 aufgeführt.
Wertebereich Indexwerte Anzahl Sätze Anzahl Fehler ∅ Fehler pro Satz
1 0-20 17 40,0 2,35
2 20-25 33 101,5 3,08
3 25-30 26 77,0 2,96
4 30-35 22 86,5 3,93
5 35-40 14 71,0 5,07
6 40-45 11 65,0 5,91
7 ≥45 12 79,5 6,63
Tabelle 6.2.: Zusammenhang zwischen Indexwert und Fehlerzahl pro Satz
Die Werteintervalle des Indexes in der zweiten Spalte inkludieren dabei jeweils den unteren
Grenzwert und schließen den oberen aus. Die Fehlerzahl in der vierten Spalte ist der
Mittelwert der Summe der Fehler, die Personal Translator 2006 und Babel Fish bei der
Übersetzung der Sätze, die in den jeweiligen Indexbereich fallen, verursacht haben.
Abbildung 6.2.: Zusammenhang zwischen Indexwert und Fehlerzahl pro Satz
70

6.2. Überprüfung des Übersetzbarkeitsindexes
Wie man erkennt, nimmt die Fehlerhäufigkeit bei steigenden Indexwerten zu. Es gibt zwar
im dritten Intervall den Fall, dass die Fehlerzahl leicht geringer ist als im vorherigen Intervall,
jedoch ist dieser Ausreißer nach unten nur sehr klein. Grafisch dargestellt ist das Ergebnis
in Abbildung 6.2. Eine lineare Abhängigkeit lässt sich anhand des Verlaufs der Fehlerzahl
bereits erahnen. Dementsprechend wurde zusätzlich eine lineare Regression auf den
vorhandenen Werten durchgeführt, deren Gerade ebenfalls in der Abbildung eingezeichnet
ist. Ihre Gleichung lautet auf drei Nachkommastellen gerundet y = 0, 736 · x + 1, 334. Die
Variable x bezeichnet darin die von eins bis sieben durchnummerierten Wertebereiche,
y die Fehlerzahl pro Satz. So ergibt sich etwa auf der Regressionsgeraden für das dritte
Intervall ein Wert von 0, 736 · 3 + 1, 334 = 3, 542 Fehlern pro Satz.
Das Bestimmtheitsmaß der Geraden beträgt R 2 ≈ 0, 96, was einen unerwartet hohen
Wert und einen nahezu perfekten linearen Zusammenhang zwischen Indexintervallen und
absoluter Fehlerzahl darstellt. Es besteht demnach kein Anlass, die Gewichte der in den
Index einfließenden Textmerkmale oder die Satzlängenbewertung anzupassen. Die Übersetzbarkeitsfunktion
wird daher unverändert in das zu erstellende Bewertungsprogramm
übernommen.
71

Teil III.
MT Analyser: Automatische Messung
der maschinellen Übersetzbarkeit
72

7. Modellierung von MT Analyser
Nachdem die theoretische Vorarbeit abgeschlossen ist, kann mit der Erstellung des Programms
zur automatischen Bewertung der Übersetzbarkeit eines deutschsprachigen Textes
ins Englische begonnen werden. Das Programm wird MT Analyser heißen (Logo siehe
Abbildung 7.1), wobei MT für machine translatability steht und der Name wohl keiner
weiteren Erklärung bedarf.
Die folgenden Abschnitte erklären detailliert die Anforderungen an das Programm, seinen
Entwurf sowie die zur Verfügung stehenden Hilfsmittel und Werkzeuge.
Abbildung 7.1.: Logo von MT Analyser (Startbildschirm des Programms)
7.1. Systemabgrenzung
Was soll MT Analyser sein und was nicht?
MT Analyser ist gedacht als Hilfsprogramm für Menschen, die - aus welchen Gründen
auch immer - kürzere oder längere Texte aus dem Deutschen ins Englische übersetzen
wollen oder müssen und sich dabei maschineller Übersetzungsprogramme bedienen, um
ihre Arbeit effizienter zu gestalten. Durch MT Analyser sollen sie Hinweise erhalten, wie
sie ihre Texte in der Ausgangssprache überarbeiten können, damit die Fehlerrate und
somit der Aufwand für die Nachbearbeitung der maschinellen Übersetzungen möglichst
gering bleibt.
Das Programm richtet sich vorwiegend an einzelne Personen mit normalen Kenntnissen
im Umgang mit Computern und Software. Ausreichendes Vorwissen über die deutsche
Grammatik wird vorausgesetzt, das heißt, es wird erwartet, dass Benutzer mit den entsprechenden
Fachbegriffen vertraut sind oder diese in einem Fachbuch nachschlagen, z. B.
[BEFH + 05].
73

7. Modellierung von MT Analyser
Insbesondere ist MT Analyser kein Programm, das bewertet, wie gut ein Mensch einen
Text übersetzen kann! Hierfür hätten im Vorfeld andere Untersuchungen durchgeführt
und andere Kriterien zugrundegelegt werden müssen.
Außerdem soll MT Analyser kein Aufsatz für ein bereits existierendes Übersetzungsprogramm
sein, sondern als unabhängiges und alleinstehendes Programm Texte hinsichtlich
ihrer Übersetzbarkeit allgemeingültig analysieren, ohne auf die Stärken oder Schwächen
eines bestimmten MÜ-Programms ausgerichtet zu sein. Dabei ist natürlich nicht auszuschließen,
dass es eines Tages für ein Programm optimiert wird.
Schließlich soll MT Analyser auch keine kontrollierte Sprache sein (vgl. Abschnitt 3.1). Es
werden keine Regeln für den Sprachgebrauch vorgeschrieben, sondern lediglich Hinweise
erteilt, an die die Verfasser zu übersetzender Texte sich halten können, aber nicht müssen.
7.2. Anforderungen an MT Analyser
Das Hauptziel der Entwicklung von MT Analyser lässt sich mit einem Satz so formulieren:
Das Programm muss in der Lage sein, den in dieser Arbeit erstellten Übersetzbarkeitsindex
mit seinen gewichteten Textmerkmalen auf einen deutschsprachigen
Text beliebiger Länge anzuwenden und ein ausführliches Ergebnis
der Bewertung der Übersetzbarkeit dieses Textes zu erzeugen.
Um dies zu erreichen, muss eine Reihe von funktionalen Anforderungen erfüllt werden. Sie
ergeben sich vor allem aus Abschnitt 7.1 und aus der Tatsache, dass der Wortlaut eines
Textes allein nicht ausreicht, um seine Eigenschaften zu erkennen. Im einzelnen sind dies:
• Die einzelnen Sätze innerhalb eines Textes müssen möglichst präzise erkannt werden.
• Zu den einzelnen Sätzen müssen weitere Informationen beschafft werden. Es ist
unverzichtbar zu wissen, welche Grundform zu einem Wort eines Satzes gehört und
zu welcher Wortart es zählt. Die Grundform wird beispielsweise zum Auffinden
von Mehrdeutigkeiten benötigt, die Wortart zum Erkennen von Verben, die für eine
Verbklammer infrage kommen. Weil diese Informationen nicht ohne weiteres erlangt
werden können, liegt der Einsatz eines bereits vorhandenen Programms nahe, das
diese Aufgabe übernimmt und in MT Analyser eingebunden wird.
• Jeder Satz muss korrekt in seine Teilsätze zerlegt werden, um sinnvoll nach Textmerkmalen
suchen zu können. Nominal- und Verbklammern beispielsweise können
nur zuverlässig erkannt werden, wenn klar ist, welche Wörter des Satzes zu einem
Teilsatz (z. B. Hauptsatz, Konzessivsatz, Finalsatz etc.) zusammengehören und somit
die Teile der Klammer bilden können.
• Die verschiedenen Textmerkmale müssen unter Ausnutzung der vorhandenen Informationen
mit möglichst hoher Genauigkeit erkannt werden. Hierfür sind geeignete
Algorithmen zu schreiben, die jeden Satz/Teilsatz durchsuchen.
• Der Wert des Übersetzbarkeitsindexes muss sowohl auf Text- als auch auf Satzebene
berechnet werden, nachdem alle Textmerkmale gefunden worden sind.
74

7.3. Zur Verfügung stehende Hilfsmittel
• Um Mehrdeutigkeiten sinnvoll behandeln zu können, muss ein editierbares Wörterbuch
implementiert werden, das eine beliebige Anzahl mehrdeutiger Begriffe sowie
deren verschiedene Bedeutungen persistent speichert.
• Das Ergebnis der Bewertung muss in schriftlicher digitaler Form persistent gespeichert
werden, um eine Nachbearbeiteung des zugrundeliegenden Textes zu ermöglichen.
Dazu zählt auch, dass alle Übersetzungsschwierigkeiten sowie weitere wichtige
textbezogene Parameter angezeigt werden.
• MT Analyser muss sowohl mit einer grafischen Oberfläche als auch in einer textbasierten
Kommandozeile ausgeführt werden können, um den verschiedenen Benutzungsvorlieben
gerecht zu werden, wobei sämtliche Funktionen in beiden Oberflächen
verfügbar sein müssen.
• MT Analyser muss außerdem sowohl auf Windows- als auch auf Linux- und Solaris-
Systemen lauffähig sein.
• Sämtliche für die Übersetzbarkeit relevanten Parameter müssen konfigurierbar sein,
um bei Bedarf Anpassungsmöglichkeiten zu bieten. Das betrifft insbesondere die zu
bewertenden Textmerkmale sowie deren Gewichtung im Index.
• Fehler sind mittels einer geeigneten Fehlerbehandlung abzufangen und ausführlich
zu berichten, wobei die Ausführung von MT Analyser nach Möglichkeit nicht abgebrochen
werden soll.
• Zusätzlich soll eine Demoversion in Form einer Webanwendung erstellt werden, die
allen Internetnutzern die Möglichkeit gibt, die wesentlichen Funktionen von MT
Analyser auszuprobrieren und sich über das Programm und die dahinterstehende
Arbeit zu informieren.
Darüber hinaus sind noch einige nicht-funktionale Anforderungen zu erfüllen. Sie ergeben
sich unter anderem aus Abschnitt 7.1.
• Das Programm muss prinzipiell einfach zu bedienen sein und bei Bedarf Hilfestellung
anbieten.
• Die Ergebnisse der Übersetzbarkeitsbewertung müssen bei Vorkenntnissen der deutschen
Grammatik verständlich und nachvollziehbar sein.
• MT Analyser muss auf PCs und Workstations mit gängiger Hardwareausstattung
funktionieren.
• Die Laufzeit für die Analyse der Übersetzbarkeit muss sich in einem angemessenen
Rahmen (einige Sekunden für ein Textkorpus mit 100 Sätzen) halten.
7.3. Zur Verfügung stehende Hilfsmittel
7.3.1. Java und Swing
Als Programmiersprache wird Java von Sun Microsystems gewählt. Der Hauptgrund
hierfür ist die Plattformunabhängigkeit, weil MT Analyser sowohl auf Windows- als auch
75

7. Modellierung von MT Analyser
auf Solaris- und Linux-basierten Rechnern arbeiten soll. Mit anderen, plattformgebundenen
Programmiersprachen wie C# wäre dies nicht oder nur mit aufwändigen Anpassungen,
die verschiedene Versionen erfordern, möglich.
Für die grafische Oberfläche wird das in Java enthaltene Grafikpaket Swing benutzt.
Die ebenfalls frei verfügbaren Oberflächen AWT (Abstract Window Toolkit) von Sun und
SWT (Standard Widget Toolkit) von IBM werden nicht eingesetzt. AWT bietet keine
einheitliche Darstellung grafischer Elemente auf verschiedenen Betriebssystemen, während
SWT nicht plattformunabhängig ist.
7.3.2. Tagging-Richtlinien
Um einen Text mit Informationen über die Wortarten der einzelnen Wörter anzureichern,
werden so genannte Tags benutzt. An den Universitäten Tübingen und Stuttgart wurde
zwecks Vereinheitlichung des Taggings deutschsprachiger Textkorpora das Stuttgart-
Tübingen-Tagset (STTS) definiert [SSTT99], das festlegt, unter welchen Bedingungen
einem Wort ein bestimmtes Tag zugewiesen wird.
Das STTS geht dabei von insgesamt elf Hauptwortarten aus, die wiederum feiner unterteilt
werden. Zum Beispiel gibt es nicht nur einen Tag für die Wortart Verb, sondern
unterschiedliche Tags für Modal-, Hilfs- und Vollverben. Die Anzahl aller verschiedenen
Tags beträgt 54, wobei 48 auf die verschiedenen Wortarten entfallen, während die restlichen
sechs für Fälle benutzt werden, in denen eine Zuordnung nach herkömmlichem
Muster nicht möglich ist, etwa bei abgetrennten Kompositionsgliedern.
Allerdings enthält das STTS keine detaillierteren grammatikalischen Informationen zur
Flexion von Worten, so dass man zwar etwa erkennen kann, dass an einer bestimmten
Stelle ein finites Hilfsverb vorliegt, aber eben nicht, in welcher Person, welchem Modus,
welchem Genus verbi, welchem Tempus und welchem Numerus es steht. Entsprechendes
gilt für die Deklination von Nomen und die Komparation von Adjektiven und Adverbien.
Die Möglichkeiten zur syntaktischen Analyse sind somit also eingeschränkt.
Wenn im weiteren Verlauf von bestimmten Tags gesprochen wird, mit denen Wörter eines
zu bewertenden Textes versehen werden oder wurden, so bezieht sich die Angabe der Tags
immer auf das STTS.
7.3.3. TreeTagger
Weil die Identifizierung der Grundformen, der Wortarten sowie der Satzfunktion der einzelnen
Wörter des Textes unerlässlich, aber nicht im Rahmen dieser Arbeit mit eigenen
Programmen zu bewältigen ist, wird ein so genannter Part-of-Speech-Tagger benötigt, der
diese Aufgabe übernimmt. Um eine gründliche Analyse der Satzstruktur durchzuführen,
die den Anforderungen an die Suche nach den verschiedenen Textmerkmalen gerecht wird,
kommt TreeTagger 1 zum Einsatz (siehe [Sch94]), der von Helmut Schmid an der Universität
Stuttgart entwickelt wurde.
Dieser Tagger ist in der Lage, gemäß STTS (siehe Abschnitt 7.3.2), den einzelnen Wörtern
Tags zuzuweisen, die deren Funktion im Satz auf einer sehr detaillierten Wortartebene
beschreiben. Darüber hinaus ermittelt TreeTagger auch die Grundform, sofern das Wort
bekannt ist.
1 Im Internet verfügbar unter: http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/
DecisionTreeTagger.html, zuletzt besucht am 3. April 2007
76

7.4. Modellierung wesentlicher Programmteile
TreeTagger zeichnet sich dadurch aus, dass er auf allen Betriebssystemen, für die auch
MT Analyser vorgesehen ist, arbeiten kann. Ihm zugrunde liegt ein wahrscheinlichkeitstheoretisches,
auf Entscheidungsbäumen basierendes Modell, dessen Parameter sich über
manuell getaggte Textkorpora trainieren lassen [Sch94].
TreeTagger arbeitet insgesamt sehr zuverlässig mit einer durchschnittlichen Fehlerquote
von 2, 5 bis 5 Prozent je nach Version und zum Testen benutztem Textkorpus (vgl. [Sch95]
und [SV98]). In einem Vergleich mit dem von Jongejan und Underwood [JU01] im Translatability
Checker bei der Bewertung der Übersetzbarkeit verwendeten (regelbasierten)
Brill-Tagger schneidet TreeTagger leicht besser ab (vgl. [SV98]).
Trotz der relativ geringen Fehlerzahlen bleibt festzuhalten, dass immerhin jedes 20. bis 40.
von TreeTagger zugewiesene Tag falsch und in Konsequenz die Erkennung von Textmerkmalen
im betroffenen Satz bei Zugriff auf diese Tags beeinträchtigt ist. Ferner beschränken
die vergebenen Tags wegen der Benutzung des STTS die Analysemöglichkeiten von MT
Analyser im Nachfeld der Ausführung von TreeTagger (siehe Abschnitt 7.3.2).
7.4. Modellierung wesentlicher Programmteile
7.4.1. Komponenten von MT Analyser
Es bietet sich an, das Programm MT Analyser zwecks besserer Strukturierung auf verschiedene
kleinere Komponenten (in Java: Pakete) zu verteilen, die jeweils eine zusammengehörende
Sammlung von Funktionen kapseln. Bedenkt man, dass als zentrale Funktionen
die Einbindung von TreeTagger, die Bewertung der Übersetzbarkeit des ausgewählten
Textes, die grafische sowie die textuelle Oberfläche, der Übersetzbarkeitsreport und die
Verwaltung des Mehrdeutigkeitslexikons zu implementierten sind, erweist sich der folgende
Programmaufbau in Paketen als sinnvoll:
• Paket mtanalyser: Klassen zum Programmstart und zur übergeordneten Ablaufsteuerung
• Paket mtanalyser.core: Klassen zur Speicherung der textbezogenen Daten und zur
Bewertung der Übersetzbarkeit (vgl. 7.4.2)
• Paket mtanalyser.reporting: Klassen zur Erstellung des Übersetzbarkeitsreports
• Paket mtanalyser.lexicon: Klassen für das Mehrdeutigkeitslexikon
• Paket mtanalyser.tagger: Klassen zur Datenaufbereitung für TreeTagger
• Paket mtanalyser.gui: Klassen für die grafische Oberfläche
• Paket mtanalyser.console: Klassen für die textuelle Oberfläche
• Paket mtanalyser.exceptions: Klassen zur Ausnahmebehandlung
7.4.2. Datenhaltung und Datenbearbeitung im Programmkern
Die datentechnische Grundlage des Programms lässt sich wie folgt modellieren: Ein Text
soll bewertet werden. Dieser Text besteht aus vielen verschiedenen, aber mindestens einem
77

