Çevirmenin Teknolojik Alet Çantası: 13 Temel Beceri

Çevirmen teknoloji becerileri, bir çeviri işinin dil kısmı dışında kalan her şeyi kapsayan geniş bir alandır. Dosyayı açabilmek, metni doğru ayıklamak, önceki çevirilerden yararlanmak, terimleri tutarlı tutmak ve teslim edilen dosyanın kaynakla aynı biçimde çalışmasını sağlamak bu alana girer.

İçindekiler

Bu beceriler çoğu zaman tek bir yazılım adıyla anılır. Oysa araç isimleri değişir, beceriler kalır. Bir çeviri belleğinin nasıl çalıştığını anlayan kişi, hangi programı kullanırsa kullansın aynı mantığı uygular.

Aşağıda bu alanı on üç başlıkta topladık. Liste bir standarttan alıntı değildir; gündelik çeviri işinde karşılaşılan görevlerden yola çıkarak yaptığımız bir gruplamadır ve okuma kolaylığı için sıralanmıştır.

Neden bir alet çantası olarak düşünmeli?

Alet çantası benzetmesi işe yarar çünkü bir marangoz her işte bütün aletleri kullanmaz. Aynı şekilde bir çevirmen de her projede on üç becerinin tamamını devreye sokmaz. Önemli olan, iş geldiğinde hangi aletin gerektiğini bilmektir.

İkinci fayda, eksikleri görünür kılmasıdır. Beceri listelenmediğinde çevirmen kendi boşluğunu fark etmez; bir dosya biçimi karşısında işi geri çevirir ve nedenini kendine yazılım sevmiyorum diye açıklar. Oysa çoğu durumda sorun tek bir işlemin bilinmemesidir.

Üçüncü fayda öğrenme sırasıyla ilgilidir. Beceriler birbirinin üzerine binen katmanlar hâlindedir. Dosya biçimlerini anlamayan biri için çeviri belleği soyut bir kavram olarak kalır. Sıra atlanırsa öğrenme yüzeysel olur.

Dördüncü fayda müşteri tarafındadır. Bir tedarikçinin hangi becerilere sahip olduğunu bilmek, ona hangi işi verebileceğinizi de belirler. Taranmış bir PDF ile gelen bir dosya, düz metinle gelen bir dosyadan farklı bir beceri seti ister.

On üç temel beceri

Listeyi ilk beceriden son beceriye doğru, bir dosyanın çevirmene ulaşmasından teslimine kadar izlediği yolu takip ederek sıraladık.

1. İşletim sistemi ve dosya yönetimi: klasör düzeni, uzantılar, yedekleme.
2. Kelime işlemci ileri kullanımı: stiller, değişiklikleri izleme, alan kodları.
3. Elektronik tablo kullanımı: terim listeleri ve çok dilli dizeler için.
4. Dosya biçimi okuryazarlığı: PDF, XML, HTML, XLIFF ve etiket mantığı.
5. OCR ile taranmış belgeyi düzenlenebilir metne çevirme.
6. Çeviri belleği kurma, güncelleme ve bakımını yapma.
7. Eşleşme oranlarını okuma ve analiz raporunu yorumlama.
8. Terim veritabanı oluşturma ve proje boyunca tutarlılığı koruma.
9. Hizalama ile eski çevirileri belleğe dönüştürme.
10. Otomatik kalite kontrol çalıştırma ve uyarıları eleyebilme.
11. Makine çevirisi çıktısını değerlendirme ve son düzeltme yapma.
12. Kaynak araştırma: derlem, paralel metin ve güvenilir sözlük kullanımı.
13. Veri güvenliği: hangi metnin hangi ortama girebileceğine karar verme.

Dosya ve biçim becerileri

Listenin ilk beş maddesi görünüşte çeviriyle ilgisizdir. Uygulamada ise bir projenin en çok zaman kaybettiren aşaması burasıdır. Kaynak dosya bozuksa çeviri hiç başlamaz.

En sık karşılaşılan sorun taranmış PDF’lerdir. Bu dosyalarda metin aslında görüntüdür; kopyalanamaz, sayılamaz, belleğe alınamaz. OCR bu engeli aşar ama kusursuz değildir; Türkçe metinlerde noktalı harfler ve kesme işareti sık bozulur, bu yüzden OCR çıktısının gözle karşılaştırılması gerekir.

İkinci sorun etiketlerdir. Web içeriği ve yazılım kaynak dosyaları biçimlendirme etiketleriyle doludur. Etiketi yanlış yere taşımak, sayfanın bozulmasına ya da bir düğmenin çalışmamasına yol açar. Etiket mantığını anlamak, kod yazmayı değil, dokunulmaması gereken yeri tanımayı gerektirir.

