Gedeeltelijke Vertaling (Mens + Machine)

Het idee: Vertaal handmatig een representatief steekproef, bewijs dat uw machinale methode de menselijke stijl op dat steekproef evenaart, en vertaal vervolgens automatisch de resterende bulk. Combineert menselijke kwaliteit met machinale schaal — de mens stelt de norm, de machine volgt die.

:::info Dit is een kookboek, geen afgeronde implementatie Deze gids schetst de hybride mens-machine-workflow. Hij is bijzonder relevant voor vertaalbureaus, gemeenschapstaalwerkers en educatieve contexten. :::

Wanneer Dit Te Gebruiken

• U heeft toegang tot vloeiende sprekers, maar hun tijd is beperkt
• U moet een groot volume vertalen, maar slechts een klein deel hoeft perfect te zijn
• U wilt een kwaliteitsbasislijn vaststellen met menselijke vertaling en vervolgens opschalen met MT
• U werkt in een educatieve of gemeenschapscontext waar menselijke beoordeling van een deelverzameling haalbaar is

Hoe Het Werkt

[Full corpus: 1,000 entries]
        │
        ├── [100 entries] ──→ Human translator ──→ Gold translations
        │                                              │
        │                                              ▼
        │                                    Train / prompt machine
        │                                    method to match style
        │                                              │
        └── [900 entries] ──→ Machine method ──→ Auto translations
                                                       │
                                                       ▼
                                              [Optional: human review
                                               of flagged entries]

1. Selecteer een representatief steekproef — dek verschillende zinstypen, lengtes en onderwerpen af
2. Vertaal het steekproef handmatig — stel de gouden standaard vast voor stijl, register en terminologie
3. Configureer uw machinale methode — gebruik de menselijke vertalingen als coachingdata, few-shot-voorbeelden of fijnafstemmingsdata
4. Beoordeel de machine op het menselijke steekproef — evenaart de machine de stijl van de mens?
5. Vertaal de rest automatisch — als de machinekwaliteit op het steekproef acceptabel is
6. Optionele menselijke beoordeling — markeer uitvoer met lage betrouwbaarheid voor beoordeling door sprekers

Kwaliteitsborging: De Stijlovereenkomsttest

# Translate the human-translated sample with your machine method
python eval/baseline_experiment.py \
  --dataset data/human-sample.json \
  --condition coached-v3

# Compare: does the machine match the human translator's choices?
# Look at: chrF++ (similarity), FST acceptance (validity),
# and qualitative patterns (register, formality, terminology)

Het Steekproef Selecteren

Dek de verdeling af. Uw 100 vermeldingen moeten bevatten:

• Korte zinsdelen (1–3 woorden) en volledige zinnen
• Gangbare woordenschat en domeinspecifieke termen
• Eenvoudige structuren en complexe structuren
• Meerdere grammaticale kenmerken (vragen, imperatieve zinnen, conditionele zinnen)

Kies niet alleen de gemakkelijke gevallen. Het steekproef moet vermeldingen bevatten waarmee uw methode waarschijnlijk moeite zal hebben — daar is menselijke kwaliteit het meest van belang.

De Gemeenschapsbeoordelingsworkflow

Voor inheemse taalgemeenschappen respecteert deze aanpak de tijd van sprekers:

1. De spreker vertaalt 50–100 vermeldingen (2–4 uur geconcentreerd werk)
2. De machine vertaalt de resterende 900 met het werk van de spreker als coachingdata
3. De spreker beoordeelt gemarkeerde vermeldingen — alleen de vermeldingen waarbij de machine het minst zeker was (nog eens 1–2 uur)
4. Resultaat: 1.000 vertalingen van bijna-menselijke kwaliteit, met ~5 uur sprekersinzet in plaats van ~50

Voor- en Nadelen

✅ Combineert menselijke kwaliteit met machinale schaal	❌ Vereist een initiële menselijke investering
✅ Respecteert beperkte beschikbaarheid van sprekers	❌ De machine vangt mogelijk niet alle stilistische nuances op
✅ Natuurlijke kwaliteitsborgingsworkflow	❌ Steekproefselectie beïnvloedt de algehele kwaliteit
✅ Uitstekend voor gemeenschaps-/educatieve contexten	❌ Menselijke beoordelingsbottleneck voor gemarkeerde vermeldingen

Combineert Goed Met

• Coached LLM Prompting — menselijke vertalingen voeden de coachingdata
• Few-Shot Prompting — menselijke vertalingen als in-context-voorbeelden
• Corpus Creation — het menselijke steekproef ÍS corpuscreatie

Zie Ook

• Voor Taalgemeenschappen — gemeenschapsbetrokkenheidsmodel
• Data Sovereignty — eigenaarschap van vertaaldata
• Ondersteuning van een Taal met Weinig Middelen