摘要: 以大语言模型为代表的人工智能技术正深刻重塑翻译实践与教育生态，促使翻译教学从传统的“以教师为中心”的知识传授模式，转向探索“人机协同”的新范式。学习者与人工智能系统之间的“人机互动协商能力”已成为其核心素养的关键组成部分。然而当前翻译教学尚缺乏系统化培养该能力的理论框架与实践路径。本文提出一种旨在培养学习者人机互动协商能力的“三角互证”教学机制，以学习者为中心构建了由“学生原创翻译语料”“大语言模型生成翻译语料”与“专家权威翻译语料”构成的三方对话场域。在此场域中，学习者通过多轮对话与提示词工程与大语言模型进行深度协商，并以专家权威翻译语料为参照进行批判性反思，从而驱动其协商能力的循环式提升。最后以中国特色文化词汇的翻译为实践案例，详细剖析了该机制在具体教学情境中的应用流程与作用机理。
Abstract: Artificial intelligence technologies, particularly Large Language Models (LLMs), are profoundly reshaping translation practice and educational ecosystems, prompting a paradigm shift in translation pedagogy from traditional teacher-centered knowledge transmission models toward innovative “human-machine collaboration” approaches. In this transformative process, the capacity for efficient and critical interaction between learners and AI systems—termed “Human-AI Interactive Negotiation Competence” (HAINC)—has emerged as a crucial component of core competencies. However, the field of translation education currently lacks systematic theoretical frameworks and practical pathways for cultivating this competence. This study aims to bridge this gap by proposing and systematically explicating a “Triangulation” pedagogical mechanism designed to foster learners’ human-AI interactive negotiation competence. This learner-centered mechanism establishes a tripartite dialogue domain comprising “Learner-Generated Translation Corpus”, “Large Language Model-Generated Translation Corpus”, and “Authoritative Expert Translation Corpus”. Within this domain, learners engage in deep negotiation with LLMs through multi-round dialogues and prompt engineering, while conducting critical reflection using authoritative corpora as reference points, thereby driving cyclical enhancement of their negotiation competence. Using the translation of Chinese culture-specific terms as a practical case study, this paper provides a detailed analysis of the application of the mechanism and its operational principles in specific pedagogical contexts.
