测试版 本网站处于测试版。信息仍在持续添加和审核中。
LINC 用您的语言获得心理健康服务
中文
从业者中心
从业者指南

建立社区术语表，让您的翻译保持准确可信

当您的机构以多种语言为服务对象提供服务时，同一个术语可能被翻译成十几种不同的说法，细小的错误也会悄悄混入，改变服务对象的理解。由您的双语员工和社区共同参与建立的共享术语表，是让每一份翻译通知、表格和信息保持准确一致的定盘星。

为什么这很重要

一个小小的翻译错误就是一道准入障碍

对您所服务的人群而言，翻译质量绝非表面问题。一份淡化风险的知情同意书、一份颠倒截止日期的通知，或一张写错权利名称的口译卡，都可能改变服务对象所同意的内容，或影响他们是否寻求照护。这类错误恰恰最难在审校人员最少的语言中被发现，而这些语言往往正是您服务对象所使用的语言。

一致性本身就是一种准确性。当一张传单用一个名称指称某个项目，而入院表格却用另一个名称时，服务对象无法判断这其实是同一件事。当"资格规则"这样的术语在您的材料中被翻译成四种不同的说法时，这些材料读起来就像出自四个不同的机构。术语表将术语统一固定下来，让所有文件用同一个声音说话。

与社区一起建立术语表，而不是直接交给外部供应商完成，正是让它准确无误的关键。您的双语员工和所服务的人群知道，在他们所使用的那种语言变体中，哪个词能传达出预期的含义，哪种正式程度适合医疗或法律场景，哪种字面翻译读起来会显得生硬或令人困惑。这些知识存在于社区之中，因此术语表也应当在社区中建立。

建立术语表

从分量最重的术语开始，小规模起步，再随着工作推进不断扩充。

  1. 列出您分量最重的术语找出在您的材料中反复出现、一旦出错就会造成伤害的词语：项目和福利名称、"资格"、"口译员"、"知情同意"、"截止日期"、权利与法律相关术语，以及任何会改变服务对象行动的词语。
  2. 记录您机构自身的名称和缩写项目、部门和机构的名称与缩写，例如 SNAP、WIC、贵机构自身的缩写，以及本地项目名称，恰恰是翻译最容易出错的地方，因此请为每种语言确定统一的译法，并针对每一个名称决定是保留原文、音译，还是意译。
  3. 收集候选译法针对每个术语，梳理它目前在各语言的现有文件中是如何翻译的。您通常会发现同一个术语存在不止一种译法。把这些不同版本汇总在一起，让分歧清晰可见。
  4. 与双语员工共同确定标准译法针对每种语言，请双语员工——以及尽可能邀请社区成员——就统一使用的译法达成一致。选择那个准确、在服务对象所使用的语言变体中自然，并且适合医疗或法律等正式场合的译法。
  5. 记录语域与真实存在的差异记录您希望采用的语气，例如某种正式的称谓方式，并记下社区之间确实存在分歧的术语，这样审校人员就能知道某个选择是刻意为之，而非疏忽。
  6. 让术语表持续更新随着新材料和新项目的出现不断添加术语，为每条记录标注日期，并在规则或项目发生变化时重新审视术语表。一份从不更新的术语表会在不知不觉中过时。

用它来核查翻译质量

术语表是审校人员核对每份翻译文件时所依据的参照标准。

  1. 将每个反复出现的术语与术语表核对一边打开术语表，一边阅读翻译文件。凡是关键术语与商定译法不符之处，均予以修正。这是发现让材料显得不可信的一致性问题最快的方法。
  2. 读懂含义，而不仅仅是文字将译文与原文的含义进行比较，而不是逐字比对。留意"假朋友"——看似对应实则含义不同的词语，也要留意那些读起来流畅，实际内容却与原文不符的译文。
  3. 严守否定表达和数字造成最大伤害的错误，往往是安全规则中被漏掉的一个"不"字、被颠倒的截止日期、错误的金额，或错误的电话号码。每次都要对照原文核实这些内容，因为它们即便出错，读起来也依然通顺自然。
  4. 确认语域与语气确保正式程度与场合相符，并保持前后一致，避免一份医疗或法律通知读到一半就滑向随意的口吻。
  5. 将悬而未决的问题交回社区当员工对某个术语意见不一致时，不要随意猜测。把问题带回双语员工或社区成员那里，共同决定，并将结果记录进术语表，以便下次遇到同样问题时有据可依。

