大语言模型机器翻译的译后编辑认知负荷与注意分配机制理论研究 .docxVIP

PAGE2

大语言模型机器翻译的译后编辑认知负荷与注意分配机制理论研究

摘要

本研究聚焦大语言模型机器翻译的译后编辑过程，系统探究其认知负荷特征，并构建注意分配机制与翻译效率优化的理论框架。随着生成式人工智能的迅猛发展，机器翻译的文本流畅度显著提升，但其隐蔽的语义幻觉与逻辑偏移导致译后编辑的认知模式发生深刻变革。

全文遵循“提出问题→分析问题→解决问题”的逻辑递进。第一章绪论揭示大模型译后编辑中高流畅度掩盖下的深层认知矛盾；第二章梳理并评述认知负荷与注意分配的国内外研究脉络，指出现有理论在大模型情境下的解释力不足；第三章界定核心概念并确立理论基础；第四章深入解析认知负荷非线性激增与注意资源失配的内在矛盾与本质；第五章系统阐释注意分配的动态作用逻辑、条件边界与演变规律；第六章提出“动态双向适配”理论框架，确立核心命题并论证其解释力；第七章总结研究结论，提炼理论贡献与实践启示；第八章反思局限并展望未来跨学科实证深化方向。

本研究的核心主体在于第六章的理论建构，该框架突破了传统线性认知范式，为大模型时代的译者认知研究与翻译效率优化提供了全新的理论范式。

第一章绪论

1.1研究背景

近年来，大语言模型如GPT系列在自然语言处理领域引发范式革命，其生成的翻译文本在流畅度与连贯性上远超传统统计机器翻译。这种表面质量的跃升，使得翻译行业迅速拥抱大模型译后编辑模式，试图通过人机协同提升产