外语界 . 2026 (01) : 75-82 

学生AI能力框架下翻译人才培养路径探讨

摘要：生成式人工智能技术的迅猛发展对翻译教育构成前所未有的挑战。本文从联合国教科文组织提出的学生AI能力框架出发，融合人本思维、AI伦理、AI技术应用、AI系统设计四个核心维度，依循理解、应用、创造三个进阶层级，构建翻译人才AI能力框架。文章进而从政策支持、课程体系设计、教学方法、教师发展四个层面提出翻译人才培养路径，旨在为AI时代翻译教育提供理论依据和实践指导，促进学生的技术素养、伦理意识与创新能力提升。

关键词：

翻译教育;AI能力框架;生成式人工智能;AI伦理;

基金资助：

国家社会科学基金项目“神经网络机器翻译质量提升研究”(编号22BYY042)的阶段性成果；

DOI：

10.26971/j.cnki.flw.1004-5112.2026.01.009

专辑：

社会科学Ⅱ辑;哲学与人文科学

专题：

中国语言文字;外国语言文字;高等教育

分类号：

H059-4;G642;H3

在线公开时间：

2026-02-25 16:40

1.引言

在强大算力、先进算法和海量数据的共同推动下，生成式人工智能（GenAI）开创了全新的知识获取与生产模式，并对多个行业领域产生了深远的影响（王少爽, 骆潇洋 2025）。然而，技术红利的释放并非仅带来正向效应，也引发了人类对未来诸多领域技能下降和创造性研究减少的担忧（The Royal Society 2024）。以翻译教育为例，随着大语言模型的广泛应用，其使用成本持续降低，且能在无需专业培训的情况下高效处理大规模翻译任务，这使得人工翻译与机器翻译之间的差距进一步加大，从而对传统翻译教育模式提出了巨大的挑战（胡开宝, 李娟, 2024）。

为助力传统教育体系顺应人工智能的快速发展，联合国教科文组织（UNESCO，2024）发布了《学生人工智能能力框架》（AI Competency Framework for students, AI CFS）和《教师人工智能能力框架》（AI Competency Framework for Teachers, AI CFT），以引导有序推进人工智能素养教育。其中，AI CFS侧重于学习者层面，旨在为政策制定者、教育工作者和课程开发人员提供指导，确保学生能够掌握AI相关的核心知识、关键技能和价值观。通过培养学生负责任的AI应用能力，使其成为具备批判思维的AI协同创造者。AI CFS为翻译专业学生的人工智能素养培养提供了坚实的理论基础与实践指导，有助于学生更好地理解和应用AI技术，提升翻译效率与质量。

本文结合人本思维、AI伦理、AI技术应用以及AI系统设计四个核心维度，从理解、应用、创造三个层面，探讨翻译专业学生在数字化时代应具备的AI核心能力框架。通过对这些维度的深入分析，进一步从政策支持、课程体系设计、教学方法以及教师发展四个层面，构建翻译人才培养的综合性路径。通过多维度探讨，为翻译专业教育提供理论依据和实践指导，帮助学生在AI时代全面提升技术素养、伦理意识与创新能力，增强学生在全球化市场中的竞争力，为翻译教育可持续发展提供有力支持。

2.学生AI能力框架

学生的AI能力应以智能社会中的公民素养为基础，避免将其简化为仅限于商业化AI系统的操作技能或机械化的编码训练。AI课程的设计应强化其在引导人本观念、内化伦理原则及培养创新能力等方面的综合性功能，而非成为商业培训课程的附属部分（苗逢春 2024）。AI CFS旨在引导政策制定者、研究机构及实践领域适度超前构思智能时代所需的公民素养，并基于此构建学生AI能力的核心概念。通过跨学科课程的建设，推动符合学科特点的教学方法，以实现全面发展的教育目标。

2.1核心原则

学生AI能力框架的构建遵循五大核心原则：培养对AI的批判思维能力，增强以人为本的人机交互能力，倡导符合环保与可持续发展理念的AI设计与应用，推动AI能力发展的包容性，以及培养支撑终身学习的核心AI素养。五大原则指导全面提升学生在AI领域的综合素养，以适应未来社会的技术变革与多元需求。