7. Modellierung von MT Analyser
Satz, für den ebenfalls eine Wertung zu erstellen ist. Darüber hinaus besteht jeder Satz
aus einem oder mehreren Teilsätzen, die benötigt werden, um die Textmerkmale darin
zu suchen. Gleichzeitig ist einem Satz eine unbestimmte Anzahl größer oder gleich null
von Übersetzungsschwierigkeiten zugeordnet, die sich aus den gefundenen Textmerkmalen
ergeben.
Daraus lassen sich vier Klassen ableiten: Text für den kompletten Text, Sentence für einen
einzelnen Satz aus dem Text, PartialSentence für einen Teilsatz eines Satzes und TranslationDifficulty
für eine Übersetzungsschwierigkeit. Hinzu kommt noch eine fünfte Klasse
namens TextStatistics, die von der Klasse Text benutzt wird, um wichtige statistische
Kennzahlen zu speichern.
Zusätzlich müssen auf Basis dieser Datenhaltungsklassen alle wichtigen Berechnungen
zur Bewertung der Übersetzbarkeit durchgeführt werden, wofür sich zwei weitere Klassen
anbieten - je eine zur Berechnung auf Satz- und Textebene. Dies sind SentenceAnalyser zur
Analyse eines einzelnen Satzes und TextAnalyser zur Analyse des gesamten Textes. Das
Zusammenspiel zwischen den Klassen lässt sich dem UML-Klassendiagramm in Abbildung
7.2 entnehmen.
Klasse Text
Die Klasse Text ist die oberste Klasse und kapselt einen kompletten Text. Sie besteht im
wesentlichen aus einem Array mit mindestens einem Satz, gespeichert als Objekte vom
Typ Sentence. Hinzu kommt eine Instanz vom Typ TextStatistics, in der die zum Text
gehörenden Kennzahlen wie die Anzahl der gefundenen Schwierigkeiten hinterlegt sind.
Drei Attribute sind auch direkt in der Klasse zugänglich, unter anderem die wichtigste
Kennzahl, der Übersetzbarkeitsindex des gesamten Textes.
Klasse Sentence
Eine Instanz der Klasse Sentence repräsentiert einen Satz aus einem größeren Text und
speichert über den eigentlichen Text hinaus weitere wichtige Parameter. Insbesondere
gehören zu einem Satz auch die von TreeTagger vergebenen Tags und die jeweiligen
Grundformen der Wörter. Sie werden wie auch die einzelnen Wörter in Arrays von jeweils
identischer Größe gespeichert. Eine Darstellung des ursprünglichen Satzes als ein String
ist ebenfalls verfügbar. Darüber hinaus sind in jedem Satz auch die einzelnen Teilsätze
sowie die gefundenen Übersetzungsschwierigkeiten gespeichert. Jeder Satz hat mindestens
einen Teilsatz, aber nicht unbedingt eine Übersetzungsschwierigkeit. Der Übersetzbarkeitsindex
des Satzes sowie die Länge in Wörtern mit und ohne Satzzeichen können ebenfalls
abgerufen werden.
Klasse PartialSentence
Die Klasse PartialSentence kapselt einen Teilsatz, der aus einem ganzen Satz extrahiert
wurde. Die zugehörigen Wörter, Tags und Grundformen werden wie in der Klasse Sentence
in gleichgroßen Arrays abgelegt. Ein Objekt der Klasse PartialSentence kann sowohl ein
atomarer Teilsatz als auch ein aus mehreren Teilsätzen zusammengesetztes Aggregat sein.
Der Parameter attached gibt dabei an, ob ein Teilsatz bereits einem anderen angegliedert
wurde. Ist er auf falsch gesetzt, so steht der aktuelle Teilsatz für die Angliederung anderer
Teilsätze bereit. Das Zusammenfügen zweier Teilsätze übernimmt die Methode attach.
78

7.4. Modellierung wesentlicher Programmteile
Abbildung 7.2.: Modellierung der zentralen Klassen zur Textbewertung
79

7. Modellierung von MT Analyser
Darüber hinaus wird gespeichert, wo der Teilsatz im gesamten Satz sich erstreckt (Attribute
startPos und endPos) und an welchen Stellen er von einem anderen Teilsatz
unterbrochen bzw. wieder aufgenommen wurde (Vektoren discontinuations und continuations).
Außerdem wird im Attribut order eine Ordnungszahl gespeichert, die die Ebene
in der Satzhierarchie angibt, auf der sich der Satz befindet (mehr dazu siehe Abschnitt
8.2.3). Die übrigen Attribute beinhalten weitere Informationen zu der Art des Teilsatzes
und werden in Abschnitt 8.2.2 erläutert.
Klasse TranslationDifficulty
Die Klasse TranslationDifficulty repräsentiert alle Arten von Übersetzungsschwierigkeiten,
die entstehen, wenn ein bestimmtes Textmerkmal auftritt. Es wäre natürlich auch möglich
gewesen, für jedes relevante Textmerkmal eine eigene Klasse zu entwerfen, jedoch ähneln
sich alle Textmerkmale in ihren Attributen (alle haben Indexwerte, eine Nachricht für
die Autoren etc.) sehr stark. Der einzige wesentliche Unterschied liegt in ihrer Länge: So
bezieht sich eine Mehrdeutigkeit immer nur auf genau ein Wort, während ein Relativsatz
einen ganzen Nebensatz umfasst. Gerade auch im Hinblick auf die Implementierung und
eine mögliche Erweiterung der Analyse um neue Textmerkmale ist diese Vereinheitlichung
sehr komfortabel.
In einer Instanz des Typs TranslationDifficulty werden sämtliche Attribute mit den zugehörigen
Werten gespeichert, die eine Übersetzungsschwierigkeit ausmachen. Dies sind
im einzelnen:
• Start- und Endposition der Übersetzungsschwierigkeit innerhalb des gesamten Satzes
(Attribute startPos und endPos),
• die aus Start- und Endposition abgeleitete Länge der Übersetzungsschwierigkeit
(Attribut length),
• der Typ der Übersetzungsschwierigkeit als Code (Attribut type) und als ausgeschriebener
Name (Attribut name),
• der Textausschnitt, der die Übersetzungsschwierigkeit widerspiegelt (Attribut words)
sowie
• eine Nachricht an die Autoren des bewerteten Textes (Attribut message).
Klasse TextStatistics
Um die Kennzahlen zu kapseln, die bei der Analyse eines Textes ermittelt werden, steht
die Klasse TextStatistics zur Verfügung. Sie ermöglicht den Zugriff auf folgende Parameter,
die den Text einstufen und hinter den entsprechenden englischnamigen Attributen
verborgen sind: Übersetzbarkeitsindex des Textes, Satzanzahl, Wortanzahl, Zeichenanzahl
(ohne Leerzeichen), Anzahl der Übersetzungsschwierigkeiten insgesamt, Anzahl der
Inversionen, Anzahl der Mehrdeutigkeiten, Anzahl der abgetrennten Kompositionsglieder,
Anzahl der Nominalklammern, Anzahl der Verbklammern, Anzahl der Relativsätze, minimaler
und maximaler Übersetzbarkeitsindex eines Satzes sowie die Länge des kürzesten
und längsten Satzes.
80

7.4. Modellierung wesentlicher Programmteile
Klasse TextAnalyser
Eine Instanz der Klasse TextAnalyser dient dazu, den gesamten übergebenen Text zu
bewerten und speichert dazu den errechneten Indexwert. Die Bewertung geschieht über
die beiden Methoden analyseText() und calculateIndex(). Erstgenannte ruft für jeden
einzelnen Satz alle Methoden auf, die nötig sind, um die Textmerkmale darin zu finden,
zu bewerten und den Indexwert des Satzes zu berechnen. Dies erfolgt über die mit dem
jeweiligen Satz verbundene Klasse SentenceAnalyser.
Die Ergebnisse der Bewertung auf Satzebene werden dann in der Methode calculateIndex()
aggregiert und der Gesamtindex des Textes berechnet. Über die Methode createStatistics()
wird nach der Bewertung die dem gespeicherten Text-Objekt anhaftende TextStatistics-
Instanz mit den Rahmeninformationen über den Text gefüllt.
Den Ablauf der Textbewertung und das Zusammenspiel zwischen den Klassen TextAnalyser
und SentenceAnalyser verdeutlicht das Sequenzdiagramm in Abbildung 7.3.
Abbildung 7.3.: Sequenzdiagramm zur Darstellung des Ablaufs der Textbewertung für
beliebig viele Sätze
Klasse SentenceAnalyser
Die Klasse SentenceAnalyser stellt die Analysemechanismen auf Satzebene bereit. Sie
speichert einen einzelnen Satz und zerlegt ihn als erstes in seine Haupt- und Nebensätze,
wozu die Methoden findPartialSentences(), categorizePartialSentences(), orderPartialSentences()
und rejoinPartialSentences() dienen. Diese werden in Abschnitt 8.2 näher vorgestellt.
Für die Suche nach den verschiedenen Arten von Textmerkmalen werden die übrigen
Methoden der Form find〈X〉(), die in Abschnitt 8.3 detailliert beschrieben werden, von
81

7. Modellierung von MT Analyser
findTranslationDifficulties() aufgerufen. Dabei können die Gewichte der einzelnen Textmerkmale
satzweise über die verschiedenen 〈X〉W eight-Attribute gesteuert werden. Ebenso
kann durch Setzen der booleschen Attribute der Gestalt check〈X〉 bestimmt werden,
welche Textmerkmale gesucht und bewertet werden sollen.
Ein Aufruf der Methode findTranslationDifficulties() beginnt mit dem Ausführen der Methoden
zur Satzzerlegung und durchsucht anschließend die so erhaltenen Teilsätze nach
den ausgewählten Übersetzungsschwierigkeiten, die als Vektor im zugrundeliegenden Sentence-Objekt
gespeichert werden. Im Anschluss an die Suche wird über die Methode calculateIndex()
der Übersetzbarkeitsindex des aktuellen Satzes berechnet.
7.4.3. Modellierung des Mehrdeutigkeitslexikons
Ein Mehrdeutigkeitslexikon ist unverzichtbar, um eine Datenbasis zu haben, anhand derer
Mehrdeutigkeiten im zu bewertenden Text gefunden werden können. Hier gibt es im
wesentlichen zwei Möglichkeiten zur Datenspeicherung: in einer Datenbank oder in einer
Datei. Weil eine Datenbank erst aufwändig von den Benutzern eingerichtet werden
müsste und für ein Lexikon, das im Höchstfall einige tausend Einträge enthalten dürfte,
überdimensioniert erscheint, fällt die Entscheidung auf eine Lexikondatei. Als Dateiformat
wird XML gewählt, weil Java für die Bearbeitung von XML-Dateien im Paket javax.xml
und den untergeordneten Paketen zahlreiche Hilfen bereitstellt. Zur Implementierung des
Mehrdeutigkeitslexikons sind außer einer Lexikondatei nur noch drei weitere Klassen erforderlich,
die in Abbildung 7.4 zu sehen sind.
Klasse LexiconEntry
Die Klasse LexiconEntry kapselt einen Lexikoneintrag und enthält dazu zwei Attribute:
• basicForm: Die Grundform des mehrdeutigen Wortes.
• pairsOfMeanings: Enthält Paare zueinandergehörender Bedeutungen in Deutsch und
Englisch. Es müssen mindestens zwei Paare vorhanden sein, weil der Begriff sonst
nicht mehrdeutig ist.
Klasse PairOfMeanings
Die Klasse PairOfMeanings kapselt ein Paar sich entsprechender Bedeutungen in Deutsch
und Englisch. Als Attribute sind jeweils der deutsche und der englische Teil des Bedeutungspaares
zu setzen.
Lexikondatei lexicon.xml
Zur Speicherung der Lexikoneinträge wird ein einfaches XML-Format definiert, das die
LexiconEntry-Objekte abbildet und nach Buchstaben geordnet speichert. Die Ordnung
nach Buchstaben (A - Z, Ä, Ö, Ü) erfolgt, damit die Suche nach einzelnen Einträgen
effizienter gestaltet werden kann und ohne zusätzlichen Aufwand eine sortierte Anzeige in
der Benutzungsoberfläche möglich ist.
Das Lexikon besteht aus den verschiedenen Buchstaben des Alphabets. Jedem Buchstaben
können beliebig viele Einträge zugeordnet werden, deren Grundform im XML-Attribut
82

7.4. Modellierung wesentlicher Programmteile
Abbildung 7.4.: Modellierung des Mehrdeutigkeitslexikons
name gespeichert wird. Jeder Eintrag wiederum muss Bedeutungspaare mit deutscher und
englischer Bedeutung aufweisen.
Die zugehörige DTD sieht wie folgt aus:
83

7. Modellierung von MT Analyser
Klasse LexiconHandler
Über die Klasse LexiconHandler wird der Zugriff auf das Mehrdeutigkeitslexikon realisiert.
Der gesamte Inhalt des Lexikons ist über das Attribut lexicon als XML-Dokument
gespeichert. Mehrere synchronisierte und statische Methoden sorgen für das Hinzufügen,
Auslesen und Entfernen von Einträgen.
• initialiseLexicon(): Liest das Lexikon neu aus der zugehörigen Datei lexicon.xml aus.
• getAllLexiconEntries(): Liefert sämtliche Lexikoneinträge als Objekte vom Typ LexiconEntry
zurück.
• findLexiconEntry(): Sucht anhand einer Grundform einen bestimmten Begriff und
liefert ihn als LexiconEntry-Instanz zurück, sofern er existiert.
• addLexiconEntry(): Fügt einen neuen Lexikoneintrag hinzu und speichert ihn in der
Lexikondatei.
• removeLexiconEntry(): Entfernt einen Lexikoneintrag mit einer bestimmten Grundform,
sofern die Grundform vorhanden ist, und aktualisiert die Lexikondatei.
84

8. Implementierung von MT Analyser
8.1. Einbindung von TreeTagger
8.1.1. Satzerkennung und Reformatierung des Textes
TreeTagger verlangt, dass die zu taggenden Texte so formatiert sind, dass je ein Wort in
einer Zeile steht. Zu diesem Zweck werden alle an MT Analyser übergebenen Textdateien
zunächst mit Hilfe der Klasse Reformatter reformatiert und im neuen Format gespeichert.
Zwar umfasst TreeTagger auch einen Algorithmus, der einen Text in die einzelnen Wörter
und Satzzeichen zerlegt, jedoch zeigten sich hier bei der Erkennung gerade von Zahlen
und Abkürzungen einige leicht zu behebende Fehleinteilungen. Weil zudem einige Zeichen
in den Eingabedateien zwecks Vereinheitlichung der Zeichencodierung (es gibt u. a. verschiedene
Versionen von Gedankenstrichen) durch andere ersetzt werden müssen, wurde
ein eigener Algorithmus zur Reformatierung geschrieben, der jedes Wort bzw. Satzzeichen
in eine eigene Zeile schreibt.
Problematisch ist dabei vor allem der Umgang mit Punkten. Das Auftreten eines Punktes
alleine ist für ein Satzende kein hinreichendes Kriterium, weil ein Punkt auch zu einer
Abkürzung oder einer Ordinalzahl gehören kann. Über eine Liste mit über 300 gängigen
Abkürzungen werden Punkte herausgefiltert, die kein Satzende markieren. Wörter aus
nur einem Buchstaben, gefolgt von einem Punkt, werden ebenfalls als Abkürzungen betrachtet.
Überdies werden Zahlen kleiner als 100 sowie kleine lateinische Zahlen, denen
ein Punkt folgt, als Ordinalzahlen angesehen. Hier wäre sicherlich ein statistischer Ansatz
exakter als eine starre Grenzziehung, allerdings steht kein Material zur Verfügung, anhand
dessen sich ein Algorithmus mit höherer Genauigkeit schreiben ließe. In Tests traten
durch diese willkürliche Einteilung jedoch nur sehr selten Fehler auf.
8.1.2. Aufruf von TreeTagger
Die reformatierte Datei wird gespeichert und als Parameter zusammen mit der Zieldatei an
TreeTagger übergeben. TreeTagger verarbeitet dann die reformatierte Datei und speichert
den getaggten Text in der Zieldatei. Dazu musste unter Windows die auszuführende Batch-
Datei und in der Linux-/Solaris-Version von TreeTagger das auszuführende Shell-Skript
leicht abgeändert werden.
Der Aufruf aus MT Analyser erfolgt in der Methode execTreeTagger() in einem externen
Prozess über die in Java enthaltene Klasse ProcessBuilder. Zu unterscheiden ist an
dieser Stelle nach dem Betriebssystem, weil der Aufruf unter Windows anders funktioniert
als unter Linux-/Solaris-Systemen. Der folgende Codeausschnitt zeigt den Aufruf
von TreeTagger.
if(os.equals(OS_WINDOWS)) {
pb = new ProcessBuilder("cmd", "/c", path + "tag-german.bat",
85

8. Implementierung von MT Analyser
inputFile, outputFile);
} else {
pb = new ProcessBuilder(path + "tree-tagger-german",
inputFile, outputFile);
}
Process p = null;
try {
p = pb.start();
} catch (IOException ex) {
throw new TreeTaggerException("TreeTagger konnte " +
"nicht gestartet werden:" + newline + ex.getMessage());
}
8.1.3. Verarbeitung der Ausgabe von TreeTagger
Im Anschluss an die Ausführung wird die getaggte Textdatei eingelesen und daraus ein
Text-Objekt erzeugt, das mit den in der Datei gefundenen Sätzen, die jeweils ein Sentence-
Objekt ergeben, befüllt wird. Das Einlesen erfolgt jeweils zeilenweise, so dass bei der i-ten
Zeile der Datei die i-ten Elemente der Arrays words, tags und basicForms des jeweiligen
Sentence-Objekts mit den in der Textdatei vorgefundenen Werten beschrieben werden.
Sind alle Sätze ausgelesen, steht der Text zur weiteren Analyse bereit.
8.2. Algorithmen zur Satzanalyse
Die Satzanalyse, das heißt die korrekte Zerlegung eines kompletten Satzes in die einzelnen
Haupt- und Nebensätze, ist die Grundlage zur Erkennung mehrerer Textmerkmale: der
Verbklammern, der Relativsätze, der Nominalklammern und der Inversion der Wortstellung.
Sie alle können nur zuverlässig ausgemacht werden, wenn bekannt ist, was der sie
umgebende Teilsatz ist bzw. um was für einen Teilsatz es sich handelt. So gelten etwa für
die Wortstellung in Nebensätzen andere Regeln als in Hauptsätzen.
Die Satzanalyse erfolgt in insgesamt vier Schritten und wird wie auch die Suche nach
Textmerkmalen von der Klasse SentenceAnalyser übernommen. Im ersten Schritt wird
ein Satz in sämtliche vorhandenen atomaren Teilsätze (s. u.) zerlegt, anschließend werden
diese atomaren Teilsätze mit Attributen versehen, die ihre Rolle im Satz näher beschreiben.
Drittens wird eine hierarchische Ordnung über die atomaren Teilsätze gelegt, bevor
versucht wird, atomare Teilsätze anhand der zuvor vorgenommenen Kategorisierung und
Hierarchisierung wieder zu größeren, zusammengehörigen Einheiten, die komplette Nebenoder
Hauptsätze darstellen, zusammenzufügen.
8.2.1. Zerlegung in atomare Teilsätze
Die Zerlegung ganzer Sätze in atomare Teilsätze erfolgt ausschließlich anhand der Interpunktion.
Dazu dient die Methode findPartialSentences(). Als atomarer Teilsatz gilt jeder
Teilsatz, der keine weiteren der folgenden Satzzeichen mehr enthält: runde, geschweifte
und eckige Klammern, Gedankenstriche, Semikola, Kommata und Doppelpunkte. Die
dabei gefundenen atomaren Teilsätze müssen nicht unbedingt vollständige Neben- oder
Hauptsätze sein.
86

