这篇文档属于类型a（单篇原创研究报告），以下为针对该研究的学术报告：
《人类与AI翻译数据集比较研究》学术报告
一、研究团队与发表信息
本研究由马来西亚沙巴大学（Universiti Malaysia Sabah）知识推广与语言学习中心的Anna Lynn Abu Bakar团队主导，合作作者包括Yoke Lian Lau、Shiaw Phin Chee等8位研究者。成果发表于开放获取期刊Journal of Open Humanities Data（2024年3月25日），标题为《The Datasets of Human and AI Translation》，DOI编号10.5334/johd.212。
二、学术背景与研究目标
科学领域：本研究属于计算语言学与翻译学的交叉领域，聚焦机器翻译（Machine Translation, MT）与人类翻译的质量对比。
研究动机：
1. 现实需求：AI翻译（如ChatGPT）的普及引发对其可靠性的争议，尤其在文化敏感文本（如诗歌）中表现存疑。
2. 理论空白：现有研究多关注通用文本，缺乏针对低资源语言（如马来语）与文学翻译的系统分析。
3. 方法论创新：团队提出基于关键词检测（Keyword Detection）的量化评估框架，弥补传统主观评价的不足。
研究目标：
- 对比人类译者与不同版本ChatGPT（3.5⁄4.0）在马来语诗歌翻译中的表现；
- 开发可复用的评估模板，支持跨语言翻译质量研究。
三、研究流程与方法
1. 数据收集
- 研究对象：
- 人类译者：3类（“一带一路”项目译者、马来语母语者、汉语母语者），各翻译1首9节汉语诗歌，共27句。
- AI译者：ChatGPT 3.5（1种提示）和4.0（4种提示），生成45句翻译。提示词由马来西亚出版社主编设计，涵盖直译、文化适配等方向（如“以马来文化语境保留诗歌意境”）。
- 数据来源：汉语原诗作者为Fang Mei，人类译者均来自沙巴大学。
2. 评估框架开发
- 关键词检测模板：
- 核心逻辑：以马来语母语者的翻译为基准，逐词比对其他译者的匹配度（标记为“v”），统计匹配率（公式：匹配词数÷总词数×100%）。
- 创新设计：支持时态、语序差异的灵活标注（如“v{词序不同}”），并自动高亮最高分句子。
- 模板示例：
| 原句（汉语） | 马来语基准句 | 译者A | ChatGPT 3.5 |
|————–|————–|——-|————-|
| “你是水中的精灵” | “Kamu adalah pari-pari di dalam air” | v（bidadari） | v（anda） |
3. 数据分析
- 量化对比：计算各译者关键词匹配率，统计AI与人类的得分差异。
- 质性分析：结合文化语境评估AI在隐喻、韵律等文学要素的表现。
四、主要结果与发现
翻译质量对比：
- ChatGPT 4.0在文化适配提示下（Prompt 3）得分接近人类译者（平均匹配率85% vs. 人类90%），但3.5版本显著落后（70%）。
- 局限性：AI在马来语低资源条件下（相比汉语）表现波动，复杂词汇需人工校正。
方法论验证：
- 关键词模板成功量化了“直译准确性”与“文化适配度”，如ChatGPT 4.0 Prompt 4通过“修饰性翻译”提升文学性得分。
- 统计显示，人类译者在多义词处理（如“精灵”译为“pari-pari”或“bidadari”）上更一致。
行业启示：
- AI优势：高效生成基础翻译，适合多语言组织快速处理非文学文本。
- 人类不可替代性：文化敏感场景（如儿童文学）需人工校验，避免政治或伦理偏差。
五、结论与价值
科学价值：
- 提出首个针对马来语-汉语诗歌翻译的评估框架，填补低资源语言研究空白。
- 证明提示工程（Prompt Engineering）对AI翻译质量的关键影响，为优化LLM（大语言模型）提供路径。
应用价值：
- 数据集（Mendeley DOI:10.17632/vc5wc8rymx.1）与模板可复用，支持后续研究扩展至其他语言对。
- 呼吁“人机协作”模式：AI辅助初翻，人类专注润色与文化校准。
六、研究亮点
- 创新方法：将关键词检测从技术文本扩展至文学领域，结合量化与质性分析。
- 低资源语言突破：针对马来语的系统性实验设计，为类似语言（如印尼语）提供范式。
- 开源数据：完整公开诗歌原文、翻译结果及评估模板，促进学术透明性。
七、其他重要内容
- 伦理讨论：研究者强调需警惕AI过度依赖，避免译者认知能力退化（引自Lin, 2023）。
- 未来方向：建议探索多模态（如图文结合）对AI诗歌翻译的提升效果。
（报告字数：约1800字）