培养对AI的批判思维能力。批判思维能力不仅体现在对信息的分析层面，更需要在AI驱动的环境中，实现对所接收信息的深度评估、质疑与推理。该框架主张学生从伦理、社会、公平与环境可持续等多维视角审视其影响，避免将人工智能视为“万能解决方案”，并具备判断何时、何种情境下应当或不应当使用人工智能的能力（van den Berg & du Plessis 2023，Walter 2024）。通过培养学生对人工智能可信性与应用适度性的辨识能力，AI CFS旨在帮助学生成长为负责任、具备伦理意识的人工智能使用者与未来规则共建者。

增强以人为本的人机交互能力。该原则认为AI的设计与应用根本上应服务于人类能力的提升，保障人类尊严与能动性，维持社会正义与可持续性。这一理念贯穿AI整个生命周期（Shneiderman 2021）。践行以人为本的设计理念，AI系统的开发应充分考虑其应用目标、人类核心价值观及所需的技术特性，确保AI的公平性与有效性（Schmager et al. 2025）。基于上述理念，AI CFS旨在引导学生认识社会互动的独特价值，在高风险决策情境中保持人类应有的责任意识与问责机制，并理解人类创造性成果的不可替代性。

倡导符合环保与可持续发展理念的AI设计与应用。在当前竞相研发更强大AI模型的背景下，训练过程中所产生的能源消耗与碳排放在一定程度上加剧了对自然环境的破坏，学生亟需认识AI技术发展与生态环境之间的内在关联（Moniz 2023）。教育体系有责任引导学生理解碳排放问题，分析气候变化的根本成因，并以审慎的态度采取行动，切实保护气候与自然环境。AI CFS正是基于这一目标，引导学生主动探索在人工智能模型设计、训练与应用过程中更加气候友好的替代路径。

推动AI能力发展的包容性。在当前的教育和技术发展中，促进AI能力发展的包容性应当成为教育科技设计的核心原则（Bulathwela et al. 2024）。AI CFS强调所有学生应平等享有学习AI的基本条件。为实现这一目标，AI CFS从研发与应用的多个环节提出了系统性要求：优选具有代表性且无偏见的数据集，确保训练数据的公平性；采用去偏算法与反歧视训练方法，减少潜在偏见的影响；设计高度可访问的AI功能，以提升技术的普惠性；测试AI输出的包容性，确保适用于多元用户群体；综合评估AI应用对社会公平性与包容性的影响，推动AI技术可持续发展。

培养支撑终身学习的核心AI素养。这是确保学生在快速变革的AI时代中持续适应并发展的关键。AI CFS致力于提炼总结具有可迁移性的价值观、知识与技能，并通过构建合理的知识架构，支持学生形成系统性AI概念框架。该框架不仅有助于学生在终身学习过程中高效整合和吸收新知识，还能够在面对新问题和新技术时，灵活调整和升级已有的认知体系，提升适应性与创新能力。

2.2学生AI能力框架构成

学生AI能力框架通过二维矩阵结构定义了12个能力模块（见表1）：

表1 学生AI能力框架二维矩阵构成

纵向维度涵盖四个相互关联的AI能力核心要素：人本思维、AI伦理、AI技术应用及AI系统设计。这些要素分别聚焦基本价值观塑造、履行伦理原则的社会责任、基础知识与技能掌握，以及系统设计所需的高阶思维能力。横向维度则包含三个进阶层级，即“理解”、“应用”和“创造”，旨在反映学生在上述四个核心要素中的能力掌握程度。这一框架为AI课程或学习计划提供了螺旋式学习序列，帮助学生逐步构建系统化、可迁移的能力模型，为学生在AI时代的多领域发展奠定坚实基础。

人本思维能力层面要求学生能够正确审视AI技术目标合理性、使用正当性以及人与AI互动方式。“人类能动性”要求学生应认识到AI发展和应用始终由人类主导，其设计、决策和实施均受制于创造者的价值取向与技术选择。“人类责任”强调学生应理解AI创造者和服务提供者在法律与道德层面所承担的责任，尤其是在重大决策过程中，应确保人类决策权优先于AI，避免技术滥用或责任转移，维护社会公正与公共利益。“AI时代公民身份”要求学生需培养批判分析能力，深入评估AI对社会各领域的影响，并以公民主体身份积极推动负责任、包容性与可持续的人工智能设计与应用。