1. 引言
近年来，以ChatGPT、Claude、Gemini、DeepSeek等为代表的大语言模型(Large Language Models, LLMs)迅猛发展。凭借强大的上下文理解、文本生成与风格模仿能力，已不再是单纯的翻译辅助工具，而是能够深度参与翻译中意义建构的“合作者”。大语言模型的交互性、生成性与不可避免的“幻觉”、文化偏见等，决定了译者作为“工具使用者”的定位已然过时。为获取高质量、合乎语境与文化规范的译文，学习者必须与大语言模型进行反复的策略性对话。这一过程的本质并非单向的指令下达，而是一种双向的、动态的协商。一种全新的核心能力——“人机互动协商能力”(Human-AI Interactive Negotiation Competence, HAINC)应运而生，成为语言翻译能力培养的新方向。“人机互动协商能力”指的是“人类用户在与AI交流时需要具备的一种特殊技能，不仅包括人类用户理解AI的能力和局限性，对AI提出恰当要求，根据AI反馈采用恰当方式调整自己沟通策略的能力，还包括AI依靠大语言模型解读用户指令(prompt)和反馈后，进行策略调整的能力”[1]。
随着我国全球影响力逐步提升，翻译传播能力尤其是“讲好中国故事”的能力，成为翻译能力的一个重要组成部分。而最能体现中国故事魅力的，毫无疑问是体现中国特质的中国特色话语，即融摄中华优秀传统文化和当代社会主义文化，包含丰富的中国思想、中国智慧、中国知识的国家话语，其文本体裁包括传统文化经典论述、党和国家领导人的政治话语以及政府工作报告、白皮书等，相关英译是对外自塑形象的重要途径，关乎我国国家话语能力建设。由于众所周知的意识形态原因，西方主导的“中国知识”跨文化传播难免因西方中心主义偏见，在“他塑”过程中造成误译和曲解[2]，中国特色话语“自塑”与翻译(教学)研究成为我国话语体系建设的重要组成部分。毫无疑问，因为当今主流的大语言模型的训练数据以英语为主，且AI的语义空间可扩展性、随意性较大，知识创造从经典的“稳态”向不确定的“暂态”演化，过度依赖大语言模型学习中国特色话语翻译无疑也会产生负面效果。学生借助不同级别的大语言模型和不同内容的指令所获取到的AI译文千差万别，这非常不利于中国特色话语有效翻译与传播。有鉴于此，有必要构建结构化的、旨在培养人机互动协商能力的教学模型，通过原创翻译、AI翻译、专家翻译三种数据对比验证，系统考察人机交互协商过程中不确定性语料与权威语料之间的差异，洞察学生翻译的常见偏误，从特色话语文化异质性传播视角评估AI翻译的优势和局限，提炼中国特色话语的翻译规范用于教学。
2. 人机互动协商能力的内涵与本质
从翻译技术应用史来看，从早期电子词典、语料库检索工具到传统的计算机辅助翻译(CAT)软件，交互模式大多遵循着清晰的“指令–响应”逻辑。学习者发出一个确定性指令(如查询一个词、检索一个句对)，系统返回一个预设范围内的结果。这种交互模式属于传统人机交互范畴，其特点是结构化、可预测且主要由人类单向驱动。然而，大语言模型的出现彻底改变了这一图景，互动不再是简单的查询与获取，而是一场动态的、多轮的、旨在共同建构意义的对话。学习者提出的初始指令往往只是对话的起点，大语言模型生成的初步译文也并非终点，而是一个需要被审视、被质疑、被修正的“草案”。“在信息超载的当下，知识在网络中产生，也在网络中跳转。”[3]学习者需要通过追问、提供额外语境、设定角色、修正错误等一系列连续的互动行为，引导大语言模型逐步逼近理想的翻译结果。这一过程充满了不确定性、探索性和共同创造性，其本质更接近于人类社会活动中的“协商”，而非简单的“交互”。“协商”一词更能准确地捕捉到这种为了达成共同目标(高质量译文)而进行的反复沟通、策略调整与意义共建的动态过程。
基于上述认识，笔者将人机互动协商能力定义为：在以完成特定翻译任务为目标的语境下，学习者所具备的、一种整合了对大语言模型认知理解、策略性目标设定、精准指令发布、批判性反馈分析以及动态策略调整的综合能力。该能力由五个相互关联、循环促进的核心要素构成(表1)。互动协商是一个基于学习者自身知识结构的动态循环元认知过程，其核心在于学习者能否在人机对话中始终保持认知主导地位，有效驾驭人工智能，使其服务于自身的学习与翻译目标。
Table 1. Five key components of human-AI interactive negotiation competence