Üçüncü sorun kelime işlemcinin kendisidir. Stil kullanılmadan elle biçimlendirilmiş belgeler, çeviri araçlarına aktarıldığında gereksiz segment bölünmelerine yol açar. Başlıkların büyük harfle ve boşlukla oluşturulduğu bir belgede araç, başlığı ayrı bir cümle olarak görmez. Temiz bir kaynak dosya, çevirinin yarısıdır.

Dördüncü sorun sayı ve tablo verisidir. Elektronik tablolarda saklanan çok dilli dizeler, yanlış sütuna yazıldığında sessizce kaybolur. Bu tür dosyalarda çalışırken satır kimliklerinin korunması, çevirinin kendisinden daha kritik bir işlemdir.

Bellek ve terim becerileri

Altıncı maddeden dokuzuncuya kadar olan grup, çeviri teknolojisinin çekirdeğidir. Çeviri belleği, daha önce çevrilmiş cümleleri saklar ve benzer bir cümle geldiğinde önerir. Terim veritabanı ise sözcük düzeyinde tutarlılığı korur.

Bu grubun değeri metnin tekrar oranıyla doğrudan ilişkilidir. Sektör ölçümlerine göre çeviri projelerinde tamamen yeni kelimelerin oranı yaklaşık yüzde 59’dur; kalan bölüm bir biçimde yeniden kullanılabilir (DePalma 2012). Bu payı görmek analiz raporunu okumayı gerektirir.

Hizalama becerisi, arşivde duran eski çevirileri değerli hâle getirir. Kaynak ve hedef metin cümle cümle eşleştirilir ve bellek dosyasına dönüştürülür. Bu işlem çoğunlukla elle düzeltme ister; otomatik hizalama Türkçe gibi cümle sınırlarının kaydığı dillerde daha çok müdahale gerektirir.

Bu grubun riski de vardır. Belleğe fazla güvenmek, önerilen çevirinin bağlama uygunluğunu sorgulamamaya yol açabilir. Bowker (2005) bunu çeviri belleğine kör inanç olarak adlandırır. Beceri, öneriyi kabul etmek değil, gerektiğinde reddedebilmektir. Bu nedenle bellek bakımı, bellek kullanmak kadar önemli bir alışkanlıktır: hatalı bir çeviri belleğe girdiğinde her yeni projede kendini tekrar eder.

Makine çevirisi ve güvenlik becerileri

Son grup, güncel tartışmanın merkezindeki becerilerdir. Makine çevirisi çıktısını değerlendirmek, çıktının nerede güvenilir nerede güvenilmez olduğunu ayırt etmeyi gerektirir. Akıcı ama yanlış bir cümle, bozuk ve bariz yanlış bir cümleden daha tehlikelidir.

Son düzeltme, sıradan bir redaksiyon değildir. Ne kadar müdahale edileceği baştan tanımlanır. Hafif düzeltme anlaşılabilirliği hedefler, tam düzeltme yayımlanabilir metni hedefler. İkisinin süresi ve ücreti farklıdır.

On üçüncü beceri, teknik olmaktan çok karar becerisidir. Bir metnin ücretsiz bir çevrimiçi motora girilip girilemeyeceği, o metnin gizlilik durumuna bağlıdır. Ücretsiz servislerin kullanım şartları geniş lisans hakları içerebilir; Google’ın 2016 tarihli şartlarındaki dünya çapında lisans ifadesi sık verilen örnektir (Novović 2017, s. 202).

Bazı araçlar bu konuda kullanıcıyı uyarır. Örneğin memoQ, kişisel veri içeren içeriklerin dış motorlara gönderilmesi konusunda bir uyarı diyaloğu gösterir (Pietrzak ve Kornacki 2021, s. 25). Uyarıyı okumak da bir beceridir.

Beceri düzeyi nasıl ölçülür?

Bir çevirmenin teknoloji düzeyini anlamak için sertifika listesine bakmak yerine, somut görevler üzerinden konuşmak daha güvenilirdir. Aşağıdaki tablo üç düzeyi ayırır.

Düzey	Yapabildiği	Tipik sınırı
Temel	Kendisine hazır verilen projeyi araçta çevirip teslim eder	Bozuk dosya geldiğinde işi geri çevirir
Orta	Kendi projesini kurar, bellek ve terim tabanını yönetir, analiz raporunu okur	Etiketli karmaşık biçimlerde zorlanır
İleri	Dosya hazırlar, hizalar, kalite kontrol kuralları yazar, iş akışını tasarlar	Alan uzmanlığı ayrıca gerekir

Tablo bir hiyerarşi değil, bir eşleştirme aracıdır. Tek seferlik kısa bir belge için temel düzey yeterli olabilir. Sürekli güncellenen bir ürün kataloğu ise ileri düzey gerektirir.

