摘 要 ：

自同传设备发明以来，口译与技术的结合便未曾中断。近年来，远程通信技术、计算机辅助工具，以及以自然语言处理和大语言模型为代表的人工智能（AI）技术更是对口译实践与教学产生了巨大影响，引发学界与业界的广泛讨论。为追踪相关研究动向，本研究以中国知网核心期刊和Web of Science核心合集期刊中口译技术相关文献（2000—2025）为研究对象，通过BERTopic主题建模和ChatGPT-5大语言模型情感分析，考察中外学界对口译技术的接受情况。研究发现，学界对口译技术总体持审慎与乐观并存的情感倾向，对技术的接受具有多维审视与辩证反思的特征。在主题分类和细粒度分析的基础上，本文探讨了各主题下口译技术的具体情感分布与接受特征，总结共性观点并尝试归因，为相关研究向前推进提出建议。

关键词 ： 口译技术；接受研究；BERTopic；大语言模型；情感分析

文献来源 ：任文,陈靖怡.中外学界对口译技术的接受研究——基于BERTopic主题建模和大语言模型的情感分析[J].中国外语,2026,23(3):96-105.DOI:10.13564/j.cnki.issn.1672-9382.2026.03.009.

01 引言

自同传设备发明以来，口译与技术的结合便未曾中断。进入21世纪，口译技术迭代与口译职业和口译教学的发展更是紧密相连。特别是神经机器翻译技术自2014年面世（Cho et al.,2014）以来，机器翻译质量实现了质的飞跃。生成式人工智能（GenAI）技术紧随其后，正在给口译行业带来颠覆性影响，引发学界和业界广泛关注。技术焦虑与技术红利相伴而生：人机口译质量孰优孰劣？AI是否会取代人类译员？口译行业未来何去何从？面对此类尖锐问题，学界围绕口译技术的内涵外延、发展历程与趋势等主题展开了综述性研究，但尚未有实证研究系统考察中外学界对口译技术接受情况的历时变化。

情感分析技术能体现写作者对产品或事件的观点和情感倾向，广泛适用于网络舆情监测、接受研究、市场偏好分析等领域，在翻译研究领域的应用也初见成效，但鲜见基于情感分析视角的翻译研究学术文本探索。本研究通过BERTopic主题建模和ChatGPT-5大语言模型情感分析，追踪学界自21世纪以来对口译技术的接受动态，以期探寻人机合作的接受度基础和发展趋势，为后续研究的推进与创新探索可能方向。

02 文献综述与概念界定

2.1 文本情感分析与接受研究

情感分析指通过计算机技术对文本观点进行分析，挖掘其中蕴含的情感倾向，并进行分类判断（王婷、杨文忠，2021:11）。研究主要遵循基于情感词典、传统机器学习和深度学习三种路径。第一种具有准确反映文本非结构化特征的优势，但存在词库覆盖面不足、跨领域情感分析缺乏针对性等问题。第二种采用统计机器学习算法抽取特征，其情感分析具有较高的分类准确度，但依赖人工数据标注，且无法充分考察上下文语境信息（钟佳娃等，2021:6）。第三种通过构建人工神经网络模型进行文本分析和特征抽取，并根据语境自动优化分析模型，在分析语境、提取语义信息方面具有显著优势。

就分析粒度层次而言，研究通常分为篇章、句子和特征项三个层级。前两者属粗粒度分析，即假定整篇文本只表达一种情感倾向，能直观反映文本的整体情感特征。后者属细粒度分析，基于评价对象及其属性的分类进一步展开，能更具针对性地体现文本中不同侧面包含的情感倾向。近年来，随着深度学习算法的快速发展，以ChatGPT为代表的GenAI在情感分析领域崭露头角，摆脱了传统机器学习模式对大量标注数据的依赖，具有文本理解更深入、客观性更强的分析优势（Yi et al.,2025）。分析方法的改进也拓展了研究对象，其中就包含看似“中立”的学术文本。学界围绕英文学术论文用词积极性变化趋势（Yuan&Yao,2022）、语言积极性对论文发表的推动作用（Cao et al.,2021）、跨学科学术文本的情感表达模式与差异（Qin et al.,2025）等话题展开探索，为后续研究奠定了基础。

