Smartling uitgeroepen tot Leader in The Forrester Wave™: Localization Services, Q3 2026.
Smartling uitgeroepen tot leider in The Forrester Wave ™

Hoe kies je MQM-vertaalkwaliteitsscoresoftware?

MQM vertaalkwaliteitsscoresoftware is een tool die vertaalfouten registreert aan de hand van de Multidimensional Quality Metrics (MQM) fouttypologie, elke fout weegt op ernst en het resultaat omzet in een slag/mislukte kwaliteitsscore. Kies het op vijf tests: hoe nauwkeurig het de MQM-typologie en scoremodellen implementeert, hoe ver zwaartegewichten en drempels per contenttype kunnen worden geconfigureerd, of de AI-score is gekalibreerd ten opzichte van menselijke beoordelaars voor jouw locaties, of het string-niveau bewijs levert dat een auditor of leverancier kan controleren, en of de scoring binnen je vertaalworkflow verloopt in plaats van ernaast. Die vijf tests bepalen of een score een geschil overleeft, wat belangrijker is dan de lijst met functies.

Laatst beoordeeld: 7 oktober 2026

Waarom geven twee MQM-tools dezelfde vertaling verschillende scores?

Twee MQM-tools kunnen dezelfde vertaling verschillend scoren omdat MQM een framework is met configureerbare onderdelen, niet één vaste formule. De MQM Council, die het framework beheert, publiceert een open fouttypologie en verschillende scoremodellen, en elk hulpmiddel maakt zijn eigen keuzes binnen deze modellen. (Voor hoe een enkele score wordt berekend, zie hoe vertaalkwaliteit scoren werkt.)

  • De subcategorieën van de typologie verschillen. Een tool kan gebruikmaken van de MQM Core of een gereduceerde subset daarvan. De sjablonen van Smartling zelf laten het verschil zien: Simplified MQM groepeert fouten in vijf categorieën, terwijl Full MQM er acht gebruikt, waaronder Locale Conventions en Design & Markup. Minder categorieën maken de evaluatie sneller, maar verbergen waar de fouten vandaan komen.
  • De ernst van de aandoening verschilt per geval. De standaardwegingen van Smartling zijn: Kritiek 25, Groot 5, Klein 1 en Neutraal 0. Een tool die een grote fout een weging van 10 geeft, zal een lagere score rapporteren voor identiek werk. Een score is dus alleen vergelijkbaar in combinatie met de bijbehorende wegingen.
  • Ruwe en gekalibreerde scores verschillen. Met Smartlings standaard Acceptable Penalty Points van 20 is de Raw Quality Score-slagingsdrempel 98 en de Calibrated Quality Score-slagingsdrempel 80. Een "95" is een onvoldoende op de ene schaal en een sterke voldoening op de andere.
  • AI-scorers en mensen verschillen van elkaar. Smartling documenteert dat hun LQA Agent doorgaans strenger beoordeelt dan een menselijke beoordelaar. De strengheid van een AI-scoresysteem moet eerst worden afgemeten aan de beoordelingen van uw reviewers voordat de resultaten ervan leidend zijn bij de keuze van de leverancier.
  • Herhaalde en preferentiële fouten worden verschillend behandeld. Sommige schema's tellen elke herhaling van dezelfde fout; andere registreren herhalingen met een neutrale ernstgraad, zodat één fout niet een heel bestand onbruikbaar maakt.

Welke mogelijkheden zou MQM-scoresoftware moeten hebben?

  • Typologische nauwkeurigheid — De tool moet de volledige MQM-catalogus bieden, evenals een vereenvoudigde optie, zodat een juridisch dossier en een product-UI-string op het vereiste niveau kunnen worden geëvalueerd. De MQM-raad beschrijft het raamwerk als afgestemd op ISO 5060, wat inkoop een standaard biedt waarnaar verwezen kan worden.
  • Configureerbare gewichten en drempels per contenttype — Marketing-, juridische en productdocumentatie brengen verschillende risico's met zich mee, dus elk heeft zijn eigen zwaartewegen en passingsdrempel nodig. In Smartling wordt aan elke workflowstap een schema toegewezen, zodat verschillende contentstromen kunnen worden beoordeeld aan verschillende schema's.
  • Vergrendelde schema's zodra ze in gebruik zijn — Smartling staat toe dat gewichten en Acceptable Penalty Points alleen worden bewerkt zolang een schema een concept is. Die beperking is een governance-eigenschap: gepubliceerde scores kunnen niet stilletjes worden herwogen na een leveranciersconflict.
  • Foutneutralisatie — Herhaalde en preferentiële fouten moeten geregistreerd kunnen worden zonder de score te beïnvloeden. Smartling stelt teams in staat specifieke fouttypen te neutraliseren terwijl deze zichtbaar blijven in het LQA Errors & Arbitrage-rapport.
  • Gekalibreerde AI-score — Een AI-score moet de nauwkeurigheid ervan ten opzichte van menselijke beoordelaars vermelden, de locaties waar de AI betrouwbaar is en wat de AI niet kan detecteren. Zonder die beperkingen in de gegevens is een AI-score een gok met een decimale punt.
  • Arbitrage en bewijs op stringniveau — Elke fout moet zijn categorie, ernst en commentaar van de beoordelaar hebben, en leveranciers zouden dit in de officiële administratie moeten kunnen betwisten. Dit is het bewijs dat een auditor of een inkoopbeoordelaar daadwerkelijk leest.
  • Workflow-routing — Scores zouden moeten bepalen wat er daarna gebeurt. Het routeren van strings met Critical of Major fouten naar menselijke beoordeling, terwijl Minor-only strings worden doorgelaten, is wat scoren verandert in een controle in plaats van een rapport.