表1. 人机互动协商能力的五大构成要素
要素 |
定义 |
示例 |
理解AI |
理解大语言模型的能力及其固有的局限性 |
大语言模型虽能生成流畅的译文，但在处理文化负载词时，可能存在偏差甚至错误 |
设定目标 |
能够将宏观、复杂的翻译任务分解为一系列清晰、具体、可执行的子目标 |
设定更具体的目标如：“请您翻译这首唐诗，需保留其五言绝句的格式，并传达出其中‘孤寂’的核心意象”。 |
发布指令 |
掌握并运用提示词工程艺术，包括设计清晰、富有语境、结构化的指令 |
学会构建复杂的指令如：“请扮演一位资深文学翻译家，将以下这句中文翻译成适合《经济学人》杂志风格的英文，注意保持原文的讽刺语气……” |
分析反馈 |
对大语言模型的输出进行批判性、多维度的评估，精准定位问题所在 |
如特色文化词汇时，仔细分析输出译文是否准确传达意识形态内涵，是否套用西方话语体系 |
调整策略 |
基于分析反馈进行迭代式策略调整，主动引导生成更优的输出。 |
如发布新指令：“请修改刚才的译文，使其更具文学色彩，并融入比喻手法，以更好地吸引英语读者。” |
人机协商与人际协商存在根本性区别：非对称性。这种非对称性源于人与机器在信息处理机制上的根本差异。人际互动高度依赖共享的语境、非语言线索(如表情、语气)以及对彼此意图的“心领神会”。而大语言模型缺乏真实世界经验和主观感知能力，其对语境的理解完全依赖于用户在提示词中明确编码的信息。因此，在人机协商中，责任的天平是倾斜的：人必须承担起构建清晰语境、弥合信息鸿沟的全部责任。在整个互动过程中，人始终是目标设定者、指令发布者、反馈评估者和策略调整者，占据着绝对的主导地位。大语言模型则是一个被动的、根据指令执行任务的“从属者”[4]。在这一“主–从”而非“对等、对称”的关系中，意义的价值在很大程度上取决于人的主观能动性，高度依赖于使用者自身的人机互动协商能力。能力较低的用户往往会被大语言模型生成内容的表面流畅性所迷惑，无法识别“幻觉”式产出，最终沦为被动接受者甚至被AI“牵着鼻子走”。能力较高者却能通过协商最大限度地挖掘大语言模型潜力同时规避其缺陷，成为真正意义上的“驾驭者”。这种“有效的驾驭取决于精湛的协商技巧”的悖论，构成了人机互动协商能力培养的核心挑战与价值所在。
3. “三角互证”与人机互动协商能力
为有效培养学生在习得中国特色话语翻译能力过程中的人机互动协商能力，笔者提出“三角互证”(Triangulation)教学机制。三角互证[5]是指将不同种类的数据与数据背后的理论视角相结合，提高研究质量。作为质性研究中行之有效的多元混合方法，通常分为数据三角互证、研究者三角互证、理论三角互证、方法论三角互证。本文采用“数据三角互证”和“方法论三角互证”，对原创翻译、AI翻译、专家翻译三种数据(表2)进行对比验证，以定量研究、定性研究、行动研究三种方法对翻译过程及产品进行验证。有利于构建旨在激发学习者批判性反思与元认知活动的教学框架，而非单纯用于评估译文质量的工具。通过结构化的对比与协商过程，将机互动协商能力的五个核心要素内化为学习者可持续发展的能力。
Table 2. “Triangulation” corpus framework
表2. “三角互证”语料库框架
语料库 |
描述 |
功能 |
原创翻译语料 |
学生在无AI辅助下，独立完成的对源文本的初次翻译。 |
激活学习者的背景知识与既有技能；为后续的自我评估与反思提供基线；使翻译思维过程“可视化”，便于指导。 |
AI翻译语料 |
学生通过与大语言模型进行多轮互动协商后，生成并筛选出的最优译文，代表由人机协同共创的、动态的、不稳定的“暂态”知识形态 |
作为激发学习者进行提示词优化与批判性分析的催化剂。 |
专家权威翻译语料 |
由领域专家或官方发布的高质量译文，代表稳定的、经过验证的、可作为行业标杆的“稳态”知识形态。 |
提供高质量专业参照标准，作为识别“幻觉”与认知误区的“试金石”。 |
