번역을 정직하게 유지하는 지역사회 용어집 만들기
기관이 여러 언어로 클라이언트를 지원할 때, 같은 용어가 열 몇 가지 다른 방식으로 번역되면서 클라이언트가 이해하는 내용을 바꿔 놓는 작은 오류가 끼어들게 됩니다. 이중언어 직원과 지역사회가 함께 만드는 공유 용어집은 번역된 모든 안내문, 서식, 메시지를 정확하고 일관되게 유지해 주는 기준점입니다.
작은 번역 오류가 곧 접근성의 장벽이 됩니다
번역 품질은 귀 기관이 서비스를 제공하는 대상에게 결코 부수적인 문제가 아닙니다. 위험을 완화해 표현하는 동의서, 마감일을 뒤바꿔 놓은 안내문, 잘못된 권리를 명시한 통역 카드는 클라이언트가 무엇에 동의하는지, 혹은 진료를 받을지 여부를 바꿀 수 있습니다. 이러한 오류는 검토자가 가장 적은 언어, 즉 클라이언트가 실제로 사용하는 언어에서 발견하기가 가장 어렵습니다.
일관성은 그 자체로 정확성의 한 형태입니다. 한 전단에서는 어떤 프로그램을 한 이름으로 부르고 접수 서식에서는 다른 이름으로 부르면, 클라이언트는 이것이 같은 것임을 알 수 없습니다. "자격 규정"과 같은 용어가 자료마다 네 가지 다른 방식으로 번역되면, 그 자료들은 마치 네 개의 서로 다른 기관에서 나온 것처럼 읽힙니다. 용어집은 용어를 한 번 고정하여 모든 문서가 하나의 목소리로 말하게 합니다.
용어집을 외부 업체에 단순히 맡기는 것이 아니라 지역사회와 함께 만드는 것이야말로 용어집을 올바르게 만드는 방법입니다. 이중언어 직원과 귀 기관이 서비스를 제공하는 사람들은 그들이 사용하는 언어 변이형에서 어떤 단어가 의도한 의미를 전달하는지, 어떤 격식체가 의료나 법률 상황에 맞는지, 어떤 직역이 차갑거나 혼란스럽게 들릴지를 알고 있습니다. 그 지식은 지역사회 안에 있으므로, 용어집도 그곳에서 만들어져야 합니다.
용어집 만들기
가장 비중이 큰 용어부터 작게 시작하여 진행하면서 늘려 가십시오.
- 비중이 큰 용어를 목록으로 만드십시오자료 전반에 반복적으로 등장하며 오류가 발생할 경우 피해가 큰 단어를 뽑으십시오: 프로그램 및 혜택 명칭, "자격," "통역사," "동의," "마감일," 권리 및 법률 용어, 그리고 클라이언트의 행동을 바꾸는 모든 단어가 해당됩니다.
- 귀 기관 고유의 명칭과 약어를 정리하십시오프로그램, 부서, 기관의 명칭과 약어(SNAP, WIC, 귀 기관 고유의 이니셜, 지역 프로그램 명칭 등)는 번역이 어긋나기 가장 쉬운 지점이므로, 각 언어에서 합의된 표기를 고정하고 각각을 그대로 유지할지, 음역할지, 번역할지를 결정하십시오.
- 후보 번역을 수집하십시오각 용어에 대해 기존 문서에서 언어별로 현재 어떻게 번역되어 있는지 모으십시오. 대개 같은 용어가 한 가지 이상의 방식으로 번역되어 있는 것을 발견하게 됩니다. 그 변형들을 한데 모아 불일치가 눈에 보이게 하십시오.
- 이중언어 직원과 함께 표준 용어를 정하십시오각 언어별로 이중언어 직원, 그리고 가능하다면 지역사회 구성원도 함께 모든 곳에서 사용할 번역 하나를 합의하도록 하십시오. 정확하고, 클라이언트가 사용하는 언어 변이형에서 자연스러우며, 의료나 법률의 격식체에 맞는 표현을 선택하십시오.
- 격식체와 실제 존재하는 변형을 기록하십시오원하는 어조, 예를 들어 격식을 갖춘 호칭 방식을 기록하고, 지역사회마다 실제로 의견이 다른 용어를 기록해 두어 검토자가 그 선택이 실수가 아니라 의도된 것임을 알 수 있게 하십시오.
