Computergestütztes Dolmetschen

Kapitel 9 Computergestütztes Dolmetschen Bianca Prandi Università di Bologna Das Kapitel bietet eine umfassende Einführung in das computergestützte Dolmetschen und die neueste Forschung zu unterstützenden Technologien für Dolmetscher*innen. Im ersten Teil des Kapitels wird die Entwicklungsgeschichte von CAITools präsentiert. Es werden zudem die neuesten Entwicklungen im Bereich computergestützten Dolmetschens sowie der aktuelle Stand der Automation in den verschiedenen Dolmetschphasen besprochen. Das zweite Teil des Kapitels widmet sich der Forschung im Bereich des computergestützten Dolmetschens. Es werden die aktuellen Forschungsfragen, -methoden und -ergebnisse präsentiert. Das Ziel besteht darin, den aktuellen Wissensstand zu CAI-Tools zu erfassen und Forschungslücken zu identifizieren, um Lesenden eine Orientierungshilfe anzubieten. Das Kapitel endet mit Überlegungen zu den möglichen zukünftigen Entwicklungen in diesem Bereich. 1 Begriffsabgrenzung Die zunehmende Technologisierung, die auch den Dolmetschberuf betrifft, wirft eine Vielzahl von Fragen auf: Wie kann man Technologie und künstliche Intelligenz (KI) für das Dolmetschen einsetzen? Kann KI DolmetscherInnen unterstützen? Der vorliegende Beitrag zielt darauf ab, Lesenden einen kritischen Überblick über unterstützende Technologien für das Dolmetschen zu liefern. Er kann somit als Orientierungshilfe sowohl für die Praxis als auch für die Forschung und die Lehre betrachtet werden. Dolmetschtechnologie betrifft verschiedene Bereiche, die von Distance zu Assistance (Pöchhacker & Liu 2024, siehe auch Braun 2019), d.h., vom Ferndolmetschen zum computergestützten Dolmetschen, bis hin zur Vollautomatisierung Bianca Prandi. 2026. Computergestütztes Dolmetschen. In Oliver Czulo, Martin Kappus & Felix Hoberg (Hrsg.), Digitale Translatologie, 131–152. Berlin: Language Science Press. DOI: 10.5281/zenodo.17523046 Bianca Prandi reichen. Das computergestützte Dolmetschen, das in diesem Kapitel behandelt wird, bezeichnet den Einsatz von Hardware und Software zur Volloder Teilautomatisierung verschiedener Aufgaben im Arbeitsablauf der DolmetscherInnen, z. B. Terminologieextraktion oder Glossarerstellung. Das Endprodukt, die Verdolmetschung, wird jedoch weiterhin vom Dolmetschenden geliefert (Will 2020: 47). So unterscheidet sich das computergestützte Dolmetschen von Automatic Speech Translation (Pöchhacker 2024), die auf die Vollautomatisierung des Dolmetschprozesses abzielt und eine Alternative bzw. eine Ergänzung zum menschlichen Dolmetschen darstellt. In Anlehnung an den Bereich des Übersetzens wurde bereits zu Beginn der 1990er Jahre die Suche nach Möglichkeiten initiiert, die Arbeitsabläufe von DolmetscherInnen durch Technologie zu unterstützen. Computergestützte Dolmetschtools (im Engl. Computer-Assisted Interpreting bzw. CAI-Tools) können als prozessorientierte Technologie bezeichnet werden (Fantinuoli 2018), da sie darauf abzielen, die Teilprozesse beim Dolmetschen zu optimieren. Zu diesem Zweck werden unter anderem auch diejenigen Technologien eingesetzt, die zur Teiloder Vollautomatisierung des Dolmetschprozesses beitragen können. Die Entwicklung von Technologien für das Ferndolmetschen, das computergestützte Dolmetschen und die automatische Sprachübersetzung hängt immer enger zusammen. Exemplarisch hierfür ist die Integration unterstützender Funktionen durch den Einsatz von KI in Plattformen für das Ferndolmetschen sowie die Entstehung hybrider Dolmetschformen durch die Integration automatisierender Technologien in traditionelle Dolmetschprozesse wie etwa bei Sim-Consec (Orlando 2014), SightConsec (Ünlü 2023a) und Computer-Assisted Consecutive Interpreting oder CACI (Chen & Kruger 2023). Für CAI-Tools gibt es in der Literatur unterschiedliche Definitionen. Manche AutorInnen befürworten eine breite Definition von CAI-Tools, die alle Lösungen umfasst, die DolmetscherInnen als Unterstützung verwenden können (vgl. Bowker 2022). Hierzu zählen sowohl Hardware (wie beispielsweise Tablets für das computergestützte Konsekutivdolmetschen) als auch Software unterschiedlicher Art. Letztere umfasst zum einen allgemein verfügbare Programme wie z. B. Microsoft Word oder Excel, zum anderen dolmetschspezifische Programme wie etwa InterpretBank1(Fantinuoli 2016) oder Interpreters’ Help.2Schließlich sind auch Sprachmodelle, die auf generativer KI basieren (wie ChatGPT oder Gemini) Teil dieser Entwicklung. In anderen Fällen wird eine engere Definition von CAI-Tools bevorzugt (vgl. z. B. Fantinuoli 2018; Prandi 2023), die nur diejenigen Softwareprogramme erfasst, die speziell für DolmetscherInnen entwickelt 1https://interpretbank.com (letzter Zugriff: 2024-12-23) 2https://interpretershelp.com/ (letzter Zugriff: 2025-09-15) 132 9 Computergestütztes Dolmetschen wurden. Allgemein können als CAI-Tools alle Lösungen bezeichnet werden, die darauf abzielen, die kognitive Belastung von DolmetscherInnen