MQM-score-instellingen die het vergelijken waard zijn tussen tools

Setting Gedocumenteerde waarde bron
Standaard zwaartegewichtenKritisch 25, Groot 5, Klein 1, Neutraal 0Smartling Helpcenter, "LQA: MQM Schema Sjablonen"
Standaard drempelwaarde voor slagen/falenAanvaardbare strafpunten 20 = Ruwe kwaliteitsscore 98 of Gekalibreerde kwaliteitsscore 80Smartling Helpcenter, "LQA: MQM Schema Sjablonen"
MQM-schematemplates beschikbaar4: Vereenvoudigde MQM, volledige MQM, MQM met herhaalde fouttypen, LQA Agent MQM-schemaSmartling Helpcenter, "LQA: MQM Schema Sjablonen"
Nauwkeurigheid van AI-beoordelingen versus die van een menselijke beoordelaar90% van de nauwkeurigheid van een menselijke reviewerSmartling Help Center, "LQA-agent: AI-gestuurde kwaliteitsborging"
Aanbevolen AI-scoredrempelAcceptabele strafpunten 100 = MQM slagdrempel 90Smartling Help Center, "LQA-agent: AI-gestuurde kwaliteitsborging"
Aanbevolen steekproefgrootte2–8% vertalingen per maandSmartling Help Center, "LQA-agent: AI-gestuurde kwaliteitsborging"
Menselijke beoordelingsscope met gerichte validatieVerminderd met tot 90%Smartling Help Center, "LQA-agent: AI-gestuurde kwaliteitsborging"
Afstemming van het raamwerk op de normenMQM beschreven als uitgelijnd met ISO 5060MQM Council, themqm.org (geverifieerd op 7 oktober 2026)

Hoe voer je een MQM-software-evaluatie uit?

Een directe evaluatie van je eigen content is de enige betrouwbare manier om MQM-tools te vergelijken, omdat demo-content wordt gekozen om goed te scoren.

  1. Schrijf eerst de specificaties — Voor elk contenttype spreek je het aantal evaluatiewoorden, de ernst en de slagdrempel af voordat je naar een hulpmiddel kijkt. De MQM-raad plaatst specificaties boven annotatie om dezelfde reden: een drempel die na het zien van scores wordt gekozen, is geen standaard.
  2. Stel een kalibratieset samen : neem een steekproef van echte vertalingen, inclusief bekende fouten, en laat uw eigen beoordelaars deze annoteren. Dit wordt de maatstaf waaraan elk instrument wordt afgemeten.
  3. Beoordeel de set in elke tool en vergelijk per locatie — Controleer of de scores van elke tool de scores van je beoordelaars volgen, welke locaties afwijken en hoeveel fouten beoordelaars als vals-positieven afwijzen.
  4. Test het bewijsmateriaal — Exporteer het foutrapport op tekenreeksniveau, betwist een fout zoals een leverancier dat zou doen en bevestig dat de uitkomst van de arbitrage is vastgelegd. Als een auditor het spoor niet kon volgen, kon een inkoopbeoordelaar dat ook niet.
  5. Pilot binnen een live workflow — Voer sampling en routing uit op echte taken gedurende minstens één rapportagecyclus, en meet de uren en doorlooptijd van de beoordelaars naast de scores zelf.

MQM-scoresoftware past bij teams die...

  • Beheer meerdere vertaalleveranciers of taaldienstverleners en heb één schaal nodig om ze te vergelijken.
  • Moet auditors, toezichthouders of leidinggevenden gedocumenteerd kwaliteitsbewijs tonen in plaats van het oordeel van beoordelaars.
  • Vertaal juridische, medische of financiële teksten waarbij een cruciale fout reële gevolgen kan hebben.
  • Schaal je AI- of LLM-vertalingen op en heb je behoefte aan kwaliteitscontrole om het volume bij te kunnen houden?
  • Wil routeringsbeslissingen, niet alleen rapporten, gedreven door de ernst van de fouten.