术语表核查能发现的错误类型

以下是值得向审校人员指出的常见错误模式。

假朋友

一个看似恰当，实则传达出不同情感或含义的词语。英语中的"shame"（羞耻）和"embarrassment"（尴尬）意思相近，但给人的感受却大不相同，选错词会改变整条信息的语气。

否定表达遗漏或反转

"绝不能输入服务对象信息"被译成"很少"，或者一个"不"字被漏掉，都会把一条安全规则变成一种许可。在禁止性表述和知情同意用语中，否定词是页面上最重要的一个词。

职位或角色译错

"个案工作者"、"社会工作者"和"导航员"是不同的角色，"合格口译员"也不等同于"翻译"。职位译错可能误导服务对象，或歪曲其应有的权利。

关键术语不一致

同一个项目或规则，在传单、表格和网页上使用不同的名称，会让人觉得这些材料彼此无关。一致性正是让服务对象相信这些文件属于同一体系的关键。

语域漂移

一份通知开头正式，中途却滑向随意的口吻，或者反过来，都会在服务对象正在判断是否信任您的场合中显得不够严谨。术语表将预期的语域固定下来，使其从头到尾保持一致。

流畅却有误

最危险的错误读起来完美无缺，说的却是错的内容。流畅的措辞从来都不能证明细节正确，因此数字、日期和规则每次都必须对照原文核实。

编造或错误的缩写展开

机器翻译和大语言模型经常把某个缩写展开成错误的内容，甚至直接编造出一个展开形式，而临床和机构缩写本身就高度含糊，存在许多可能的展开方式（Moon et al., 2014; Ji et al., 2023）。

机构和项目名称被当作普通词语翻译

专有名称被逐字直译，而不是保留原文或音译，导致贵机构或某个项目的名称变成服务对象无法辨认的普通短语（Sharma et al., 2023; Yan et al., 2024）。

AI 能帮上忙的地方，以及帮不上忙的地方

AI 负责标记，人来做决定

AI 工具可以加快这项工作中机械性的部分。它可以扫描一批文件，找出某个术语翻译不一致之处，起草一份候选译法初稿，并标记出偏离原文含义的段落供人工查看。以这种方式使用，它能把一次缓慢的人工比对变成一次更简短的审校。

它做不到的是做决定。AI 并不知道您的社区实际使用哪个词，不知道该语言中哪种语域适合法律场景，也不知道某个微妙的用词选择在您所服务的人群听来是温暖还是冷漠。它还会自信满满地犯错，因此它所标记或起草的一切都只是候选内容，必须由双语人员确认，绝不能视为最终答案。术语表始终是一份社区文件，AI 只是协助维护它。

LINC 正是这样保持自身多语言内容的准确可信。我们为自己的关键术语建立标准术语表，使用 AI 对照它核查每一个翻译页面并标记可能的错误，然后由人来确认每一个判断。本页所描述的方法，正是我们用在自己身上的方法。

快速质量核查清单

参考文献

  1. Dinu, G., Mathur, P., Federico, M., & Al-Onaizan, Y. (2019). Training Neural Machine Translation to Apply Terminology Constraints. Proceedings of ACL 2019 (short paper). link
  2. Haque, R., Hasanuzzaman, M., & Way, A. (2020). Analysing terminology translation errors in statistical and neural machine translation. Machine Translation, 34(2-3), 149-195. doi:10.1007/s10590-020-09251-z
  3. Sharma, R., Katyayan, P., & Joshi, N. (2023). Improving the Quality of Neural Machine Translation Through Proper Translation of Name Entities. arXiv preprint. link
  4. Yan, J., Yan, P., Chen, Y., Li, J., Zhu, X., & Zhang, Y. (2024). Benchmarking GPT-4 against Human Translators: A Comprehensive Evaluation Across Languages, Domains, and Expertise Levels. arXiv preprint. link
  5. Moon, S., Pakhomov, S., Liu, N., Ryan, J. O., & Melton, G. B. (2014). A sense inventory for clinical abbreviations and acronyms created using clinical notes and medical dictionary resources. Journal of the American Medical Informatics Association, 21(2), 299-307. doi:10.1136/amiajnl-2012-001506
  6. Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, 55(12), 1-38. doi:10.1145/3571730

本指南所描述的做法，任何机构都可以采用，无论是否使用 AI。术语表在简短、共享并被真正使用时最为有效，因此请从最重要的术语开始，并将其存放在全体团队都能随时查阅的地方。