翻译质量评估的非线性评分模型

基于多维质量指标（MQM）的分析性翻译质量评估（TQE）传统上使用线性错误-惩罚比例尺，对 1000-2000 字的参考样本进行校准。然而，线性外推会对不同大小的样本产生偏差，过度惩罚短样本，低估长样本，导致与专家直觉不一致。基于 Multi-Range 框架，本文提出了经过校准的非线性评分模型，更能反映人类内容消费者在不同样本大小下对翻译质量的感知。来自三个大型企业环境的经验数据显示，可接受错误计数随样本大小呈对数增长，而非线性增长。心理物理学和认知证据，包括韦伯-费曼定律和认知负荷理论，支持这一假设，解释了为何额外错误的感知影响随规模增长而减弱，而认知负担随规模增长。我们提出了一个两参数模型 $E(x) = a * \ln(1 + b * x)$，其中 $a, b > 0$，锚定在参考容忍度上，并通过一个一维根寻找到两个容忍点进行校准。该模型给出线性近似保持在 +/-20% 相对误差内的显式区间，并仅通过添加动态容忍函数即可集成到现有评估工作流程中。该方法提高了可解释性、公平性和跨人类和 AI 生成翻译的评估可靠性。通过实现感知上有效的评分范式，该方法推动了翻译质量评估向更准确、更可扩展的评估迈进。该模型还为与人类判断力一致的 AI 生成文档级评估提供了更强的依据。讨论了面向 CAT/LQA 系统的实现考虑以及对人类和 AI 生成文本评估的含义。