zu reduzieren. Je nachdem, in welcher Phase eines Dolmetscheinsatzes CAI-Tools Anwendung finden, wird nach Will (2020) unter primären (nur während des Dolmetschens einsetzbar), sekundären (nur vor oder nach der Verdolmetschung einsetzbar) und integrierten CAI-Tools (in allen Phasen einsetzbar) unterschieden. Um das Potential unterstützender Technologien für das computergestützte Dolmetschen zu veranschaulichen, liefert Abschnitt 2 einen Überblick über die Technologie. Die Übersicht der Forschungsfragen, -methoden und -ergebnisse in Abschnitt 3 soll die aktuellen Grenzen und Möglichkeiten von CAI-Tools erläutern. Abschnitt 4 fasst den Inhalt des Kapitels zusammen und präsentiert einige Überlegungen zu den potenziellen zukünftigen Entwicklungen im Bereich des computergestützten Dolmetschens. 2 Technologie 2.1 Aktueller Stand der Automation In der Automation menschlicher Tätigkeiten und somit auch beim computergestützten Dolmetschen sind verschiedene Phasen erkennbar. Fantinuoli (2018) differenziert in diesem Zusammenhang zwischen vier Phasen, die sich von der reinen menschlichen Tätigkeit über die maschinengestützte Tätigkeit bis hin zur menschunterstützten maschinellen Tätigkeit und schließlich zur vollständig automatisierten Tätigkeit erstrecken. Gemäß dem Automationsgrad lassen sich bis zu vier Generationen von CAI-Tools identifizieren (Prandi 2025). CAI-Tools der ersten Generation bieten einfache Funktionen für die Verwaltung und Erstellung von Terminologiesammlungen, während Tools der zweiten Generation zusätzliche Funktionen zur Bearbeitung von Vorbereitungsunterlagen, Terminologieextraktion und Memorierung der Termini bereithalten. Tools der dritten Generation zeichnen sich durch einen hohen Automationsgrad aus, wobei auch ‚traditionelle‘ Arbeitsweisen unterstützt werden. Tools der vierten Generation sind in Plattformen für das simultane Ferndolmetschen integriert und zielen auf eine möglichst vollständige Automation verschiedener Arbeitsschritte ab. Im Weiteren werden die konkreten Möglichkeiten der Unterstützung durch Technologie und insbesondere KI für die verschiedenen Phasen eines Dolmetscheinsatzes erläutert. 133 Bianca Prandi 2.2 Vorund Nachbereitungsphase In der Vorund Nachbereitungsphase liegt der Fokus der technologischen Unterstützung vorwiegend auf der Terminologiearbeit. Ohne Unterstützung von CAI-Tools stellen sich DolmetscherInnen Glossare anhand von Sitzungsunterlagen und Internetrecherchen zusammen. In den Phasen vor und nach dem Prozess (vgl. Kalina 2005) können DolmetscherInnen CAI-Tools einsetzen, um (teil-)automatisch Glossare zu erstellen und Terminologie zu lernen. Eine wichtige Phase in der Glossarerstellung kann das Zusammenstellen von Korpora nach den Grundsätzen der Corpus-Driven Interpreters’ Preparation (Fantinuoli 2017a) sein. Diese kann die Informationskluft zwischen ExpertInnen (Kundschaft, Publikum) und Laien (DolmetscherInnen) verringern. Tools wie SketchEngine (Kilgarriff u. a. 2014) oder #LancsBox X (Brezina & Platt 2024) können bei der Korpuserstellung helfen. Auf Grundlage von Stichwörtern (Seeds) wird das Internet automatisch nach fachlich relevanten Texten durchsucht, die in einem Korpus zusammengestellt werden. Ausgehend von diesen Sammlungen können Terminologielisten erstellt werden, entweder durch manuelle oder automatische Terminologieextraktion oder beides. Zudem können CAI-Tools verwendet werden, um die Glossare in einer einzelnen Datenbank zu verwalten, anstatt eigene Ordnerstrukturen zu erstellen. Durch die Integration von KI-basierten Funktionen kann die Glossarerstellung komplett automatisiert werden. Es besteht beispielsweise die Möglichkeit, aus Webseiten oder Dokumenten Terminologie automatisch zu extrahieren und die Termini durch neuronale maschinelle Übersetzung (NMÜ) zu übersetzen. DolmetscherInnen können die automatischen Ergebnisse prüfen und diesen Glossarentwurf weiter verfeinern. Angesichts der rasanten Entwicklungen im Bereich der generativen KI ist es plausibel, Large Language Models (LLMs) auch in der Vorbereitungsphase zu verwenden. LLMs sind sowohl als eigenständige Lösungen als auch als Integration in einigen CAI-Tools verfügbar. Im letzteren Fall können LLMs beispielsweise dazu beitragen, mehr Kontext für die Terminologieextraktion bereitzustellen (siehe z. B. InterpretBank Version 9.47). Durch Schnittstellen zu ChatGPT oder Gemini ist es möglich, LLMs in natürlicher Sprache zu bestimmten Aufgaben anzuleiten (Prompting). Hierzu zählen die Erstellung von Glossarentwürfen, die Terminologieextraktion, die Systematisierung von Termlisten, das Brainstorming von Ideen zum Veranstaltungsthema oder zu einsatzrelevanten Faktoren, das Zusammenfassen und Übersetzen von Dokumenten und viel mehr (bei LLMs ist Übersetzung jedoch sehr eng konzipiert, siehe Pym & Hao 2024: 7). Darüber hinaus können die Textgenerierungsfähigkeiten von LLMs dazu genutzt werden, Reden 134 9 Computergestütztes Dolmetschen