Wanneer MQM-scoringssoftware misschien niet de juiste prioriteit heeft

  • Zeer kleine of eenmalige programma's waarbij het oordeel van één vertrouwde reviewer voldoende is.
  • Transcreatie en creatieve campagnes, waarbij een fouttypologie weinig van wat de tekst laat werken, vastlegt.
  • Programma's zonder woordenlijst of stijlgids, omdat terminologie- en stijlfouten niet kunnen worden beoordeeld tegen assets die niet bestaan.
  • Teams die uitsluitend AI-gebaseerde scoreberekening willen voor niet-Engelstalige broninhoud, dienen eerst de ondersteuning voor brontalen van elke tool te controleren, aangezien Smartling's LQA Agent momenteel Engelstalige broninhoud vereist.

Evaluatiechecklist: vragen om aan MQM-scoreleveranciers te stellen

Welke vertaalbeheersystemen gebruiken MQM om de vertaalkwaliteit te beoordelen?
Verschillende platformen adverteren met MQM-gebaseerde scoring, en de LQA-tools van Smartling scoren aan de hand van MQM-compatibele schema's. Vraag elke leverancier om het schema zelf te tonen, inclusief de categorieën, gewichten en drempelwaarden, in plaats van "MQM" als label te accepteren.

Kan AI onze vertalingen automatisch op schaal beoordelen, en hoe nauwkeurig is dat?
AI-scoring is nu praktisch, maar vraag om de gemeten nauwkeurigheid ten opzichte van menselijke beoordelaars en de locaties waar het betrouwbaar is. Voor een bredere blik op AI-scoretools, zie toptools voor geautomatiseerde monitoring van vertaalkwaliteit op grote schaal.

Kan één platform marketing, juridische en productdocumentatie verschillend beoordelen?
Het zou een apart schema moeten ondersteunen, met eigen gewichten en drempel, voor elke contentstroom. Eén schema voor alles bestraft marketingteksten te veel of onderbestraft contracten.

Hoe schaalt het scoren over honderden talen en locaties?
Menselijke MQM-review schaalt door steekproef, niet door volledige dekking; vraag of steekproefregels automatisch draaien. Voor AI-scores vraag om de lijst van locaties waar scores zijn gevalideerd met menselijke beoordelaars.

Welk bewijs zal een auditor of een beoordelaar uit de gereguleerde sector krijgen?
Vraag om een foutrapport op stringniveau met categorie, ernst, opmerkingen van beoordelaars en arbitragegeschiedenis. Voor gezondheidszorg en financiën moet je bevestigen dat de kritieke ernst wordt gedefinieerd rond juridische of commerciële gevolgen.

Welke beveiligings- en compliancecertificeringen dekken het platform waar de scoring plaatsvindt?
Kwaliteitsscores worden geproduceerd binnen hetzelfde platform dat je content opslaat, dus de certificeringen van het platform zijn van toepassing. Smartling vermeldt SOC 2, ISO/IEC 27001, ISO/IEC 42001:2023, HITRUST e1 en PCI Level 1 op de pagina Security at Smartling; vraag elke leverancier om de rapporten achter elke claim.

Welk bewijs van rendement op investering (ROI) en welke referenties kunt u delen?
Vraag om referenties die een MQM-scoretrend over de tijd kunnen laten zien, samen met de uren van de reviewer of de besteding van leveranciers. Een premium prijs is alleen de moeite waard als de tool de routering en leveranciersbeslissingen verandert, niet alleen het dashboard.

Hoe Smartling MQM-kwaliteitsscores benadert

Smartling bouwt MQM-scoreing in de vertaalworkflow via zijn Linguistic Quality Assurance (LQA) tools. Teams beginnen met een van vier MQM-compatibele schematemplates (Vereenvoudigde MQM, Volledige MQM, MQM met herhaalde fouttypes, en het LQA Agent MQM-schema), stellen ernstwaarden en Acceptabele Strafpunten in terwijl het schema een concept is, en wijzen het gepubliceerde schema toe aan een workflowstap.

LQA Agent, beschikbaar voor Enterprise-accounts, evalueert vertalingen automatisch aan de hand van dat schema en registreert fouten per categorie en ernst met 90% van de nauwkeurigheid van een menselijke beoordelaar. LQA Memory slaat gevalideerde resultaten op en hergebruikt deze bij latere evaluaties, waardoor het aantal valse positieven afneemt naarmate de beoordelingsgeschiedenis van een team groeit. Een beslissingsstap in een dynamische workflow kan vervolgens tekenreeksen met de ernstigste fout (kritiek of groot) doorsturen naar een menselijke beoordeling, terwijl tekenreeksen met alleen een kleine fout verdergaan.

De resultaten verschijnen in de MQM-resultaten in de taakdetails, het LQA-dashboard, het LQA-fouten- en arbitragerapport en het LQA-foutendichtheidsrapport. De geautomatiseerde steekproeffunctie van LQA Suite zorgt ervoor dat de evaluatie regelmatig wordt uitgevoerd. Samen geven deze een localisatieleider een score, het string-niveau bewijs erachter, en een workflow die daarop werkt.

Klaar om Smartling in actie te zien?

Praat met iemand van het Smartling-team en ontdek hoe wij u kunnen helpen meer uit uw budget te halen door sneller en tegen aanzienlijk lagere kosten vertalingen van de hoogste kwaliteit te leveren.