“三角互证”机制的运行并非一个线性单向比较流程，而是一个以学习者为中心的、螺旋式上升的动态协商循环，包括如下阶段：阶段一、原创生成。学习者首先完全依赖自身词汇、语法、修辞、风格等知识与能力储备，独立翻译源文本，生成原创翻译语料。阶段二、协商生成。学生选择一个最优的大语言模型，展开多轮对话，不断设定子目标、发布并迭代优化指令、分析大语言模型反馈、调整协商策略，直至生成最优的AI翻译语料。阶段三、三角互证。将原创生成的语料、人机协同生成的语料，与权威的专家语料进行细致对比分析。学生需要通过不断反思或者与大语言模型进行苏格拉底式追问，回答一系列关键问题：“我的译文与AI的译文差异何在？为什么会有这些差异？我们二者的译文与权威译文的差距又在哪里？权威译文为何如此处理？”阶段四、反思与内化。通过“三角互证”环节的深度分析，学习者将对翻译的复杂性、特定领域的翻译规范以及AI的能力边界形成全新的、更为深刻的认识。这种基于实践的元认知反思将固化为学习者内在的能力，指导未来的翻译实践。这一循环过程所产生的语料，可以进行多维度标注，如词汇差异、语法差异、文化差异、风格差异等，积累到一定程度可以形成平行语料库或对比语料库，与翻译日志有异曲同工之妙。通过结构化的语料产出与对比反思设计，有效避免了学习者对AI产生被动依赖，确保其积极主导地位，提升学生问题解决能力。
从认知科学的视角审视，“三角互证”机制的本质是充当认知“脚手架”[6]的作用。传统翻译教学中，反馈通常是单向的(教师对学生)且存在时滞。“三角互证”构建了一个多维度的、即时的学习支持系统。首先，大语言模型扮演了一个动态的、交互式的脚手架，能根据即时需求提供海量的语言知识、多样的表达方案，并对指令做出实时响应，极大地缩短了学生从“遇到问题”到“获得启发”的认知距离。其次，专家权威语料库则扮演了一个静态稳定的脚手架，是经过专家译者团队反复推敲、深刻协商的产物，其翻译策略往往会根据国际受众的接受习惯进行适应性调整，这为学习者的“三角互证”提供了绝佳的参照，代表学生需要达到的专业标准，为整个学习过程提供了一个清晰明确的目标参照。学生置于这个由动态与静态脚手架共同构成的学习场域中心，不再是被动地“攀爬”教师搭好的梯子，而是策略性地从大语言模型这个动态脚手架上获取“建材”(AI输出的语言方案及思路启发)，并参照专业标准(专家翻译语料)修正和完善“建筑作品”(修订原创翻译)。整个过程中学生都在其“最近发展区”内探索，认知负荷被有效分担[7]，学习潜力被最大限度激发。这一过程不仅是翻译技能的训练，更是高阶思维能力与自主学习能力的深度培养。在整个学习过程中，学生实际上在调动和管理一个复杂的认知系统，该系统由学生的大脑认知、大语言模型强大信息处理能力，以及权威专家语料库所蕴含的专家知识共同组成。学生需要在这三者之间寻求渐进式关联，分析断裂之处，整合信息，做出判断。这一模式与Hutchins的“分布式认知”理论不谋而合，即认知活动并非孤立地发生在个体头脑中，而是分布在个体、环境与工具所构成的系统中。
4. 中国特色文化词汇翻译教学中的人机互动协商
下面笔者选取中国特色文化词汇翻译来进行说明这一机制的运作过程。首先是《道德经》名句“治大国若烹小鲜”(见表3)。该句因在《习近平谈治国理政》中被引用而广为人知，其翻译涉及哲学思想、治国理念与跨文化阐释，是检验本教学机制的理想样本。典故翻译远非简单的语言转换，而是涉及深层文化语境、历史背景与意识形态内涵。典故通常根植于某一文化深厚的哲学与历史谱系中，在目标语中缺乏直接的对等词，需要进行阐释性翻译。政论文本中出现的典故，通常还具有意识形态敏感性，其翻译直接关系到国家形象的对外建构，要求译者不仅具备高超的语言能力，还需有敏锐的政治判断力，确保准确传达其核心意图。而现有的大语言模型，其训练语料库虽庞大，但仍以英文及西方文化内容为主导。在处理非西方文化，特别是具有独特意识形态和文化框架的中国特色话语时常表现出理解偏差、文化误读，甚至生成带有西方中心主义视角的译文。这使得单纯依赖大语言模型进行“一键翻译”变得极不可靠，从而凸显了人类译者进行深度“互动协商”的必要性与核心价值。
中国特色话语“人类命运共同体”因其深刻的哲学和政治内涵，常被西方语境下的LLM误读。以下展示了学生如何通过多轮协商(见表4)，引导给出带偏见译文的LLM回到正确轨道。
Table 3. Multi-round negotiation dialogue Example 1
表3. 多轮协商对话示例1
轮次 |
学习者行动 |
大语言模型响应 |
分析与策略调整 |
1 |
(初始指令，启动协商) “Translate：治大国若烹小鲜” |
“Governing a large country is like cooking a small fish.” |
分析：译文在字面上是正确的，但过于直白，未能揭示其比喻背后的深刻内涵。可能产生误解(为何是“小鱼”而不是“大鱼”？)。 下一步策略：为LLM提供角色和语境，要求其进行阐释性翻译，深化其对任务的理解。 |
2 |