- 용어집을 계속 살아있게 유지하십시오새로운 자료와 프로그램이 생길 때마다 용어를 추가하고, 각 항목에 날짜를 표기하며, 규정이나 프로그램이 바뀔 때 용어집을 다시 검토하십시오. 갱신되지 않는 용어집은 소리 없이 낡은 것이 되어 버립니다.
번역 품질 점검에 활용하기
용어집은 검토자가 번역된 모든 문서를 대조하는 기준 자료입니다.
- 반복되는 모든 용어를 용어집과 대조하십시오용어집을 펼쳐 놓고 번역된 문서를 읽으십시오. 핵심 용어가 합의된 번역과 일치하지 않는 곳은 수정하십시오. 이는 자료를 신뢰하기 어렵게 만드는 일관성 문제를 가장 빠르게 잡아내는 방법입니다.
- 단어가 아니라 의미를 읽으십시오단어 대 단어가 아니라 원문의 의미와 번역을 비교하십시오. 겉으로는 맞는 것처럼 보이지만 실제로는 다른 뉘앙스를 지닌 "false friends," 그리고 매끄럽게 읽히지만 원문이 말하지 않은 내용을 말하는 번역을 경계하십시오.
- 부정 표현과 숫자를 철저히 지키십시오가장 큰 피해를 낳는 오류는 안전 규정에서 빠진 "않다"라는 부정어, 뒤바뀐 마감일, 잘못된 금액, 잘못된 전화번호입니다. 이런 요소는 틀렸을 때조차 유창하게 읽히므로, 매번 원문과 대조해 확인하십시오.
- 격식체와 어조를 확인하십시오격식 수준이 상황에 맞고 처음부터 끝까지 일관되게 유지되는지 확인하여, 의료나 법률 안내문이 중간에 격식 없는 어조로 흘러가지 않도록 하십시오.
- 해결되지 않은 사안은 지역사회로 되돌리십시오직원들 사이에 용어에 대한 의견이 엇갈릴 때는 추측하지 마십시오. 이중언어 직원이나 지역사회 구성원에게 다시 가져가 결정을 내리고, 다음번에는 확정되어 있도록 그 결정을 용어집에 기록하십시오.
용어집 점검으로 잡아낼 수 있는 오류들
검토자에게 짚어 줄 가치가 있는 반복적인 오류 유형들입니다.
공정한 번역처럼 보이지만 실제로는 다른 느낌이나 의미를 전달하는 단어입니다. 영어의 "shame"(수치심)과 "embarrassment"(당혹감)은 의미가 비슷해 보이지만 와닿는 느낌은 매우 다르며, 잘못된 선택은 메시지 전체의 어조를 바꿔 놓습니다.
"클라이언트 정보를 절대 입력하지 마십시오"가 "거의 입력하지 않는다"로 바뀌거나 "않다"라는 부정어가 빠지면, 안전 규정이 허용으로 바뀌어 버립니다. 금지 문구와 동의 관련 문구에서는 부정어가 페이지에서 가장 중요한 단어입니다.
"사례 담당자," "사회복지사," "내비게이터"는 서로 다른 역할이며, "자격을 갖춘 통역사"는 "번역가"와 같지 않습니다. 직함이 뒤바뀌면 클라이언트를 잘못된 방향으로 안내하거나 권리를 잘못 전달할 수 있습니다.
같은 프로그램이나 규정이 전단, 서식, 웹페이지마다 다른 이름으로 불리면 그 자료들이 서로 무관한 것처럼 읽힙니다. 일관성이야말로 이 문서들이 하나로 연결되어 있음을 클라이언트에게 알려 주는 요소입니다.
격식 있게 시작한 안내문이 도중에 격식 없는 어조로 흐르거나 그 반대로 흐르면, 클라이언트가 귀 기관을 신뢰할지 판단하는 상황에서 부주의하게 느껴집니다. 용어집은 의도한 격식체를 고정하여 처음부터 끝까지 유지되게 합니다.
가장 위험한 오류는 완벽하게 읽히면서도 잘못된 내용을 말하는 오류입니다. 매끄러운 표현은 세부 내용이 옳다는 증거가 결코 될 수 없으므로, 숫자와 날짜와 규정은 예외 없이 원문과 대조해 확인해야 합니다.
기계 번역과 LLM은 약어를 엉뚱한 것으로 풀어내거나 아예 없는 풀이를 지어내는 경우가 잦으며, 임상 및 기관 약어는 가능한 풀이가 매우 많아 모호성이 큽니다(Moon et al., 2014; Ji et al., 2023).