8.2. Algorithmen zur Satzanalyse
Zunächst wird im gesamten Satz nach eingeklammerten Teilsätzen gesucht und anschließend
nach Teilsätzen, die in Gedankenstrichen stehen. Beide stehen in der Hierarchie höher
als Kommata, Semikola oder Doppelpunkte, die erst danach gesucht werden. Werden
durch Klammern oder Gedankenstriche abgetrennte Teilsätze gefunden, wird innerhalb
dieser Teilsätze rekursiv weitergesucht, und zwar wieder erst nach Teilsätzen in Klammern
oder Gedankenstrichen und anschließend nach solchen, die durch die anderen Satzzeichen
abgegrenzt werden, bis keine mehr gefunden werden.
Insbesondere achtet der Algorithmus bei Teilsätzen in Klammern oder Gedankenstrichen
darauf, dass diese in den weiteren Analyseschritten nicht mit Teilsätzen außerhalb derselben
Klammern oder Gedankenstriche vermischt werden, weil dies falsche Hierarchisierungen
oder Verknüpfungen von Teilsätzen nach sich ziehen könnte. So kann ein Teilsatz in
einer Klammer niemals zu einem Teilsatz außerhalb dieser Klammer gehören. Abbildung
8.1 zeigt für einen komplex strukturierten Satz schematisch, wie die rekursive Analyse
abläuft.
Abbildung 8.1.: Teilsatzzerlegung am Beispiel eines aus zwölf atomaren Teilsätzen bestehenden,
mit Klammern und Gedankenstrichen versehenen Satzes
Bei Klammern wird nicht überprüft, ob eine geöffnete Klammer jeweils von einer gleichartigen
Klammer geschlossen wird, sondern nur, dass sie geschlossen wird.
Folgende zwei Beispiele illustrieren die Zerlegung in atomare Teilsätze. Der Originalsatz
Tritt die Beleidigung mit einer unmittelbar auf den Körper gerichteten Einwirkung zusammen
( ”
tätliche Beleidigung“), so liegt häufig – aber nicht notwendig – eine Körperverletzung
vor, die in Tateinheit zur Beleidigung steht. wird zerlegt in die Bestandteile:
87

8. Implementierung von MT Analyser
• Tritt die Beleidigung mit einer unmittelbar auf den Körper gerichteten Einwirkung
zusammen
• so liegt häufig eine Körperverletzung vor
• die in Tateinheit zur Beleidigung steht
• ”
tätliche Beleidigung“
• aber nicht notwendig
Der Satz Allgemein ordnet man dem Nordsommer die Monate Juni, Juli und August zu,
dem Südsommer Dezember, Januar und Februar. gliedert sich nach der Zerlegung in die
atomaren Teilsätze:
• Allgemein ordnet man dem Nordsommer die Monate Juni
• Juli und August zu
• dem Südsommer Dezember
• Januar und Februar
8.2.2. Kategorisierung der atomaren Teilsätze
Wenn alle atomaren Teilsätze gefunden sind, werden die Teilsätze in der Methode categorizePartialSentences()
kategorisiert. Hierfür steht eine Reihe von booleschen Attributen
zur Verfügung, im einzelnen:
• finiteVerb: Zeigt an, ob der aktuelle Teilsatz mindestens ein finites Verb enthält oder
nicht.
• extendedInfiniteVerb: Zeigt an, ob der aktuelle Teilstz mindestens einen Infinitiv mit
zu, der für jeden erweiterten Infinitiv benötigt wird, enthält oder nicht.
• dependentClause: Zeigt an, ob der aktuelle Teilsatz der Anfang eines Nebensatzes
ist oder nicht.
• complementingDC: Zeigt an, ob der aktuelle Teilsatz das Komplement 1 eines Nebensatzes
ist oder nicht.
• needsComplementDC: Zeigt an, ob der aktuelle Teilsatz ein Nebensatzkomplement
benötigt oder nicht.
• infinitivePhrase: Zeigt an, ob der aktuelle Teilsatz der Anfang eines erweiterten
Infinitivs ist oder nicht.
• complementingIP: Zeigt an, ob der aktuelle Teilsatz das Komplement eines erweiterten
Infinitivs ist oder nicht.
1 Als Komplement eines Teilsatzes gilt jeder Teilsatz, der einen anderen Teilsatz ohne finites oder infinites
Verb vervollständigt, indem er das benötigte Verb in sich trägt.
88

8.2. Algorithmen zur Satzanalyse
• needsComplementIP: Zeigt an, ob der aktuelle Teilsatz ein Komplement eines erweiterten
Infinitivs benötigt oder nicht.
• complementingMC: Zeigt an, ob der aktuelle Teilsatz das Komplement eines Hauptsatzes
sein kann oder nicht.
• unbound: Zeigt an, ob der aktuelle Teilsatz keiner Kategorie zugeordnet werden kann
und damit quasi als ungebunden gelten kann oder nicht.
Um die Attribute setzen zu können, wird eine Reihe von Regeln angewandt, während die
verschiedenen Teilsätze jeweils wortweise durchlaufen werden, wobei sich einige Attribute
gegenseitig ausschließen.
Das Attribut finiteVerb wird auf wahr gesetzt, sobald im vorliegenden Teilsatz ein finites
Verb gefunden wurde, wozu auch Imperative zählen. Dies ist bei allen Tags, die auf
FIN oder IMP enden, der Fall. Ganz entsprechend wird das Attribut extendedInfinite-
Verb gesetzt, wenn VVIZU als Auszeichnung für Infinitive mit eingebettetem zu als Tag
auftaucht oder alternativ ein Tag mit dem Ende INF für einfache Infinitive mit einem
vorangehenden zu.
Ein Teilsatz, der eventuell ein Komplement benötigt, ist der Anfang eines erweiterten Infinitivs.
Das Attribut infinitivePhrase wird auf wahr gesetzt, wenn entweder ein erweiterter
Infinitiv vorliegt oder aber zu Beginn des Teilsatzes von TreeTagger eine unterordnende
Konjunktion gefunden wurde (zugehöriges Tag: KOUI ), die erweiterte Infinitive einleitet
wie etwa statt oder ohne. Als Beispiel diene hierfür der Satz Statt ein Fußballfest zu
veranstalten, gingen die Münchner Bayern in Nürnberg blamabelst unter. Ist nach einer
derartigen Konjunktion im selben Teilsatz kein Infinitiv mit zu zu finden, benötigt der
Anfang des erweiterten Infinitivs noch ein passendes Komplement, um vollständig zu sein,
so dass needsComplementIP wahr ist.
Als Komplement des Anfangs eines erweiterten Infinitivs (complementingIP = wahr) wird
ein Teilsatz genau dann behandelt, wenn er keine Objekte besitzt und er nur aus einem
einzigen Infinitiv mit zu besteht. In einem solchen Fall kann der Infinitiv mit zu nicht
als Teilsatz alleinstehen (er lässt sich nicht als eigener Teilsatz durch Kommata abtrennen)
und sollte statt dessen mit einem anderen vorausgehenden Anfang des erweiterten
Infinitivs verbunden werden. Im Satz Er ging, ohne das Licht, wie es Vorschrift war,
auszuschalten. kann der Teilsatz auszuschalten nicht als durch Komma abgetrennter erweiterter
Infinitiv allein stehen, weil ihm ein Objekt fehlt. Er muss daher mit dem vorhergehenden
Anfang (ohne das Licht) des erweiterten Infinitivs zusammengefügt werden und
bildet zu diesem das Komplement. Außerdem sind auch Zusammenfügungen mit bereits
vollständigen erweiterten Infinitiven, etwa bei Aufzählungen, denkbar.
Bei Nebensätzen wird ähnlich verfahren: Steht zu Anfang eines Teilsatzes eine unterordnende
Konjunktion (Tag KOUS) wie dass oder wenn, setzt das Programm das Attribut
dependentClause auf wahr. Gleiches gilt, wenn Relativpronomen zu Satzbeginn gefunden
werden (Tags PRELS oder PRELAT ), aber auch bei zahlreichen Interrogativpronomen
(Tags PWS, PWAT und PWAV ), sofern es sich nicht um eine Frage handelt. Der Fragesatz
Wann willst du nach Hause gehen? wird somit nicht als Nebensatz markiert, der
erste Teilsatz in Warum du das getan hast, verstehe ich nicht. schon.
Um auch die im Deutschen häufigen konjunktionslosen Nebensätze zu erkennen, die insbesondere
bei Konditional- und Kausalsätzen auftreten und sich durch invertierte Wortstellung
auszeichnen, wird im ersten Teilsatz, sofern es sich nicht um eine Frage handelt,
89

8. Implementierung von MT Analyser
nach zu Anfang stehenden finiten Verben (ausgenommen Imperative) gesucht. Ein Beispiel
hierfür ist der Satz Hättest du geschwiegen, wärst du Philosoph geblieben. Hier wird
der erste Teilsatz korrekt als Nebensatz erkannt, der zweite gilt weiterhin als Hauptsatz.
Erweiterte man den Satz um einen zweiten Konditionalsatz ohne Konjunktion zu Beginn
oder am Ende des Satzes, so könnte dieser allerdings nicht erkannt werden, weil sich die
Wortstellung nicht mehr von der eines Hauptsatzes an derselben Stelle unterschiede.
Ebenso wenig kann erkannt werden, wann konjunktionslose Objektsätze wie Ich sage
mal, wir machen das. vorliegen, die normalerweise mit dass oder ob eingeleitet werden
müssten und nicht mit dem übergeordneten Hauptsatz verbunden werden dürfen, weil es
wegen der fehlenden Konjunktion und der mit Hauptsätzen identischen Wortstellung keine
Möglichkeit gibt, sie mit hoher Genauigkeit zu identifizieren. Bei indirekter Rede wäre eine
Identifizierung noch am ehesten wegen des vom Indikativ in den Konjunktiv wechselnden
Modus möglich, jedoch liefert TreeTagger keine Modusangaben, und die Implementierung
einer Moduserkennung würde über den Rahmen dieser Arbeit hinausgehen.
Dieses Manko ist insofern aber nicht schlimm, als derartige Konstruktionen in Dokumenten,
in denen auf eine gehobene, formalere Ausdrucksweise Wert gelegt wird, relativ selten
vorkommen und kein Textmerkmal deswegen unentdeckt bleibt.
Wenn ein Nebensatzanfang anhand der zuvor beschriebenen Kriterien entdeckt wurde,
aber kein finites Verb hat (finiteVerb = false) und somit unvollständig ist, benötigt er ein
Komplement, um vollständig zu werden, so dass needsComplementDC auf wahr gesetzt
wird.
Etwas schwieriger ist es wiederum festzustellen, wann ein Satz ein Komplement für einen
angefangenen Nebensatz darstellt. Ein absolut sicheres Kriterium hierfür gibt es nicht,
allerdings einen guten Anhaltspunkt, den MT Analyser nutzt: Weil in Nebensätzen das
Prädikat am Ende steht, wird bei einem finiten Verb in Endposition angenommen, dass es
sich um ein Nebensatzkomplement handelt (complementingDC = wahr), sofern dem aktuellen
Teilsatz bereits ein Nebensatzanfang vorausgegangen ist. Dabei kann es allerdings
bei kurzen Sätzen zu Überschneidungen mit Hauptsatzkomplementen kommen. Weil bei
Fortsetzungen von Hauptsätzen das finite Verb oftmals an erster Stelle steht oder abgetrennt
vom finiten Verb am Ende der Verbklammer Partizipien (Tags VAPP, VMPP,
VVPP) oder Infinitive stehen, wird in allen Teilsätzen danach gesucht und im Falle eines
Auftretens das zugehörige Attribut complementingMC auf wahr gesetzt.
Eine gezielte Suche nach Anfängen von Hauptsätzen oder danach, ob ein Hauptsatz eines
Komplements bedarf, findet allerdings nicht statt, weil sich anhand der verfügbaren
Informationen nicht exakt bestimmen lässt, was ein Hauptsatz ist und was nicht. Als
möglicher Bestandteil des Hauptsatzes wird alles behandelt, was als Hauptsatzkomplement
markiert ist oder ein finites Verb hat und nicht zu einem Nebensatz oder einem
erweiterten Infintiv zählt. (Überschneidungen von Nebensatz- und Hauptsatzkomplementen
sind allerdings wie erwähnt erlaubt.) Dieses Vorgehen erwies sich beim Testen des
Algorithmus als sinnvoll, weil es gute Resultate bei der Analyse lieferte.
Wenn ein Teilsatz weder Komplement noch Nebensatz noch erweiterter Infinitiv ist und
auch kein finites Verb hat und überhaupt keine begründete Einordnung möglich ist, wird er
als ungebunden betrachtet (unbound = wahr) und ist somit später sehr frei im Eingehen
von Verbindungen mit anderen Sätzen. Hierzu zählen insbesondere Appositionen oder
kurze Anfänge oder Enden von Haupt- oder Nebensätzen, die dann durch einen anderen
Teilsatz unterbrochen werden.
90

8.2. Algorithmen zur Satzanalyse
Beispielsatz
An dieser Stelle soll die Kategorisierung der atomaren Teilsätze anhand eines komplexen
Beispielsatzes vorgeführt werden. Der Satz Dass ich meinen Koffer vergessen hatte, bemerkte
ich, nachdem ich das Hotel, in dem ich gewohnt hatte, verlassen hatte, und machte
kehrt. liefert insgesamt sechs atomare Teilsätze, jeweils durch ein Komma getrennt. Beim
sequenziellen Durchlaufen der Teilsätze wird nun der erste Teilsatz als Nebensatz erkannt,
weil er durch die unterordnende Konjunktion dass eingeleitet wird. Er hat darüber hinaus
ein finites Verb (hatte), so dass er kein Komplement benötigt und das entsprechende
Attribut nicht gesetzt wird. Der zweite Teilsatz bemerkte ich wird dagegen als Hauptsatzkomplement
eingestuft, weil das finite Verb bemerkte am Anfang steht. Der dritte
Teilsatz wird wiederum wegen der einleitenden unterordnenden Konjunktion nachdem als
Nebensatz eingestuft, hat diesmal allerdings kein finites Verb, so dass er eines Komplements
bedarf (needsComplementDC = wahr). Der nun folgende Relativsatz wird wegen
des Relativpronomens zu Beginn ebenfalls als Nebensatz eingestuft, benötigt aber wegen
des finiten Verbs am Ende kein Komplement. Den nun folgenden Teilsatz verlassen hatte
sieht der Algorithmus dagegen als Nebensatzkomplement an, weil ein finites Verb am Ende
vorliegt, was bei Hauptsätzen eine unübliche Wortstellung wäre. Der letzte Teilsatz und
machte kehrt ist für das Programm ein potenzieller Hauptsatz wegen des finiten Verbs,
aber kein Hauptsatzkomplement, weil das finite Verb machte nicht am Anfang steht. Tabelle
8.2.2 zeigt die Kategorisierung dieses Satzes mit den benötigten Attributen in einer
Übersicht.
Teilsatz finite- dependent- needsComple- complemen- complemen-
Verb Clause mentDC tingDC tingMC
Dass ... hatte × ×
bemerkte ich × ×
nachdem ... Hotel × ×
in dem ... hatte × ×
verlassen hatte × ×
und machte kehrt ×
Tabelle 8.1.: Beispielsatz mit Kategorisierung der einzelnen Teilsätze
8.2.3. Hierarchisierung der atomaren Teilsätze
Im zweiten Schritt werden die soeben kategorisierten Teilsätze innerhalb des gesamten
Satzes mit einer Ordnung versehen, die über Zahlenwerte ausgedrückt wird. Der Wert
der Ordnung gibt die Ebene an, auf der sich ein Teilsatz, ausgehend vom Hauptsatz,
der auf Ebene 0 eingeordnet wird, befindet. Abbildung 8.2 verdeutlicht die Vergabe der
Ordnungszahlen anhand des bereits bekannten Beispielsatzes.
Der einleitende Nebensatz Dass ich meinen Koffer vergessen hatte erhält die Ordnungszahl
1, weil er direkt über dem darauffolgenden Hauptsatz (Ordnungszahl 0) in der Hierarchie
angeordnet ist. Der an den Hauptsatz anschließende Temporalsatz erhält wieder die
Ordnungszahl 1, weil er eine Ebene über dem Hauptsatz steht. Der Relativsatz an vierter
Stelle ist in den Temporalsatz eingebettet und damit noch eine Ebene darüber, weshalb er
die Ordnungszahl 2 erhält. Danach folgt noch das Komplement des Temporalsatzes, das
91

8. Implementierung von MT Analyser
Abbildung 8.2.: Beispielsatz mit Hierarchisierung der einzelnen Teilsätze
zwar theoretisch auf Ebene des Relativsatzes sein könnte. Weil dieser aber ein finites Verb
am Ende hat und somit vom Algorithmus als abgeschlossen betrachtet wird, erniedrigt
sich die Ordnungszahl auf den Wert 1. Am Ende steht der zweite Teil des Hauptsatzes,
dessen Ordnungszahl auf 0 gesetzt wird, weil das vorausgehende Nebensatzkomplement
mit einem finiten Verb endet und ebenfalls als abgeschlossen angesehen wird.
Die Vorgehensweise des Algorithmus ist dabei allgemein folgende: Alle Teilsätze werden
in der ursprünglichen Reihenfolge durchlaufen. Beginnt ein neuer Nebensatz, so wird
die Ebene und damit die Ordnungszahl jeweils um 1 erhöht. Findet sich am Ende des
Nebensatzes ein finites Verb, wie es die Wortstellung im Deutschen vorsieht, so wird, weil
zur Vollständigkeit des Nebensatzes kein Komplement mehr benötigt wird, angenommen,
dass der Nebensatz beendet ist und die Ordnungszahl wieder um 1 herabgesetzt. Dies
ist nötig, weil sich sonst aufeinanderfolgende, aber nicht verschachtelte Nebensätze in
verschiedenen Ebenen befinden würden, obwohl sie auf derselben Ebene der Satzhierarchie
liegen. Komplemente zu Nebensätzen behalten die aktuell gültige Ebene bei.
Erweiterte Infinitive erhöhen die Ordnungszahl der Satzebene nur dann, wenn sie ein
Komplement benötigen, also ein Infinitiv mit zu noch fehlt. Die Anzahl dieser geöffneten
erweiterten Infinitive wird gespeichert und jedesmal, wenn ein Komplement, zu dem es
auch einen geöffneten erweiterten Infinitiv gibt, vorkommt, um 1 erniedrigt. Erst wenn
ihr Wert auf 0 gesunken ist, wird bei einem neuen erweiterten Infinitiv die Ordnungszahl
wieder erhöht.
Andere Komplemente hingegen verändern die aktuelle Ordnungszahl nicht. Gleiches gilt
auch für ungebundene Teilsätze.
8.2.4. Zusammenfügen der atomaren Teilsätze
Im letzten Schritt wird unter Zuhilfenahme von Kategorisierung und Hierarchisierung der
atomaren Teilsätze in den beiden vorangegangenen Abschnitten der Analyse versucht,
Teilsätze zu größeren Einheiten zusammenzufügen, so dass jeder verbliebene Teilsatz am
Ende des Vorgangs einen kompletten Hauptsatz, Nebensatz oder erweiterten Infinitiv darstellt
und sich für die Suche nach Textmerkmalen eignet. Für das Zusammenfügen sind die
Methoden rejoinPartialSentences() in der Klasse SentenceAnalyser und attach() in der
Klasse PartialSentence zuständig. Atomare Teilsätze, die bereits einem anderen Teilsatz
angegliedert wurden (attached = true), werden nicht mehr untersucht, um Doppelverbindungen
zu vermeiden, wohl aber die Teilsätze, denen sie angegliedert wurden.
In erstgenannter Methode wird in dieser Reihenfolge für alle erweiterten Infinitve, Nebensätze,
Hauptsätze und ungebundenen Teilsätze überprüft, ob es in der Gesamtheit der
Teilsätze einen oder mehrere andere gibt, die von ihren Attributen her passend sind und
mit dem aktuellen Satz verbunden werden können. Die Reihenfolge begründet sich damit,
dass zunächst die klar markierten Anfänge von erweiterten Infinitven und Nebensätzen
versuchen sollen, alle passenden Teilsätze an sich zu binden, bevor die darunterliegenden
92