AI伦理能力层面强调学生在AI应用中，理解并践行相关伦理原则和法规，具备价值判断、反思能力及社会情感技能。“具身伦理”要求学生理解AI伦理争议的核心议题，包括AI对人权、公平性及气候变化等影响。“安全且负责使用”强调学生在遵循伦理原则和适用法规的前提下，以负责任的方式使用AI，识别并防范数据隐私泄露风险，确保数据收集、使用、共享与存储均基于用户知情同意。“设计伦理”要求对人工智能从概念构想到实际实施的全生命周期进行系统性审查，确保其符合伦理与法规要求。总体而言，AI伦理教育旨在培养学生的伦理判断、反思能力及社会责任感，使学生在AI技术应用与发展过程中，践行伦理规范，促进技术向善。

AI技术应用能力层面体现了人工智能相关的概念性知识与操作性技能之间的内在关联，强调学生在具体人工智能工具或真实任务情境中，对人工智能原理与实践能力的综合掌握。“AI基础”要求学生掌握AI的核心概念与基本技能，特别是与数据和算法相关的知识，认识跨学科基础对深化数据与算法理解的重要性。“应用技能”强调学生在数据处理、AI算法和编程方面构建适龄认知，并掌握可迁移的技术能力。“创造AI工具”则要求学生在深化数据与算法知识的基础上，开发面向具体任务的AI工具。通过三层级的递进培养，学生能掌握AI技术的应用，在技术实践中始终保持对伦理与社会责任的关注，推动以人为本的AI创新与可持续发展。

AI系统设计能力层面旨在培养学生系统性思维与综合工程技能，涵盖问题定义、系统设计、架构构建、模型训练、测试与优化等关键环节。“问题范围界定”要求学生在训练AI模型前明确问题边界、目标与限制，掌握AI系统构建的核心知识与项目规划技能。“架构设计”强调学生掌握系统化方法论与技术技能，以配置具备可扩展性、可维护性和可复用性的AI系统架构，涵盖数据、算法、模型及应用接口等方面。“反馈与迭代”要求学生运用跨学科知识和实践方法，评估AI模型的适用性及稳健性，同时分析AI对个体、社会及环境的影响。学生需基于测试和反馈优化数据集、调整算法、改进架构，以评估AI系统的可行性及潜在风险。

学生AI能力框架提供了系统化的学习路径与指导蓝图，通过层级化的能力模块，促进学生在批判思维、伦理审视、实践应用及AI迭代共创等方面的综合能力发展。

3.翻译人才AI能力框架

3.1翻译教育现状及挑战

随着翻译市场中翻译任务的“机器化”及“智能化”程度不断提高，这对翻译专业学生的就业环境构成了严峻挑战。张威（2024）的调查显示在AI技术迅速发展的背景下，52%的翻译专业学生认为翻译专业的前景不乐观，特别是在效率和根据用户需求调整译文方面，学生普遍感到自己无法与AI翻译竞争，表现出对翻译专业的迷茫。翻译用户也认为，AI很多情况下可以直接替代人工翻译。翻译专业的吸引力与竞争力遭遇前所未有的压力，进而对人才培养的整体过程产生深远影响，涉及招生、培养、就业等多个方面。这种变化甚至可能直接影响翻译专业及相关院系的未来生存与发展。

在翻译市场技术变革加速推进的背景下，培养具备AI素养的高端翻译人才已成为当务之急。为适应这一变革，翻译教育需积极融合AI技术，构建符合未来市场需求的翻译人才AI能力框架，以提升翻译专业学生在智能化翻译环境中的适应能力与竞争力。

