机器翻译与人工翻译：何时使用哪一种
机器翻译，包括 AI 聊天机器人，适合用来把握大意，也适合起草由双语同事把关的低风险材料。但当文字涉及知情同意、权利、临床说明、安全或法律后果时，它不能替代合格口译员或经过认证的人工翻译。这些工具并非总是出错；它们出错的频率之高、出错方式之难以预测、出错过程之隐蔽，使得只读英文的人根本无法分辨一份翻译是可靠还是危险的。
先把每项任务归入两类之一
在动用工具之前先判断类别。判断标准是：如果翻译出错会发生什么。
- 读懂一封来信或一份表格，足以决定如何转办
- 为双语同事会核对的常规通知起草粗略初稿
- 在有双语人员在场时跟上非正式对话
- 判断某份文件是否值得送去做完整翻译
- 知情同意，以及关于权利或资格的通知
- 临床说明：用药与剂量、伤口护理、出院步骤、警示信号
- 法律文件、涉及安全的关键警告，以及任何将进入正式记录的内容
- 任何服务对象会据此采取行动的口头交流
如果出错最坏的现实后果只是会被人发现的困惑，机器翻译是一个合理的起点。如果服务对象可能因此受到伤害、失去某项权利或福利，或签署了自己并未理解的文件，合格的人工处理就不是可有可无的。
对常见语言和日常文本而言，它确实表现不错
研究人员评估 Google Translate 在急诊科出院说明中的表现时发现，约 92% 的西班牙语句子翻译准确（Khoong et al., 2019）。后续一项比较 ChatGPT-4 与 Google Translate 在针对患者个人的出院说明上的研究发现，西班牙语的句子级准确率为 96% 至 97%，中文为 90% 至 95%（Kong et al., 2026）。
这已足以在合适的任务上发挥作用：读懂一份表格以决定如何转办、起草一份常规通知、在有双语人员在场时跟上非正式对话，或判断某份文件是否需要完整翻译。在这些情况下，机器带来了速度和覆盖面，而出错的代价很小，因为会有人在任何人据此采取行动之前发现问题。
离开最常见的语言，准确率会迅速下降
Google Translate 在七种语言中保留急诊科说明整体含义的比例（Taira et al., 2021）。
社区和难民服务机构最常打交道的许多语言，恰恰因为不够常见而长期服务不足，正是这些工具最不可靠的语言。在 26 种语言中，Google Translate 的总体正确率仅为 57.7%，斯瓦希里语更是低至 10%（Patil & Davies, 2014）。
平均值掩盖了危险，而您根本看不出来
发现西班牙语准确率为 92% 的同一项研究还发现，2% 的西班牙语句子和 8% 的中文句子含有可能造成临床显著伤害的错误（Khoong et al., 2019）。在 26 种语言中，意为"孩子正在抽搐"的短语 "your child is fitting" 经斯瓦希里语译回后变成 "your child is dead"（孩子已经死了），而 "your husband had a cardiac arrest"（丈夫心脏骤停）经马拉地语翻译后变成 "your husband had an imprisonment of heart"（字面意思是"丈夫的心脏被监禁了"）（Patil & Davies, 2014）。
只懂英语的人看到另一种语言中一段自信而通顺的文字，完全没有信号提示哪里出了问题。大语言模型（large language model）让这个问题更严重：它们可能产生幻觉（AI 编造内容），即脱离原文的流畅文本，而这类幻觉在资源较少的语言方向上尤为集中，还可能带出从训练数据中提取的有害内容（Guerreiro et al., 2023）。
机器把一条生死攸关的指示完全说反了
请继续服用肾脏药物，直到您与您的肾脏医生谈过为止。
请暂停服用肾脏药物，直到您有机会与肾脏医生谈过为止。
视译与回译
视译是指口译员当场把一份书面文件用服务对象的语言大声读出来。在没有经过认证的翻译、且文本简短又简单时，这是一种合理的权宜之计，但专业规范并不鼓励对同意书等复杂或后果重大的文件进行视译，因为当场准确地完成这项工作很难，而其中的责任风险是真实存在的。应把它当作一座桥梁，而不是认证翻译的替代品。
回译是指由第二位合格的双语人员把机器译文再翻译回英文，以便您与原文对照。上述研究正是用这种方法发现错误的，所以它确实有效，但需要第二位合格人员，而且并不完美。请用它来核查草稿，而不要把它当作一个让机器译文在后果重大的内容上跳过人工翻译的橡皮图章。
把服务对象的文字输入工具，就是一种数据共享行为
每当您把服务对象的话粘贴进翻译工具，就是把这段文字发送给了一家外部公司。这构成一次信息披露，对于健康或法律信息而言，这可能是受监管的披露。工作人员和患者往往并未意识到，在医疗沟通中使用通用 AI 翻译工具，就意味着把敏感信息分享给了外部提供方，而免费版本尤其可能会存储输入内容并将其用于改进服务，且没有真正可靠的选择退出方式（van Kolfschooten et al., 2025）。
由此可以直接得出规则：绝不要把可识别身份的服务对象信息输入消费级或免费工具。在进行任何机器处理步骤之前，先去除姓名、出生日期、地址和档案编号，如有疑虑，就干脆不要粘贴。
在贵机构采用某工具之前，先取得以下书面承诺
如果供应商无法就这些问题给出明确答复，就应视为"不行"。
对于受 HIPAA 保护的健康信息，需要一份商业伙伴协议（Business Associate Agreement）。对于其他服务对象数据，需要一份数据处理协议（data processing agreement），列明供应商的义务。