8.2. Algorithmen zur Satzanalyse
und nicht so klar markierten Hauptsätze die übrigen Teilsätze aufnehmen sollen. In den
Tests erwies sich diese Abfolge der verschiedenen Satzarten als sehr nützlich, weil ohne sie
oftmals Nebensätze oder erweiterte Infinitive nur unvollständig zusammengefügt wurden.
Die ungebundenen Sätze suchen erst zum Schluss nach anderen passenden Sätzen, weil
sie in der Regel zu recht vielen Teilsätzen gehören könnten und es sich als günstiger herausgestellt
hat, erst andere Teilsätze versuchen zu lassen, sich mit ihnen anhand besserer
Kriterien zu verbinden. Im Zweifel, wenn eine eindeutige Zuordnung nicht möglich ist,
bleiben sie unverbunden.
Es werden im Laufe des Algorithmus nur Teilsätze miteinander verbunden, die sowohl
von ihren Attributen als auch von ihrer Ordnungszahl her zueinander passen. So werden
mit einer einzigen Ausnahme in einem Sonderfall bei ungebundenen Teilsätzen nur solche
Teilsätze verbunden, deren Ordnungszahlen gleich sind; dies aber auch nur dann, wenn
dazwischen kein anderer Teilsatz eine niedrigere Ordnungszahl oder, falls der andere Teilsatz
ein neuer Nebensatz oder ein neuer erweiterter Infinitiv ist, dieselbe Ordnungszahl
aufweist.
Bei den Attributen gilt für Anfänge von Nebensätzen und erweiterten Infinitiven, dass sie
nur mit den jeweiligen Komplementen oder ungebundenen Teilsätzen verbunden werden
können. Komplemente wiederum können nur dann mit zugehörigen Anfängen verbunden
werden, wenn diese vor dem Komplement liegen. Mutmaßliche Hauptsätze oder deren
Komplemente können dagegen mit ungebundenen Sätzen, anderen Hauptsätzen und
Hauptsatzkomplementen unabhängig von deren Position zusammengehen.
Die an dieser Stelle noch übrig gebliebenen ungebundenen Teilsätze suchen nun nach
anderen Teilsätzen mit gleicher Ordnungszahl. Wenn eine Zuordnung nicht möglich ist,
weil etwa der infrage kommende Teilsatz auf gleicher Ebene ein Nebensatzanfang ist und
hinter dem ungebundenen Satz steht, versucht der Algorithmus eine Zuordnung des ungebundenen
Teilsatzes zu einem der maximal zwei direkt umgebenden Teilsätze, auch wenn
leichte Abweichungen in den Ordnungszahlen vorliegen.
Beispielsatz
Die genaue Funktionsweise dieses Algorithmus wird anhand des bekannten Beispielsatzes
(Dass ich meinen Koffer vergessen hatte, bemerkte ich, nachdem ich das Hotel, in dem
ich gewohnt hatte, verlassen hatte, und machte kehrt.) wiedergegeben. Die kategorisierten
und hierarchisierten Teilsätze werden nun in der oben genannten Reihenfolge durchlaufen.
Weil es im Beispiel keine erweiterten Infinitive gibt, wird mit dem Zusammenfügen von
Nebensätzen fortgefahren.
Für den einleitenden Nebensatz beginnt die Suche nach passenden Ergänzungen mit dem
Teilsatz bemerkte ich. Weil dieser jedoch eine niedrigere Ordnungszahl hat als der Nebensatz,
kommt er nicht infrage und ebenso wenig alle weiteren Nebensätze. Für den ersten
Teilsatz gibt es also keine Ergänzungen. Als nächstes wird der dritte Teilsatz (nachdem
ich das Hotel) betrachtet. Der folgende Relativsatz passt unter anderem wegen der höheren
Ordnungszahl nicht, jedoch der fünfte Teilsatz vergessen hatte, weil es sich dabei um
ein Nebensatzkomplement handelt und der aktuelle Nebensatz ein Komplement benötigt
und dieselbe Ordnungszahl aufweist. Dementsprechend werden beide Sätze miteinander
verbunden. Der letzte Teilsatz kommt wiederum nicht infrage, unter anderem weil er eine
niedrigere Ordnungszahl aufweist. Der als nächstes untersuchte Relativsatz kann nicht
mit anderen Sätzen verbunden werden, weil kein anderer dieselbe Ordnungszahl besitzt.
93

8. Implementierung von MT Analyser
Nun werden noch die beiden Teile des Hauptsatzes überprüft. Für den Teilsatz bemerkte
ich kommt der vorausgehende Teilsatz nicht infrage, weil das ein Nebensatz ist, mit
derselben Begründung ebenso wenig die beiden Nachfolger. Der fünfte Teilsatz vergessen
hatte wurde bereits an einen anderen angehängt und wird deshalb nicht mehr berücksichtigt.
Der letzte Teilsatz und machte kehrt ist hingegen auf derselben Ebene und kein
Nebensatz oder erweiterter Infinitiv. Er wird daher mit dem zweiten Teilsatz verbunden,
womit das Zusammenfügen abgeschlossen ist.
8.2.5. Überprüfung der Satzanalyse
Um die Genauigkeit der Satzanalyse zu testen, wurden einerseits die unbearbeiteten Textkorpora
zu Nebensätzen und Relativsätzen ausgewählt und von MT Analyser in ihre
Teilsätze zerlegt, weil sie am ehesten komplexe Satzkonstruktionen garantieren und damit
hohe Anforderungen an die Algorithmen stellen, und des weiteren noch zwei andere,
willkürlich ausgewählte unbearbeitete Textkorpora hinzugenommen. Insgesamt wurde die
Arbeit der Algorithmen zur Satzanalyse an 340 Sätzen überprüft.
Von diesen 340 Sätzen wurden 322 vollkommen richtig in Haupt- und Nebensätze aufgeteilt,
wobei in neun Fällen die Algorithmen von MT Analyser eine falsche Einteilung
verursachten, während in den neun anderen Fällen die Fehler auf falsche Klassifikationen
durch TreeTagger zurückzuführen waren, so dass MT Analyser keine Chance hatte,
richtig zu arbeiten. Geht man von den 331 Sätzen aus, in denen eine korrekte Analyse
möglich war, ergibt sich bei 322 korrekten Analysen eine Genauigkeit von 97, 3 Prozent.
Das Ergebnis zeigt also, dass die Algorithmen sehr zuverlässig arbeiten.
8.3. Algorithmen zur Erkennung von Textmerkmalen
Textmerkmale werden ausschließlich auf Satzebene gesucht, weil kein Textmerkmal satzübergreifend
auftreten kann. Um sie zu finden, greift MT Analyser auf die einzelnen
Wörter sowie deren von TreeTagger zugeordneten Grundformen und Tags zu. Für abgetrennte
Kompositionsglieder, Mehrdeutigkeiten und Relativsätze reicht das bloße Antreffen
jeweils eines Tags, einer Grundform oder eines Wortes an bestimmten Stellen des
Satzes. Um das Vorkommen eines anderen Textmerkmals sicher bestimmen zu können,
müssen, sobald Anzeichen für das Auftreten dieses Merkmals vorliegen, weitere Analysen
der Satzstruktur unternommen werden. Diese können sich allerdings auf den jeweiligen
Teilsatz beschränken, weil Textmerkmale sich nur innerhalb eines einzigen Teilsatzes befinden
können. So kann etwa eine Verbklammer nicht im Hauptsatz beginnen und dann
in einem Nebensatz enden. Im folgenden werden die Algorithmen für die einzelnen Textmerkmale
näher beschrieben.
8.3.1. Abgetrennte Kompositionsglieder
Die Erkennung abgetrennter Kompositionsglieder ist von allen die einfachste. Weil jedesmal,
wenn ein Wort in einem deutsprachigen Text mit einem Bindestrich anfängt
oder aufhört, ein abgetrenntes Kompositionsglied vorliegt, reicht es aus, nach diesen Bindestrichen
Ausschau zu halten. Genauso verfährt der Algorithmus, der Wort für Wort
den aktuell vorliegenden Satz durchsucht und das erste bzw. letzte Zeichen jedes Wortes
94

8.3. Algorithmen zur Erkennung von Textmerkmalen
daraufhin überprüft, ob es ein Bindestrich ist. Satzzeichen werden von der Betrachtung
ausgeschlossen. Der folgende Codeausschnitt zeigt die Erkennung von abgetrennten Kompositionsgliedern.
String[] words = sentence.getWords();
for(int i = 0; i < words.length; ++i) {
if(words[i] != null && !isPunctuation(words[i]) &&
(words[i].endsWith("-") || words[i].startsWith("-"))) {
TranslationDifficulty td = createHyphenatedCompound(sentence,i);
difficulties.add(td);
}
}
Aufgrund der Einfachheit des Algorithmus erbrachte auch der Test mit dem unbearbeiteten
Korpus für Ellipsen aller Art eine Erkennungsquote von 100 Prozent für abgetrennte
Kompositionsglieder.
8.3.2. Inversionen der Wortstellung
Bei der Inversion sind in Übereinstimmung mit der Klassifikation der Teilsätze durch
MT Analyser in Hauptsätze, Nebensätze und erweiterte Infinitive verschiedene Muster
anzuwenden, die sich hinsichtlich der erwarteten Wortstellung an die in Abschnitt 5.2.4
dargestellten Standardwortstellungen halten. Die Suche nach invertierter, aber grammatikalisch
korrekter Wortstellung ist dabei nicht zu verwechseln mit der Suche nach falscher
Wortstellung. Sie muss also erkennen, dass ein Satz wie Gesehen habe ich dich noch nie.
von der normalen Wortstellung in einem Hauptsatz mit Subjekt an erster und finitem
Verb an zweiter Position abweicht, jedoch nicht, dass etwa Ich habe gesehen noch nie
dich. schlichtweg falsch ist.
Nebensätze
Die normale Wortstellung in Hauptsätzen verlangt insbesondere, dass das finite Verb
in Endstellung steht. Dementsprechend untersucht MT Analyser alle Nebensätze vom
Anfang ausgehend nach finiten Verben. Wird ein finites Verb gefunden, das nicht am
Ende steht, ohne dass direkt darauf ein weiteres Verb oder eine Konjunktion, die einen
neuen Teil des Nebensatzes einleitet, folgt, wird die Wortstellung als invertiert betrachtet.
Auf diese Weise werden auch die insbesondere in der Umgangssprache häufigen Umstellungen
der Art weil er wollte nicht mehr vorbeikommen abgedeckt und erkannt. Der zweite
Teilsatz in Sie ging einkaufen, weil sie noch Geld übrig hatte und dringend ein neues
Parfüm suchte. wird hingegen nicht als invertiert betrachtet, weil nach dem ersten finiten
Verb eine Konjunktion steht.
Darüber hinaus wird der veränderten Wortstellung bei doppelten Infinitiven Rechnung
getragen, wie etwa in dem Satz weil er nicht hatte vorbeikommen wollen. Infinitivgruppen
am Ende werden nicht als invertiert angesehen, sofern direkt vor ihnen ein finites Verb
steht. Tritt eine Verneinung auf, muss sie vor dem Verb stehen. Der Kausalsatz weil er
hatte nicht vorbeikommen wollen würde also korrekt als invertiert erkannt.
95

8. Implementierung von MT Analyser
Erweiterte Infintive
Im Gegensatz zu Nebensätzen beginnt die Analyse erweiterter Infinitiven am Satzende,
wo entweder ein Infintiv mit davorstehendem Partikel zu (Tagkombination PTKZU +
VVINF, VAINF oder VMINF ) erwartet wird, oder ein Infinitiv, der den Partikel zu
bereits in sich trägt (Tag VVIZU ). Gruppen solcher Infinitive werden auch akzeptiert,
sobald aber mehr als nur eine Konjunktion oder ein den Infinitiv näher bestimmendes
Adverb zwischen ihnen stehen, gilt der Teilsatz als invertiert.
Hauptsätze
Am schwierigsten erwies sich die Analyse der Wortstellung im Hauptsatz, weil hier viele
verschiedene Fälle zu beachten sind, in denen die Wortstellung invertiert ist, und die
von TreeTagger vergebenen Tags nicht immer genügend grammatikalische Information
enthalten, um allein mit ihrer Hilfe eine Inversion zu bestimmen (vgl. hierzu die Beispiele
in Abschnitt 5.2.4). Dabei werden nur in den Fällen Übersetzungsschwierigkeiten erzeugt,
die wirklich eindeutig eine Inversion darstellen, um Falschmeldungen zu vermeiden.
Als erstes wird überprüft, ob es sich um eine Frage oder einen Befehl handelt. In diesem
Fall werden an der Spitze bzw. vor dem Personalpronomen stehende finite Verben nicht
beanstandet. Ansonsten wird dies als Inversion markiert, etwa in dem Satz Bevor der Zoo
eröffnet wurde, musste er renoviert werden. Dabei wird insbesondere überprüft, ob eine
Form eines Pronomens, die eindeutig als Nominativ identifizierbar ist, direkt hinter dem
finiten Verb steht. Dies ist nur für die Personal- und Indefinitpronomen ich, du, er, wir,
man, jemand und niemand möglich.
Analog zur Suche nach Nominativen hinter dem finiten Verb wird vor dem finiten Verb
nach Formen von Pronomen gesucht, die nie im Nominativ auftreten. Bei Adjektiven
an der Spitze eines Teilsatzes, die auf -en und -em enden, wird ebenfalls eine Inversion
erkannt. Stehen andere Indikatoren am Satzanfang vor dem finiten Verb, die eindeutig eine
Abweichung von der Standardwortfolge nach sich ziehen, wie beispielsweise Präpositionen
oder ein Adverb, so wird ebenfalls eine Übersetzungsschwierigkeit erzeugt.
Testergebnisse
Der Algorithmus wurde mit Hilfe des unbearbeiteten Textkorpus zu Inversionen der Wortstellung
getestet. Dabei wurden im gesamten Text 96 Inversionen entdeckt bei 108 vorhandenen.
Dies entspricht einer Erkennungsquote von 88, 9 Prozent. Dabei kam es allerdings
öfter vor, dass wegen falscher Tags und daraus resultierender falscher Zusammensetzung
der Teilsätze der als invertiert angezeigte Satzausschnitt zu lang war. Ebenfalls entstanden
durch falsche Tags zwei Fehlerkennungen.
Beschränkt man die Betrachtung auf die 87 Sätze, in denen weder fehlerhafte Tags noch
inkorrekt zusammengefügte Teilsätze die Erkennung behinderten, so ergibt sich folgendes
Bild: Von 88 vorhandenen Inversionen wurden 81 erkannt, was einer Quote von 92, 0
Prozent entspricht. Fehlerkennungen traten dabei nicht mehr auf.
8.3.3. Mehrdeutigkeiten
Der Algorithmus für die Suche nach Mehrdeutigkeiten gestaltet sich mit dem Mehrdeutigkeitslexikon
im Hintergrund relativ einfach. Es bedarf lediglich eines Abgleichs zwischen
96

8.3. Algorithmen zur Erkennung von Textmerkmalen
den in der Lexikondatei eingetragenen Grundformen der mehrdeutigen Begriffe und den
von TreeTagger ermittelten Grundformen der Wörter innerhalb eines Satzes. Dazu wird
das in der Klasse LexiconHandler hinterlegte Lexikon ausgelesen und für jedes Wort an
x-ter Stelle eines Satzes überprüft, ob sich in dem XML-Dokument ein Knoten vom Typ
entry mit passendem Wert des Attributs name findet, der der in basicForms[x] gespeicherten
Grundform entspricht. Ist dem so, wird eine Übersetzungsschwierigkeit vom Typ
Mehrdeutigkeit erzeugt, in der auch die verschiedenen zugehörigen Bedeutungen zwecks
Anzeige im Übersetzbarkeitsreport abgelegt werden.
8.3.4. Nominalklammern
Mit Abstand am schwierigsten gestaltete sich die Erkennung von Nominalklammern. Hier
gibt es viele Fälle, in denen anhand der durch TreeTagger verfügbaren grammatikalischen
Informationen nicht entschieden werden kann, ob es sich um eine Nominalklammer gemäß
der Definition aus Abschnitt 5.2.2 handelt oder nicht. Ein Beispiel hierfür ist die Tag-
Abfolge ART ADJA NN ADJA NN. Diese kann sowohl für einen uninteressanten Satzausschnitt
wie < np >die schnelle Entwicklung< /np > < np >neuer Technologien< /np >,
in dem zwei Nominalphrasen, abgegrenzt durch < np > bzw. < /np >, aufeinander folgen,
als auch für einen Satzausschnitt wie < np >der < np >kürzere Fahrzeiten< /np >
ermöglichende Streckenausbau< /np >, in dem sich innerhalb der umgebenden Nominalphrase
eine weitere als vorangestelltes Attribut befindet, stehen.
Verworfene Algorithmen
Als erstes wurde versucht, TreeTagger, der auch als Chunker benutzt werden kann, einzusetzen,
um die Phrasenstruktur des Satzes zu ermitteln. Sollte eine Nominalphrase in
einer anderen erkannt werden, wäre dies die hinreichende Bedingung für eine Nominalklammer.
Jedoch lieferte ein Test mit zehn Sätzen aus dem Korpus für Nominalklammern
kein überzeugendes Ergebnis: Von 64 Nominalphrasen und 25 Präpositionalphrasen, die
sich in den zehn Sätzen befinden, wurden nur 24 bzw. fünf korrekt erkannt. Dies entspricht
einer Vollständigkeit der Erkennung von 37, 5 Prozent bei Nominalphrasen und von 20, 0
Prozent bei Präpositionalphrasen und ist somit unzureichend für eine weitere Analyse der
Ergebnisse, die auf der Arbeit von TreeTagger aufbaut.
Der zweite Ansatz bestand darin, den Satz rückwärts nach Nomina zu durchsuchen und,
sobald ein Nomen gefunden wurde, die Abfolge der vorausgehenden Tags daraufhin zu
analysieren, ob sie zu einer Nominalklammer passen oder nicht. Der Gedanke dahinter
war, dass man zwar den Anfang einer Nominalklammer nicht immer genau bestimmen
kann, weil die umgebende Nominalphrase nicht zwangsläufig von einem Artikel oder der
eingeschlossenen Nominalphrase vorausgehenden Adjektiven eingeleitet wird, jedoch das
Ende immer ein Nomen ist. Der so entstandene Algorithmus erreichte in Testläufen mit
dem Textkorpus zu Nominalklammern eine Erkennungsrate von rund 90 Prozent, jedoch
fiel bei seiner Anwendung auf andere Textkorpora eine große Anzahl an Fehlerkennungen
auf, die die Anzahl der Erfolge weit überschritt. So lag das Verhältnis von Fehlerkennungen
und korrekt erkannten Nominalklammern bei etwa sieben zu drei. Daher wurde dieser
Ansatz ebenso verworfen.
97