3.2翻译人才AI能力框架

我们根据UNESCO学生AI能力框架二维矩阵构成，提出翻译人才培养体系中学生AI能力框架（见表2），并结合具体实际，分层级展开探讨。

表2 翻译人才AI能力框架二维矩阵构成

翻译的人本思维强调在人工智能深度介入翻译活动的背景下，始终坚持人类译者作为翻译主体的价值立场与责任意识。人机关系经历了从早期的机辅人译，到基于译前（后）编辑的人助机译，再到人机对话协同共译的逐步发展（杨艳霞等 2025）。尽管多种翻译技术不断进步并得到广泛应用，但在翻译过程中，能够对最终翻译结果承担完全责任的仍然是作为主体的人工译者（郝俊杰, 莫爱屏 2019）。在理解层面，译者应清晰认识人工智能在翻译中的辅助属性及其技术局限。这种认知能帮助译者在利用AI技术时保持批判思维，避免对技术工具的全局依赖或责任转移。在应用层面，人本思维要求译者能够对AI译文进行有效评估、识别潜在错误并加以修正，尤其在解决复杂语境问题及应对文化差异等方面，人类译者在人机协作过程中始终保留关键决策权，确保翻译活动符合专业规范与社会责任要求。在创造层面，进一步设计优化人机协作的翻译流程，通过结合人类译者的创造性思维与AI的高效处理能力，提升翻译的整体质量。总体而言，人本思维与翻译实践的结合凸显了人工译者角色的结构性转变，即从单纯语言转换者转变为翻译流程设计者和译文质量把控者。

AI翻译伦理强调译者在生成式人工智能广泛应用的背景下，具备对相关伦理风险的认知、理性判断与有效应对能力。生成式AI因其强大的语言生成能力，被比喻为“随机鹦鹉”（Stochastic Parrots）（Bender 2021），揭示大语言模型作为高级模仿者的固有特性，其输出内容源自对大量训练数据中语言模式的合成，而非基于原创性思维或独立的理解过程。若训练数据本身包含源文本中的偏见，模型则不可避免地会吸收并再现这些偏见（Gallegos et al. 2024; Zhang 2024）。在理解层面，人工译者应意识到AI译文可能隐含歧视性立场或不当表达，从而在使用相关技术时保持必要的伦理警觉。在应用层面，译者需避免AI译文中的歧视和偏见表达，在翻译过程中维护语言生态伦理（郝俊杰, 莫爱屏 2019）。此外，数据隐私也是翻译过程中重要的伦理问题（高玉霞, 任东升 2023），译者应学习如何保护客户和用户的个人信息，避免AI翻译工具泄露敏感数据。在创造层面，开发符合伦理规范的AI译后编辑工具至关重要，通过技术手段有效规避伦理风险，推动AI翻译技术的可持续发展。这一结合不仅有助于提升翻译实践中的伦理标准，还为AI技术的负责任应用提供切实可行的实践指导，确保技术的应用与社会伦理的和谐共存。

AI翻译技术应用强调译者对人工智能翻译技术原理的理解及其在翻译实践中的有效运用能力。机器翻译经历了从基于规则的方法到基于统计的方法，再到神经网络方法的演变，这一发展显著提升了翻译的速度、效率和质量（戴光荣, 刘思圻 2023）。在理解层面，学生需要掌握机器翻译与大语言模型的基本原理，理解其在语言生成、语义建模与概率预测等方面的技术特征及局限性，从而避免盲目依赖技术结果。在应用层面，翻译学生应将机器翻译、语料库技术与生成式AI技术相融合，采用复合路径促进翻译学习（戴光荣, 黄栋樑 2024a）。学生可借助生成式AI工具高效地对目标语料库进行系统的收集、整理与凝练，并通过自我反馈与自适应调整不断优化语料库质量，从而提升翻译分析与实践能力。在创造层面，生成式AI工具能够根据不同文本类型、翻译要求及文化背景进行定制化的翻译优化，提升翻译的适应性和个性化。随着人机协作不断深化，大语言模型微调技术在语言分析与测试领域展现出重要的学术价值和广阔的研究前景。对于翻译专业学生而言，全面理解该技术的优势与局限，深入挖掘其在语言研究与测试中的应用潜能，不仅有助于提升专业素养，也将推动该领域的持续创新与发展（陆小飞, 金檀 2025）。