在翻译研究领域，情感分析与接受研究的结合常见于对中国文学作品海外译介传播情况的考察，正向的情感态度意味着译本接受度较高（张璐，2019）。既有研究多遵循情感词典和传统机器学习路径，依托图书销售或图书交流网络平台考察《三体》《道德经》和莫言作品等的海外接受情况（李书影、王宏俐，2020；石春让、邓林，2020），在分析准确率和关注焦点追踪等方面仍有进步空间。近期有学者开展GenAI驱动的翻译作品接受效果研究（赵朝永、李实，2025），或利用神经网络主题模型深入挖掘读者评论的关注焦点（邓凯方、邓云华，2025），但尚未有研究将二者结合，在兼顾深层次语义理解的基础上进行主题与情感的耦合分析。此外，对书评文本的同质化关注也限制了分析对象的多样性，鲜有研究聚焦非文学翻译产品、翻译研究学术文本的情感倾向等话题。鉴于此，本研究依托ChatGPT-5的零样本学习能力进行针对学术文本的情感标注，以期获得比传统方法更为精准、更具解释力的分析结果。

2.2 BERTopic模型原理与应用

为追踪学界对口译技术的关注焦点，本研究采用计算语言学中的主题建模方法。主题建模是一种数据降维和特征抽取技术，利用算法识别和归纳海量语料中隐藏的核心议题（逯万辉，2024）。基于Transformers架构的BERT模型通过预训练生成深层双向语言表征，显著提升了模型在自然语言理解任务上的表现。基于此，Grootendorst(2022）提出完整的主题建模框架BERTopic，其运算流程整合了非线性降维、密度聚类、分词，以及c-TF-IDF主题表征，最终生成语义连贯且易于解释的主题簇，构建了从多语语义表征到主题生成的计算流程。

依托该模型在深层语义挖掘与动态主题分析中的显著优势，现有研究主要聚焦学术文本、网络评论和政策文本的演变轨迹与趋势预测，如挖掘读者的译本评价（邓凯方、邓云华，2025），或对数字人文领域进行基于学科和主题的跨维度偏好研究（邓君、滕玥，2024），展现出BERTopic与大语言模型协作实现精细文本挖掘的可行性，但鲜见对翻译研究学术文本的关注，应用边界仍待拓展。

2.3 口译技术概念界定

随着口译技术的快速更迭，中外学界已围绕某一单项技术（如远程口译）开展了较为丰富的实证与综述类研究，但仅有少量研究将口译技术视作整体概念进行系统性审视，对这一概念的界定也不尽相同。本文选取Fantinuoli(2018）、王华树和杨承淑（2019）对口译技术的分类与定义：前者将口译技术大致分为计算机辅助口译（CAI）、远程口译（RI）和机器口译（MI）；后者则将其定义为在口译实践和口译培训中使用的综合技术，包括应用于口译过程的技术（即CAI，含口译设备、术语管理、口译平台、语音文字识别等要素）和直接产出口译结果的技术（即MI，由自然语言处理、语音识别、语音合成等AI技术提供支撑）。基于此，结合文献检索的实际情况，本文选取多个主题词和关键词，分别以中英文的“口译技术”“计算机辅助口译”“技术辅助口译”“机器口译”“远程口译”“电话口译”“视频口译”“信息技术+口译”“语音识别+口译”等作为检索对象，进行交叉式穷尽检索。

03 研究设计

3.1 研究问题

为深入探究中外学界对口译技术的接受情况，本研究将BERTopic和ChatGPT-5大语言模型整合为量化工具，围绕学术文本展开篇章级（粗粒度）和特征项级（细粒度，即由高频词提炼出的不同主题）情感分析。研究问题如下：（1）在粗粒度层面，基于ChatGPT-5大语言模型标注和手动验证，在2000—2025年间，中外相关研究对口译技术的整体接受情况如何？其情感倾向存在何种变化？（2）在细粒度层面，基于对所涉语料进行的BERTopic主题建模，中外相关研究对各主题下口译技术的具体接受情况如何？存在何种情感倾向与特点？（3）哪些潜在因素影响了中外学界对口译技术的情感倾向？

3.2 研究方法和步骤

首先，我们将论文来源限定为中国知网收录的CSSCI来源期刊、扩展版来源期刊和来源集刊，北大中文核心期刊，以及Web of Science核心合集期刊，检索主题词与关键词如2.3节所述，析出符合条件者。考虑到学术文本中含有情感色彩的表述在摘要部分相对更为突出（Vinkers et al.,2015），选取摘要作为原始数据来源，同时保留论文题目、发表日期等信息。最终收集到209条语料，含中文92条，英文117条。