Düzeyi anlamanın en pratik yolu, tek bir soruyu sormaktır: en son hangi teknik sorunla karşılaştınız ve nasıl çözdünüz? Cevap somut bir dosya, somut bir hata mesajı ve somut bir çözüm içeriyorsa beceri gerçektir. Cevap genel ifadelerde kalıyorsa liste ezberlenmiş olabilir.

Türkiye bağlamı

Türkiye’de mütercim-tercümanlık ve çeviribilim programlarının çoğunda çeviri teknolojileri dersi vardır; ancak dersin tek dönemlik olması ve laboratuvar imkânına bağlı yürümesi nedeniyle uygulama derinliği programdan programa değişir. Mezunlar sıklıkla ilk gerçek projede öğrenmeye devam eder.

Yerel iş akışında en sık karşılaşılan teknik sorun, resmî belgelerin taranmış PDF olarak dolaşmasıdır. Noter onaylı işlerde asıl belge kâğıt üzerindedir; dijital kopya çoğu zaman görüntüdür. Bu nedenle OCR ve biçim yeniden kurma becerisi, Türkiye piyasasında beklenenden daha merkezi bir yer tutar.

Türkçenin sondan eklemeli yapısı da beceri sıralamasını değiştirir. Terim veritabanları çekim ekleri nedeniyle kök eşleştirmede zorlanabilir; bu yüzden terim listesi hazırlarken kök biçimlerin ve yaygın eklerin birlikte düşünülmesi gerekir.

Veri tarafında KVKK, on üçüncü beceriyi doğrudan yasal bir yükümlülüğe bağlar. Kişisel veri içeren belgelerin hangi ortamda işleneceği artık tercih değil, sözleşme konusudur. Bu yazı genel bilgilendirme amaçlıdır, hukuki görüş değildir.

Bu sizin için ne anlama geliyor?

Bu on üç beceri, tedarikçinizin size ne kadar iş çıkaracağını belirler. Teknoloji becerisi zayıf bir tedarikçi, çeviriyi yapar ama biçimi size bırakır; sonuçta kazandığınızı sandığınız fiyat farkı, kendi ekibinizin saatlerine dönüşür.

Değerlendirme yaparken şunlara bakabilirsiniz: kaynak dosyanızı özgün biçiminde mi istiyorlar, yoksa metni kopyalayıp yapıştırmanızı mı bekliyorlar? Tekrarlı içerikleriniz için analiz raporu sunuyorlar mı? Terim listesini kim tutuyor? Bellek dosyasını talep ettiğinizde alabiliyor musunuz?

Bu soruların cevabı, ilk projeden çok ikinci ve üçüncü projede fark yaratır. Tekrar eden içerikte tutarlılık ve maliyet, birikmiş bellek sayesinde iyileşir. Nasıl çalıştığımızı hizmet sayfamızda özetledik; kendi dosyalarınız için hangi becerilerin gerektiğini görmek isterseniz teklif formundan örnek bir belge paylaşabilirsiniz.

Sık sorulan sorular

Çevirmen olmak için programlama bilmek gerekir mi?

Gerekmez. Ancak düzenli ifade, temel etiket mantığı ve dosya biçimi bilgisi işi belirgin biçimde kolaylaştırır. Bunlar programlama değil, okuryazarlık düzeyinde becerilerdir.

Hangi çeviri aracını öğrenmeye başlamalıyım?

Piyasada en yaygın araç ailesini öğrenmek mantıklıdır; vaka çalışmasında SDL Trados yüzde 43,3, memoQ yüzde 29,1 paya sahiptir. Ancak mantık ortak olduğu için ilk araçtan sonrası hızlı öğrenilir.

Teknoloji becerisi çeviri kalitesini artırır mı?

Doğrudan artırmaz. Tutarlılığı ve teslim hızını artırır, kalite için zaman kazandırır. Kaynak metni yanlış anlayan bir çevirmenin hatasını hiçbir araç düzeltmez.

Bir çeviri tedarikçisinin teknoloji becerisini nasıl anlarım?

Kaynak dosyanızı özgün biçiminde isteyip istemediğine, bellek ve terim listesi tutup tutmadığına, verilerinizin nerede işlendiğini yazılı olarak açıklayıp açıklamadığına bakın.

Kaynaklar

• Pietrzak, P. ve Kornacki, M. (2021). Using CAT Tools in Freelance Translation. Londra: Routledge Focus, s. 25, 83; Tablo 6.2.
• Bowker, L. (2005). Productivity vs Quality? A Pilot Study on the Impact of Translation Memory Systems. Localisation Focus, 4(1), s. 13-20.
• Novović, A. (2017). Confidentiality Issues in Machine Translation. Hieronymus, 4, s. 195-210.
• DePalma, D. (2012). Translation Productivity Benchmarks. Common Sense Advisory raporu.