需要合同中明确写明拒绝，或者一个真正的、默认对您的账户开启的选择退出机制，而不是藏在设置深处。
传输中和静态存储时均加密（encryption），有明确规定的留存期限，并有可申请删除的途径。
次级处理方名单，以及数据是否会离开本国。
消费级和免费版通常都不具备以上任何一项。请勿将其用于服务对象数据。
快速决策流程
- 是否会有人据此采取行动，还是只需要理解内容？如果只需要理解或起草，并且会有双语同事把关，机器翻译是可以的。跳到隐私那一步。
- 是否涉及知情同意、权利、临床、安全或法律？如果是，口头交流请使用合格口译员，文件请使用经过认证的人工翻译。到此为止。
- 是否是较不常见或资源较少的语言？如果是，请进一步降低您的信心，即便是在西班牙语中可能处于边缘状态的任务，也应更倾向于选择人工处理。
- 在粘贴任何内容之前删除所有可识别身份的服务对象信息，并确认该工具已签署数据协议且不会用您的输入进行训练。绝不要将免费的消费级工具用于服务对象数据。
- 对于保留下来的任何草稿在其送达服务对象之前，请一位合格的双语人员进行回译并核对。流畅并不等于正确。
在把服务对象的文字输入任何工具之前
- 该任务属于低风险的大意理解，或是会由双语人员核对的草稿，而非知情同意、临床、法律或安全相关内容。
- 所有可识别身份的服务对象信息均已删除。
- 该工具已签署数据协议，不会用输入内容进行训练，并且是企业账户，而非免费消费级工具。
- 对于较不常见的语言，已降低信心并优先选择人工处理。
- 任何保留的草稿都已回译并核对，然后才会送达服务对象。
来源
- Khoong, E. C., Steinbrook, E., Brown, C., & Fernandez, A. (2019). Assessing the Use of Google Translate for Spanish and Chinese Translations of Emergency Department Discharge Instructions. JAMA Internal Medicine, 179(4), 580–582. doi:10.1001/jamainternmed.2018.7653
- Patil, S., & Davies, P. (2014). Use of Google Translate in medical communication: evaluation of accuracy. BMJ, 349, g7392. doi:10.1136/bmj.g7392
- Taira, B. R., Kreger, V., Orue, A., & Diamond, L. C. (2021). A Pragmatic Assessment of Google Translate for Emergency Department Instructions. Journal of General Internal Medicine, 36(11), 3361–3365. doi:10.1007/s11606-021-06666-z
- Kong, M., Fernandez, A., Bains, J., et al. (2026). Evaluation of the accuracy and safety of machine translation of patient-specific discharge instructions: a comparative analysis. BMJ Quality & Safety, 35(3), 150–158. doi:10.1136/bmjqs-2024-018384
- Vieira, L. N., O’Hagan, M., & O’Sullivan, C. (2021). Understanding the societal impacts of machine translation: a critical review of the literature on medical and legal use cases. Information, Communication & Society, 24(11), 1515–1532. doi:10.1080/1369118X.2020.1776370
- Guerreiro, N. M., Alves, D. M., Waldendorf, J., et al. (2023). Hallucinations in Large Multilingual Translation Models. Transactions of the Association for Computational Linguistics, 11. doi:10.1162/tacl_a_00615
- van Kolfschooten, H., Goosen, S., van Oirschot, J., et al. (2025). Legal, ethical, and policy challenges of artificial intelligence translation tools in healthcare. Discover Public Health, 22, 904. doi:10.1186/s12982-025-01277-z
本指南所描述的做法以上述研究为依据。请根据贵机构的政策以及您所服务的语言进行调整。