zu generieren, die als Übungsmaterialien sowohl zur Vorbereitung auf einen Dolmetscheinsatz als auch im Training dienen können (vgl. z. B. das Projekt „InterpreTutor”, Ünlü 2023b). Einige CAI-Tools (InterpretBank und Interpreters’ Help) bieten Funktionen für das computergestützte Einüben der Terminologie an. Glossare werden in digitale Karteikarten umgewandelt. Die Programme speichern den Lernfortschritt und ermöglichen es, die Übung auf die Fehler zu intensivieren. InterpretBank ermöglicht zudem die Präsentation der Karteikarten im Audioformat mittels Sprachsynthese, sodass DolmetscherInnen sich auf den akustischen Input fokussieren können. Die zuvor genannten Einsatzmöglichkeiten von KI sind selbstverständlich auch für die Nachbereitungsphase von Relevanz. In diesem Kontext sind insbesondere die Aufgaben der Terminologiearbeit zu nennen. Dies umfasst beispielsweise die Ergänzung eigener Terminologieressourcen durch Termini und Fachausdrücke, die sich während des Einsatzes als relevant erwiesen haben und in den Vorbereitungsglossaren nicht berücksichtigt wurden. Darüber hinaus wären weitere Anwendungsfälle in der Reflexion der eigenen Arbeit im Umgang mit CAI-Tools denkbar, die aber eher im Training oder in der Forschung Einsatz finden würden, da sie zeitintensiv und mit einem gewissen Arbeitsaufwand verbunden sind. Im Falle der Verwendung von CAI-Tools zum Nachschlagen von Terminologie in eigenen Glossaren oder der Unterstützung durch automatische Spracherkennung (ASE, siehe Abschnitt 2.3) könnte das eigene Suchverhalten analysiert werden, um Schlussfolgerungen für die Interaktion mit Technologie als Unterstützung zu ziehen und die eigenen Strategien zu optimieren. Zu diesem Zweck könnten Log-Dateien oder Videoaufnahmen untersucht werden. Ferner wäre es denkbar, LLMs zur Evaluation der eigenen Dolmetschleistungen einzusetzen. 2.3 Dolmetschphase Die Terminologiearbeit findet beim Dolmetschen kontinuierlich statt, sodass auch während des Dolmetschens und insbesondere in der Peri-Prozess-Phase (Kalina 2005) Glossare vervollständigt und Termini ad-hoc hinzugefügt werden. Der Einsatz unterstützender Technologie in der Dolmetschphase betrifft allerdings vor allem das manuelle oder automatische Nachschlagen von Terminologie in CAI-Tools sowie die Möglichkeit, weitere Problem Triggers (Gile 2009) wie Zahlen und Named Entities (Namen von Organisationen, Ortsangaben, Eigennamen) durch Spracherkennung automatisch identifizieren und anzeigen zu lassen. Darüber hinaus können automatisch, in Echtzeit generierte Untertitel in 135 Bianca Prandi der Ausgangsoder Zielsprache von DolmetscherInnen als Hilfestellung verwendet werden. Einige CAI-Tools bieten eine ASE-Funktion an (vgl. Hansen-Schirra 2012; Fantinuoli 2017b), die das Gesagte transkribiert und durch einen entsprechenden Algorithmus Problem Triggers erkennt. Im Falle der Zahlen werden diese auf dem Bildschirm eingeblendet, mit oder ohne zusätzliche Informationen wie z. B. Größenordnung, Zeitangaben oder Maßeinheit (vgl. Defrancq & Fantinuoli 2021). Automatisch erkannte Terminologie kann entweder mit den Einträgen in den von den DolmetscherInnen erstellten und validierten Glossaren verglichen und mit entsprechender Benennung in der Zielsprache angezeigt oder automatisch übersetzt und eingeblendet werden (Fantinuoli u. a. 2022). Zudem besteht die Möglichkeit, das Transkript einzublenden, um den DolmetscherInnen zusätzlichen Kontext anzubieten. Abbildung 1 gibt einen Überblick über die aktuellen Möglichkeiten des Einsatzes von KI in den verschiedenen Dolmetschphasen. aus von Named Entities als von Prä-Prozess (Vorbereitung) In-/Peri-Prozess (Verdolmetschung) Post-Prozess (Nachbereitung) Automatische Evaluation ASE von Problem Triggers Vollständige ASE NMÜ KorpusErstellung TerminologieExtraktion NMÜ Textzusammenfassung Terminologie lernen Redengenerierung Computergestütztes Dolmetschen Transkript Terminologie Transkript Untertitel Termini Zahlen Terminologie Dokumenten Definitionen Webseiten Dokumenten Abbildung 1: Möglichkeiten der Unterstützung durch KI beim Dolmetschen Derartige Einsatzmöglichkeiten sind nicht nur beim Simultandolmetschen, sondern auch beim Konsekutivdolmetschen vorstellbar. Im Rahmen von Experimenten im Konsekutivmodus wurde die Nutzung von ASE und/oder Respeaking als Ergänzung oder Ersatz für traditionelle Notizen erörtert. Das generierte Transkript kann anschließend mittels NMÜ übersetzt werden (Ünlü 2023a; Chen & Kruger 2023). So können sowohl die Rezeptionsals auch die Wiedergabephase partiell oder vollständig automatisiert werden. Bei der Wiedergabe der 136 9 Computergestütztes Dolmetschen Rede in der Zielsprache ist es daher denkbar, dass DolmetscherInnen eine Art „Live-Post-Editing“ durchführen, indem sie die automatisch generierte Übersetzung korrigieren und ergänzen, oder sie als zusätzliche Unterstützung zuziehen. Das Resultat ist ein neuer hybrider Dolmetschmodus, der als SightConsec (Ünlü 2023a) oder CACI (Chen & Kruger 2023) bezeichnet werden kann. Darüber hinaus sind teilweise automatisierte Workflows möglich, bei denen nur Phase I (Rezeption) oder nur Phase 2 (Wiedergabe) durch KI unterstützt werden. Letztere wurde bereits erfolgreich getestet, beispielsweise beim Einsatz von Smartpens für den SimConsec-Modus (vgl. Orlando 2014). 