AI翻译系统设计强调学生在人工智能深度赋能翻译活动的背景下，具备系统性设计思维与跨学科技术整合能力，以参与或引导更复杂翻译系统的构建与优化。过去，机器翻译因仅擅长处理简单信息类文本而受限，致使其在面对复杂文本，尤其是文学作品的翻译时，一直被视为AI翻译的“硬伤”（袁筱一 2025）。随着技术的不断进步，数字科技为传统的文学翻译注入了活力（王晓睿, 王斌华 2024），借助情感分析以及语义标注等自然语言处理技术，机器翻译在处理复杂语境和文学翻译中的完成度已显著提高。在理解层面，学生需要掌握计算机基础算法与相关编程工具，理解自然语言处理技术在翻译系统中的作用机理。在应用层面，学生应在翻译实践中合理运用情感分析与语义标注等技术。当前的情感分析方法主要依赖于监督学习，语义标注则对文本的深层含义进行标记与分类。这些技术为机器翻译突破浅层词句对齐、向深层语义与情感建模迈进提供了重要支撑（李翔, 高朝阳 2024）。在创造层面，通过优化现有模型架构，设计能灵活适应多语言及多元文化背景的智能翻译系统，有效应对翻译过程中诸如多义词歧义、语境依赖性以及文化特异性等复杂问题。

以上四个维度的融合构建了面向翻译人才培养的AI发展能力框架，该框架不仅助力学生系统掌握AI技术，还引导其在翻译实践中关注文化背景、伦理规范与社会责任，为全球化语境下的语言服务提供更科学、系统的指导。

4.翻译人才AI能力培养路径

    为了将上文探讨的翻译人才培养的AI发展能力框架落到实处，下文将从政策支持、课程体系设计、教学方法以及教师发展等方面，探讨翻译人才培养路径。

4.1政策支持

在国家及行业层面，应制定具有前瞻性的AI翻译教育发展战略，明确翻译人才培养的目标和方向，以确保翻译教育与全球AI技术标准保持一致。依托UNESCO学生AI能力框架，政策制定者应积极推动翻译行业的全面数字化转型，促进教育体系与科技进步的深度融合。此外，政府应通过政策激励和资金支持，推动AI翻译技术的研发与应用，确保翻译人才在全球化竞争中保持领先地位。

4.2课程体系设计

构建跨学科AI翻译课程体系。高校翻译专业应构建一个跨学科的核心课程体系（任文 2024），将AI技术与翻译理论和实践深度融合，以促进翻译教育与前沿技术的紧密结合（Cai et al. 2024）。通过数字化和人工智能等技术手段，利用虚拟实体与现实知识体系相结合，构建基于数据分析、语言建模和数据连接的共享知识网络（戴光荣, 黄栋樑 2024b）。这系统性课程设计旨在帮助学生全面掌握AI工具的使用，提升其在翻译实践中的技术适应能力。引导学生如何应用AI技术优化翻译流程，提高翻译效率和质量，培养学生在复杂翻译环境中进行技术创新的能力。

4.3教学方法

强化学生翻译伦理意识与批判思维。翻译实践在知识产权保护、翻译责任、数据偏见等方面（胡开宝, 李晓倩 2023）所面临的伦理问题愈加凸显。因此，翻译教育应着力强化学生的伦理意识和批判思维能力。在培养批判思维方面，学生不仅要掌握翻译的基本语言技能，更应具备分析AI翻译输出的能力，评估其是否符合伦理标准和社会责任。通过案例分析和实践操作，学生能在翻译实践中实施伦理审视与决策，确保翻译结果既准确又符合伦理规范。此外，应鼓励学生始终保持以人为本的原则，避免过度依赖机器输出。

提升数据素养和信息管理能力。在翻译数据的采集、处理、存储、传播与应用过程中，数据泄露问题逐渐成为亟需重视的风险，尤其是未经过充分保护的敏感信息可能遭遇泄露或滥用，进而引发隐私侵犯、数据滥用等法律与伦理问题（王华树, 刘世界 2022; 刘世界等2025）。因此，培养学生的高效数据采集、整理与分析能力变得尤为重要，同时需要加强其数据安全意识，以确保在翻译实践中能够有效保护用户隐私与数据安全（Ng et al. 2024）。

注重提示词工程与技术创新。提示词工程（prompt engineering）是生成式AI工具高效应用的关键技术之一。标准的提示词框架通常包括背景信息、任务目标和特定需求三个核心要素，基于这些核心要素，衍生出了多种提示词框架（王华树, 谢斐 2024）。通过对框架的专项训练，学生可以掌握如何设计精准的提示词，以优化AI翻译输出，提升翻译效率和质量。