8. Implementierung von MT Analyser
Grammatik zur Erkennung von Nominalklammern
Der letztendlich genutzte Algorithmus besteht im wesentlichen aus einer Grammatik, die
eine Nominalklammer nachbildet und in Form eines regulären Ausdrucks die Tagfolge eines
Teilsatzes nach Übereinstimmungen durchsucht. Zwar lassen sich durch einen regulären
Ausdruck Nominalklammern als Spezialform von Nominalphrasen nicht vollständig beschreiben,
weil sie durch ihre beliebig tiefe Verschachtelung eine rekursive Klammerstruktur
darstellen, doch wird in der Praxis selten eine Nominalklammer benutzt, deren Schachtelungstiefe
größer als zwei ist.
Die folgende Grammatik G 1 = (N, T, P, NK) ist eine aus Gründen der Übersichtlichkeit
leicht vereinfachte Form der im Programm verwendeten Grammatik G, in der zumeist
nur die jeweils verpflichtend vorkommenden Worttypen aufgeführt werden; insbesondere
zahlreiche Füllwörter wie Adverbien oder Negationen sind oft weggelassen. Nichtterminalsymbole
sind in voller Schriftgröße dargestellt. Aus dem STTS stammende Tags sind
Terminalsymbole und verkleinert dargestellt. Die Konjunktionen und und oder sind ebenfalls
Terminalsymbole. Die Produktionsregeln lauten folgendermaßen:
P = {
NK → NK 1 | NK 2
NK 1 → D 2 ((NP 11 | prf | AP 1 ) KON?) ∗ NP 11 AP 2
+ N
NK 2 → D 1 ((NP 12 | AP 1 ) KON?) ∗ NP 12 AP 2
+ N
NP 11 → (D 1 | ptkneg) ((AP1 ∗ N appo? KON?) | AP 1 | NP 2 + AP 2 + ) ∗ N appo?
NP 12 → (D 3 | ptkneg) ((AP1 ∗ N appo? KON?) | AP 1 | NP 2 + AP 2 + ) ∗ N appo?
NP 11 , NP 12 → ((AP1 ∗ N appo? KON?) | AP 1 | NP 2 + AP 2 + ) ∗ N appo
NP 2 → D 1 (AP1 ∗ N appo? KON? ) ∗ AP1 ∗ N
D 1 , D 2 → art | pposat | piat | pidat | pdat
D 1 , D 3 → kokom | appr
D 1 , D 2 , D 3 → apprart | appr (art | pposat | piat | pdat | pidat)
AP 1 → (adja | card D 1 ?) +
AP 2 → adja +
N → nn | ne | pper | pposs | pds | pis | prf | trunc
KON → und | oder }
Erläuterung der Grammatik Die genaue Bedeutung der einzelnen Tags ist dem STTS
gemäß [SSTT99] zu entnehmen.
• NK: Die gesamte Nominalklammer. Zum Ende jeder Nominalklammer wird ein
Nomen mit mindestens einer vorausgehenden Adjektivphrase AP 2 erwartet. Es werden
zwei Arten von Nominalklammern unterschieden, wobei Nominalklammern, die
nicht mit einem Artikel oder einer Präposition eingeleitet werden, nicht erkannt werden
können, weil sie von zahlreichen anderen Konstruktionen nicht zu unterscheiden
sind.
– NK 1 : Nominalklammern, die mit einem Artikel, einem Pronomen oder einer
Kombination von Präposition und Artikel oder Pronomen eingeleitet werden
wie etwa durch die das englische Ritual befolgende Krönung. Eine Präposition
ohne Artikel/Pronomen oder ein Vergleichspartikel reicht als Einleitung
nicht. Hier genügt es, um sicherzugehen, dass es sich um eine Nominalklammer
98

8.3. Algorithmen zur Erkennung von Textmerkmalen
handelt, wenn die eingeschlossene Nominalphrase mit einem einfachen Artikel
oder Pronomen beginnt.
– NK 2 : Nominalklammern, die anders als in NK 1 auch durch Präposition ohne
Artikel/Pronomen oder Vergleichspartikel eingeleitet werden dürfen wie mit
fast kochendem, über 90 Grad heißem Wasser. Um zu garantieren, dass es sich
um eine Nominalklammer handelt, muss die eingeschlossene Nominalphrase
von einer Präposition mit oder ohne Artikel/Pronomen oder von einem Vergleichspartikel
eingeleitet oder von einer Postposition geschlossen werden; verlangte
man nur einen einfachen Artikel, ergäben sich viele Fehlklassifikationen
wie etwa für mit dem fast kochenden Wasser der heißen Quelle.
• NP : Innerhalb der umgebenden Nominalphrase befinden sich als deren Attribute
weitere Nominalphrasen, die teilweise auch selbst Nominalklammern sein können.
Es werden drei Typen unterschieden, wobei einfache Nomina nur mit N bezeichnet
werden (siehe unten).
– NP 11 : Eingeschlossene Nominalphrase direkt unterhalb einer umgebenden Nominalklammer
vom Typ NK 1 . Als Einleitung wird mindestens ein Artikel oder
Pronomen erwartet (siehe D 1 ). In der Phrase kann sich ein komplexer Ausdruck
mit Adjektiven, Adverbien sowie weiteren Attributen auf gleicher Ebene
und neuen Nominalklammern ergeben.
– NP 12 : Fast wie NP 11 , allerdings wird als Einleitung in Entsprechung zu NK 2
als umgebender Nominalphrase kein bloßer Artikel bzw. kein bloßes Pronomen
als Einleitung akzeptiert (siehe D 3 ).
– NP 2 : Eingeschlossene Nominalphrase auf zweiter Verschachtelungsebene. Sie
kann sehr komplex werden, aber keine weiteren Nominalklammern beinhalten,
die dann auf der dritten Verschachtelungsebene lägen.
• D: Als Determinative werden über bloße Artikel hinaus alle weiteren Pronomen bezeichnet,
die eine Nominalphrase anstelle eines Artikels einleiten können, sowie Vergleichspartikel
und Präpositionen. Die Bezeichnung wird gewählt, weil diese Wörter
zur Bestimmung bzw. Determination des Anfangs der Nominalphrasen benutzt werden,
und ist nicht deckungsgleich mit Determinativen im üblichen Sinn. Es gibt drei
verschiedene, auf die verschiedenen Arten von Nominalklammern und -phrasen zugeschnittene
Versionen:
– D 1 : Enthält Artikel, Präpositionen, attributierende Demonstrativ-, Possessivund
Indefinitpronomen, Kombinationen aus Präposition und einem der Artikel/Pronomen
sowie Vergleichspartikel.
– D 2 : Wie D 1 , aber keine Vergleichspartikel und keine alleinstehende Präposition.
– D 3 : Wie D 1 , aber keine alleinstehenden Artikel oder Pronomen.
• KON: Innerhalb einer Nominalklammer können auch Konjunktionen auftreten. Als
zulässige Konjunktionen akzeptiert der Algorithmus allerdings nur und sowie oder.
Konjunktionen wie sondern oder aber werden nicht akzeptiert, weil sie eher adversativen,
trennenden Charakter haben. Sie sind zwar durchaus in Nominalklammern
möglich, sie zu erlauben, führte aber zu vermehrten Fehlerkennungen.
99

8. Implementierung von MT Analyser
• N: Als Nomen werden alle Arten von Substantiven und substituierenden Pronomen
gewertet. Dazu gehören normale Substantive, Eigennamen, Personalpronomen, Reflexivpronomen,
substituierende Possessiv-, Demonstrativ- und Indefinitpronomen
und auch Erstglieder von Kompositionen wie in Ein- und Ausstieg.
• AP : Als Adjektivphrase AP 1 werden beliebige, nicht-leere Folgen von Adjektiven
und Zahlwörtern, ggf. mit folgendem Determinativ, behandelt (das STTS ist bei
Zahlwörtern sehr unspezifisch, auch wenn sie unterschiedliche Funktionen haben),
als AP 2 nur Folgen von Adjektiven.
Beispiele Um die Mechanismen besser verstehen zu können, sollen zwei Beispiele aus
dem zugehörigen Textkorpus sie näher verdeutlichen, je eines für beide Typen von Nominalklammern.
Zunächst geht es um die Nominalklammer durch die das englische Ritual
befolgende Krönung. Sie liefert als Tagfolge appr art art adja nn adja nn. Daraus
ergibt sich bei einer ersten Reduktion durch Anwendung der Produktionsregeln in umgekehrter
Richtung D 2 D 1 AP 1 N AP 2 N. Als nächstes lassen sich die Nichtterminalsymbole
D 1 AP 1 N zusammenfassen, so dass D 2 NP 11 AP 2 N übrigbleibt. Das wird im nächsten
Schritt zu NK 1 und dann zu NK, so dass die Nominalklammer erfolgreich erkannt wurde.
Dieser Vorgang ist in dem Reduktionsbaum in Abbildung 8.3 festgehalten.
Abbildung 8.3.: Reduktionsbaum für eine Nominalklammer (erstes Beispiel)
Als zweites Beispiel dient die Nominalklammer die US-amerikanischen Studien zufolge
über 87% aller privaten Konsumentscheidungen entscheidenden Frauen. Sie liefert zu Beginn
die Tagfolge art adja nn appo appr card piat adja nn adja nn. Im ersten
Schritt wird daraus durch die rückwärts benutzten Produktionsregeln D 1 AP 1 N appo
D 3 card D 1 AP 1 N AP 2 N. Der zweite Reduktionsschritt ergibt D 1 NP 12 D 3 AP 1 AP 1
N AP 2 N. Wieder lassen sich mehrere Nichtterminalsymbole zu einer Nominalphrase zusammenfassen,
so dass daraus D 1 NP 12 NP 12 AP 2 N folgt. Dies lässt sich zu NK 2 und
somit zu NK, dem Startsymbol, reduzieren. Abbildung 8.4 verdeutlicht den Vorgang.
100

8.3. Algorithmen zur Erkennung von Textmerkmalen
Abbildung 8.4.: Reduktionsbaum für eine Nominalklammer (zweites Beispiel)
Testergebnisse
Die Grammatik wurde am Textkorpus mit Nominalklammern getestet. Insgesamt waren
88 Nominalklammern erkennbar, die restlichen vorhandenen erhielten von TreeTagger ein
oder mehrere falsche Tags zugewiesen, die eine Erkennung als Nominalklammer nicht
zuließen. Insbesondere wurden Artikel als substituierende Pronomen und Partizipien als
finite Verben eingestuft. Von den 88 erkennbaren Nominalklammern wurden 63 korrekt
identifiziert, wobei in wenigen Fällen die Länge des ausgewählten Textausschnitts zu groß
war. Somit war die Erkennung zu 71, 6 Prozent vollständig. Eine weitere deutliche Steigerung
der Erkennungsrate dürfte mit den vorhadenen grammatischen Informationen, die
beispielsweise Kongruenzüberprüfungen nahezu ausschließen, nicht möglich sein.
Das Ergebnis ist zwar deutlich schlechter als die 90-prozentige Erkennung des zweiten Ansatzes,
dafür tendiert aber die zuvor überbordende Zahl an Fehlidentifikationen gen null.
In den Textkorpora zu den anderen Textmerkmalen wurden insgesamt 26 Nominalklammern
identifiziert, von denen auch 23 tatsächlich Nominalklammern waren. Zwei wurden
durch TreeTagger falsch getaggt, eine durch den Algorithmus falsch erkannt. Bei einer
Quote von 23 aus 24 erkennbaren bedeutet das eine Präzision von 95, 8 Prozent.
8.3.5. Relativsätze
MT Analyser durchsucht alle als Nebensätze markierten Teilsätze nach Relativpronomen
(Tags PRELS, PRELAT und teilweise auch PWAV ) an erster oder zweiter Stelle des
jeweiligen Teilsatzes, um auch Relativsätze in präpositionalen Konstruktionen wie Das
Haus, in dem ich wohne, ist schön. zu erkennen. Darüber hinaus wird auch nach Interrogativpronomen
(Tags PWAT und PWS) gesucht, die zur Einleitung von Nebensätzen
genutzt werden. Ein Beispiel hierfür ist etwa: Weißt du, welches Fußballspiel übertragen
101

8. Implementierung von MT Analyser
wird? Bedingung dafür, dass ein Relativsatz erkannt wird, ist außerdem, dass es sich um
Formen der Pronomen der, wer, was und welcher handelt oder dass es eine Verbindung
mit wo- wie womit oder worüber ist, die anstelle eines herkömmlichen Relativpronomens
eingesetzt werden kann. Das Wort wo selbst wird hingegen nicht beachtet, da es vor allem
für Lokalsätze benötigt wird, wenngleich es einige präpositionale Konstruktionen in
Relativsätzen ersetzen kann.
Beim Testen des Algorithmus mit dem unbearbeiteten Textkorpus für Relativsätze ergab
sich folgendes Bild: Von den insgesamt 104 darin enthaltenen Relativsätzen wurden 97
erkannt und als Übersetzungsschwierigkeit gewertet. Sechsmal hatte TreeTagger ein Relativpronomen
fälschlicherweise als Artikel gekennzeichnet, so dass eine Erkennung des
Relativsatzes durch MT Analyser nicht möglich war. Einmal scheiterte die Erkennung
an besagtem wo. Von 98 erkennbaren Relativsätzen wurden also 97 entdeckt, was einer
Quote von 99, 0 Prozent entspricht.
8.3.6. Verbklammern
Die Erkennung von Verbklammern grenzt einen Mindestabstand von drei Wörtern zwischen
der finiten Verbform und dem zugehörigen Rest des Verbs aus, weil sich eine hundertprozentige
Schließung der Lücke zwischen beiden Teilen aufgrund der häufigen Nachstellung
des Personalpronomens in der deutschen Sprache nicht verwirklichen lässt und
kleine Lücken den Übersetzungsprogrammen kaum Schwierigkeiten bereiten dürften. Aus
diesem Grund beinhaltet auch der Textkorpus mit Verbklammern nur längere Klammern.
Insgesamt werden drei verschiedene Suchmuster angewandt, wobei sich die Suche stets auf
einen vollständigen Teilsatz beschränkt, weil Verbklammern nicht teilsatzübergreifend sein
können. In jedem der drei Fälle wird der Satz vom Ende bis zum Anfang durchlaufen,
so dass stets zu einem möglichen Ende einer Verbklammer ein passender Anfang gesucht
wird. Die Suchmuster lehnen sich dabei stark an die in Abschnitt 5.2.1 beschriebenen
möglichen Arten von Verbklammern an und decken sie ab, wobei sie folgendermaßen
aussehen:
• Finites Verb → Zwischenraum → Präfix: Zunächst wird nach einem mit PTKVZ
getaggten Wort gesucht, das ein Präfix eines zusammengesetzten Verbs darstellt,
etwa ab in abfahren: Ohne auf Anschlussreisende zu warten, fuhr der Zug ab. Anschließend
wird der Text weiter nach vorne durchlaufen, bis das erste finite Verb
gefunden ist, markiert durch die Tags VVFIN für Vollverben, VAFIN für Hilfsverben
und VMFIN für Modalverben. Überschreitet die dazwischen befindliche Lücke
das Mindestmaß, wird eine Übersetzungsschwierigkeit erzeugt.
• Finites Verb → Zwischenraum → Infinitiv(e): Sobald der erste Infinitiv gefunden
ist, markiert durch die Tags VVINF, VAINF und VMINF, wird nach finiten Formen
von Modal- oder Hilfsverben gesucht, wie sie in Sätzen wie Das kann ich niemals
schaffen. oder Eines Tages wirst du ganz vorne sein. vorkommen. Auch finite Formen
des Vollverbs lassen werden berücksichtigt, da es in gleicher Weise wie Modalverben
eingesetzt wird. Wenn ein derartiges finites Verb gefunden wurde, ist die
Verbklammer vollständig und wird als Übersetzungsschwierigkeit gewertet.
• Finites Hilfsverb → Zwischenraum → Partizip Perfekt: Dieses Muster deckt sämtliche
zusammengesetzten Verbformen ab, in denen am Ende ein Partizip steht. Wurde
102

8.4. Weitere Programmmerkmale
ein Partizip, markiert durch die Tags VAPP, VMPP und VVPP, gefunden, wird der
Satz in Richtung Anfang durchsucht, bis das erste finite Hilfsverb (konjugierte Form
von sein oder haben) auftaucht und dann unter Beachtung des Mindestabstands eine
Übersetzungsschwierigkeit erstellt.
Der Test mit dem unbearbeiteten Textkorpus zu Verbklammern lieferte ein eindeutiges Ergebnis:
In den insgesamt 100 Sätzen mit 104 Verbklammern wurden von MT Analyser 98
Verbklammern erkannt. Die sechs nicht erkannten Verbklammern resultierten aus falschen
Tagzuweisungen durch TreeTagger. Dabei wurde einmal ein Verbpräfix nicht erkannt, in
den anderen Fällen wurde bei zweideutigen Verbformen, also solchen, die sowohl finites
Verb als auch Partizip oder Infinitiv sein können, die falsche Möglichkeit gewählt, so dass
es nicht möglich war, diese Verbklammern zu finden. Alle erkennbaren Verbklammern
wurden also auch entdeckt, die Erfolgsquote beträgt somit 100 Prozent.
8.4. Weitere Programmmerkmale
Neben der bloßen Bewertung von Texten hinsichtlich ihrer Übersetzbarkeit sind noch einige
weitere Funktionen in MT Analyser implementiert, die im diesem Abschnitt vorgestellt
werden.
8.4.1. Benutzungsmodi
MT Analyser wurde so implementiert, dass es auf drei verschiedene Weisen eingesetzt
werden kann: zur Schnellbewertung eines Textes, mit textueller Oberfläche in der Kommandozeile
und mit grafischer Oberfläche.
Schnellbewertung
Der Schnellmodus von MT Analyser kann aus der Kommandozeile heraus aufgerufen
werden und verlangt als Parameter die Datei mit dem zu bewertenden Text und die Datei
für den Übersetzbarkeitsreport. Konfigurationsmöglichkeiten bestehen nicht, so dass stets
alle Textmerkmale gesucht und mit den gespeicherten Indexgewichten bewertet werden.
Aufrufsyntax: java -jar MTAnalyser.jar Eingabedatei Ausgabedatei
Textuelle Oberfläche
Abbildung 8.5.: Hauptmenü im Textmodus
103