(优化指令，设定角色与目标受众) “You are a sinologist explaining a quote from Laozi to a Western audience unfamiliar with Daoist philosophy. The quote is ‘治大国若烹小鲜’. Your task is to provide a translation that is not only accurate but also conveys the underlying meaning. Explain why this metaphor is used.” |
“Governing a great nation is like cooking a small delicacy. Explanation: This metaphor emphasizes the need for a delicate and careful approach in governance. Just as cooking a small, delicate fish requires minimal handling to avoid it falling apart, governing a large state requires the ruler to act with restraint, avoid excessive interference, and respect the natural order of things. It's a core concept of ‘wu wei’ (non-action or effortless action) in Daoism.” |
分析：反馈质量显著提升，大语言模型成功扮演了汉学家的角色，不仅提供了更具文学色彩的译文，还准确地解释了其背后的道家“无为”思想。译文“delicacy”比“fish”更能传达“小鲜”所蕴含的“珍贵、需小心处理”之意。 下一步策略：引入权威语料进行“互证”，并要求LLM对不同译本进行修辞学和语用学层面的比较分析，以探究翻译策略背后的深层逻辑。 |
3 |
(比较指令，引入权威语料进行互证) “The official translation is governing a big country is as delicate as frying a small fish. Compare this official version with your version. Analyze which translation is more suitable for a formal political document and explain your reasoning from the perspective of audience reception and communicative purpose.” |
“Both translations are valid, but they serve different rhetorical purposes. ‘Small delicacy’ is more evocative and literary. It excels in a context where the goal is to highlight the philosophical and cultural richness of the original text. ‘as delicate as frying a small fish.’ is more direct, accessible, and pragmatic. In the context of a political document, the primary goal is avoiding the potentially elitist or overly poetic connotations of ‘delicacy’ It effectively conveys the core message of ‘handle with care’ without distracting the reader.” |
分析：LLM的分析极为深刻。它准确地辨析了两种译本在文体、语用和传播效果上的差异，并将其与文本类型(政治文献)和读者对象(国际大众)进行了关联。学习者通过这一轮协商，不仅理解了“哪个译本更好”，更重要的是理解了“为什么在特定语境下某个译本更好”。 下一步策略：完成学习反思，总结本次协商过程中的关键收获，内化所学知识。 |
