원문이 품질을 결정합니다, 기계에도 사람에도

번역은 사람이 하든 기계가 하든, 원문이 명시적으로 밝히지 않은 의미를 되살릴 수 없습니다. 영어 문장이 두 가지로 읽힐 수 있다면, 번역가는 여러분이 의도한 해석이 어느 쪽인지 추측해야 하며, 잘못된 추측은 목표 언어에서 확신에 차고 유창해 보이는 오류가 됩니다. 모호함, 숨겨진 논리, 낯선 표현은 훌륭한 번역가가 매끄럽게 다듬어 주는 문체상의 문제가 아닙니다. 이는 여러분보다 맥락 정보를 덜 가진 누군가에게 떠넘기는 결정입니다.

기계 번역에서는 이를 측정할 수 있습니다. 연구자들은 동일한 내용을 두 가지 방식으로, 즉 한 번은 통제된 글쓰기의 간단한 규칙 몇 가지를 어기도록, 또 한 번은 그 규칙을 지키도록 작성한 뒤, 두 버전 모두를 번역 시스템에 넣어 보았습니다. 규칙을 지킨 원문은 네덜란드어, 중국어, 아랍어, 프랑스어라는 유형학적으로 서로 다른 네 개의 목표 언어 모두에서 더 높은 품질의 기계 번역을 만들어 냈습니다(Aikawa et al., 2007). 이후 연구는 개별 규칙의 효과를 분리하여, 더 짧은 문장이나 줄어든 모호함과 같은 원문에 대한 제약이 기계의 출력 결과를 식별 가능한 방식으로 바꾼다는 것을 확인했습니다(Marzouk, 2021). 전문 현지화 분야에서는 이러한 작업을 "사전 편집"(pre-editing)이라고 부릅니다. 번역 이후에 결과물만 고치는 대신, 번역 전에 영어를 미리 정리하는 것입니다.

인간 번역가도 같은 이유로, 그리고 한 가지 이유가 더해져 이득을 봅니다. 짧고 직접적이며 모호하지 않은 문장을 다루는 번역가는 여러분이 의도한 바를 해독하는 대신, 목표 언어에서 알맞은 표현을 찾는 데 노력을 쏟을 수 있습니다. 명확한 원문은 번역 비용과 오류율을 동시에 낮춥니다. 원문의 품질이 미치는 영향은 언어마다 고르지 않습니다. 기계 번역 시스템은 방대한 텍스트 모음에서 학습하며, 200개 언어를 다루도록 만들어진 가장 큰 최신 시스템조차도 자원이 적은 언어에 대해서는 체계적으로 더 낮은 품질을 보고합니다. 기반이 되는 데이터 자체가 부족하기 때문입니다(NLLB Team et al., 2024). 여러분은 어떤 도구 뒤에 있는 훈련 데이터의 양을 바꿀 수는 없지만, 그 도구에 얼마나 많은 부담을 넘길지는 통제할 수 있습니다. 원문 단계에서 잘 쓰는 것은, 이 기술이 가장 부족하게 서비스하는 언어를 쓰는 클라이언트를 위한 공정성의 한 형태입니다.

가독성 점수: 유용한 신호이지만 목표로 삼기에는 부족합니다

많은 기관이 초안을 Flesch-Kincaid나 SMOG 같은 가독성 공식에 넣어 특정 학년 수준을 목표로 삼습니다. 이런 공식은 대략적인 연기 감지기 정도로 활용하고, 목표로 삼지는 마십시오. 가독성 공식은 대체로 아동 교육 자료를 위해 개발된 것으로, 단어 길이와 문장 길이 같은 표면적 특징만 계산할 뿐, 독자가 실제로 내용을 이해했는지, 페이지가 어떻게 구성되어 있는지, 독자가 누구인지는 고려하지 않습니다(Redish, 2000).

문장을 반으로 잘라 학년 수준 점수는 낮추면서도 의미는 여전히 흐릿하게 만들 수 있고, 반대로 진짜로 명확한 문장을 썼는데도 길지만 흔히 쓰는 단어 때문에 공식에서 감점당할 수도 있습니다. 높은 점수는 글을 다시 들여다보라는 신호로 삼고, 그런 다음 위에서 설명한 작성법에 따라, 그리고 가능하다면 실제 독자를 대상으로 테스트해서 판단하십시오. 숫자는 힌트일 뿐, 최종 판결이 아닙니다.

이것이 용어집과 어떻게 연결되는가

두 개의 문서가 함께 작동한다고 생각하십시오. 지역사회 용어집은 합의된 용어 목록과 승인된 번역을 담고 있습니다. 원문 영어는 그 용어들이 실제로 사용되는 곳입니다. 위의 작성법들은 여러분의 영어를 용어집이 제 역할을 할 수 있을 만큼 일관되게 유지해 줍니다: 개념마다 용어 하나, 완전히 풀어서 쓰기, 동의어가 슬며시 끼어들지 않게 하기, 용어집이 결코 승인한 적 없는 의미를 관용구가 몰래 들여오지 않게 하기. 용어집에 없는 새로운 용어가 초안에 등장하면, 이는 그것을 의도적으로 추가하고, 번역을 한 번에 정한 뒤, 계속 재사용해야 한다는 신호입니다. 매번 번역이 제각기 새로운 표현을 만들어 내도록 두어서는 안 됩니다.

실용적인 작업 순서는 다음과 같습니다: 자료 초안을 작성하고, 아래 체크리스트에 대조해 확인하고, 모든 용어를 용어집과 일치시킨 뒤, 그제서야 사람이든 기계든 번역에 넘기십시오. 기계 번역을 사용한다면, 이러한 사전 정리 작업이 바로 연구에서 이후 오류를 줄이는 것으로 나타난 사전 편집 단계입니다(Aikawa et al., 2007; Marzouk, 2021). 인간 번역가를 사용한다면, 이는 그들이 본연의 작업을 제대로 할 수 있게 해 주는 예의입니다.