고유명사가 그대로 유지되거나 음역되지 않고 단어 그대로 직역되어, 귀 기관이나 프로그램의 이름이 클라이언트가 알아보지 못하는 일반적인 문구로 바뀌어 버립니다(Sharma et al., 2023; Yan et al., 2024).
AI는 표시하고, 사람이 결정합니다
AI 도구는 이 작업의 기계적인 부분을 빠르게 처리할 수 있습니다. 여러 문서를 스캔하여 용어가 일관되지 않게 번역된 부분을 찾아내고, 후보 번역의 초안 목록을 작성하며, 원문의 의미에서 벗어난 부분을 사람이 검토하도록 표시할 수 있습니다. 이런 방식으로 사용하면 느린 수작업 대조를 더 짧은 검토 과정으로 바꿀 수 있습니다.
AI가 할 수 없는 것은 결정입니다. AI는 귀 지역사회가 실제로 어떤 단어를 사용하는지, 그 언어에서 어떤 격식체가 법률 상황에 맞는지, 미묘한 선택이 서비스 대상자에게 따뜻하게 느껴질지 차갑게 느껴질지 알지 못합니다. 또한 AI는 자신 있게 실수를 저지르므로, AI가 표시하거나 작성한 내용은 이중언어 구사자가 확인해야 할 후보일 뿐 최종 답이 될 수 없습니다. 용어집은 여전히 지역사회의 문서이며, AI는 그것을 유지하는 데 도움을 줄 뿐입니다.
LINC 역시 이러한 방식으로 자체 다국어 콘텐츠의 정확성을 유지합니다. 저희는 핵심 용어에 대한 표준 용어집을 만들고, AI를 사용해 번역된 모든 페이지를 그 용어집과 대조하고 있을 법한 오류를 표시하도록 한 뒤, 사람이 각 판단을 확인하도록 합니다. 이 페이지에서 설명한 방법은 저희 스스로에게도 그대로 적용하는 방법입니다.
빠른 품질 점검 체크리스트
- 모든 핵심 용어가 합의된 용어집 번역과 일치합니다.
- 부정어와 금지 표현이 온전히 유지되며, 빠지거나 완화된 "않다"가 없습니다.
- 숫자, 날짜, 마감일, 금액, 주소, 전화번호가 원문과 일치합니다.
- 직함과 권리가 정확하게 명시되어 있으며, 통역사와 번역가가 혼동되지 않습니다.
- 상황에 맞게 격식체가 유지되며 전체적으로 일관됩니다.
- 유창하게 읽히는 내용도 원문의 의미와 대조 확인을 거치지 않은 채 남아 있지 않습니다.
- 해결되지 않은 용어 선택은 지역사회로 되돌려져 결정되고 기록되었습니다.
출처
- Dinu, G., Mathur, P., Federico, M., & Al-Onaizan, Y. (2019). Training Neural Machine Translation to Apply Terminology Constraints. Proceedings of ACL 2019 (short paper). link
- Haque, R., Hasanuzzaman, M., & Way, A. (2020). Analysing terminology translation errors in statistical and neural machine translation. Machine Translation, 34(2-3), 149-195. doi:10.1007/s10590-020-09251-z
- Sharma, R., Katyayan, P., & Joshi, N. (2023). Improving the Quality of Neural Machine Translation Through Proper Translation of Name Entities. arXiv preprint. link
- Yan, J., Yan, P., Chen, Y., Li, J., Zhu, X., & Zhang, Y. (2024). Benchmarking GPT-4 against Human Translators: A Comprehensive Evaluation Across Languages, Domains, and Expertise Levels. arXiv preprint. link
- Moon, S., Pakhomov, S., Liu, N., Ryan, J. O., & Melton, G. B. (2014). A sense inventory for clinical abbreviations and acronyms created using clinical notes and medical dictionary resources. Journal of the American Medical Informatics Association, 21(2), 299-307. doi:10.1136/amiajnl-2012-001506
- Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, 55(12), 1-38. doi:10.1145/3571730
이 가이드는 AI 사용 여부와 관계없이 어떤 기관이든 실행할 수 있는 방식을 설명합니다. 용어집은 짧고, 공유되며, 실제로 사용될 때 가장 유용하므로, 가장 중요한 용어부터 시작하여 팀 전체가 접근할 수 있는 곳에 두십시오.