8. Implementierung von MT Analyser
Für den Aufruf des Programms in der Kommandozeile steht eine eigene textuelle Oberfläche
zur Verfügung, über die auf sämtliche Programmfunktionen inklusive der Hilfe
zugegriffen werden kann. Aufgrund der Vielzahl an Möglichkeiten (Bearbeitung des Lexikons,
Auswahl von Textmerkmalen etc.) wurde darauf verzichtet, die Steuerung, wie dies
bei vielen Hilfsprogrammen üblich ist, über Eingabeparameter zu organisieren. Dies hätte
zu einer bei der Benutzung nur schwer zu überschauenden Menge an Parametern und
Parameterkombinationen geführt. Statt dessen wurden auf Höhe und Breite einer typischen
Kommandozeile (25 x 80) abgestimmte textuelle Menüs geschrieben, aus denen die
einzelnen Funktionen sich über Zahlencodes aufrufen lassen. Bei sämtlichen Vorgängen,
die nicht bloß eine Anzeige von Daten beinhalten, wird mit Statusmeldungen über Erfolg
und Misserfolg unterrichtet. Die Ausgabe der Menüs wird dabei über einen eigenen Ausgabestream
mit betriebssytemabhängiger Codierung gesteuert, weil der Standardstream
System.out aufgrund der verschiedenen Codierungen Probleme im Umgang mit Sonderzeichen
hat.
Abbildung 8.6.: Auswahl von Textmerkmalen im Bewertungsprozess
Die Ausnahmebehandlung des Programms funktioniert so, dass normalerweise, wenn zum
Beispiel die Indexgewichte nicht aus der Konfigurationsdatei gelesen werden konnten, das
Programm Standardwerte verwendet und nur in kritischen Fällen beendet wird, wenn etwa
keine Eingaben von der Standardeingabe gelesen werden können. Nach der erfolgreichen
Bewertung eines Textes wird die allgemeine Textstatistik in der Kommandozeile angezeigt.
Der ausführliche Übersetzbarkeitsreport wird aus Gründen der Übersichtlichkeit lediglich
in der benutzerdefnierten Datei gespeichert.
Die Abbildungen 8.5 und 8.6 zeigen das Hauptmenü und die Auswahl von zu bewertenden
Textmerkmalen im Textmodus. Verantwortlich für die Ausgabe der passenden Textmenüs
ist die Klasse UserInterface im Paket mtanalyser.console.
Aufrufsyntax: java -jar MTAnalyser.jar -c
104

8.4. Weitere Programmmerkmale
Abbildung 8.7.: Hauptfenster mit Übersetzbarkeitsreport
Abbildung 8.8.: Baumdarstellung des Mehrdeutigkeitslexikons
105

8. Implementierung von MT Analyser
Grafische Oberfläche
Die Benutzung der grafischen Oberfläche ist der Standardmodus. Die Oberfläche wurde
komplett in Swing geschrieben, und ihre Darstellung wird von den verschiedenen Klassen
im Paket mtanalyser.gui übernommen. Das Hauptfenster ist mit einer Menüleiste ausgestattet,
über die auf sämtliche Funktionen zugegriffen werden kann. Dazu existieren die
Menüs Programm, Lexikon, Bewertung und Hilfe, die mit Maus oder Tastatur bedient
werden können. Die Funktionsaustattung der Menüs ist dabei weitestgehend dieselbe wie
in der textuellen Oberfläche, um keine Umgewöhnung zu erfordern.
Das Hauptfenster der Anwendung setzt sich darüber hinaus aus drei Komponenten zusammen:
einer Anzeige des Namens der für die Bewertung ausgewählten Datei, einer JEditorPane
zur Anzeige des Übersetzbarkeitsreports (ohne Statistik) und einem normalen
Textbereich zur Anzeige der allgemeinen Textstatistik. Weil die JEditorPane leider nur
in der Lage ist, HTML in Version 3.2 darzustellen, muss eine zusätzliche, leicht von der
Reportdatei abweichende Version des Übersetzbarkeitsreports erstellt werden. Ein diesbezüglich
geeigneteres GUI-Element, das einen Browser einbindet, wie es etwa bei C#
existiert, gibt es in Swing nicht.
Die Bewertung von Texten läuft in eigenen Threads ab. Dies hat den Vorteil, dass die
Oberfläche unabhängig vom Bewertungsvogang weiterhin gezeichnet wird und nicht einfriert“.
Gleichwohl sind sämtliche Funktionen währenddessen deaktiviert, und eine War-
”
tegrafik wird eingeblendet.
Die Abbildungen 8.7 und 8.8 zeigen das Programm nach der Bewertung einer Datei mit
dem eingeblendeten Übersetzbarkeitsreport und dem als Baum dargestellten Mehrdeutigkeitslexikon
in einem eigenen Fenster.
Aufrufsyntax: java -jar MTAnalyser.jar (-g)?
8.4.2. Übersetzbarkeitsreport
Die Ergebnisse der Bewertung werden gespeichert, damit sie anschließend zur Verbesserung
des zugrundeliegenden Textes herangezogen werden können. Die Speicherung geschieht
in Form eines temporären Reports zur Anzeige im Hauptfenster des Programms
und eines persistenten HTML-Dokuments an benutzerdefinierter Position im Dateisystem.
In jedem Report sind alle Sätze, deren Übersetzungsschwierigkeiten mit Indexpunkten
sowie der gesamte Indexwert und eine Gesamtstatistik enthalten (vgl. hierzu Abschnitt
8.4.1). Auch die zugrundeliegende Textdatei und das Erstellungsdatum werden genannt.
Die Darstellung wird vom Inhalt über eine CSS-Datei getrennt, in der alle wichtigen
Designvorgaben enthalten sind. Die Datei befindet sich im Installationverzeichnis von
MT Analyser und wird von allen erzeugten HTML-Dokumenten fest referenziert.
Abbildung 8.9 zeigt den Anfang einer HTML-Reportdatei.
Druckfunktion
Zusätzlich zu dem HTML-Report wurde eine Druckfunktion eingebaut, die es erlaubt,
einen gerade erstellten Report aus dem Programm heraus auszudrucken. Hierzu wurde die
Klasse ReportPrinter entworfen, die das Interface java.awt.print.Printable implementiert.
Die davon bereitgestellte Methode print wird allerdings einmal pro Seite aufgerufen, weshalb
es unmöglich war, alle Strings für die Druckausgabe auf einmal zu erzeugen und zu
106

8.4. Weitere Programmmerkmale
Abbildung 8.9.: Ausschnitt aus HTML-Übersetzbarkeitsreport
schreiben. Statt dessen muss nach der Erzeugung der zu druckenden Strings zuerst berechnet
werden, wieviele Seiten zu drucken sind und wieviele Strings auf eine Seite passen.
Zeilenumbrüche sind ebenfalls zu berücksichtigen.
Abbildung 8.10.: Klasse AnnotatedString
Um die einzelnen Strings mit zusätzlichen Angaben zur Ermittlung des Platzbedarfs ausstatten
zu können, wurde die Klasse AnnotatedString implementiert (siehe Abbildung
8.10) erzeugt. Im Attribut string wird der ursprüngliche String gehalten, font beinhaltet
Angaben zur Schriftart, aus denen sich auch die Länge des Strings berechnen lässt. Überschreitet
ein String die verfügbare Breite, wird er nach dem letzten auf das Blatt passenden
Zeichen umgebrochen. Das Attribut indentation speichert eine mögliche Einrückung des
Strings auf dem Blatt, während lineSpacing den Zeilenabstand angibt.
Nach dem Erstellen der Strings als Vektor und der Berechnung der Größenangaben vor
dem Ausdruck der ersten Seite wird dann über einen Index geregelt, welche Strings auf
die aktuelle Seite gehören.
107

8. Implementierung von MT Analyser
8.4.3. Editierbares Mehrdeutigkeitslexikon
Ein editierbares Lexikon für mehrdeutige Begriffe ist sinnvoll, weil jedes Fachgebiet, dessen
Texte übersetzt werden sollen, seine eigene Terminologie mit den ihr eigenen Mehrdeutigkeiten
besitzt, die im Rahmen dieser Arbeit niemals auch nur annähernd vollständig
erfasst werden könnten. Vielmehr umfasst das im Programm enthaltene Lexikon nur eine
recht kleine Anzahl von häufigen mehrdeutigen Begriffen und erwartet von den Benutzern,
dass sie es ergänzen. Zudem verändert sich der deutsche Wortschatz laufend und mit ihm
die Mehrdeutigkeiten, so dass ständige Aktualisierungen notwendig sind.
Abbildung 8.11.: Bearbeiten eines mehrdeutigen Begriffs
Wie bereits in Abschnitt 7.4.3 beschrieben, stellt die Klasse LexiconHandler Methoden
zum Einfügen, Löschen und Auslesen bereit, auf die neben dem Algorithmus zum Auffinden
von Mehrdeutigkeiten auch die Benutzungsoberfläche zugreift. Die GUI bietet hierzu
ein eigenes Lexikon-Menü an. Bei der Anzeige aller Einträge erscheint zwecks guter Übersichtlichkeit
ein als JTree implementierter Baum (vgl. Abbildung 8.8), der die Hierarchie
vom übergeordneten Buchstaben bis zu den verschiedenen englischen Bedeutungen darstellt
und aus- bzw. zusammenklappbar ist. Die Auswahl eines Eintrags gestattet über eine
Schaltfläche auch dessen Bearbeitung (zu sehen in Abbildung 8.11). Einträge können direkt
aus dem Baum gelöscht werden. Neue Einträge werden über einen eigenen Menüpunkt
hinzugefügt und erfordern mindestens zwei englische Bedeutungen.
Weil eine derartige Baumdarstellung in einer Kommandozeile leicht sehr unübersichtlich
wird, werden die verschiedenen Einträge dort seitenweise und ohne ihre Bedeutungen
aufgelistet. Will man sich einen bestimmten Eintrag anzeigen lassen, so muss man seine
Grundform eingeben. Gleiches gilt für das Löschen eines Eintrages. Beim Hinzufügen wird
solange nach neuen Bedeutungen gefragt, bis keine Eingabe mehr erfolgt, wobei auch hier
mindestens zwei Eingaben erwartet werden (vgl. Abbildung 8.12).
108

8.4. Weitere Programmmerkmale
Abbildung 8.12.: Eintrag zum Lexikon hinzufügen
Direkt nach einer Änderung wird in beiden Benutzungsmodi die Lexikondatei lexicon.xml
aktualisiert und gegebenenfalls neu geladen, damit die Datensätze, mit denen gearbeitet
wird, stets aktuell sind.
8.4.4. Konfigurationsmöglichkeiten
Die Gewichte der einzelnen Textmerkmale sind zwar empirisch ermittelt worden und beschreiben
den Einfluss eines Textmerkmals auf die Übersetzbarkeit eines Textes sehr gut,
wie in Abschnitt 6.2 dargestellt. Andererseits kann es durchaus sinnvoll sein, die Werte zu
ändern und auf ein bestimmtes Übersetzungsprogramm abzustimmen, das mit dem einen
oder anderen Textmerkmal besser oder schlechter zurechtkommt als der Durchschnitt.
Indexgewichte setzen
Daher wurde eine Funktion zum Setzen der Indexgewichte implementiert. Sie lässt sich
in der textuellen Oberfläche direkt aus dem Hauptmenü aufrufen und fragt nacheinander
alle Indexgewichte ab. In der grafischen Oberfläche steht dazu das Menü Bewertung zur
Verfügung. Im Untermenü Gewichte der Textmerkmale lassen sich neue Gewichte direkt
eingeben und speichern. Geänderte Gewichte werden in der Datei weights.txt gespeichert
und bei Bedarf ausgelesen. Die Standardgewichte der Gewichte sind fest in der Klasse
SentenceAnalyser hinterlegt, so dass die aktuellen Gewichte jederzeit wieder zurückgesetzt
werden können. In Abbildung 8.13 ist das GUI-Menü für die Indexgewichte zu sehen.
Textmerkmale an- und abwählen
Die einzelnen Textmerkmale können aus denselben Gründen, aus denen ihre Gewichte
manuell eingestellt werden können, auch an- und abgewählt werden. In der grafischen
Oberfläche geschieht dies über das Menü Bewertung, das in Abbildung 8.14 zu sehen ist.
In der textuellen Oberfläche ist dies etwas anders geregelt: Hier wird vor jeder Bewertung
gefragt, ob alle Merkmale bewertet werden sollen. Wird dies verneint, kann aus einer
109

8. Implementierung von MT Analyser
Abbildung 8.13.: Angabe neuer Gewichte für die Textmerkmale
Liste der Textmerkmale über Zahlencodes solange an- und abgewählt werden, bis die
gewünschte Konfiguration erreicht ist (vgl. Abbildung 8.6).
Abbildung 8.14.: An- und Abwahl von Textmerkmalen
TreeTagger konfigurieren
Weil TreeTagger von MT Analyser benötigt wird, aber nicht im Programm selbst enthalten
ist, muss dem Programm ein Pfad angegeben werden, unter dem es TreeTagger
ausführen kann (Aufruf siehe Abschnitt 8.1.2). Aus den Benutzungsoberflächen heraus
kann dieser Pfad gesetzt werden, der stets absolut sein und zum Verzeichnis der auszuführenden
Datei führen muss. Dabei unterscheidet MT Analyser mit Hilfe der entsprechenden
Umgebungsvariablen zwischen den verschiedenen Betriebssystemen, in denen jeweils
unterschiedliche Dateien auszuführen sind. Die Pfadangaben werden bei Bedarf aus
der Datei treetagger.txt ausgelesen.
Nach Neuangabe eines Pfades wird im Textmodus automatisch ein Test vorgenommen, ob
TreeTagger mit den neuen Angaben erfolgreich ausgeführt werden kann. Dazu wird eine
110

8.4. Weitere Programmmerkmale
Abbildung 8.15.: Angabe und Test eines Pfades zu TreeTagger
Testdatei mit zufälligem Namen erzeugt, getaggt und wieder gelöscht. Bei Benutzung der
grafischen Oberfläche muss der Test aus dem Programm-Menü heraus manuell gestartet
werden. Fehlschlag und Erfolg werden stets bekanntgegeben. Abbildung 8.15 zeigt die
Angabe eines neuen Pfades im Textmodus.
8.4.5. Hilfe
MT Analyser enthält zu jeder seiner Funktionen ausführliche Hilfestellungen und Erklärungen.
Die zugehörigen Texte wurden ins Programm integriert und können aus dem
Hauptfenster in der grafischen bzw. aus dem Hauptmenü in der Textversion über das
Hilfe-Menü aufgerufen werden.
Abbildung 8.16.: Hilfemenü in der grafischen Oberfläche
Implementiert ist die Hilfe in der grafischen Oberfläche als zweigeteiltes Fenster, in dem
links die verschiedenen Hilfepunkte, nach Themen geordnet, aufgelistet sind und rechts
die jeweiligen Texte eingeblendet werden. Die Texte selbst sind wiederum kleine HTML-
Fragmente, die in der Klasse HelpTextsGui gespeichert und bei Auswahl des entsprechenden
Punktes geladen werden. Ein Index oder eine Suchmaske, wie bei zahlreichen
111

8. Implementierung von MT Analyser
Anwendungen vorhanden, existiert nicht, weil die Anzahl der Stichpunkte vergleichsweise
gering und recht übersichtlich ist. Abbildung 8.16 zeigt das Fenster des Hilfemenüs.
Abbildung 8.17.: Hilfemenü in der textuellen Oberfläche
In der Textversion gibt es hingegen ein Menü mit allen Hilfeeinträgen, die dann über
Zahlencodes angezeigt werden können. Die Texte sind gegenüber der GUI-Version leicht
angepasst, weil sich der Aufruf einiger Funktionen unterscheidet. Außerdem handelt es
sich diesmal um normale Texte ohne HTML-Markup. Gespeichert sind sie in der Klasse
HelpTextsConsole. Abbildung 8.17 zeigt das Hilfemenü.
8.4.6. Systemanforderungen und Laufzeit
MT Analyser wurde auf drei Rechnerkonfigurationen getestet, wobei, um die Laufzeit der
Bewertung zu ermitteln, Texte mit 100 Sätzen analysiert wurden (soweit möglich ohne
weitere, gleichzeitig im Hintergrund laufende Programme, um MT Analyser vollen Zugriff
auf die Systemressourcen zu ermöglichen).
Zunächst fiel allerdings der hohe Speicherbedarf des Programms auf: Nach Abschluss
der Bewertung eines Textes nahm es rund 90 MB Arbeitsspeicher ein. Allerdings ließ
sich dieser enorme Bedarf durch gezieltes Aufrufen des Garbage Collectors von Java auf
maximal rund 30 MB reduzieren, was für die Komplexität der Algorithmen und die Anzahl
der zu analysierenden Daten angemessen erscheint. (Dabei stellt sich konsequenterweise
die Frage, warum die automatische Freigabe nicht mehr gebrauchter Ressourcen in Java
offenbar so schlecht funktioniert.) TreeTagger nahm zusätzlich während der Ausführung
über 100 MB ein.
Getestet wurde auf folgenden Systemen:
• mobile AMD Athlon XP-M 2500+; 1,86 GHz; 512 MB RAM; Windows XP Home
Edition, Service Pack 2
• AMD Athlon 64 X2 Dual Core 3800+; 2,01 GHz; 1 GB RAM; Fedora Core 6, Linux-
Version 2.6.19
• Sun SPARC Fire V880 mit 8 CPUs (je 1200 MHz); insges. 32 GB RAM; Solaris 9
112