Table 4. Multi-round negotiation dialogue Example 2
表4. 多轮协商对话示例2
轮次 |
学习者行动 |
大语言模型响应 |
分析与策略调整 |
1 |
(初始指令)
“Translate：人类命运共同体” |
“A community of common human destiny.” |
分析：译文直译，但“destiny”(命运)一词在西方文化中常带有宿命论、不可改变的意味，未能体现原文所倡导的共同努力、共同创建的主动性。 下一步策略：指出“destiny”的问题，并提供更多语境，强调“共建共享”的内涵。 |
2 |
(修正指令，提供反例)“The word ‘destiny’ sounds passive and fatalistic. The term emphasizes proactive cooperation to build a better future together. It’s not about a pre-determined fate. Can you suggest an alternative that captures this sense of a ‘shared future’?” |
“You’ve made a good point. A better translation could be: ‘A community with a shared future for mankind.’” |
分析：反馈质量提升，LLM理解了“destiny”的不足，并给出了官方译法。但其理解可能仍停留在表面。 下一步策略：进行压力测试，故意引入一个带有意识形态偏见的追问，看AI如何反应，并借机强化正确理解。 |
3 |
(追问，引入偏见视角)“Some Western critics might see this phrase as a way for China to impose its vision on the world. How does the concept of ‘a community with a shared future’ differ from a global system led by one hegemon?” |
“That’s a critical question. The concept of ‘a community with a shared future’ fundamentally opposes hegemonism. It’s built on principles of mutual respect, fairness, justice, and win-win cooperation. It advocates for a world where countries, despite their differences in ideology or development level, work together as equals to address global challenges. It’s about ‘building together’ (共建), not one country dictating terms.” |
分析：LLM的回答非常出色。不仅捍卫了概念的初衷，还准确地运用了“mutual respect, win-win cooperation”等核心理念进行反驳。这表明，通过提供反例和引导性追问，可以“训练”LLM更深入、更准确地把握复杂概念的内涵。 下一步策略：总结本次协商的关键，巩固对该词汇准确内涵和翻译策略的理解。 |
4 |
(反思与总结)
“通过这次协商，我明白了翻译这类词汇不能只看字面。我必须先向AI澄清错误或有偏见的理解，再用‘追问’的方式让它自己解释，这样它生成的译文和解释才更可信。” |
(无) |
反思与内化：这一“困难”协商过程，极大地锻炼了学生的批判性思维和跨文化思辨能力。学生不再是简单地接受AI的答案，而是通过主动提供反例、修正指令，成功引导AI克服了其训练数据中可能存在的偏见，这极大增强了文章的现实指导价值。 |
上述案例可以看出，“三角互证”机制驱动学习者超越了“寻找正确答案”的浅层学习模式，进入了深度、批判性的知识建构过程。在这一过程中，学生深入探究典故背后的历史渊源与哲学内涵(如道家的“无为”思想)，实现了从表层符号到深层文化价值的认知跨越。通过对比不同译本，深刻体会到翻译选择并非“对”与“错”的二元判断，而是与文本类型、传播目的、受众期待等语用因素紧密相连的策略性决策。通过对话协商，体验大语言模型快速生成方案、提供背景解释、进行逻辑分析等优势，并快速意识到其内在局限，如初次理解的浅薄、对语境的依赖等。更重要的是，学会了如何通过精准的指令和持续的追问，去引导、修正甚至“驯化”AI，从而成为人机协同关系中真正的主导者。