3 Forschung Im Zuge der signifikanten Fortschritte in der KI sowie der vielfältigen Möglichkeiten der Automation beim Dolmetschen hat die Forschung im Bereich des computergestützten Dolmetschens in den vergangenen Jahren einen Aufwind erfahren. Neben Publikationen, die sich mit den theoretischen Grundlagen des computergestützten Dolmetschens beschäftigen (vgl. z. B. Rütten 2007; Stoll 2009; Will 2020), widmet sich die Forschung aktuell der empirischen Untersuchung verschiedener Fragen, die sich wie folgt zusammenfassen lassen: 1. Wie beeinflussen CAI-Tools die kognitiven Prozesse von DolmetscherInnen? 2. Welche Auswirkungen hat der Einsatz von CAI-Tools auf die Dolmetschleistung? 3. Wie gut ist die (kognitive) Ergonomie von CAI-Tools? 4. Wie gut ist die Systemleistung von CAI-Tools? Im Folgenden werden die wichtigsten Forschungsmethoden erläutert, die in der Forschung zu CAI verwendet werden, und die wichtigsten Indikatoren der Systemleistung kurz erklärt. 3.1 CAI erforschen 3.1.1 Forschungsmethoden Im Rahmen der Forschung zum computergestützten Dolmetschen werden unterschiedliche Methoden verwendet, um die kognitive Belastung und die Dolmetschqualität zu messen. Diese Methoden können leistungsbasiert, subjektiv, 137 Bianca Prandi verhaltensbasiert (behavioral) und psychophysiologisch sein (siehe z. B. Seeber 2013 für eine Übersicht der Methoden zur Messung der kognitiven Belastung). Leistungsbasierte Methoden finden in Studien Anwendung, die sich primär mit der Qualität des computergestützten Dolmetschens befassen, sowie in prozessorientierten Untersuchungen. Man geht davon aus, dass das Produkt Informationen über die zugrunde liegenden Prozesse liefern kann; dieser Rückschluss erfordert jedoch die Interpretation der ForscherInnen und kann manchmal nur als Hypothese gestellt werden. In der CAI-Forschung wird die Qualität auf der Basis verschiedener Skalen gemessen. Dabei liegt der Fokus entweder auf einzelnen Qualitätselementen (Problem Triggers) oder auf der Gesamtleistung von DolmetscherInnen. Studien, die sich auf die Präzision der Zahlen bei der Verwendung von ASE als Unterstützung fokussieren, zielen darauf ab, die Anzahl und Art von Fehlern zu quantifizieren (vgl. z. B. Defrancq & Fantinuoli 2021; Pisani & Fantinuoli 2021). Dabei wird die Schwierigkeit anerkannt, die zu untersuchende Einheit exakt zu definieren, da eine korrekte Wiedergabe des Zahlworts mit Sinnfehlern einhergehen kann (vgl. Frittella 2022). Auch bei Fachterminologie werden Skalen verwendet, die den Präzisionsgrad der Verdolmetschung widerspiegeln. Beispiele finden sich in Van Cauwenberghe (2020) und Prandi (2023). In einigen Studien wird daher der Fokus auf das gesamte Translat erweitert, weil davon ausgegangen wird, dass eine Reduzierung der kognitiven Belastung sich positiv auf die gesamte Dolmetschqualität auswirken kann. Chen und Kruger kombinierten beispielsweise die analytische Skala von Han (2018), die „information completeness, fluency of delivery, and target language quality“ misst (Chen & Kruger 2024a: 386), mit einer propositionsbasierten Skala (Chen 2020), um die Präzision der Verdolmetschungen näher zu untersuchen. Auch die Sprechflüssigkeit (Fluency) ist ein Qualitätsindikator, der gleichzeitig eine indirekte Messung der kognitiven Belastung ermöglichen kann. Chen & Kruger (2023) operationalisierten Sprechflüssigkeit als die Anzahl von ungefüllten und gefüllten Pausen, die sie jeweils automatisch und manuell maßen. In ihrer Folgestudie (Chen & Kruger 2024a) wurde die manuell gemessene Sprechflüssigkeit um die Aspekte Wiederholungen und Selbstkorrekturen (Repairs) erweitert. Die automatische Messung lieferte außerdem Daten zur Dauer der Verdolmetschung und zur Redegeschwindigkeit in der Zielsprache. Auch Ünlü (2023a: 85) verwendete verschiedene Indikatoren, d.h. „overall frequency of disfluencies, false starts, frequency of filled pauses, filler words, whole-word repetitions, broken words, and incomplete phrases“. Da die persönliche Erfahrung von DolmetscherInnen eine entscheidende Rolle für die effektive Verwendung von CAI-Tools spielen und gleichzeitig zusätzliche Hinweise auf die erlebte kognitive Belastung liefern kann, enthalten die 138 9 Computergestütztes Dolmetschen meisten Studien auch eine subjektive Messungskomponente. Subjektive Methoden können jedoch für Gedächtnisund Bewusstseinseffekte anfällig sein. Zu den subjektiven Methoden in der CAI-Forschung zählen post-hoc Fragebögen (u. a. auch der NASA-TLX, Hart 2006), Usability-Fragebögen, Interviews und Fokusgruppen. Fragebögen wurden beispielsweise von Desmet