这篇文档属于类型a，是一篇关于人工智能神经机器翻译（Neural Machine Translation, NMT）在文学翻译中应用的原创新研究。以下是详细的学术报告内容：

作者与机构

本研究由Hu Kaibao和Li Xiaoqian（上海外国语大学语料库研究院）合作完成，发表于期刊Babel（2023年7月24日在线发表，第69卷第4期，页码546–563）。研究得到国际翻译工作者联合会（FIT）支持，DOI编号为10.1075/babel.00331.hu。

学术背景

研究领域：本研究属于计算语言学与翻译学的交叉领域，聚焦神经机器翻译（NMT）在文学文本翻译中的表现，尤其是远距离语言对（如英语-汉语）的适用性。

研究动机：
1. 争议性背景：传统观点认为机器翻译（MT）仅适用于信息型文本（如新闻、法律），而文学翻译因需处理文化隐喻、情感和风格，被视为MT的“禁区”。例如，Voigt和Jurafsky（2012）认为文学MT是“近乎矛盾的术语”，而Besacier（2015）则主张MT可作为低成本替代方案（需后期编辑）。
2. 技术空白：既往研究多关注欧洲语言间的MT，而汉语与英语的文学翻译研究稀缺，且NMT的“创造性”潜力尚未系统评估。

研究目标：
1. 评估NMT系统DeepL在莎士比亚戏剧英译汉中的准确性与流畅性；
2. 对比DeepL与著名译者梁实秋的翻译，分析NMT的局限性与创造性表现；
3. 探讨NMT在文学翻译中的可行性。

研究流程与方法

1. 语料构建与预处理

• 研究对象：莎士比亚戏剧《科利奥兰纳斯》（*Coriolanus*）和《威尼斯商人》（*The Merchant of Venice*），选取喜剧与悲剧各一部以增强代表性。
  
• 语料来源：
  
  • 原文：两剧英文文本（共52,475词，5,625词型）；
    
  • 译文：DeepL的自动翻译结果（58,722词）与梁实秋译本（62,266词）。
    
• 分析范围：聚焦两剧的第一幕和第五幕（《威尼斯商人》增加第四幕），共1,804句（占全文30%-38%），确保样本覆盖剧情关键节点。
  

2. 错误分析

• 错误类型：
  
  • 准确性错误（对比源文本与目标文本）：
    
  • 词汇错误（如“call”误译为“电话”而非“喊叫”）；
    
  • 句法错误（如结构误译）。
    
  • 流畅性错误（仅评估目标文本）：语法不通或表达不地道。
    
• 统计方法：人工标注错误并计算错误率与准确率。
  

3. 语言学特征分析

• 句末语气助词（如“啊”“吧”“呢”）：统计频率并对比DeepL与梁实秋译本的使用差异，分析其情感再现能力。
  
• 情态动词（如“必须”“应该”）：
  
  • 分类统计认知情态（epistemic）、道义情态（deontic）和动力情态（dynamic）；
    
  • 对比直译与增译（无对应源词的情态动词添加）。
    

4. 翻译策略对比

• 直译（Literal Translation）与自由译（Free Translation）的占比；
  
• 创造性策略：
  
  • 显化（Explicitation）：如将“catch him upon the hip”译为“抓到把柄”而非字面“抓住腰部”；
    
  • 转换（Conversion）：词性转换（如英语名词“mocker”译为汉语动词“嘲弄”）；
    
  • 视角切换（Shift of Perspective）：如主语从“our business”改为“元老院”。
    

5. 数据统计工具

• 量化指标：词符数（Tokens）、词型数（Types）、标准化类符形符比（STTR）；
  
• 显著性检验：卡方检验（Chi-square）分析频率差异（如语气助词使用）。
  

主要结果

1. 准确性与流畅性

• DeepL表现：
  
  • 准确性：平均85.33%（《科利奥兰纳斯》83.86%，《威尼斯商人》86.30%）；
    
  • 流畅性：平均88.77%（《威尼斯商人》90.23%优于《科利奥兰纳斯》87.31%）。
    
• 对比梁实秋译本：DeepL的词汇多样性（STTR 39.64/千词）低于梁译本（43.61/千词），符合NMT普遍存在的“词汇贫化”现象（Vanmassenhove et al., 2019）。
  

2. 语言学特征

• 句末语气助词：DeepL使用频率（11.84/万词）显著低于梁译本（15.27/万词），但“吗”使用更多（188次 vs. 72次），体现对疑问句的敏感处理。
  
• 情态动词：DeepL使用频率更高（140.66/万词 vs. 71.95/万词），但增译比例较低（21.07% vs. 39.50%），显示其依赖源语结构。
  

3. 翻译策略

• 局限性：DeepL 61.2%的句子采用直译，易受源语结构束缚（如文化词“cypress grove”直译为“柏树林”）。
  
• 创造性：
  
  • 显化：13.8%的句子通过补充隐含意义提升可读性；
    
  • 视角切换：7.5%的句子调整主语以符合汉语表达习惯。
    

结论与价值

1. 可行性验证：NMT在文学翻译中表现良好（准确率>80%），尤其适合处理句法复杂文本，但需警惕文化词误译。
   
2. 创造性潜力：DeepL能通过显化、转换等策略部分再现文学性，但创造性依赖训练数据，无法自主处理超句子层级的语境。
   
3. 学术意义：为首个系统评估英语-汉语文学NMT的研究，为后续跨语言文学MT提供方法论参考。
   
4. 应用价值：支持“人机协作”模式——NMT完成初译，人工校对付诸出版。
   

研究亮点

1. 创新方法：结合语料库语言学与错误分析，量化NMT的“创造性”指标（如增译频率）；
   
2. 特殊对象：聚焦远距离语言对（英语-汉语）及高难度文学体裁（戏剧）；
   
3. 重要发现：揭示NMT的“有限创造性”本质——受限于算法，但可通过策略调整部分突破。
   

其他价值

• 技术启示：未来NMT需融入文化语境模型以提升文学翻译质量；
  
• 争议回应：反驳“文学MT不可行”的绝对观点，提出分级应用场景（如非出版级翻译）。