8.5. MT Analyser Web
Auf allen Rechnern betrug die Ausführungszeit einer Textbewertung für 100 Sätze zwischen
maximal 15 Sekunden auf dem Windows-Rechner und minimal fünf Sekunden auf
den anderen Rechnern, die mehr RAM hatten. Bei der Bewertung der Textmerkmale
benötigte der Algorithmus für Nominalklammern mit etwa fünf Sekunden auf dem Windows-Rechner
die meiste Zeit, weil hier zahllose Abgleiche mit einem sehr großen regulären
Ausdruck erfolgen. Insgesamt hält sich die Berechnungszeit einer Textanalyse also in akzeptablem
Rahmen.
8.5. MT Analyser Web
Neben MT Analyser wurde noch eine leicht modifizierte Version des Programms als Webanwendung
implementiert, daher die Bezeichnung MT Analyser Web. Im Gegensatz zu
MT Analyser dient die Webanwendung weniger für den Produktiveinsatz als vielmehr als
Vorführung für Menschen, die sich für maschinelle Übersetzung interessieren.
8.5.1. Zusätzliche Hilfsmittel
Weil das gesamte Programm bereits in Java geschrieben war, wurden Java Server Pages
(JSP) benutzt, um die Weboberfläche zu erstellen. Als Server wurde Apache Tomcat
5.5.x eingesetzt. Darüber hinaus wurden zwei weitere Hilfspakete der Apache-Jakarta-
Projekts verwendet 2 : commons.fileupload und commons.io. Sie werden benötigt, um das
Heraufladen von Dateien zur Bewertung zu ermöglichen, das standardmäßig nicht in der
JSP-Spezifikation vorgesehen ist.
8.5.2. Unterschiede zu MT Analyser
Im wesentlichen benutzt MT Analyser Web dieselben Klassen, Attribute und Methoden
wie auch MT Analyser, jedoch wurden einige Funktionen leicht verändert oder gestrichen.
Entfallen sind insbesondere die Funktionen zum Bearbeiten des Mehrdeutigkeitslexikons.
Diese werden für eine Demonstration der Bewertungsfunktion nicht unbedingt benötigt,
und darüber hinaus beugt es Missbrauch vor, wenn Außenstehende keinen Zugriff auf
die Lexikondatei haben und nicht nach Belieben falsche Einträge hinzufügen oder bereits
bestehende löschen können. Dies würde zu einer Verfälschung der Analyse führen.
Aus demselben Grund nicht vorhanden sind auch die Funktionen zum persistenten Setzen
der Indexgewichte und zum Ändern der TreeTagger-Anbindung. Die zugehörigen Angaben
sind in der Klasse SentenceAnalyser und in der Datei web.xml gespeichert und werden
bei Bedarf von dort ausgelesen. Letztere können gegebenenfalls Systemadministratoren
mit Zugriff auf den Server ändern.
Hinzugefügt wurde ein Servlet, das die Interaktion zwischen den ausschließlich für die
Datenaus- und -eingabe genutzten JSP-Seiten und dem Programmkern ermöglicht, indem
es die Eingaben formatiert und an die Bewertungsfunktionen weiterleitet und die
Ergebnisse angemessen formatiert zurückgibt, sowie ein Listener, der einen Upload abbricht,
wenn die maximale Dateigröße (100 KB) überschritten wird.
2 Im Internet erreichbar unter: http://jakarta.apache.org/commons/index.html, zuletzt besucht am
8. April 2007
113

8. Implementierung von MT Analyser
8.5.3. Benutzungsoberfläche
Die Weboberfläche bietet zwei Modi zur Benutzung des Programms: einen einfachen, bei
dem nur eine Textdatei zur Bewertung hochgeladen muss und anschließend alles mit den
Standardgewichten bewertet wird, und einen erweiterten, bei dem neben der Textdatei
auch noch ausgewählt werden kann, welche Textmerkmale mit welchen Gewichten bewertet
werden sollen. Beide Einstellungen werden nicht gespeichert und daher bei jedem
neuen Aufruf der Seite auf ihre Standardwerte zurückgesetzt.
Abbildung 8.18.: MT Analyser Web: Erweiterter Übersetzungsmodus
Als Übersetzbarkeitsreport wird ausschließlich eine HTML-Datei mit zufälligem Dateinamen
generiert, auf die nach dem Bewerten verwiesen wird. Diese bleibt allerdings aus
Platzgründen nur eine Stunde lang gespeichert (ebenso die hochgeladenen Textdateien
und die reformatierten bzw. getaggten Versionen davon) und wird nach Ablauf dieser
Zeitspanne bei Erstellung des nächsten Übersetzbarkeitsreports gelöscht, um nicht unnötig
Festplattenspeicher zu belegen.
Weil im Gegensatz zu MT Analyser bei diesem Demonstrationsprogramm nicht vorausgesetzt
werden kann, dass die Nutzer nennenswertes Vorwissen über die deutsche Grammatik
mitbringen, werden bei der Benutzung stets umfangreiche Zusatzinformationen zum
Index und zu den Textmerkmalen angeboten.
Abbildung 8.18 zeigt den Anfang der Seite zur Textbewertung im erweiterten Modus.
114

Teil IV.
Fazit und Ausblick
115

9. Zusammenfassung der Ergebnisse
Der erste Teil dieser Arbeit bot eine kurze Einführung in den Stand der Technik der
maschinellen Übersetzung, erläuterte zentrale, noch bestehende Probleme und zeigte die
gängigsten Lösungsansätze auf, unter anderem Übersetzbarkeitsmaße.
Aufbauend auf den diesbezüglichen Vorarbeiten und einer ausführlichen Analyse von Textmerkmalen
der deutschen Sprache, die für automatische Übersetzungen als hinderlich
gelten oder angesehen werden können, wurde im zweiten Teil ein Übersetzbarkeitsindex
erstellt, der einen numerischen Wert für die maschinelle Übersetzbarkeit eines einzelnen
Satzes oder eines ganzen Textes vom Deutschen ins Englische angibt. Es wurde zudem
gezeigt, dass die Höhe der Indexwerte in linearer Abhängigkeit zur (durchschnittlichen)
Fehlerzahl eines Satzes steht.
Im dritten Teil wurde schließlich vorgeführt, wie sich der Übersetzbarkeitsindex mit Hilfe
des Programms MT Analyser für gegebene Texte automatisch errechnen lässt, wofür
unter anderem Algorithmen zur detaillierten Analyse der jeweiligen Sätze und zum Auffinden
der relevanten Textmerkmale implementiert und vorgestellt wurden. Tests zeigten,
dass diese Algorithmen sowohl mit hoher Vollständigkeit als auch mit hoher Genauigkeit
arbeiten.
116

10. Ansätze zur Weiterentwicklung
Erweiterung des Indexes
Im Rahmen dieser Arbeit konnten sicherlich nicht alle Textmerkmale der deutschen Sprache
überprüft werden, die für die Qualität maschineller Übersetzungen tatsächlich relevant
sind. Es böte sich also an, weitere Textmerkmale, für die die Annahme besteht, sie könnten
sich negativ auf das Ergebnis maschineller Übersetzungen auswirken, empirisch zu untersuchen
und sie gegebenenfalls mit passender Gewichtung in den Übersetzbarkeitsindex
und – mit geeigneten Suchalgorithmen – auch in MT Analyser aufzunehmen.
Verbesserung der Algorithmen
Wie bereits öfter im Verlauf der Arbeit erwähnt, ist die grammatikalische Information, auf
die bei der Verarbeitung eines Satzes zugegriffen werden kann, nicht immer ausreichend.
So fehlen etwa Angaben zu Kasus, Numerus und Genus von Nomina, die verwendet werden
könnten, um beispielsweise die Erkennung von Inversionen und Nominalklammern zu
verbessern; bei den Algorithmen von MT Analyser gibt es trotz hoher Erfolgsquote noch
Fälle, in denen eine sichere, eindeutige Erkennung nicht möglich ist, durch zusätzliche
grammatikalische Angaben aber ermöglicht würde. Auch lassen sich mit großer Wahrscheinlichkeit
noch Sonderfälle der deutschen Sprache finden, in denen die jetzigen Algorithmen
versagen, obwohl eine Erkennung möglich wäre. Und die Arbeit der Algorithmen
zur Teilsatzanalyse liefert zwar sehr gute, aber eben nicht perfekte Ergebnisse, so dass
hier auch noch Raum für Optimierungen besteht.
Anpassung für andere Sprachen
Probleme mit maschinellen Übersetzungen sind nicht nur auf die deutsche Sprache beschränkt.
Daher erscheint es sinnvoll, Versionen von MT Analyser auch für die Bewertung
von Texten anderer Sprachen zu erstellen. Natürlich müsste dem die empirische Ermittlung
eines neuen Übersetzbarkeitsindexes vorausgehen. Denkbar ist auch die Ermittlung
weiterer Indizes für die deutsche Sprache, etwa zur Bewertung eines deutschen Textes,
der ins Französische übersetzt werden soll. Ansatzpunkte für die Auswahl möglicherweise
relevanter Textmerkmale bietet diese Arbeit genug.
Einbindung in ein Übersetzungsprogramm
Ein weiterer Ansatz ist, die Algorithmen von MT Analyser ganz oder teilweise in ein Übersetzungsprogramm
zu integrieren, um vor der Übersetzung bereits zu wissen, dass etwa
bestimmte Sätze mit hohen Indexwerten viele Fehler hervorrufen könnte. Das Programm
117

10. Ansätze zur Weiterentwicklung
könnte dann eine Nachricht mit den gefundenen Problemen erzeugen und darum bitten,
den vorliegenden Text entsprechend zu überarbeiten, um die Fehlerzahl zu minimieren.
Entwurf einer kontrollierten Sprache
Zwar wurde in dieser Arbeit keine kontrollierte Sprache erstellt, wie es sie gerade für das
Englische zuhauf gibt, doch lassen sich aus den hier gefundenen relevanten Textmerkmalen
Regeln ableiten, die für eine kontrollierte Version der deutschen Sprache als Grundlage
dienen könnten. So wäre es beispielsweise denkbar, im Rahmen einer solchen Sprache
Verbklammern großer Länge zu verbieten.
118

Glossar
A
Abgetrenntes Kompositionsglied Für sich allein stehender Teil eines Kompositums,
dessen zugehörige Ergänzung durch einen Bindestrich an Wortanfang oder
Wortende angedeutet wird.
ALPAC-Report 1966 erschienene, vielbeachtete US-amerikanische Studie zu den Fortschritten
der maschinellen Übersetzung mit vernichtendem Gesamturteil. Brachte
die Forschung auf diesem Gebiet insbesondere in den USA fast zum Erliegen.
Atomarer Teilsatz Teilsatz, der sich nicht anhand von Interpunktion in kleinere Teilsätze
zerlegen lässt, also keine Satzzeichen mehr aufweist.
B
Babel Fish Für die Analyse der verschiedenen Textmerkmale eingesetzte, kostenlos nutzbare
Online-Übersetzungssoftware, die von der Firma Systran bereitgestellt
wird.
C
Chunker
Programm, das Sätze in ihre Phrasenstruktur aufteilt, die vor allem aus Verbalphrasen
und Nominalphrasen besteht.
Computerunterstützte Übersetzung (CÜ) Von Menschen vorgenommene Übersetzung
eines Textes von einer beliebigen natürlichen Ausgangssprache in eine oder
mehrere natürliche Zielsprachen, wobei unterstützende Programme Übersetzungshilfen
bereitstellen.
D
Diskursrepräsentationsstruktur (DRS) Erweiterung der Prädikatenlogik erster Ordnung,
um Bezüge und kontextabhängige Bedeutungen in geschriebenen Texten
satzübergreifend erfassen und darstellen zu können.
Dokumenttypdefinition (DTD) Regelsatz, der festlegt, wie Dokumente bzw. Datensätze
eines bestimmten Typs aufgebaut sein müssen, um gültig zu sein.
119

GLOSSAR
E
EG-Kommission Vorläufer der heutigen EU-Kommission, die seit November 1993 die
Exekutive der Europäischen Union darstellt.
Ellipse
Auslassung eines oder mehrerer Worte innerhalb eines Satzes.
Europäische Gemeinschaft(en) (EG) Vor allem wirtschaftlicher Bund verschiedener
europäischer Staaten, gegründet 1957 (zunächst nur Europäische Wirtschaftsgemeinschaft
[EWG]). Vorläufer der Europäischen Union und heute eine ihrer
drei tragenden Säulen.
G
Garbage Collector (GC) Java-interne Routine, die nicht mehr benötigte Systemressourcen
automatisch wieder freigibt.
Gegenhypothese Oft mit H 1 und als Alternativhypothese bezeichnet; Annahme, dass
ein bestimmter Zusammenhang besteht.
Genus verbi Von lat. genus verbi = (wörtl.) Geschlecht des Verbs; drückt im Deutschen
durch Flexion des Verbs die Rolle des Subjekts im Satz aus und kann entweder
aktiv (das Subjekt nimmt eine Handlung vor) oder passiv (an dem Subjekt
wird eine Handlung vorgenommen) sein.
Georgetown-Experiment Erste öffentlichkeitswirksame Vorführung eines Computers zur
maschinellen Übersetzung einfacher russischer Texte ins Englische an der Universität
von Georgetown nahe Washington in den USA am 7. Januar 1954.
H
Homograph
Wort aus einer Gruppe verschiedener Wörter gleicher Schreibung.
I
Interlingua Abgeleitet von lat. interlingua = Zwischensprache. Sprachunabhängige Darstellung
eines Textes nach seiner grammatikalischen und semantischen Analyse,
die als Grundlage der Übersetzung in die Zielsprache dient.
Inversion der Wortstellung Im Kontext dieser Arbeit: grammatikalisch korrekte Abweichung
von der je nach Satztyp üblichen Wortstellung im Deutschen.
K
Kompositum Aus zwei oder mehreren Wörtern oder Wortstämmen zusammengesetzter
Begriff.
Kongruenz Übereinstimmung grammatikalischer Eigenschaften verschiedener Wörter;
besonders bekannt: KNG-Kongruenz als Gleichheit von Kasus (Fall), Numerus
(Zahl) und Genus (grammatisches Geschlecht) bei zusammengehörigen
Wörtern.
120

GLOSSAR
M
Maschinelle oder automatische Übersetzung (MÜ) Von Computerprogrammen vorgenommene
Übersetzung eines Textes von einer beliebigen natürlichen Ausgangssprache
in eine oder mehrere natürliche Zielsprachen.
Mehrdeutigkeit Im Kontext dieser Arbeit: deutscher Begriff mit mehreren sinnverschiedenen
Bedeutungen, der im Englischen in Abhängigkeit vom jeweiligen Sinn
auf unterschiedliche Weise übersetzt werden muss.
MT Analyser Programm zur automatischen Messung der Übersetzbarkeit deutscher
Texte ins Englische; kann über grafische Oberfläche und Kommandozeile benutzt
werden.
MT Analyser Web
Online-Version von MT Analyser.
Neologismus
Neues, meist überaus ungewöhnliches oder unerwartetes Wort.
N
Nominalklammer Besondere Form einer Nominalphrase, bei der mindestens eine Nominalphrase
von einer anderen Nominalphrase eingeschlossen wird und vor deren
Nomen (Kopf) als Attribut steht.
Nominalphrase Phrase aus einem Substantiv oder Pronomen, die um Attribute wie
Adjektive, Artikel oder weitere Nominalphrasen erweiterbar ist.
Nullhypothese Oft mit H 0 bezeichnet; Annahme, dass ein bestimmter Zusammenhang
nicht besteht.
P
P(A)
P(A|B)
Wahrscheinlichkeit P , dass Ereignis A eintritt.
Bedingte Wahrscheinlichkeit P dass Ereignis A eintritt, wenn bereits Ereignis
B vorliegt.
Part-of-Speech-Tagging (PoS-Tagging)
Wörter eines Textes.
Auszeichnung der Wortarten der einzelnen
Personal Translator 2006 Für die Analyse der verschiedenen Textmerkmale genutzte,
kommerzielle Übersetzungssoftware, die von der Firma Linguatec produziert
wird.
Präpositionalphrase Phrase, die aus einer Präposition mit darauffolgender Nominalphrase
besteht.
121

GLOSSAR
S
Signifikanzniveau Grenzwert für die Wahrscheinlichkeit eines Ereignisses bei vorausgesetzter
Nullhypothese, bei dessen Unterschreiten ein Ergebnis als signifikant
gilt und die Nullhypothese verworfen wird. Wird meist mit α bezeichnet und
auf α = 0, 05 gesetzt.
Standard Generalized Markup Language (SGML) Metasprache, die die Definition von
Auszeichnungssprachen wie HTML und XML erlaubt.
Statistische Signifikanz Bedeutsamkeit eines durch statistische Auswertungen erhaltenen
Ergebnisses. Als signifikant gelten nur Ergebnisse mit geringer Irrtumswahrscheinlichkeit.
Stuttgart-Tübingen-Tagset (STTS)
Textkorpora.
Richtlinien zum Part-of-Speech-Tagging deutscher
T
Textkorpus Allgemein Sammlung von Texten; in dieser Arbeit normalerweise Sammlung
zahlreicher deutscher Sätze, die ein bestimmtes Textmerkmal gemeinsam
haben oder von diesem Textmerkmal befreit wurden.
Translation Memory (TM) Übersetzungsspeicher, in dem zu bereits übersetzten Textfragmenten
der Ausgangssprache die in der Zielsprache gewählten Übersetzungen
gespeichert werden.
TreeTagger PoS-Tagger für deutsche Texte, der an der Universität Stuttgart entwickelt
wurde und von MT Analyser benutzt wird.
Ü
Übersetzbarkeit Ordinales oder intervallskaliertes Maß, das beschreibt, wie gut ein Text
mittels maschineller Übersetzung von einer natürlichen Ausgangssprache in
eine oder mehrere natürliche Zielsprache übersetzt werden kann.
V
Verbklammer Auch Verbal- oder Satzklammer; Form des Satzbaus, bei dem ein zweiteiliges
Prädikat Teile des Satzes zwischen seinen Bestandteilen einschließt.
122

Stichwortverzeichnis
Abstract Window Toolkit, 76
Adjektiv, 18, 23, 24, 53, 76, 96, 100
Adjektivphrase, 98, 100
Adverb, 18, 23, 27, 76, 96, 98
ALPAC-Report, 14, 32
Analyse
morphologische, 15
semantische, 15
Anforderungen
funktionale, 74
nicht-funktionale, 75
Annotationssprache, 15
Apache Tomcat, 113
Artikel, 24, 52, 53, 98, 99, 101, 102
Attempto Controlled English, 22, 23
Ausdruck
regulärer, 98
Ausgangssprache, 12–17, 25, 73
Babel Fish, 11, 19, 32, 34, 47, 54, 56, 59,
63, 65, 70
Basic English, 24
Beiordnung, 27, 31
Bindestrich-Ellipse, 46
Brill-Tagger, 77
CÜ-Software, 13
C#, 106
Chunker, 97
CSS, 106
Diskursrepräsentationsstruktur, 22
EG-Kommission, 14
Ellipse, 30, 46–49, 61, 62, 95
Entscheidungsbaum, 77
Europäische Gemeinschaft, 14
Fehlerzahl, 31, 33, 38, 39, 54, 56, 66, 77,
116
absolute, 33–35, 38, 39, 43, 47, 51, 54,
56, 59, 69, 71
pro Wort, 33, 34, 38, 44, 47, 48, 51,
54, 56, 59, 68, 70
relative, 35, 44, 51
Veränderung, 33, 35, 38, 41, 42, 44,
47, 51, 56, 59–63, 67
Fragesatz, 23, 58, 89
Garbage Collector, 112
Gegenhypothese, 35, 61
Georgetown-Experiment, 13
Google, 55
Hauptsatz, 21, 23, 43, 58, 74, 81, 86, 89–
96
Homograph, 18, 27, 31
HTML, 106, 111, 112, 114
IBM, 25, 26, 76
Interlingua, 16, 23, 25
Internet, 14
Interpunktion, 34, 86
Java, 75, 112, 113
Java Server Pages, 113
Jongejan, Bart, 77
KANT Controlled English, 23, 24
Kommandozeile, 12, 75, 103, 104, 108
Kompositionsglied, 47
abgetrenntes, 46, 48, 62, 66, 67, 69,
76, 80, 94, 95
Kompositum, 18, 19, 24, 45, 50, 55–57
Nominalkompositum, 19, 27, 37, 49,
55, 56, 60, 62, 63
Kongruenz, 23
Konjunktion, 39, 46, 89, 90, 95, 96, 98, 99
unterordnende, 89, 91
Korpus, 14, 31, 34, 38, 40, 41, 45, 47–53,
55, 56, 60, 65, 69, 95, 97
123

