Page 155 - 基于大数据的英语翻译精准教学及实现路径

第三章 大数据技术在翻译教学中的应用

打个问号，且已有静态翻译产品的 TQA 研究多，翻译教学的全链质量评价研究
少。翻译学习是不断演进的过程，有时某些环节或问题会循环反复，会出现“高
原现象”，但总体是上升的过程。静态 TQA 研究只反映学生翻译能力的片段截面，

无法链接学生各个阶段的学情，难以宏观掌握学生纵向翻译能力习得全过程，这
是以往研究中最需解决的问题。构建翻译教育全过程的评价，实现更客观、更专
业、更科学的教育评价尤其能够得益于技术手段。
（二）翻译教学中 TQA 的技术参与

何三宁在 2011 年撰文展望，计算机评估将是未来译文评估的趋势，然学界
响应迟缓。无论这是因教育技术存在知识壁垒，还是研究者缺乏兴趣，现在到了
亟需转变的时候。如果说 2020 年初暴发的疫情让师生被动进入在线教学或线上、

线下混合教学模式，那么教育信息化 2.0 计划、数字校园建设规范等的政策支持
与规范引导，就是在提醒教师主动求变，不断学习挖掘技术潜力。
1. 技术工具研究初受重视
翻译技术课程因课程性质与新媒体和新技术的关系更为密切而率先受到关
注。研究者们尝试将技术工具纳入教学评估手段，或以电子档案袋、屏幕记录软

件等技术工具与静态评价互补，分析学习者在学习态度、情感、价值观等方面的
具体问题。由于语料库技术的兴起，技术手段辅助 TQA 的研究最多。研究者为
改变翻译质量评价中教师经验判断为主导，评估工具单一等现状，建议有效利用

质量语料库、数量语料库和不恰当语料库（学习者语料库），或建构双语语料库
和类比语料库，并对语料库进行错误标注，让评估者充分参照语料库以建立合适
的翻译评估准则，提高质量评估准确性，增强评估的客观性，增强学生翻译水平
的诊断效度。
研究者对自动评阅的探索从未间断，教育测试领域建构性试题的机器自动评

分技术在 TOEFL、GRE 等大规模英语作文测试中已与人工评分一同使用，相关
技术日臻成熟。翻译领域的研究者更多聚焦机器翻译的 AI 评分技术，如国内学
者已尝试建构了学生汉译英、英译汉的翻译机器评分模型。机器评分的方法主要

是利用“测试点对齐”方法提取译文特征，或者用 BLEU 机器学习方法构建英汉
双语自动评分模型，用“黑盒”和“白盒”结合的形式检测 AI 自动评分对人工
手写翻译的评分效度。毋庸置疑，机器评分与人工评分的相关度很高，足以提高
评分效率和信度，降低大规模评分的成本。虽然技术工具参与翻译教学的翻译质

147