u. a. (2018), Defrancq & Fantinuoli (2021) und Ünlü (2023a) verwendet, um die subjektive Erfahrung der StudienteilnehmerInnen zu erkundigen. Rodríguez González u. a. (2023) verwendeten Usability-Fragebögen basierend auf dem User Experience Questionnaire von Laugwitz u. a. (2008), um die Nutzererfahrung beim Ferndolmetschen mit ASEUnterstützung in unterschiedlichen Benutzeroberflächen zu erörtern. Interviews und Fokusgruppen sind in diesem Forschungsbereich ein selten verwendetes Mittel, das jedoch zusätzliche Faktoren beim Einsatz von CAI-Tools zutage fördern kann. So führten Wang & Wang (2019), Frittella (2023) und Gieshoff u. a. (2024) post-hoc Interviews mit den StudienteilnehmerInnen durch, um Einblicke über deren Erfahrung mit unterstützender Technologie zu gewinnen. Fokusgruppen wurden in Usability-Studien sowohl preals auch post-hoc eingesetzt (Saeed u. a. 2022; Frittella 2023), um die Bedürfnisse und Präferenzen von DolmetscherInnen bezüglich des Designs von Tools zu eruieren. Der NASA-TLX (Hart 2006) stellt einen validierten Fragebogen zur Messung der empfundenen kognitiven Belastung dar, welche sechs Dimensionen umfasst: mentale, physische und zeitliche Anforderungen, Leistung, Anstrengung und Frustration. Der NASA-TLX wurde von Li & Chmiel (2024) und Chen & Kruger (2024a) zusammen mit anderen objektiven Messungen der kognitiven Belastung eingesetzt. Verhaltensbasierte Methoden bieten einen hohen Grad an Objektivität an und haben den Vorteil, wenig invasiv zu sein. Die Interpretation der Ergebnisse erfordert jedoch eine gewisse Expertise in diesen Forschungsmethoden. Beispiele für verhaltensbasierte Methoden, die in der CAI-Forschung verwendet wurden, sind Eyetracking und Keylogging. Im Rahmen der Untersuchungen der kognitiven Belastung durch Eyetracking wurden verschiedene Maße herangezogen. Die Zeit zur ersten Fixation (vgl. z. B. Prandi 2023) gibt an, wie schnell die Aufmerksamkeit auf eine bestimmte Stelle auf dem Bildschirm gelenkt wurde, z. B., wie schnell Dolmetschende den nötigen Vorschlag im Glossar finden können. Die durchschnittliche Fixationsdauer (vgl. z. B. Prandi 2023) und die Anzahl der Fixationen (z. B. Yuan & Wang 2023) können mit der kognitiven Belastung korrelieren; die Maßen Fixationszeit und Dwell Time (z. B. Chen & Kruger 2024b und Li & Chmiel 2024) können Aufschluss über die Aufmerksamkeitsverteilung der StudienteilnehmerInnen geben. Keylogging wurde bisher nur von Du (2024) verwendet. Mithilfe von Keylogging kann das Tippverhalten der StudienteilnehmerInnen aufgezeichnet und somit einen Einblick in den Prozess (vor allem in 139 Bianca Prandi Diese Ergebnisse sollten kritisch betrachtet werden. In den meisten Studien wurde Englisch als Ausgangssprache analysiert, während die Systemleistung für andere Sprache deutlich niedriger sein könnte. Darüber hinaus wurden die meisten Tests unter kontrollierten Bedingungen durchgeführt. Die Systemleistung kann von zahlreichen Faktoren beeinflusst werden, wie etwa die Sprechereigenschaften, die Tonqualität oder die Domäne, wofür Fachterminologie automatisch extrahiert werden soll. 4 Fazit In diesem Beitrag wurde eine umfangreiche Übersicht über den aktuellen Stand der Automation und Forschung im Bereich des computergestützten Dolmetschens angeboten. Im ersten Teil des Kapitels wurden die Möglichkeiten der Automation der verschiedenen Dolmetschphasen erläutert und die relevanten Tools zusammenfassend präsentiert. Mit dem Ziel, Lesenden eine Orientierungshilfe für die Forschung, Lehre und Praxis zur Verfügung zu stellen, wurde außerdem ein Überblick über aktuelle Forschungsfragen, -methoden und -ergebnisse im Bereich des computergestützten Dolmetschens gegeben. DolmetscherInnen stehen eine Vielzahl an CAI-Tools zur Verfügung, die ihnen in den verschiedenen Phasen des Dolmetschprozesses Unterstützung bieten können. Die bisher durchgeführten Studien weisen auf eine positive Auswirkung solcher Tools während der Dolmetschphase auf das Dolmetschprodukt, vor allem im Hinblick auf einzelne Problem Triggers. Auch die Systemleistung scheint gut zu sein, was eine wichtige Voraussetzung für den erfolgreichen Einsatz von CAI-Tools beim Dolmetschen ist und sowohl die kognitiven Prozesse als auch die Dolmetschleistung beeinflussen kann. Um die kognitive Ergonomie von CAITools zu verbessern, ist es wichtig, DolmetscherInnen Anpassungsmöglichkeiten in der Benutzeroberfläche anzubieten. Trotz der vielversprechenden Forschungsergebnisse gibt es noch viele Fragen, die die Forschung in Bezug auf die Auswirkungen des Einsatzes von CAITools erörtern sollte. Sie betreffen in erster Linie die vielen Facetten der Interaktion zwischen DolmetscherInnen und ihren Tools; die Frage, wie diese Tools aussehen sollten, um eine breitere Implementierung in die Arbeitsabläufe der DolmetscherInnen zu fördern und den kognitiven Trade-Off, der mit der Tool-Nutzung verbunden ist, zu optimieren; sowie die Frage, wie die Ausbildung