CAT Aracı Özellikleri: Çevirmenler Hangisini En Değerli Buluyor?

“CAT aracı kullanıyoruz” cümlesi, tek bir şeyi anlatmaz. Bu programlar birkaç ayrı modülün bir arada paketlenmiş hâlidir ve bu modüllerin her biri farklı bir sorunu çözer.

İçindekiler

Çeviri satın alan taraf için asıl soru, tedarikçinin hangi programı kullandığı değil, hangi CAT aracı özelliklerini fiilen devreye aldığıdır. Bellek kurulmadan açılan bir program, kelime işlemciden farksızdır.

Aşağıda modülleri tek tek ayırıyor, her birinin ne zaman değer ürettiğini anlatıyoruz. Ayrıca elimizdeki vaka çalışmasının bu konuda ne söyleyip ne söylemediğini açıkça belirtiyoruz.

CAT aracı özellikleri: temel bileşenler

Profesyonel bir çeviri aracında birbirinden bağımsız çalışabilen beş ana bileşen bulunur. Bunları ayırt etmek, teklif değerlendirirken doğru soruyu sormanızı sağlar.

Bileşen	Ne yapar?	Ne zaman değer üretir?
Çeviri belleği	Çevrilmiş cümleleri saklar ve önerir	Tekrarlı ve güncellenen belgelerde
Terim veritabanı	Onaylı terimleri dayatır	Kurum dili ve marka tutarlılığında
Kalite kontrol	Biçimsel hataları tarar	Sayı, tarih ve etiket yoğun metinlerde
Konkordans arama	Bellekte geçmiş kullanımı arar	Uzun soluklu projelerde
Dosya dönüştürme	Farklı biçimleri çevrilebilir hâle getirir	Yazılım, web ve yayıncılık dosyalarında

Tablonun üçüncü sütunu, tartışmanın asıl yerini gösteriyor. Hiçbir bileşen her projede değerli değildir; değer, belgenin yapısına bağlıdır.

Bu nedenle “hangi özellik en değerli” sorusunun tek bir doğru cevabı yok. Doğru soru şudur: benim belge tipimde hangi bileşen ölçülebilir bir fark yaratıyor?

Listeye altıncı bir bileşen daha eklenebilir: makine çevirisi bağlantısı. Bu bağlantı bir kolaylık gibi sunulur, ama gizli belgelerde ayrı bir karar konusudur ve kapatılabilir olması gerekir.

Bir de kurulum eşiği var. Bileşenlerin çoğu kutudan çıktığı gibi değer üretmez; bellek beslenmeli, terim listesi onaylanmalı, kalite kontrol kuralları projeye göre ayarlanmalıdır. Bu emek genellikle projenin ilk haftasında yoğunlaşır.

Çeviri belleği: en görünür getiri

Bellek, araçların kurucu işlevidir ve tartışmanın merkezinde durur. Mantığı basittir: her onaylanan cümle kaynak ve hedef diliyle birlikte saklanır, benzer bir cümle geldiğinde öneri olarak sunulur.

Getirisi doğrudan tekrar oranına bağlıdır. Sektör ölçümlerinde serbest çevirmenlerin işlediği metinlerde tamamen yeni kelime oranı %59,11 olarak bildirildi; yani metnin yaklaşık %40’ı yeniden kullanılabilir nitelikteydi (DePalma 2012).

Bu %40, belleğin neden bu kadar konuşulduğunu açıklıyor. Ama aynı sayı sınırı da gösteriyor: metnin çoğunluğu hâlâ sıfırdan çevriliyor. Bellek bir hızlandırıcı, sihirli bir çözüm değil.

Belleğin ikinci bir faydası daha var ve hızdan bağımsızdır: tutarlılık. Aynı cümlenin her sürümde aynı biçimde çevrilmesi, özellikle kullanım kılavuzu ve sözleşme gibi belgelerde hata riskini azaltır. Bu fayda, tekrar oranı düşükken bile kısmen devam eder.

Bir de risk tarafı var. Yüksek eşleşmeli öneriler, bağlam değiştiğinde yanlış olabilir. Öneriyi sorgulamadan kabul etme eğilimi alanyazında “çeviri belleğine kör inanç” olarak adlandırılıyor (Bowker 2005). Bu yüzden bellek, revizyon sürecini ortadan kaldırmaz.

Buna bir de birikim sorusu ekleniyor: bellek kimin? Projenizde üretilen bellek, sonraki yıllarda başka bir tedarikçiye geçtiğinizde işinize yarayacak bir varlıktır. Teslim edilmediğinde her tedarikçi değişikliği sıfırdan başlamak anlamına gelir.

Terim veritabanı: sessiz omurga

Kurumsal alıcı açısından asıl belirleyici bileşen çoğu zaman terim veritabanıdır. Belleğin aksine cümle değil, kelime ve terim düzeyinde çalışır.