关注翻译领域的可持续发展与环保实践。翻译教育应致力于培养学生在应用AI技术时融入可持续发展意识，并通过课程培训提升学生对翻译活动环境影响的认知，推广可持续发展理念（Costagliola et al. 2024）。加强对翻译过程中的环保问题与碳排放的关注（Wang et al. 2024），引导学生深入理解并践行绿色翻译实践。优化翻译流程、减少资源浪费以及采用绿色技术是实现翻译行业低碳化、绿色化转型的关键路径。借助AI技术对翻译任务进行智能优化与精准分配，不仅能够提升翻译效率，还可有效降低计算资源消耗，减少碳排放。

4.4教师发展

推动教师AI能力发展。AI技术的迅猛发展已将传统的师生关系转变为“教师-AI-学生”之间的动态互动关系。信息的实时交互不仅极大拓展了获取知识的渠道，也在一定程度上对教师知识体系的构建与教学能力的发展提出了更高要求（郑燕虹等 2025）。这一转变要求教师在AI时代适应其新角色，加强与AI专家之间的跨学科对话与合作（Mikeladze et al. 2024）。为此，教育工作者应对标《教师人工智能能力框架》，系统提升自身素养，以适应智能时代对教育的全新要求。具体而言，教师应提升在智能环境下开展人机协同教学的能力，加强基于数智技术的科研创新能力，并坚守科技向善、以人为本的价值导向（李艳等 2025）。对于翻译专业教师而言，应在翻译教学与研究中深度融合AI技术，探索智能翻译工具的应用策略，提升学生的数字素养与技术适应能力，关注跨文化传播伦理规范。

5.结语

本文基于UNESCO颁布的学生AI能力框架，系统地提出了翻译专业学生在AI时代应具备的能力框架，并构建了从政策支持、教育体系设计、教学方法到教师发展的综合路径。翻译教育应顺应AI技术的快速发展，通过跨学科课程、伦理教育与技术创新，培养具备批判思维、技术素养及社会责任感的翻译人才。未来，翻译教育应进一步深化AI技术的应用，推动翻译行业的可持续发展，并为全球化语言服务提供高质量的人才支持。

参考文献

[1]     Bender E M, Gebru T, McMillan-Major A, et al. On the dangers of stochastic parrots: Can language models be too big? [A] Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency[C]. New York: Association for Computing Machinery, 2021: 610–623.

[2]     Bulathwela S, Pérez-Ortiz M, Holloway C, et al. Artificial intelligence alone will not democratise education: On educational inequality, techno-solutionism and inclusive tools [J]. Sustainability, 2024(2): 781.

[3]     Cai C, Zhu G & Ma M. A systemic review of AI for interdisciplinary learning: application contexts, roles, and influences [J]. Education and Information Technologies, 2024:1-47.

[4]     Costagliola G, De Rosa M & Piscitelli A. Assessing carbon footprint: Understanding the environmental costs of training devices [J]. Procedia Computer Science, 2024: 1810–1819.

[5]     Gallegos I O, Rossi R A, Barrow J, et al. Bias and fairness in large language models: a survey [J]. Computational Linguistics, 2024(3): 1097–1179.

[6]     Mikeladze T, Meijer P C & Verhoeff R P. A comprehensive exploration of artificial intelligence competence frameworks for educators: A critical review [J]. European Journal of Education, 2024(3): e12663.

[7]     Moniz H. Towards responsible machine translation: ethical and legal considerations in machine translation [M]. Cham: Springer International Publishing AG, 2023.

[8]     Ng D T K, Wu W, Leung J K L, et al. Design and validation of the AI literacy questionnaire: the affective, behavioural, cognitive and ethical approach [J]. British Journal of Educational Technology, 2024(3): 1082–1104.

[9]     Schmager S, Pappas I O & Vassilakopoulou P. Understanding human-centred AI: a review of its defining elements and a research agenda [J]. Behaviour & Information Technology, 2025: 1–40.

[10]   Shneiderman B. Tutorial: human-centered AI: reliable, safe and trustworthy [A] Companion Proceedings of the 26th International Conference on Intelligent User Interfaces[C]. New York, NY, USA: Association for Computing Machinery, 2021: 7–8.

[11]   The Royal Society. Science in the age of AI : how artificial intelligence is changing the nature and method of scientific research [R]. The Royal Society, 2024.