Stichwortverzeichnis
Lexikon, 13, 23, 24, 30, 45, 82, 84, 97, 104,
108
Mehrdeutigkeitslexikon, 77, 82, 84, 96,
106, 108, 113
Linguatec, 32
Linguistic Annotation Language, 18, 25
Linux, 75, 76, 85, 112
Logos, 13, 25
Logos Translatability Index, 25, 27, 37,
66
Mehrdeutigkeit, 18, 22–25, 30, 37, 43, 44,
61, 66, 67, 69, 74, 75, 80, 82, 94,
96, 97, 108
lexikalische, 18, 23, 43
strukturelle, 18, 43
MetaTexis, 13
MT Analyser, 73–75, 77, 85, 90, 94, 95,
101–103, 106, 110–114, 117
MT Analyser Web, 113
MÜ-Programm, 27, 30–32, 34, 38, 41, 44,
55, 65, 74
MÜ-System, 13, 14, 18, 20, 21, 24–26, 29,
30, 45, 56
multilinguales, 16
Nachbearbeitung, 14, 73
Nachbearbeitungsaufwand, 33, 56
Nebensatz, 23, 27, 30, 37, 39–43, 53, 58,
61, 65, 80, 81, 86, 88–96, 101
Finalsatz, 74
Kausalsatz, 89
Konditionalsatz, 89, 90
konjunktionsloser, 89
Konzessivsatz, 74
Lokalsatz, 102
Objektsatz, 90
Relativsatz, 23, 39–42, 61, 66, 67, 80,
86, 91–94, 102
Temporalsatz, 39, 91
Negation, 23, 98
Neologismus, 30
Nomen, 20, 52, 53, 76, 100
Eigenname, 20, 24, 30, 33, 34, 100
Genus, 39
Kasus, 39
Numerus, 39
Personenname, 20, 33, 34
Pronomen, 96, 98–102
Demonstrativpronomen, 99, 100
Indefinitpronomen, 99, 100
Interrogativpronomen, 89, 101
Personalpronomen, 53, 96, 100
Possessivpronomen, 43, 99, 100
Reflexivpronomen, 100
Relativpronomen, 23, 39, 40, 43, 89,
91, 101, 102
Substantiv, 18, 19, 23, 24, 43, 53, 100
Nominalklammer, 30, 37, 49, 52–55, 62,
63, 66–68, 74, 80, 86, 97–101, 113
Nominalphrase, 52, 97–100
Nullhypothese, 35, 36, 61
Oberfläche
grafische, 12, 75, 77, 103, 106, 109,
111
textuelle, 77, 103, 104, 106, 109
Weboberfläche, 114
Ogden, Charles Kay, 24
opentrad, 11
Part-of-Speech-Tagger, 76
Partikel, 96
Vergleichspartikel, 99
Personal Translator 2006, 11, 21, 32, 34,
47, 49, 56, 57, 63, 65, 70
Plattformunabhängigkeit, 75
Präfix, 24, 50, 102
Präposition, 20, 30, 33, 43, 46, 57, 96, 98,
99
Präpositionalphrase, 23, 27, 53
Projekt Deutscher Wortschatz, 45
Reduktionsbaum, 100, 101
Reformatierung, 85
Regression
lineare, 71
REWERSE, 22
Satzanalyse, 86, 94
Hierarchisierung atomarer Teilsätze,
91, 92
Kategorisierung atomarer Teilsätze, 88,
91, 92
Zerlegung in atomare Teilsätze, 86, 88
Zusammenfügen atomarer Teilsätze,
92
124

Stichwortverzeichnis
Satzklammer, 49
Satzlänge, 27, 30, 31, 37–39, 60, 63, 66,
68, 69
Satzteil, 33, 39
Schmid, Helmut, 76
Schnellbewertung, 103
Schreibstil
elliptischer, 37, 61
Seltenheit von Wörtern, 30, 37, 45
SGML, 23
Signifikanz, 29, 35, 36, 60
Signifikanzniveau, 36, 61
Signifikanztest, 33, 35, 60
Solaris, 75, 76, 85, 112
Sprache
Chinesisch, 21
Dänisch, 40
Deutsch, 18, 25, 31, 34, 41, 50, 57, 73,
89, 92, 116
deutsche, 12, 18, 20, 45, 47, 52, 58,
118
Englisch, 18, 20, 25, 30, 31, 33, 34, 39,
40, 53, 57, 73, 116, 118
englische, 13, 23, 24, 27, 29, 32, 40
Esperanto, 24
Französisch, 25, 117
germanische, 29, 55
indogermanische, 21
kontrollierte, 15, 20, 22, 24, 46, 74,
118
Lingua franca, 24
natürliche, 18, 22
Niederländisch, 52
romanische, 19, 53, 55
russische, 13
Spanisch, 18, 40, 53
Standard Widget Toolkit, 76
Stuttgart-Tübingen-Tagset, 76, 77, 98
Suffix, 24
Sun Microsystems, 75
Swing, 76, 106
Systran, 11, 13, 14, 32
Teilsatz, 74, 78, 80, 82, 86–96, 98, 101,
102
atomarer, 78, 86, 87, 91
ungebundener, 90, 92, 93
Textkorpus, 17, 29, 31–35, 38, 39, 41–45,
47, 48, 50, 51, 54–56, 59–61, 63,
65, 67, 69, 77, 94, 96, 97, 100–103
Textmerkmal, 26, 29–31, 33, 35–37, 60–
63, 66–69, 71, 74–78, 80–82, 86,
90, 92, 94, 101, 103, 104, 109, 110,
113, 114, 116, 117
allgemeines, 12, 37
Gewichtung, 68, 75
sprachspezifisches, 12, 37, 50
Transfer, 15, 16
Translatability Checker, 26, 27, 37, 39,
66, 77
Translation Confidence Index, 26, 27, 66
Translation Memory, 13
TreeTagger, 76–78, 85, 89, 90, 94, 96, 97,
101–103, 110, 112, 113
Twain, Mark, 11, 15
Übersetzungstechnik, 14
Übersetzbarkeit, 12, 15, 25, 28–30, 35, 37,
39–41, 51, 54, 61, 62, 66–70, 74,
75, 77, 78, 103, 109
eines Textes, 73
Übersetzbarkeitsfunktion, 69, 71
Übersetzbarkeitsindex, 12, 27, 29, 31, 36,
60–63, 66, 69, 74, 78, 80, 82, 116,
117
Bewertung der Satzlänge, 68, 71
eines Satzes, 68
eines Textes, 67
Indexgewichte, 104, 109, 113
Übersetzbarkeitsmaß, 22, 25, 61, 116
Übersetzbarkeitsreport, 77, 97, 103, 104,
106, 114
Übersetzer, 12
Übersetzung, 12–15, 17, 21, 22, 25, 26,
29–33, 37–45, 47, 49, 52–59, 61–
63, 65, 67, 70, 116, 117
automatische, 12–14, 24, 50
computerunterstützte, 13
maschinelle, 11, 13, 14, 18, 30, 53, 73,
116, 117
beispielbasierte, 17
direkte, 15
statistische, 16, 17
Übersetzungscomputer, 13
125

Stichwortverzeichnis
Übersetzungsprogramm, 11, 12, 14, 26,
31, 34, 40, 42, 44–46, 48, 50, 52,
54, 57, 60, 63, 73, 74, 109, 117
Übersetzungsqualität, 12, 17, 29, 31–33,
35–37, 39, 43, 45, 47, 53, 55, 59,
60, 66, 67, 69
Übersetzungsschwierigkeit, 12, 31, 63, 75,
78, 80, 82, 96, 102, 103, 106
Übersetzungstechnik, 15, 17
UML
Klassendiagramm, 78
Sequenzdiagramm, 81
Underwood, Nancy, 77
Universität
Carnegie Mellon, 23
Leipzig, 14, 45, 55
Stuttgart, 76
Tübingen, 76
Zürich, 22
Verb, 18, 20, 23, 24, 26, 50, 74, 76, 95, 102
Aspekt, 20
finites, 26, 50, 58, 76, 88–92, 95, 96,
101–103
Abwesenheit, 31
Genus verbi, 76
Hilfsverb, 49, 50, 76, 102, 103
Infinitiv, 49, 50, 89, 90, 96, 102, 103
erweiterter, 50, 58, 88–90, 92–96
mit zu, 88, 89
Modalverb, 23, 49, 50, 76, 102
Modus, 20, 76
Imperativ, 89, 90
Indikativ, 21, 90
Konjunktiv, 21, 90
Numerus, 76
Partizip, 53, 90, 101–103
Perfekt, 49, 102
Präsens, 23
Person, 76
Tempus, 20, 21, 50, 51, 76
Consecutio temporum, 21
unregelmäßiges, 24
Vollverb, 102
Verbklammer, 30, 35, 37, 49–53, 62, 65–
68, 74, 80, 86, 90, 102, 103, 118
Verteilung
hypergeometrische, 36, 60
Vorbearbeitung, 22, 24
Wörterbuch, 14, 21, 27, 75
webtranslate, 11
Wikipedia, 32, 38, 39, 43, 47, 50, 53, 55,
59
Windows, 75, 85, 113
Wordfast, 13
Wortstellung, 22, 29, 33, 39, 49, 53, 58,
59, 86, 89, 91, 92, 95, 96
Fehlstellung, 33
Inversion, 30, 37, 49, 58, 59, 63, 66,
80, 86, 95, 96
Standardwortstellung, 30, 58, 59, 95
XML, 25, 82, 84, 97
DTD, 83
Zahlwort, 100
Zielsprache, 13–16, 53, 55
Zirkumposition, 29
Zwischendarstellung, 15, 16
Zwischensprache, 16, 25
126

Literaturverzeichnis
[ABM + 94] Arnold, Douglas ; Balkan, Lorna ; Meijer, Siety ; Sandler, Louisa ;
Humphreys, R. L.: Machine Translation: an Introductory Guide. London
(GB) : Blackwells-NCC, 1994
[BDPDPM94] Brown, Peter E. ; Della Pietra, Vincent J. ; Della Pietra, Stephen
A. ; Mercer, Robert L.: The Mathematics of Statistical Machine
Translation: Parameter Estimation. In: Computational Linguistics 19
(1994), Nr. 2, S. 263–311
[BEFH + 05] Barz, Irmhild ; Eisenberg, Peter ; Fabricius-Hansen, Catherine ;
Fiehler, Reinhard ; Fritz, Thomas ; Gallmann, Peter ; Nübling,
Damaris ; Peters, Jörg ; Dudenredaktion (Hrsg.): Duden. Die Grammatik.
7. Mannheim (D) : Bibliographisches Institut, 2005
[Ber99]
Bernth, Arendse: A Confidence Index for Machine Translation. In: Proceedings
of Theoretical and Methodological Issues in Machine Translation
(1999), S. 120–127
[BG00] Bernth, Arendse ; Gdaniec, Claudia. MTranslatability. AMTA-
2000 Tutorial. Internet: http://www.isi.edu/natural-language/
organizations/amta/sig-mtranslatability-tutorial.htm. 2000
[Bor05]
Bortz, Jürgen: Statistik für Human- und Sozialwissenschaftler. Berlin
(D), Heidelberg (D) : Springer, 2005
[CMU + 95] Cole, Ronald ; Mariani, Joseph ; Uszkoreit, Hans ; Zue, Victor ;
Zaenen, Annie ; Cole, Ronald (Hrsg.): Survey of the State of the Art
in Human Language Technology. Pittsburgh (USA) : Center for Spoken
Language Understanding CSLU, Carnegie Mellon University, 1995
[Dos55] Dostert, Leon E.: The Georgetown - I.B.M. experiment. Cambrigde
(USA) : MIT Press, 1955, S. 124–135
[FHK + 06]
Fuchs, Norbert E. ; Hoefler, Stefan ; Kaljurand, Kaarel ; Kuhn,
Tobias ; Schneider, Gerold ; Schwertel, Uta S.: Discourse Representation
Structures for ACE 5 / Institut für Informatik der Universität
Zürich. Zürich (CH), 2006. – Forschungsbericht
[FSS99] Fuchs, Norbert E. ; Schwertel, Uta ; Schwitter, Rolf: Attempto
Controlled English – Not Just Another Logic Specification Language. In:
Lecture Notes in Computer Science 1559 (1999), S. 1–20
127

Literaturverzeichnis
[Gda94]
[Hoe04]
[HS92]
[Hut86]
[Hut92]
[Hut02]
[Hut03]
[JU01]
Gdaniec, Claudia: The LOGOS Translatability Index. In: Proceedings
of the First Conference of the Association for Machine Translation in the
Americas (1994), S. 97–105
Hoefler, Stefan: The Syntax of Attempto Controlled English: An Abstract
Grammar for ACE 4.0 / Institut für Informatik der Universität
Zürich. Zürich (CH), 2004. – Forschungsbericht
Hutchins, John ; Somers, Harold: An introduction to machine translation.
London (GB) : Academic Press, 1992
Hutchins, John: Machine Translation: past, present, future. New York
(USA) : Halsted Press, 1986
Hutchins, John: Why computers do not translate better. In: Translating
and the Computer 13: the theory and the practice of machine translation -
a marriage of convenience? London (GB), 1992, S. 3–16
Hutchins, John: Machine translation today and tomorrow. In: Gerd,
Willée (Hrsg.) ; Schröder, Bernhard (Hrsg.) ; Schmitz, Hans-Christian
(Hrsg.): Computerlinguistik: was geht, was kommt? Sankt Augustin (D) :
Gardez! Verlag, 2002, S. 159–162
Hutchins, John: The Oxford Handbook of Computational Linguistics.
Oxford (GB) : University Press, 2003, Kapitel Machine translation: general
overview, S. 501–511
Jongejan, Bart ; Underwood, Nancy: Translatability Checker: A Tool
to Help Decide Whether to Use MT. In: Proceedings of MT Summit VIII
(2001), S. 363–368
[Kni99] Knight, Kevin. A Statistical MT Tutorial Workbook. Internet: http:
//www.isi.edu/natural-language/mt/wkbk.rtf. 1999
[Kor06] Korpela, Jukka. Translation-friendly authoring, especially in HTML
for the WWW. Internet: http://www.cs.tut.fi/~jkorpela/transl/
master.html. 2006
[Lau84]
[MBNS03]
Laurian, J. M.: Systran et Eurotra: la traduction automatique a la Commission
des Communautés Européennes. Contrastes, Hors serie A4, 11-42.
In: Contrastes Hors serie A4 (1984), S. 11–42
Mitamura, Tekuro ; Baker, Kathryn ; Nyberg, Eric ; Svoboda, David:
Diagnostics for Interactive Controlled Language Checking. Pittsburgh
(USA) : Carnegie Mellon University, 2003
[MN95] Mitamura, T. ; Nyberg, E.: Controlled English for KnowledgeBased
MT: Experience with the KANT System. Pittsburgh (USA) : Center for
Machine Translation, Carnegie Mellon University, 1995
128

Literaturverzeichnis
[MNrC91]
Mitamura, Teruko ; Nyberg 3rd, Eric H. ; Carbonell, Jaime G.:
An Efficient Interlingua Translation System for Multi-lingual Document
Production. In: Proceedings of the Third Machine Translation Summit.
Washington (USA), 1991
[Ogd30] Ogden, Charles K.: Basic English: A General Introduction with Rules
and Grammar. London (GB) : Paul Treber & Co., Ltd., 1930
[Ogd37]
[Ogd60]
[Pa66]
[Reh92]
Ogden, Charles K.: Basic English and Grammatical Reform. Cambridge
(GB), London (GB) : Eldritch, 1937
Ogden, Charles K.: The General Basic English Dictionary. London (GB)
: Evans Bros., 1960
Pierce, John ; andere: Languages and machines: computers in translation
and linguistics / Automatic Language Processing Advisory Committee
(ALPAC), National Academy of Sciences, National Research Council. Washington
(USA), 1966. – Forschungsbericht
Rehbein, Jochen: Zur Wortstellung im komplexen deutschen Satz. In:
Hofmann, L. (Hrsg.): Deutsche Syntax: Ansichten und Aussichten. Berlin
(D), New York (USA) : De Gruyter, 1992, S. 523–574
[Sch94] Schmid, Helmut: Probabilistic Part-of-Speech-Tagging Using Decision
Trees. In: International Conference on New Methods in Language Processing.
Manchester (GB) : Centre for Computational Linguistics, UMIST,
1994, S. 44–49
[Sch95]
[Sch06]
[SSTT99]
[SV98]
[Tra06]
[Twa94]
Schmid, Helmut: Improvements in Part-of-Speech Tagging With an Application
To German. In: Feldweg (Hrsg.) ; Hinrichs (Hrsg.): Lexikon
und Text. 1995, S. 47–50
Schwitter, Rolf. Controlled Natural Languages. Internet: http://www.
ics.mq.edu.au/~rolfs/controlled-natural-languages/. 2006
Schiller, Anne ; Stöckert, Christine ; Teufel, Simone ; Thielen,
Christiane: Guidelines für das Tagging deutscher Textcorpora mit STTS
(Kleines und großes Tagset). Stuttgart (D) : Institut für maschinelle
Sprachverarbeitung der Universtität Stuttgart, 1999. – Forschungsbericht
Schneider, Gerold ; Volk, Martin: Comparing a statistical and a rulebased
tagger for German. In: Proceedings of KONVENS-98. Bonn (D),
1998
Translatio. Translatio - Das Leipziger Tor zum Übersetzen und Dolmetschen.
Internet: http://www.uni-leipzig.de/~xlatio/frs-allg.htm.
2006
Twain, Mark: Die schreckliche deutsche Sprache. In: Bummel durch Europa.
Frankfurt (D) : Insel (7. Auflage), 1994
129

Literaturverzeichnis
[Wag03]
[Wat03]
[WNMB02]
Wagner, Joachim: Datengesteuerte maschinelle Übersetzung mit flachen
Analysestrukturen. Osnabrück (D), Universität Osnabrück, Diplomarbeit,
2003
Watanabe, Kanayama H.: Multilingual Translation via Annotated Hub
Language. Kanagawa (J) : Tokyo Research Laboratory, IBM Japan, 2003
Watanabe, H. ; Nagao, K. ; McCord, M. ; Bernth, A.: An Annotation
System for Enhancing Quality of Natural Language Processing. In:
Proceedings of the 19th COLING. Taipeh (RC), 2002, S. 1303–1307
130