AI 给出的反馈你还敢向信吗?
作者：微信文章AI 给出的反馈你还敢信吗？
｜前言｜
在高等教育，尤其是翻译教学中，反馈对学习成效至关重要。教师反馈因其权威性、针对性和深度被广泛认可，但在大班教学中难以保持个性化与及时性。生成式人工智能（GenAI）近年来在教育领域崭露头角，能够基于海量语料提供快速、细致且个性化的反馈，有助于缓解教师工作量。然而，GenAI缺乏深度语境理解与文化敏感度，易出现准确性不足、表达冗余或逻辑缺陷的问题。现有研究多集中于教师反馈或AI反馈单独使用的效果，缺乏对二者结合模式的实证探讨。基于此，本研究提出一种“GenAI+教师”协作反馈模式：由GenAI生成初步反馈，再由教师审阅、修改与补充，旨在兼顾效率与质量，提升学生译文水平，并通过分析教师修订过程和学生感知，探讨其优势与不足，为翻译教育反馈机制创新提供参考。
｜Methods｜
理论框架
本研究以反馈理论为核心，结合生成式人工智能在人机协作教学中的应用，构建“GenAI+教师”协作反馈的分析框架。首先，借鉴Narciss（2007）对反馈的定义及Hattie & Timperley（2007）的反馈效能模型，强调反馈的具体性、指导性与可操作性。其次，参考多维质量评估（MQM）框架，将译文错误细分为术语、准确性、语言规范、风格、版面与其他类型，以系统化方式分析GenAI反馈与教师修订的差异与互补。理论上，本研究承认GenAI在语言规范性与细节识别上的优势，同时强调教师在文化语境、复杂逻辑结构处理及术语适配方面的不可替代性。此外，研究结合技术接受模型（TAM），关注学生对协作反馈的感知价值与接受度，探讨人机协作在翻译教学中的可行性与优化方向。
研究方法
研究对象为中国东部某综合大学翻译专业三年级的34名本科生，均具有至少两年中英互译学习经验。研究材料为浙江省非物质文化遗产博物馆介绍节选（1451字），涉及专有名词、文化负载词及长句结构。学生完成译文后，研究团队使用优化提示词的GPT-4生成初步反馈（涵盖准确性、恰当性、流畅性、衔接与文体等维度，每个维度提供示例及改进建议）。随后，由具有25年教学经验的教师依据统一评价标准审阅并修订反馈，并在“修订模式”中注明同意或修改原因，另有两名研究者进行复核。最终，将匿名化的GenAI原始反馈与教师修订版分别提供给学生，并通过开放式问卷收集学生对两类反馈的优劣评价。数据分析包括：基于MQM框架对教师修订进行编码与统计；运用主题分析法归纳学生感知的优势、比较优势与不足，确保编码一致性超过90%。
研究结果
结果显示，GenAI共提出205条修改建议，教师认可其中89条（43.4%），修改或否定116条（56.6%）。教师主要认可GenAI在语言规范（44.9%）、准确性（27.0%）、风格改进（18.0%）及术语统一（10.1%）方面的建议，尤其是拼写、标点、语法纠正及逻辑关系优化。例如，将“an total area”改为“a total area”，或优化平行结构以增强条理性。此外，GenAI在发现细微用词错误、减少重复、引入权威术语（如使用UNESCO分类）方面亦获肯定。
然而，教师修订表明，GenAI在文化敏感术语、复杂句逻辑及文体自然度方面存在不足。例如，“Zhejiang Drama”被改为“Yueju Opera”，以契合地方文化；“Seeking Mountain Lodges”被改为“dwellings”，以传达与自然和谐共处的文化意涵。GenAI常出现直译、过度翻译、逻辑不清或格式处理不当（如外来词斜体缺失）。
学生普遍认为协作反馈语言清晰、逻辑严谨、兼顾优缺点，并能识别细节问题且提供具体改进措施。相比单纯GenAI反馈，协作反馈更具人情味、准确度更高、与课堂内容及文化背景契合度更强。然而，不足包括：部分反馈保留AI痕迹（结构僵硬、措辞刻板）、忽略主要问题、逻辑不一致、积极反馈缺乏具体例证。整体上，协作反馈提升了学生对反馈的信任与参与度，促进了批判性思维。
结论
研究表明，“GenAI+教师”协作反馈模式在翻译教育中兼具效率与质量优势。GenAI能快速、全面识别语言规范与细节问题，教师则能补足其在文化语境、复杂逻辑及术语精准度方面的短板，从而实现互补。学生对协作反馈的积极感知反映了该模式在提升学习动机、细化翻译能力和促进课堂衔接方面的潜力。尤其在高权威文化背景下，AI介入可降低学生对教师反馈的心理压力，促进反馈对话化与批判性思考。
然而，研究也揭示了优化方向：需减少AI式僵硬表达，增强正面反馈的具体性，避免忽视核心问题，并确保逻辑一致性。这提示教师在审阅AI反馈时应关注宏观翻译质量与整体语篇逻辑，而不仅限于细节修正。同时，提示词设计对AI反馈质量影响显著，应在初始阶段优化指令以涵盖文化与语境要素。教育实践中，应将教师定位为反馈的“策展人”，负责筛选与精炼AI产出，并通过培训提升其AI素养与协作能力。此外，未来研究可探索“教师初评—AI优化”及跨学科反馈模式，以比较不同人机协作路径的效果，并扩大样本和方法多元性，以验证外部效度。
研究亮点与不足
亮点方面，本研究首次在翻译教育中系统实证分析“GenAI+教师”协作反馈机制，细分教师认可与修订的具体类型，结合MQM框架呈现人机互补的细节；通过匿名化对比法有效剔除学生对AI的先入为主偏见；在学生感知分析中揭示协作反馈对批判性参与和文化理解的促进作用，具有实践与理论双重价值。
不足在于：仅使用单一教师的修订，可能存在个人偏好与教学风格的局限，难以涵盖多样化的反馈策略；样本规模有限，且缺乏量化验证，影响结果的普遍性与统计稳健性；研究仅探讨“AI初评—教师修订”单一路径，未比较其他协作顺序的差异；正面反馈的提示词设计不足，未能全面呈现学生优势。未来研究应引入多教师、多模式及混合方法，以提升外部效度与应用指导性。
编者按
原文地址：
Xueying Xu, Fangrui Sun, Wenjie Hu,
Integrating human expertise with GenAI: Insights into a collaborative feedback approach in translation education,
System,
Volume 129,
2025,
103600,
本文编辑： 赫原烨 剑桥大学
郑重声明：本公众号推送的文章不能代表本公众号立场。本公众号推送的学术会议、博士招生不负责对接解释。有任何疑问请按照推送内容的官方联系方式对接！如果学术会议、博士招生有任何官方调整，责任不在我方。我们优先推广免费的学术会议、讲座、研修等项目。
语言治理
欢迎关注
Language Governance Alliance
球分享
球点赞
球在看
页:
[1]