angepasst werden sollte, um zur effektiven Nutzung solcher Lösungen beizutragen. Da CAI-Systeme offenbar bereits zufriedenstellende technische Leistungen bieten, könnten künftige Forschungsarbeiten die Erprobung solcher Systeme unter realitätsnäheren Arbeitsbedingungen in Betracht ziehen, mit dem Ziel, die 146 9 Computergestütztes Dolmetschen Faktoren zu erforschen, die das computergestützte Dolmetschen beeinflussen und den Umfang der Untersuchungen über die traditionellen Sprachpaare und starke experimentelle Kontrolle hinaus zu erweitern. Schließlich ist zu erwarten, dass die beeindruckenden Fortschritte im Bereich der generativen KI und das Versprechen großer Sprachmodelle, die Leistung von CAI-Tools zu verbessern, weitere Forschungsarbeit über das Potenzial der KI zur Unterstützung von DolmetscherInnen in ihrem äußerst anspruchsvollen Beruf anregen werden. Literatur Biagini, Giulio. 2015. Glossario cartaceo e glossario elettronico durante l’interpretazione. Trieste: Università di Trieste. (Magisterarb.). Bowker, Lynne. 2022. Computer-assisted translation and interpreting tools. In Federico Zanettin & Christopher Rundle (Hrsg.), The Routledge Handbook of translation and methodology, 392–409. New York; London: Routledge. Braun, Sabine. 2019. Technology and interpreting. In Minako O’Hagan (Hrsg.), The Routledge handbook of translation and technology, 271–288. New York; London: Routledge. Brezina, Vaclav & William Platt. 2024. #LancsBox X. Lancaster University. Chen, Sijia. 2020. The process of note-taking in consecutive interpreting: A digital pen recording approach. Interpreting. International Journal of Research and Practice in Interpreting 22(1). 117–139. DOI: 10.1075/intp.00036.che. Chen, Sijia & Jan-Louis Kruger. 2023. The effectiveness of computer-assisted interpreting: A preliminary study based on english-chinese consecutive interpreting. Translation and Interpreting Studies 18(3). 399–420. DOI: 10.1075/tis. 21036.che. Chen, Sijia & Jan-Louis Kruger. 2024a. A computer-assisted consecutive interpreting workflow: Training and evaluation. The Interpreter and Translator Trainer 18(3). 380–399. DOI: 10.1080/1750399x.2024.2373553. Chen, Sijia & Jan-Louis Kruger. 2024b. Visual processing during computerassisted consecutive interpreting: Evidence from eye movements. Interpreting. International Journal of Research and Practice in Interpreting 26(2). 231–252. DOI: 10.1075/intp.00104.che. Defrancq, Bart & Claudio Fantinuoli. 2021. Automatic speech recognition in the booth: Assessment of system performance, interpreters’ performances and interactions in the context of numbers. Target. International Journal of Translation Studies 33(1). 73–102. DOI: 10.1075/target.19166.def. 147 Bianca Prandi Defrancq, Bart, Helena Snoeck & Claudio Fantinuoli. 2024. Interpreters’ performances and cognitive load in the context of a CAI tool. In Sharon Deane-Cox, Ursula Böser & Marion Winters (Hrsg.), Translation, Interpreting and Technological Change: Innovations in Research, Practice and Training (Bloomsbury Advances in Translation), 38–58. London: Bloomsbury Academic. Desmet, Bart, Mieke Vandierendonck & Bart Defrancq. 2018. Simultaneous interpretation of numbers and the impact of technological support. In Claudio Fantinuoli (Hrsg.), Interpreting and technology, 13–27. Berlin: Language Science Press. Du, Zhiqiang. 2024. Bridging the gap. Exploring the cognitive impact of interpretbank on chinese interpreting trainees. Forlì: Università di Bologna. (Dissertation). https://amsdottorato.unibo.it/id/eprint/11584. Fantinuoli, Claudio. 2016. InterpretBank. Redefining computer-assisted interpreting tools. In João Esteves-Ferreira, Juliet Macan, Ruslan Mitkov & OlafMichael Stefanov (Hrsg.), Proceedings of 38th Conference Translating and the Computer, 42–52. Geneva: Editions Tradulex. Fantinuoli, Claudio. 2017a. Computerlinguistik in der Dolmetschpraxis unter besonderer Berücksichtigung der Korpusanalyse. In Silvia Hansen-Schirra, Stella Neumann & Oliver Czulo (Hrsg.), Annotation, exploitation and evaluation of parallel corpora, 111–146. Berlin: Language Science Press. DOI: 10 . 5281 / ZENODO.283501. Fantinuoli, Claudio. 2017b. Speech recognition in the interpreter workstation. In João Esteves-Ferreira, Juliet Macan, Ruslan Mitkov & Olaf-Michael Stefanov (Hrsg.), Proceedings of the 39th Conference Translating and the Computer, 25– 34. London: Editions Tradulex. Fantinuoli, Claudio. 2018. Computer-assisted interpreting: Challenges and future perspectives. In Gloria Corpas Pastor & Isabel Durán-Muñoz (Hrsg.), Trends in E-Tools and Resources for Translators and Interpreters, 153–174. Leiden: Brill. https://doi.org/10.1163/9789004351790_009. Fantinuoli, Claudio, Giulia Marchesini, David Landan & Lukas Horak. 