其次，数据预处理：对语料进行分词处理；移除中英文停用词以及虽高频出现但与“口译技术”相关度不高的词语（如英译汉、汉译英、翻译研究等）；利用正则表达式剔除文本中夹杂的其他语言内容，筛除无效短文本。之后，我们使用大语言模型对学术话语进行观点挖掘，具体操作如下：

针对研究问题（1），利用O p e n A I的ChatGPT-5大语言模型开展提示词工程，对所涉语料进行情感分类，开展篇章级情感分析；依据BROKE框架设计提示词，分别将积极、中立、消极情感标签赋分为1、0和-1。例如，针对第140号语料，ChatGPT依据原文“More than one-third of the interpreters perceived remote interpreting as being more difficult due to technological challenges”的描述和提示词信息，将其情感倾向判断为消极，分值为-1。随后，我们对标注结果进行人工微调（占比约为8%），修正了大模型输出结果中的矛盾之处。例如，针对第184号语料，ChatGPT依据“研究发现，该系统‘能够显著提高职业译员的翻译质量，改善任务体验’，但也指出了需要‘进一步探索和优化’之处”，将其赋分为1；但原文涵盖技术优劣两个方面，故正确赋分应为0，情感标签判断为“中立”。最后，为验证大语言模型标注结果的可靠性，研究进行交互信度检验：随机抽取100篇摘要，邀请两位领域专家独立匿名标注，进行Kappa系数检验。结果显示，双方标注结果高度一致（κ=0.952 3），证明该文本分类任务可操作性较强。随后，我们将ChatGPT标注结果分别与两位专家的标注结果进行对比，其一致性均达显著水平（κ=0.829 1；κ=0.839 1），表明本研究采用的自动化标注表现接近人类专家水平，可靠性较高。

针对研究问题（2），我们基于BERTopic动态主题建模进行细粒度情感分析：嵌入自然语言模型paraphrase-multilingual-mpnetbase-v2处理双语摘要，在进行初步语义聚类后，根据文档数量和主题可解释性，优化降维和聚类算法参数；随后在手动整合相似度较高主题的基础上，得出包含主题和主题词的建模结果列表，重复研究问题（1）中的提示词工程，对各主题下的摘要进行情感标注，分别计算其情感分值；最后，根据主题名对所涉语料进行特征项检索定位，展开综合分析。

针对研究问题（3），我们通过文本细读和背景知识勾连，进行原因探析。

04 研究结果及分析

4.1 口译技术的历时总体接受情况

经过大语言模型标注，2000—2025年间口译技术接受的整体情感分布占比如图1所示，相关研究年发表量与历时平均情感得分如图2所示：

从得分频数分布看，积极情感的文献数量是消极情感文献数量的两倍有余；同时，积极与中立情感的文献占比超过80%，而消极情感文献数量占比不足1/5。就得分均值而言，总平均情感得分为0.22。为验证该结果的统计学意义，执行单样本t检验，结果显示该均值显著大于0，即t(208注）≈4.31,p<0.001，表明学界对口译技术的整体情感倾向处于积极区间，接受度较高。同时，较高的标准差和大量中立文献的存在也说明，此种倾向根植于对口译技术的多元论述与辩证评价，并非单向度、无批判的技术乐观主义。结合发表内容分析，学界对口译技术的接受存在以下情感倾向变化：

（1)2000—2014年间，学界对口译技术的接受度相对较高。相关发表主要关注信息技术环境下的多媒体网络口译教学资源和CAI教学工具（如在线网站、语料库和VR沉浸式虚拟现实技术），以及口译实践新形式（如电视、电话、媒体口译）对译员素养和培训带来的影响。部分研究考察了语音识别与转写等技术在口译实践中的作用。该时段内的高接受度源于数字化口译资源和教学工具的良好实用效果与反馈。彼时，由于新兴口译形式暂未普及，实证研究尚不多见，学界多进行描述性综述研究，展望应用前景。

（2)2014—2017年间，学界对口译技术的接受度有所下降，消极与中立立场增多。神经机器翻译技术于2014年面世，在翻译技术发展历程中具有里程碑式的意义（冯洋、邵晨泽，2020）。不少研究表达了对如下问题的关切：AI翻译带来的业态冲击（徐琦璐，2017）、自然语言处理技术的成熟与渗透（赵毅慧，2017）、机器口译与译后编辑（PE）技术对质量评估的影响（Koby&Lacruz,2017），乃至口译行业面临的新挑战（刘和平、雷中华，2017）等，态度相对审慎。相关研究在2017年的集中涌现亦说明，技术从面世、应用再到研究与发表存在一定的周期。

