當可讀性與原文保留度背離：AI 翻譯中的評估缺口研究
arXiv - Human-Computer InteractionChenchen Mao, Hanjing Shi, Haiyan Jia, Emily Wegrzyn, Dominic DiFranzo
研究發現 AI 翻譯的高可讀性可能掩蓋原文內容的流失，導致使用者在評估翻譯品質時產生認知偏差。
AI 幫你先抓重點
AI 重點 1
警惕「流暢度陷阱」：高可讀性不等於高品質翻譯
滑鼠懸停看 AI 判斷理由
這項洞察提醒開發者與使用者，AI 生成的流暢文本可能是一種「偽裝」，它讓使用者誤以為資訊完整，實則可能遺失了關鍵的原文細節，這在學術或法律翻譯中極具風險。
AI 重點 2
區分「評估能力」與「數據信任」的差異
滑鼠懸停看 AI 判斷理由
研究指出，使用者對翻譯品質的判斷力，與他們願意將個人資料交給系統的意願是兩回事。這意味著我們不能僅透過提升 AI 的表現來換取使用者的信任，必須建立更透明的數據處理機制。
核心研究發現
- 1
研究顯示，追求可讀性的 AI 輸出雖然易讀，但在保留原文細節（Source Retention）方面明顯遜於追求忠實度的輸出。
- 2
在處理簡單敘事時，使用者傾向給予忠實度高的翻譯較高評價；但在處理複雜文學哲學文本時，使用者無法有效辨識出翻譯品質的差異。
- 3
任務執行信任度（Task-performance trust）是決定使用者是否願意向系統揭露個人文本資訊的最直接預測因子。
- 4
即便同時提供原文與譯文，使用者在面對複雜文本時，仍無法透過整體品質評分來準確反映譯文對原文內容的保留程度。
對教育工作者的啟發
對於教育科技開發者，設計 AI 語言學習或翻譯工具時，不應僅追求「聽起來順耳」的輸出，應加入「忠實度檢測」機制，讓學習者能辨識 AI 是否遺漏了原文重點。在教學設計上，應訓練學生具備「批判性評估」能力，教導他們如何對比原文與 AI 譯文，而非僅依賴直覺式的流暢度判斷，以避免因 AI 的高可讀性而產生的認知偏差。
原始文獻資訊
- 英文標題：
- When Readability and Source Retention Diverge: An Evaluability Gap in AI Translation
- 作者：
- Chenchen Mao, Hanjing Shi, Haiyan Jia, Emily Wegrzyn, Dominic DiFranzo
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。