2022. KUDO Interpreter Assist: Automated real-time support for remote interpretation. In Ruslan Mitkov, Juliet Macan, João Esteves-Ferreira, Olaf-Michael Stefanov, Maria Recort Ruiz, David Chambers & Vilelmini Sosoni (Hrsg.), Proceedings of the 43rd Conference Translating and the Computer, 68–77. Geneva: Editions Tradulex. Fantinuoli, Claudio & Maddalena Montecchio. 2023. Defining maximum acceptable latency of AI-enhanced CAI tools. In Óscar Ferreiro Vázquez, Ana Correia & Sílvia Araújo (Hrsg.), Technological Innovation Put to the Service of Language 148 9 Computergestütztes Dolmetschen Learning, Translation and Interpreting: Insights from Academic and Professional Contexts, Bd. 2 (Lengua, Literatura, Traducción), 213–225. Berlin: Peter Lang. Frittella, Francesca Maria. 2022. ASR-CAI tool-supported SI of numbers: Sit back, relax and enjoy interpreting? In Juliet Macan, Ruslan Mitkov, David Chambers, Olaf-Michael Stefanov, João Esteves-Ferreira, Maria Recort Ruiz & Vilelmini Sosoni (Hrsg.), Proceedings of the 43rd Conference Translating and the Computer, 88–102. Geneva: Editions Tradulex. Frittella, Francesca Maria. 2023. Usability research for interpreter-centred technology: The case study of SmarTerp (Translation and Multilingual Natural Language Processing 21). Berlin: Language Science Press. DOI: 10.5281/ZENODO. 7376351. Frittella, Francesca Maria. 2024. Computer-assisted interpreting: Cognitive task analysis and evidence-informed instructional design recommendations. University of Surrey. (Dissertation). Gieshoff, Anne Catherine. 2018. The impact of audio-visual speech on work-load in simultaneous interpreting. Mainz: Johannes Gutenberg-Universität Mainz. (Dissertation). https://openscience.ub.uni-mainz.de/handle/20.500.12030/2182 (6 August, 2025). Gieshoff, Anne Catherine, Martin Schuler & Zaniyar Jahany. 2024. The Augmented Interpreter: An exploratory study of the usability of augmented reality technology in interpreting. Interpreting 26(2). 282–315. DOI: 10.1075/intp.00108. gie. Gile, Daniel. 2009. Basic concepts and models for interpreter and translator training. Amsterdam: John Benjamins. Han, Chao. 2018. Latent trait modelling of rater accuracy in formative peer assessment of English-Chinese consecutive interpreting. Assessment & Evaluation in Higher Education 43(6). 979–994. DOI: 10.1080/02602938.2018.1424799. Hansen-Schirra, Silvia. 2012. Nutzbarkeit von Sprachtechnologien für die Translation. trans-kom: Journal of Translation and Technical Communication Research 5(2). 211–226. Hart, Sandra G. 2006. Nasa-task load index (NASA-TLX): 20 years later. Proceedings of the Human Factors and Ergonomics Society Annual Meeting 50(9). 904– 908. DOI: 10.1177/154193120605000909. Kalina, Sylvia. 2005. Quality assurance for interpreting processes. Meta: Translators’ Journal 50(2). 768–784. DOI: 10.7202/011017ar. Kilgarriff, Adam, Vít Baisa, Jan Bušta, Miloš Jakubíček, Vojtěch Kovář, Jan Michelfeit, Pavel Rychlý & Vít Suchomel. 2014. The sketch engine: Ten years on. Lexicography 1(1). 7–36. DOI: 10.1007/s40607-014-0009-9. 149 Bianca Prandi Laugwitz, Bettina, Theo Held & Martin Schrepp. 2008. Construction and evaluation of a user experience questionnaire. In Andreas Holzinger (Hrsg.), HCI and Usability for Education and Work (Lecture Notes in Computer Science 5298), 63–76. Berlin, Heidelberg: Springer. DOI: 10.1007/978-3-540-89350-9_6. Li, Tianyun & Agnieszka Chmiel. 2024. Automatic subtitles increase accuracy and decrease cognitive load in simultaneous interpreting. Interpreting 26(2). 253–281. DOI: 10.1075/intp.00111.li. Mellinger, Christopher D. & Thomas A. Hanson. 2018. Interpreter traits and the relationship with technology and visibility. Translation and Interpreting Studies 13(3). 366–392. Orlando, Marc. 2014. A study on the amenability of digital pen technology in a hybrid mode of interpreting: Consec-simul with notes. Translation and Interpreting 6(2). 39–54. DOI: 10.12807/ti.106202.2014.a03. Pisani, Elisabetta & Claudio Fantinuoli. 2021. Measuring the impact of automatic speech recognition on number rendition in simultaneous interpreting. In Caiwen Wang & Binghan Zheng (Hrsg.), Empirical studies of translation and interpreting: The post-structuralist approach, 181–197. New York: Routledge. DOI: 10.4324/9781003017400. Pöchhacker, Franz. 2024. Is machine interpreting interpreting? Translation Spaces. 1–21. DOI: 10.1075/ts.23028.poc. Pöchhacker, Franz & Minhua Liu. 2024. Interpreting technologized: Distance and assistance. Interpreting. International Journal of Research and Practice in Interpreting 26(2). 157–177. DOI: 10.1075/intp.00112.poc. Prandi, Bianca. 2015. The use of CAI tools in interpreters’ training: A pilot study. In João Esteves-Ferreira, Juliet Macan, Ruslan Mitkov & Olaf-Michael Stefanov (Hrsg.), Proceedings of the 37th Conference Translating and the Computer, 48–57. London: AsLing. Prandi, Bianca. 2018. An exploratory study on CAI tools in simultaneous interpreting: Theoretical framework and stimulus validation. In Claudio Fantinuoli (Hrsg.), Interpreting and Technology (Translation and Multilingual Natural Language Processing 11), 29–59. Berlin: Language Science Press. DOI: 10.5281/ ZENODO.1493293. (12 April, 2022). Prandi, Bianca. 