Etkisi somut. Bir ürünün adının, bir modülün başlığının ya da bir hukuki kavramın her belgede aynı karşılıkla geçmesi, kullanıcı deneyiminden uyum denetimine kadar birçok alanı doğrudan etkiler. Farklı çevirmenler çalışsa bile terminoloji sabit kalır.

Terim veritabanının bir avantajı da tekrarsız projelerde işe yaramasıdır. Belge tekrarlı olmasa bile terimler tekrar eder. Yani düşük tekrar oranlı işlerde bile bu bileşen değer üretebilir.

Buna karşılık terim veritabanı bedava değildir: kurulması, onaylanması ve güncellenmesi gerekir. Bu emek genellikle projenin başında yoğunlaşır ve alıcı tarafın katkısını gerektirir.

Katkının biçimi de önemli. En işe yarayan terim listeleri, çeviri tarafının önerdiği ve alıcı tarafın onayladığı listelerdir. Tek taraflı hazırlanan listeler ya kurum diline uymaz ya da uygulamada göz ardı edilir.

Kalite kontrol: neyi yakalar, neyi yakalamaz?

Üçüncü bileşen otomatik kalite kontrol. Bu modüller metni tarar ve belirli hata kalıplarını işaretler.

Yakaladıkları şeyler nettir: kaynakla hedef arasındaki sayı uyuşmazlıkları, eksik veya bozuk biçimlendirme etiketleri, boş bırakılmış segmentler, onaylı terim listesine aykırı kullanımlar, iki kez yazılmış kelimeler.

Yakalayamadıkları da bir o kadar net: anlam kaymaları, yanlış bağlam yorumu, üslup uyumsuzluğu ve okunabilirlik sorunları. Bu modüller dilbilgisel değil biçimsel bir denetim yapar.

Pratik sonuç şudur: otomatik kalite kontrol, insan revizyonunun yerine geçmez ama revizörün zamanını değerli işe ayırmasını sağlar. Sayı ve tarih yoğun belgelerde tek başına ciddi bir risk azaltıcıdır.

Bu modüllerin bir yan etkisi de var: yanlış uyarı fazlalığı. Kurallar projeye göre ayarlanmazsa rapor yüzlerce satır üretir ve gerçek hatalar gürültünün içinde kaybolur. Ayarlanmış bir kalite kontrol, ayarlanmamış olandan çok daha değerlidir.

Raporun paylaşılıp paylaşılmadığı da bir gösterge. Teslimle birlikte kalite kontrol raporunu sunabilen bir tedarikçi süreci gerçekten işletiyor demektir; rapor üretilemiyorsa modül büyük olasılıkla hiç açılmamıştır.

Araştırma bir değer sıralaması veriyor mu?

Burada bir sınırı açıkça söylememiz gerekiyor. Bu yazı dizisinin dayandığı 2019 tarihli Polonya vaka çalışmasından aktardığımız doğrulanmış sayılar belirli konularla sınırlı.

Bunlar araç dağılımı (SDL Trados %43,3, memoQ %29,1, Wordfast %10,6), lisans sahipliği (%91), uyumluluk sorunları (%90, bunların %70’i sık sık) ve geçim kaynağı farkıdır (%75’e karşı %41). Hepsi Polonya, 2019 etiketlidir.

Modüller arasında sayısal bir değer sıralaması aktarmıyoruz, çünkü doğrulayamadığımız bir sıralamayı yüzdeyle sunmak okuru yanıltır. Sektör metinlerinde en sık görülen sorun, kaynağı olmayan yüzdelerin tekrarlana tekrarlana gerçeğe dönüşmesidir; ölçülmemiş bir alanda niteliksel konuşmak, uydurulmuş bir sayı vermekten daha yararlıdır. Bu bölümdeki değerlendirmeler sektör pratiğine ve modüllerin işleyiş mantığına dayanan niteliksel yorumlardır.

Ayrıca örneklem 141 kişidir, gönüllü katılıma dayanır ve yapay zekâ öncesi bir döneme aittir. Bu kısıtların tamamını araştırmanın sınırları yazımızda açtık.

Özelliklerin bedeli: karmaşıklık ve uyumluluk

Her modül bir fayda kadar bir yük de getiriyor. Araçların işlev genişliği, kullanım kolaylığının aleyhine çalışabiliyor.

Aynı araştırmada araç kullanmayanların yaklaşık %25’i gerekçe olarak karmaşıklığı gösterdi (Polonya, 2019). Alanyazın bu duruma bilişsel sürtünme diyor: aracın dikkati metinden kendi arayüzüne çekmesi net verimi düşürebilir (Ehrensberger-Dow & O’Brien 2015).