（3）自2018年起，研究年发表量显著上升，情感倾向趋于稳定，但在2020年出现下降趋势，之后有所回升并趋于平缓。其间的分数波动主要由围绕RI展开的医疗和法庭口译所致，与疫情造成的口译工作模式变动相关。该阶段发表数量众多且主题各异，首次关注人机口译的价值之争与伦理问题（赵毅慧，2018），也包含对GenAI与口译质量评估和口译教学辅助关系的初步探索（Han et al.,2025;Lu,2025）。趋于稳定的接受度可从两方面寻找原因：一是近70%的发表均属于该区间，测算基数相对稳定；二是或与近年来多学科为推动发表而普遍提升学术语言积极性的趋势相符。

（4）将神经机器翻译技术（2014年）和GenAI(2022年）问世的两大标志性时间节点置于历时脉络中对人机关系进行考察可以发现，学界的技术接受过程可归纳为早期发展的乐观阶段（2000—2014）、初具共识的审慎阶段（2015—2022），以及新技术出现后的喜忧参半阶段（2023年至今）。阶段一的情感得分均值（0.48）和标准差（0.31）排名均为第一，其间学界对数字化教学工具和RI技术总体持积极态度，说明“机助人译”成为可能，但尚未对口译职业构成威胁。阶段二的情感得分均值最低（0.15），标准差（0.23）也有所降低，折射出颇具共识性的审慎心态。一方面是对CAI和语音识别等技术革新的认可，但已开始对口译行业面临的挑战（如“人助机译”）展开思索。阶段三的情感得分均值（0.23）有所回升，标准差（0.15）进一步缩小，或可说明学界在GenAI时代对技术的进步喜忧参半；而受制于实证研究开展的时长和发表周期，由AI引发的职业焦虑暂不明朗，但可能在未来发表的研究中有更多呈现。

4.2 口译技术接受情况的细粒度情感分析

经BERtopic主题建模，所涉语料共生成7个有效主题，各主题占比见图3。结合大语言模型情感标注，最终得出各主题情感平均得分（表1）和具体情感分布情况（图4）。本节将按主题占比，降序梳理学界对口译技术的具体接受情况。

远程口译实证研究在所有主题中发表数量最多，占总量的24.26%；情感得分则位列末尾，分值为-0.22。该主题下常见研究对象包括远程医疗口译、会议口译和法庭口译；口译形式涉及电话口译、视频口译、视频接力口译和视频媒介口译。由图4可知，影响主题得分的除了占比近三成的消极标签，在所有主题中数量位居第一的中立标签也不容忽略。结合情感分布占比和细粒度分析发现，中性与消极表述主要表现在以下方面：首先，RI尚有技术局限，存在音质失真和非言语信息缺失的问题。例如，Gilbert et al.(2022）通过对医疗服务利益相关方的半结构化访谈，发现RI的音视频质量问题和设备定位优化空间。其次，RI对译员的认知能力和身心健康构成挑战，口译质量或随口译时长降低，引发对信息传递准确性和可信度的关切。例如，Seeber et al.(2019）采用混合研究方法，依托国际足联世界杯视频远程会议口译，发现该工作模式对译员造成心理压力（如产生疏离感）和工作障碍（如缺失现场沉浸感）。最后，由此引发的口译协作及分工模式转变也暴露出口译管理的缺陷。例如，Li&Sun(2025）考察了疫情期间某外事单位的电话口译服务，呼吁形成具有针对性的多层次应急管理与沟通机制。此外，法庭RI的信任问题、隐私安全和司法程序的正义性也是消极表述中的重要议题。积极标签在该主题下占比12%，主要围绕RI的技术可行性、作为应急语言服务的可及性、效率优势及经济效益展开。

