8.3　展望

翻译为人类跨语言的沟通和交流提供了桥梁。由于语言的差异、文化背景和社会背景的差异，完全等价的对等翻译是不存在的。翻译评价的任务就是要找出译文中语义等方面不对等的错误，并以量化的方式给出一个分值或者比较译文优劣。翻译评价与翻译相辅相成，成为语言学和计算机领域最受关注的研究内容。也正是因为自然语言相关任务的复杂性和挑战性，语言信息的智能处理被誉为人工智能皇冠上的明珠。

目前尝试过的翻译自动评价方法已经把低层次的语言形式比较和成熟的统计学习模型使用得差不多了，但是评价性能还远不及人工。未来翻译质量自动评价的出路是很多学者思考的问题。Avramidis（2014）认为，基于译文内容的评价应该成为未来的趋势。更有一些学者试图从更抽象的语义层面上分析译文间的相似性，或者利用深度神经网络模型自动学习与译文质量有关的特征。我们认为，翻译质量自动评价是一个多层体系，从质量排序到评分，再到诊断评价，评价粒度越来越细。在这个框架体系下，未来自动评价应该具有一个统一的平台，不仅能够评价学习者译文，也能评价机器译文。在评价时，参考译文是一种参照对象，对同源译文共性信息的挖掘也许会对译文深层语义内容的研究提供新的契机。另外，原文的信息也应成为评价的重要依据之一，但目前往往被忽视了。构建系统的语言知识库，也能为从较深层次上进行质量评价提供辅助资源。随着大规模翻译语料库的建成，自然语言大数据分析方法和模型必将对自动评价方法产生重要的影响。

翻译自动评价研究将越来越契合翻译应用的需求，从在限定数据集上实验走向实用化，尽管距离完全替代人工的评价可能还比较遥远，但翻译评价更加有效和准确的趋势是毋庸置疑的。