传统中文医学翻译中的隐喻思维传递：基于提示工程与LLM的评估框架

传统中文医学理论建立在隐喻思维基础上，医学原理和诊疗逻辑通过隐喻和拟指手法构建。然而，现有英文翻译主要依赖字面翻译，导致目标语言读者难以重建底层概念网络并在临床实践中加以应用。本研究采用人类-in-the-loop框架，选取医学经典《黄帝内经》中四个理论基础性段落。通过基于提示的认知脚手架，引导DeepSeek V3.1识别源文本中的隐喻和拟指，并在翻译中传递该理论。在评估阶段，ChatGPT 5 Pro和Gemini 2.5 Pro根据提示模拟三类实际读者。对人类翻译、基线模型翻译和提示调整后的翻译在五个认知维度上进行评分，并进行结构化访谈和解释性现象学分析。结果显示，提示调整后的LLM翻译在所有五个维度上表现最佳，具有较高的跨模型和跨角色一致性。访谈主题揭示了人类翻译与机器翻译之间的差异、隐喻和拟指传递的有效策略，以及读者的认知偏好。本研究为翻译密集型古籍文本（如TCM）提供了一种认知、高效且可复制的人类-in-the-loop方法论路径。