2023. Computer-assisted simultaneous interpreting: A cognitiveexperimental study on terminology (Translation and Multilingual Natural Language Processing 22). Berlin: Language Science Press. DOI: 10.5281/zenodo. 7143056. Prandi, Bianca. 2025. Computer-assisted interpreting (CAI) tools and CAI tool training. In Elena Davitti, Sabine Braun & Tomasz Korybski (Hrsg.), Routledge 150 9 Computergestütztes Dolmetschen handbook of interpreting and technology, 123–144. New York; London: Routledge. Pym, Anthony & Yu Hao. 2024. What are language technologies and why should we know about them? In Anthony Pym & Yu Hao (Hrsg.), How to augment language skills: Generative AI and machine translation in language learning and translator training, 1–31. London: Routledge. DOI: 10.4324/9781032648033. Rodríguez, Susana, Roberto Gretter, Marco Matassoni, Daniele Falavigna, Álvaro Alonso, Oscar Corcho & Mariano Rico. 2021. SmarTerp: A CAI system to support simultaneous interpreters in real-time. In Ruslan Mitkov, Vilelmini Sosoni, Julie Christine Giguère, Elena Murgolo & Elizabeth Deysel (Hrsg.), Proceedings of the Translation and Interpreting Technology Online Conference, 102–109. Online: INCOMA Ltd. DOI: 10.26615/978-954-452-071-7_012. Rodríguez González, Eloy, Muhammad Ahmed Saeed, Tomasz Korybski, Elena Davitti & Sabine Braun. 2023. Reimagining the remote simultaneous interpreting interface to improve support for interpreters. In Oscar Ferreiro Vázquez, Ana Teresa Vara & Silvia Lima Gonçalves Araújo (Hrsg.), Technological innovation for language learning, translation and interpreting, 227–246. Berlin: Peter Lang. Rütten, Anja. 2007. Informationsund Wissensmanagement im Konferenzdolmetschen (Sabest. Saarbrücker Beiträge zur Sprachund Translationswissenschaft 15). Berlin: Peter Lang. Saeed, Muhammad Ahmed, Eloy Rodríguez González, Tomasz Korybski, Elena Davitti & Sabine Braun. 2022. Connected yet distant: An experimental study into the visual needs of the interpreter in remote simultaneous interpreting. In Masaaki Kurosu (Hrsg.), Human-computer interaction. User experience and behavior, 214–232. Cham: Springer International Publishing. DOI: 10.1007/9783-031-05412-9_16. Seeber, Kilian G. 2013. Cognitive load in simultaneous interpreting: Measures and methods. Target. International Journal of Translation Studies 25(1). 18–32. DOI: 10.1075/target.25.1.03see. Shao, Zhangminzi & Bart Defrancq. 2025. Fundamental frequency as an acoustic mirror of interpreters’ cognitive states. Interpreting. International Journal of Research and Practice in Interpreting 27(1). 1–27. DOI: 10.1075/intp.00107.sha. Stoll, Christoph. 2009. Jenseits simultanfähiger Terminologiesysteme: Methoden der Vorverlagerung und Fixierung von Kognition im Arbeitsablauf professioneller Konferenzdolmetscher (Heidelberger Studien zur Übersetzungswissenschaft 13). Trier: WVT, Wissenschaftlicher Verlag Trier. 151 Bianca Prandi Ünlü, Cihan. 2023a. Automatic speech recognition in consecutive interpreter workstation: Computer-aided interpreting tool ’Sight-Terp’ / Otomatik Konuşma Tanıma Sistemlerinin Ardıl Çeviride Kullanılması: Sight-Terp. Ankara: Hacettepe Üniversitesi. (Magisterarb.). Ünlü, Cihan. 2023b. InterpreTutor: Using large language models for interpreter assessment. In Constantin Orasan, Ruslan Mitkov, Gloria Corpas Pastor & Johanna Monti (Hrsg.), International Conference on Human-Informed Translation and Interpreting Technology (HiT-IT 2023), 78–96. Naples: INCOMA Ltd. DOI: 10.26615/issn.2683-0078.2023_007. Van Cauwenberghe, Goran. 2020. Étude expérimentale de l’impact d’un soutien visuel automatisé sur la restitution de terminologie spécialisée. Ghent: Universiteit Ghent. (Magisterarb.). Wang, Xinyu & Caiwen Wang. 2019. Can computer-assisted interpreting tools assist interpreting? Transletters. International Journal of Translation and Interpreting 3. 109–139. Will, Martin. 2020. Computer aided interpreting (CAI) for conference interpreters. Concepts, content and prospects. ESSACHESS-Journal for Communication Studies 13(25). 37–71. Xu, Ran. 2018. Corpus-based terminological preparation for simultaneous interpreting. Interpreting. International Journal of Research and Practice in Interpreting 20(1). 29–58. DOI: 10.1075/intp.00002.xu. Xu, Ran & Serge Sharoff. 2014. Evaluating term extraction methods for interpreters. In Patrick Drouin, Natalia Grabar, Thierry Hamon & Kyo Kageura (Hrsg.), Proceedings of the 4th International Workshop on Computational Terminology (Computerm), 86–93. Dublin: Association for Computational Linguistics & Dublin City University. DOI: 10.3115/v1/w14-4811. Yuan, Lu & Binhua Wang. 2023. Cognitive processing of the extra visual layer of live captioning in simultaneous interpreting. Triangulation of eye-tracked process and performance data. Ampersand 11. 100131. DOI: 10/gsc8x8. 152