Adaptives Lernen von schwachem Feedback in interaktiver Vorlesungsübersetzung

• Antragsteller: Professor Dr. Stefan Riezler
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Allgemeine und Vergleichende Sprachwissenschaft, Experimentelle Linguistik, Typologie, Außereuropäische Sprachen
• Förderung: Förderung von 2017 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 326904228

Das Anwendungsziel der Projekts ist die Übersetzung von Universitätsvorlesungen mittels statistischer maschineller Translation (SMT). Das wissenschaftliche Ziel ist die Erforschung und Entwicklung von Methoden zu auto-adaptiver SMT, wo ein menschlicher Nutzer, der SMT Übersetzungen editiert, in den Übersetzungvorgang eingebunden wird, jedoch auch das STM System unmittelbar von der Rückkopplung mit dem Nutzer lernt. Dies unterscheidet sich vom "traditionellen" Szenario des Post-Editierens, wo professionelle Übersetzer perfekte Übersetzungen produzieren. Das Ziel des Projekts ist es, schwächere Formen von Rückkopplung zu erlauben, und von diesen automatisch zu lernen. Das Spektrum von Feedback-Typen, die analysiert werden sollen, reicht von partiellen Verbesserungen bis zu Qualitätsurteilen oder Vergleichen von SMT Übersetzungen. Eine zentrale Forschungsfrage betrifft die konfligierenden Ansprüche von maschineller Lernbarkeit von schwachen Feedback-Daten und von Elizitierbarkeit schwachen Feedbacks von menschlichen Nutzern. Ziele des Forschungsprojekts sind demnach die Erforschung von Algorithmen zum effizienten Lernen von möglichst schwachem Feedback, und weiters die Entwicklung konkreter Schnittstellen und Systeme, um die Algorithmen in der Praxis der Interaktiven Übersetzung von Vorlesungen einsetzen und experimentell erforschen zu können.

• DFG-Verfahren: Sachbeihilfen