“三角互证”机制下，学生从一个被动的知识接收者和翻译任务执行者，演变为知识共同建构者。在教师的引导下，学生充当了整个人机协商过程的总设计师，需要预先规划，设定清晰的目标和设计层层递进的提示词，主导与大语言模型的对话方向。通过对大语言模型产出的严格审视，并以权威标准翻译语料为最终裁判进行评估，建构了深刻的翻译知识和能力结构。在整个学习过程中，学生实际上在调动和管理一个复杂的认知系统，该系统由学生的大脑认知、大语言模型强大信息处理能力，以及权威专家语料库所蕴含的专家知识共同组成。学生需要在这三者之间寻求渐进式关联，分析断裂之处，整合信息，做出判断。这一模式与Hutchins的“分布式认知”理论[8]不谋而合，即认知活动并非孤立地发生在个体头脑中，而是分布在个体、环境与工具所构成的系统中。
大语言模型在该机制中的角色，也远超一个简单的“翻译软件”，而是被赋予了多重动态的教学功能，成为学习生态中一个不可或缺的智能代理。首先是学生进行头脑风暴、探索翻译可能性的交互式伙伴，即时提供多样的视角和方案，极大地拓展了学习者的思维边界。其次，充当了苏格拉底式导师的关键作用。由于大模型对精确指令的依赖性，当学生的指令模糊不清时，它的反馈往往也不尽人意。这种“无效反馈”会反过来迫使学生反思自己的提问方式，进行澄清和追问，从而在无形中锻炼了他们严谨的逻辑思维与问题表述能力。最后，大语言模型也扮演着元认知催化剂的角色。分析大语言模型翻译是成功还是失败，是整个机制中最具价值的环节之一。质问“AI为什么这次翻得这么好”或“为什么AI会犯这样的低级错误”时，他们实际上是在反思语言、文化和翻译的本质规律。“三角互证”机制之所以能够有效培养人机互动协商能力，其深层认知机理在于构建了一个强大的元认知反馈循环。传统的教学反馈模式存在诸多局限，如反馈延迟、反馈维度单一、学习者参与度不高等。而“三角互证”机制通过其独特的结构，创造了一个即时的、多维的、由学习者主导的反馈环境。持续多轮的多源语料比较与查证，使学习者不断地进行自我修正和自我解释，在认知层面回答一系列深层次问题：“我的初始译文存在哪些问题？”“AI的译文在哪些方面优于我，又在哪些方面存在缺陷？”“权威译文的选择背后蕴含着怎样的翻译理念和策略考量？”学习者在“规划(发布指令)–监控(分析反馈)–评估(与权威语料互证)”的循环中，不断追问与求解，这正是元认知活动的核心体现，有效地将学生内部的元认知过程外化、结构化、并加以强化。
5. 结语
在人工智能技术深度融入翻译实践的时代背景下，人机互动协商能力已成为翻译人才不可或缺的核心素养。 “三角互证”教学机制，通过构建学习者、大语言模型与权威语料库之间的动态协商场域，将学习者置于知识建构的中心，有助于驱动其批判性思维、元认知反思与自主学习能力的协同发展。在当今知识、信息唾手可得的时代，翻译课程的重心应从评判最终译文的“对错”，转向关注学习者在翻译过程中所展现的协商策略、批判性思维与决策理据。教学评估应超越单一的译文打分，引入过程性评估方法，如分析学生与大语言模型的对话记录、评审其“三角互证”反思报告等，从而更全面地评价其综合能力。教师已不再是知识的唯一来源或“舞台上的圣人”，而是转变为“互动协商过程的高级仲裁者”。教师的专业知识与经验在精心选择教学材料、提供关键启发与指导、培养伦理与批判思维等方面起到关键作用。
当然，任何机制的建立，除了说明性阐释与例证，还需经过大规模、长周期的实证检验，如可以通过课堂行动研究等方法，对教学效果进行定性与定量的综合评估，测量该机制对学习者人机互动协商能力发展水平、翻译质量、学习动机等多维度指标的实际影响。或将机制嵌入在线学习平台，通过技术手段自动记录学生的协商过程数据，并提供智能化的反馈与引导，从而实现个性化、规模化的教学。总之，大语言模型为翻译教学带来的不仅是挑战，更是前所未有的发展机遇。通过构建如“三角互证”这样以学习者为中心、以能力培养为导向的创新教学机制，我们能够引导未来的翻译人才成为能够驾驭、而非被技术所驾驭的、具备高度批判性思维与自主学习能力的战略协商者。
基金项目
重庆移通学院校级应用研究项目：大语言模型介入的“三角互证”型语料库嵌入中国特色话语翻译教学模式研究(项目编号：KY2024059)。