建立譯者社群¶

遵循這些建議支援建立完整的多語言後期編輯工具。好的翻譯是透過 House 的系統功能模型定義的，該模型旨在達成情境正確的翻譯。編寫您自己的後期編輯指南並變更這些建議以適合您自己的定義。大多數情況下，languageTool 的 browser-plugin 可用作校對工具。

譯者經常會發現來源字串的問題。確保譯者可以輕鬆報告這樣的問題。要收集此種意見回饋，您可以在您的 Weblate 元件上設定儲存庫瀏覽器欄位，讓譯者提議對上游儲存庫的變更。如果您設定了來源字串漏洞報告位址，您也可以收到譯者的評論。

元件診斷¶

指引顯示在每個元件的診斷分頁中。這些警報可忽略並指向讓您的在地化流程對社群譯員更加簡單所需的設定或文件。

帶有術語分配的MT的後期編輯影響著翻譯過程的每個層次。機器翻譯系統可以透過持續訓練或神經模糊修復來適應特定的詞彙和風格。匯入您現有的翻譯記憶到 weblate，或者用您的基本術語建立一個初始範圍。最後，應該用額外的術語檔案來指導演講者，以保證在該欄位有良好的知識和產出。

自動翻譯的品質（通常用BLEU分數衡量）與編輯時間相關[1]。選擇一個支援所需語言和領域的機器後端。明確翻譯後臺的功能以及後期編輯所期望的品質。

譯文在編輯後應由第二個人進行稽核。有公正且稱職的稽核者，雙人稽核規則可以減少錯誤，提升內容的品質和一致性。向稽核者提供預覽或 alpha 翻譯有助於達成最佳稽核效果。螢幕擷圖、解釋也有助於在情境中稽核字串。

Weblate 中有許多檢查與修復為翻譯品質提供結構化回饋，並在翻譯期間給予視覺提示。這些功能有助於避免重複發生的錯誤，並幫助翻譯者理解程式碼的工作方式。

除了基於心理和基於影響的定義之外，基於文字的語言學方法最適合實施的翻譯方法。一個精心制定的翻譯評估理論是豪斯的系統功能模型，它側重於原始和翻譯之間的關係。該模型假設翻譯是在從一種語言程式碼交叉到另一種語言程式碼時保持文字等效的語義，語用和文字含義的嘗試。

翻譯的品質程度是基於對等程度，即文字輪廓和文字功能之間的對應關係。因為它不能自動計算，所以應該收集足夠的資訊，以便能夠進行統一的人工評估。相應模型中的兩個主要一致引數是宏觀情境--即嵌入更大的社會和文學背景中--以及由領域、主旨和模式組成的微觀情境。

Marina Sanchez-Torron 和 Philipp Koehn 在機器翻譯品質和譯後編輯效率方面，圖 1：https://www.cs.jhu.edu/~phi/publications/machine-translation-quality.pdf
Joanna Best und Sylvia Kalina. Übersetzen und Dolmetschen: eine Orientierungshilfe. A. Francke Verlag Tübingen und Base, 2002. Möglichkeiten der Übersetzungskritik 自 101 頁起
神經模糊修復，Bram Bulté 和 Arda Tezcan 在神經模糊修復：將模糊相符整合到神經機器翻譯中，2019年 https://aclanthology.org/P19-1175.pdf