Speaking like Machines: Examining the Effects of AI-influenced Language on Interpreting Students

Abstract

La abrumadora cantidad de texto escrito por herramientas de IA generativa ha provocado cambios en el lenguaje humano en determinados contextos. Mientras el lenguaje humano incorpora características de lenguaje típicas de modelos extensos de lenguaje, puede que los intérpretes necesiten adaptarse a dificultades nuevas. En este ensayo, los estudios previos del ámbito de la lingüística proporcionaron un marco para entender qué efectos la IA está teniendo en el lenguaje, y una visión general de los enfoques anteriores para evaluar la calidad de la interpretación sirvió de guía para el diseño de un experimento con el fin de comprobar la capacidad de alumnos de interpretación para reaccionar ante estos cambios lingüísticos. En un experimento de métodos mixtos, alumnos del Máster en Interpretación de Conferencias de la Universidad Pontificia de Comillas interpretaron discursos, algunos de los cuales contenían características típicas de la IA, y respondieron a un cuestionario. Junto con evaluaciones de las interpretaciones basadas en rúbricas, se comparó la calidad de las interpretaciones con la dificultad del material de fuente. Los resultados demostraron que la presencia de características típicas de la IA en un discurso correspondía con una menor calidad en discursos más densos, pero con una mayor calidad en discursos menos densos. Estudios futuros podrían continuar la investigación de los mecanismos que hacen que estas características típicas de la IA tengan un impacto negativo en la interpretación.The overwhelming amount of text written by generative AI tools has caused shifts in human language in certain contexts. As human language incorporates typical Large Language Model language features, interpreters may need to adapt to new difficulties. In this paper, previous studies from the fields of linguistics provided a framework for understanding what effects AI is having on language, and an overview of previous approaches to assessing interpreting quality guided the design of an experiment to test interpreting students’ ability to react to these language changes. In a mixed methods experiment, Masters in Conference Interpreting students from Comillas Pontifical University interpreted speeches, some of which contained AI-consistent features, and provided responses in a questionnaire. Together with rubric-based evaluations of the interpretations, the quality of the interpretations was compared to the source material difficulty. The results showed that AI-consistent features in a speech corresponded to lower quality of interpretation in dense speeches, but higher quality in less dense speeches. Future studies would be able to further investigate the mechanisms that make these AI-consistent features have a negative impact on interpretation.