另一种语言写的传单 英文大意
了解用另一种语言写的传单的大意
用通俗的英语告诉我这张传单讲的是什么、面向谁、提供什么，以及其中列出的任何日期或联系方式。请注明你不确定的地方。 [粘贴或描述传单文字]
安全提醒。 用它来理解这张传单，并请一位合格的双语人员确认你要据此采取行动的任何内容。
AI 实际上能帮你做什么 这条规则 机器翻译能帮助工作人员在低风险的文字上加快速度；一旦内容的含义会给服务对象带来后果，就要由合格的人来负责。
3
日常的跨语言工作
AI 可以帮助你在日常、低风险的任务中在不同语言之间转换，而最后一步始终由合格的人员来完成。用它来理解内容和起草初稿，重要的事情始终交由人来负责。
机器翻译用来了解大意，重要的事交给人来处理
AI 适合用来了解大意
阅读一封来信、起草一条日常通知，或大致了解一份文件的意思，并且始终有一位双语人员在信息到达服务对象之前先行核对。
重要的事交给合格的口译员
知情同意、权利、临床或法律建议、安全计划，以及任何后果重大的对话，绝不能交给机器翻译。
- 快速了解一封邮件、一份通知或一张传单的大意，让你知道它讲的是什么，从而决定下一步怎么做。
- 用服务对象的语言起草一条日常、非法律性质的信息，然后请一位合格的双语人员在发出之前检查。
- 请工具标出译文中含义可能无法准确传达的部分，把这些地方当作需要放慢脚步的地方。
- 预期不同语言之间的质量参差不齐，网上文本最少的语言往往最弱，而这些常常正是你的服务对象所说的语言。
- 让 AI 翻译远离任何具有法律效力或医疗风险的内容，那些地方一个小错误就会改变一个人所同意的事情。
- 把机器翻译当作一个起点，记住对任何有重大后果的事情，服务对象都有权获得合格的口译员。
- 密切留意姓名、数字、日期和否定语气，这些是翻译最常出现反转或含混不清的地方。
它是如何运作的，又会在哪里出错
工具把文字读成词元，不同语言的“成本”并不相同
模型处理你的文字之前，会先把它切分成词元（token），也就是常常只是单词一部分的小片段。英语文本往往只会切分成很少的词元，因为这些工具主要是在英语上构建的。同样一句话换成许多其他语言，即使意思完全相同，切分出来的词元也会多得多，某些文字系统甚至能多出大约十五倍（Petrov 及同事，2023）。每句话的词元越多，就意味着这些语言在工具的工作记忆里能放下的内容更少，按次计费时花费更多，处理时也用不到模型从英语中学到的那种流畅度。
训练文本越少，输出就越弱、也越不安全
模型在某种语言上的水平，取决于它从这种语言的文本中学到了多少。对于网上文本较少的语言，质量会以可以测量的方式下降。在一项健康问题的跨语言测试中，模型在非英语中给出的完整答案更少，出错的可能性要高出好几倍，而且语言资源越少，差距越大（Jin 及同事，2024）。它在这些语言上的安全防护也更薄弱，所以不安全或错误的内容更容易蒙混过关，而这些恰恰常常是许多移民服务对象所说的语言（Wang 及同事，2023）。理解一份文件是这个工具的一种安全用法。凡是服务对象要据以行动的内容，都需要一位合格的人来处理。
流畅的输出也可能藏着一个意思上的错误
一段译文可以在目标语言里读起来很顺畅，却仍然带着错误的意思，因为流畅和准确是两回事。一个反转的否定、一个调换的日期，或一个译错的法律或医疗术语，读起来会和一个正确的版本一样流畅。这正是为什么判断一段译文能否放心发出去，靠的是一位合格的双语人员，而不是它读起来是否流畅。
英语的日常信息 服务对象语言的草稿
为双语核对起草服务对象语言的日常信息
把这条日常、非法律性质的信息翻译成我指定的语言，使用简单的阅读水平。保持语气温暖清晰，并标出含义可能无法准确传达的部分。 [粘贴你的信息并指明语言，不含服务对象身份信息]
安全提醒。 一位合格的双语人员在发出之前检查，绝不要将此用于知情同意、法律或医疗方面的措辞。
一份你已经有的译文 一份标出风险点、供人核对的清单
让工具标出译文中需要人核对的风险点
这里有一条简短、非法律性质的信息，以及它翻译成我指定语言的版本。请指出任何含义可能无法准确传达的地方、任何可能出错的姓名、数字或日期，以及任何没有干净对应词的词语。把这些列出来，让双语审核者清楚该看哪里。 [粘贴两个版本并说明语言，不含服务对象身份信息]
安全提醒。 这只是缩小了审核者需要查看的范围；仍然需要一位合格的双语人员确认信息内容，也绝不要把 AI 用于知情同意、法律或医疗方面的措辞。参见 模块 3。
一个翻译不出来的词组 供双语审核者挑选的通俗表达选项
为没有干净对应词的说法找到通俗的表达选项
我指定的英语说法，在我指定的语言里可能没有干净的对应词。请给出两三种更通俗的说法来表达同一个意思，说明每一种各自的含义，并标出哪些听起来可能显得正式、生硬或令人困惑。最终由一位双语审核者来选定。 [说明该词组和语言]
安全提醒。 最终选择由一位合格的双语人员来做，因为这个工具恰恰在资源较少的语言里最弱，而这类语言正是最需要谨慎的地方。参见 模块 3。
实例分析
同一张传单，两种语言，质量参差不齐
- 你粘贴了一张社区传单，请求给出通俗英语的大意。工具返回了一份准确的摘要，写明了面向谁、提供什么，以及联系方式。
- 接着你请它把传单翻译成一种网上文本要少得多的服务对象语言。译文读起来很流畅，看上去像是已经完成的成品。
- 一位双语同事审核后发现，日期错了一天，一个关键的资格用语也变成了与项目实际不符的说法。译文流畅，却仍然是错的。
- 你和这位同事一起修正了这两处错误，然后发出修正后的版本。把内容译成英语来了解大意是一种安全用法；而在一种资源较少的语言里产出服务对象要依赖的文字，人工审核不是可选项，而是必须的一步。
安全提醒。 绝不要用 AI 或机器翻译处理知情同意、法律或医疗方面的措辞。请使用免费的合格口译员，这是服务对象的权利。参见 模块 3。
来源
- Petrov, A., La Malfa, E., Torr, P. H. S., & Bibi, A. (2023). Language model tokenizers introduce unfairness between languages. In Advances in Neural Information Processing Systems 36. https://arxiv.org/abs/2305.15425
- Jin, Y., Chandra, M., Verma, G., Hu, Y., De Choudhury, M., & Kumar, S. (2024). Better to ask in English: Cross-lingual evaluation of large language models for healthcare queries. In Proceedings of the ACM Web Conference 2024. Association for Computing Machinery. https://doi.org/10.1145/3589334.3645643
- Wang, W., Tu, Z., Chen, C., Yuan, Y., Huang, J., & Jiao, W. (2023). All languages matter: On the multilingual safety of large language models. arXiv. https://arxiv.org/abs/2310.00905