[12]   UNESCO. AI competency framework for students [EB]. https://doi.org/10.54675/JKJB9835,2024

[13]   UNESCO. AI competency framework for teachers [EB]. https://doi.org/10.54675/ZJTE2084,2024

[14]   van den Berg G & du Plessis E. ChatGPT and generative AI: possibilities for its contribution to lesson planning, critical thinking and openness in teacher education [J]. Education Sciences, 2023(10): 998.

[15]   Walter Y. Embracing the future of artificial intelligence in the classroom: the relevance of AI literacy, prompt engineering, and critical thinking in modern education [J]. International Journal of Educational Technology in Higher Education, 2024(1): 15.

[16]   Wang Q, Li Y & Li R. Ecological footprints, carbon emissions, and energy transitions: The impact of artificial intelligence (AI) [J]. Humanities and Social Sciences Communications, 2024(1): 1043.

[17]   Zhang X. Explainability of machine translation models [A], in Leung S & Chan S. (eds.) Applying Technology to Language and Translation [C]. London: Routledge, 2024: 148–172.

[18]   戴光荣, 黄栋樑. 学习者为中心的翻译技术教学模式建构研究 [J]. 外语界, 2024a(6): 91–96.

[19]   戴光荣, 黄栋樑. 知识翻译技术学:体系框架初构 [J]. 外语教学, 2024b(6): 86–93.

[20]   戴光荣, 刘思圻. 神经网络机器翻译:进展与挑战 [J]. 外语教学, 2023(1): 82–89.

[21]   高玉霞, 任东升. 生成式AI时代翻译制度建设的挑战与对策 [J]. 外语电化教学, 2023(4): 9–15, 114.

[22]   郝俊杰, 莫爱屏. 翻译技术的伦理探索 [J]. 上海翻译, 2019(5): 58–63.

[23]   胡开宝, 李娟. 大语言模型背景下的翻译人才培养：挑战与前景 [J]. 外语电化教学, 2024(6): 3–7, 105.

[24]   胡开宝, 李晓倩. 大语言模型背景下翻译研究的发展：问题与前景 [J]. 中国翻译, 2023(6): 64–73, 192.

[25]   李翔, 高朝阳. 国外机器翻译研究的知识图谱和发展趋势 [J]. 上海翻译, 2024(2): 41–47.

[26]   李艳, 孙凌云, 江全元, 等. 高校教师人工智能素养及提升策略 [J]. 开放教育研究, 2025(1): 23–33.

[27]   刘世界, 张滟, 黄立波. GenAI时代的翻译伦理:概念重构、伦理变迁与行为选择 [J]. 外语教学, 2025(1): 66–72.

[28]   陆小飞, 金檀. 大语言模型微调技术在语言分析与测试中的应用与展望 [J]. 现代外语, 2025.

[29]   苗逢春. 为智能社会公民素养奠基的《学生人工智能能力框架》 [J]. 中国电化教育, 2024(11): 1–12.

[30]   任文. 跨学科翻译教育的模式创新：背景、理念与实施 [J]. 中国外语, 2024(5): 75–83.

[31]   王华树, 刘世界. 大数据时代翻译数据伦理研究:概念、问题与建议 [J]. 上海翻译, 2022(2): 12–17.

[32]   王华树, 谢斐. 大语言模型技术驱动下翻译教育实践模式创新研究 [J]. 中国翻译, 2024(2): 70–78.

[33]   王少爽, 骆潇洋. GenAI时代的智能翻译素养:现实基础、学术理据与概念框架 [J]. 外语教学, 2025(1): 59–65.

[34]   王晓睿, 王斌华. 全球化、数字化与跨学科背景下国际翻译研究的挑战与发展 [J]. 中国翻译, 2024(1): 102–107.

[35]   杨艳霞, 陈莹, 魏向清. 生成式智能时代的人机协同翻译素养研究 [J]. 上海翻译, 2025(1): 39–45.

[36]   袁筱一. 人工智能文学翻译的“主体性”与“创造性” [J]. 上海交通大学学报（哲学社会科学版）, 2025(1): 1–10.

[37]   张威. 人工智能时代翻译专业面临的挑战与出路——基于一项大规模社会调查的分析 [J]. 中国翻译, 2024(5): 139–148.

[38]   郑燕虹, 罗常军, 蒋洪新. 人工智能推进外语教育改革的探索 [J]. 外语界, 2025(1): 8–12.

学生AI能力框架下翻译人才培养路径探讨_戴光荣.pdf