İkinci yük uyumluluktur. Katılımcıların %90’ı dosya uyumluluğu sorunu yaşadığını, bunların %70’i bunu sık sık yaşadığını belirtti (Polonya, 2019). Yani modüllerin faydası, dosyanın karşı tarafta düzgün açılmasına bağlı. Ayrıntısı uyumluluk yazımızda.

Bu iki yük, “daha çok özellik daha iyi” varsayımını zayıflatıyor. İyi kurulmuş iki modül, yarım kurulmuş beş modülden daha fazla değer üretir.

Pratik ölçüt şudur: bir bileşen, kurulum emeğini ilk üç ay içinde geri veriyorsa değerlidir. Vermiyorsa, o projede o bileşeni kullanmamak da geçerli bir karardır. Araçların tamamını her projede açmak zorunda değilsiniz.

Türkiye bağlamı

Türkiye’de bu modüllerin kullanım yoğunluğunu ölçen, kamuya açık bir çalışma bulunmuyor. Karşılaştırmalı bir oran vermiyoruz; bunun yerine Türkçeye özgü teknik noktaları aktarıyoruz.

Terim veritabanı Türkçede beklenenden zor çalışır. Sondan eklemeli yapı nedeniyle aynı terim onlarca çekimli biçimde geçer: “fatura”, “faturayı”, “faturanın”, “faturalandırma”. Terim denetiminin işe yaraması için veritabanının kök ve çekim varyantlarını tanıyacak biçimde kurulması gerekir; aksi hâlde modül ya susar ya da yanlış uyarı üretir.

Çeviri belleği tarafında da benzer bir durum var. Türkçenin serbest kelime dizilişi, anlamca aynı iki cümlenin yüzey biçiminin farklı olmasına yol açar ve bulanık eşleşme oranları beklenenden düşük çıkabilir. Bu nedenle Türkçe projelerde tekrar analizini yalnızca yüzdeye bakarak değil, örnek dosya üzerinde denemeyle değerlendirmek daha güvenlidir.

Bir başka nokta, Türkçenin dijital kaynak bakımından büyük dillere göre daha sınırlı olması. Hazır terim tabanları ve genel amaçlı sözlükler daha az; bu da terim çalışmasının Türkçe projelerde daha fazla insan emeği gerektirdiği anlamına geliyor.

Bu sizin için ne anlama geliyor?

Tedarikçi değerlendirirken program adını değil, kurulan altyapıyı sorun. Aşağıdaki dört soru, aracın gerçekten kullanılıp kullanılmadığını ortaya çıkarır.

1. Bize özel bir çeviri belleği açılıyor mu, yoksa iş genel bir havuzda mı yürüyor?
2. Terim listesi kim tarafından hazırlanıyor ve onayımıza sunuluyor mu?
3. Teslimden önce otomatik kalite kontrol raporu üretiliyor mu, bize gösterilebilir mi?
4. Bellek ve terim dosyaları talep hâlinde standart biçimlerde teslim ediliyor mu?

Bu dört maddeye evet diyen bir süreç, marka diliniz açısından yıllar içinde birikimli bir fayda üretir. Nasıl çalıştığımızı hizmetler sayfasında anlattık; benzer konuların tamamına bilgi merkezinden ulaşabilirsiniz.

Sık sorulan sorular

CAT aracının en temel işlevi hangisidir?

Çeviri belleğidir. Daha önce çevrilmiş cümleleri saklar ve benzer bir cümle geldiğinde önerir. Getirisi, metnin tekrar oranıyla doğru orantılıdır.

Terim veritabanı ile çeviri belleği aynı şey mi?

Değildir. Çeviri belleği cümle düzeyinde çalışır, terim veritabanı kelime ve terim düzeyinde. Kurum diline uyum açısından asıl belirleyici olan genellikle terim veritabanıdır.

Araştırma özellikleri değer sırasına dizdi mi?

Bu yazıda kullandığımız doğrulanmış veriler araç dağılımı, lisans sahipliği ve uyumluluk sorunlarıyla sınırlıdır. Modüller arasında sayısal bir değer sıralaması aktarmıyoruz.

Kalite kontrol modülü insan kontrolünün yerini tutar mı?

Tutmaz. Bu modüller sayı, tarih, etiket ve terim tutarsızlığı gibi biçimsel hataları yakalar. Anlam hatalarını ve üslup sorunlarını yakalayamaz; insan revizyonu gereklidir.

Kaynaklar

• Pietrzak, P. & Kornacki, M. (2021). Using CAT Tools in Freelance Translation. Routledge Focus, Tablo 6.2 ve Bölüm 6.
• Bowker, L. (2005). Productivity vs quality? A pilot study on the impact of translation memory systems. Localisation Focus, 4(1), s. 13-20.
• Ehrensberger-Dow, M. & O’Brien, S. (2015). Ergonomics of the translation workplace. Translation Spaces, 4(1), s. 98-118.