数字化口译教学主题发表数量位列第二，情感得分稳居第一，仅有不到5%的情感标签属于消极区间。该主题的关注焦点可大致分为四类：技术赋能的口译技能训练、口译教学模式的数字化革新、数字化口译教学资源建设与应用，以及口译教学评估与反馈的智能化。技能训练聚焦CAI的教学应用，如整合多媒体资源支撑的口译翻转课堂和情景模拟训练、语音技术辅助口译练习等，能有效实现教学质量和效率的双重提升，师生均给予普遍好评（孙曙光、齐涛云，2025）。在教学模式方面，VR应用凭借其沉浸式模拟环境的优势，在一定程度上重塑了传统口译教学的组织形式和方法手段（邓军涛，2016）。此外，基于视频会议平台的远程同步口译教学亦被证实可行且有效（卢信朝，2020）。教学资源建设与应用较多关注口译教学语料库的建库经验和技术细节，亦有综述性研究基于内涵与机制展望其在项目协作和信息深度加工等方面的发展前景（邓军涛，2018）。在口译教学智能化评估与反馈方面，学界近年来持续关注口译质量自动评估（Han et al.,2025）和智能化反馈系统开发（张静，2025）。

口译技术与译员研究主题较之其他主题更突出人机关联与互动，以及如何利用技术展开主体研究；发文量位列第三，情感得分位列第四，且各情感标签分布较为均衡。在积极情感标签中，基于数字技术的笔记过程研究和术语提取工具的辅助作用表现突出。例如，周金华和董燕萍（2024）通过计算机辅助系统分析译员的笔记特征和重难点，为教学提供数据支撑；徐然（2020）通过口译质量对比，发现术语提取工具在译前及译中的具体作用与优势得到凸显。在中立情感标签中，基于语料库的译员风格研究成为焦点，几乎所有相关研究都提及其作为研究方法的先进性和局限性，部分研究更是利用多模态语料库和生成式预训练模型等前沿手段论证了译员的隐身和人机协作的必要性。消极情感标签则主要关注技术发展对口译实践、教育和口译职业化带来的挑战。以RI和在线平台为例，相较于主题“RI实证研究”，本主题突出技术对译员造成的主客观挑战（如主观的心理压力和客观的信息获取难度），强调译员要积极应对，充分发挥自身施为性（丁宁，2025）。

口译语音识别与评估主题下的发表数量虽然仅占总量的13.37%，但情感得分却排名第二，可见学界对相关技术的认可。自动语音识别技术作为实践技术辅助，多与MT结合，以实时字幕、关键信息提示等视觉辅助形式减轻译员认知负担。有研究据此进一步探究了视听说系统作用于口译的复杂影响机制，并就技术精度提出建议（Li&Chmiel,2024）。不同于前文对教学反馈的强调，口译评估所涉研究多探寻MT评估指标普遍应用于人工口译质量评估的可能性与注意事项。AI技术辅助自动评估在近期也进入学界视野，其有效性得到肯定（Wang&Wang,2025），但仍需要人工训练调试。

口译在线与混合式教/学及课程设计主题下的发表量占比不多，但情感得分可观，与第二名仅相差0.04分，表示接受度较高。本主题与主题1均关注口译教育，但更聚焦师生两端：学生端突出口译学习的自主性，教师端则强调基于口译项目的教学与课程设计。积极与中立标签覆盖了所有口译在线自主学习相关研究，相关研究重点关注口译资源库和CAI训练平台如何促使学生开展自驱口译训练（如Braun et al.,2020）。教学与课程设计研究主要针对口译技术的适应性调整，研究多采用问卷调查、访谈和观察法，追踪大数据搜索引擎、音视频软件、语音合成技术、VR、可穿戴设备等在课堂的应用与接受。积极和中立表述认可技术作为教学工具的有效性以及提升教学质量的潜力；亦有研究以口译技术能力框架为切入点，从课程设计、教学方法和评估体系等维度呼吁教学改革（Wang&Li,2022）。消极表述则质疑其生理效应、真实度水平和互动性等技术细节。

口译与人工智能主题的首篇研究发表在2017年，总发表量虽不多，但近年来随着GenAI的面世，其关注度陡增。趋近为零（0.05）的情感得分说明，学界对相关技术的态度褒贬不一，存在大量中性复杂叙述。除去围绕AI对口译实践、教学及行业影响的综述性研究，以下三个话题备受关注：一是基于文本特征和质量对比的人机协作研究，在强调MI给行业生态带来巨大挑战和深刻改变的同时，通过语料库方法，系统量化人机产出的区别和各自优势与局限（如AI具有认知资源优势，但无法承担交际调解功能），为人机协作提供实证支撑。二是AI口译的伦理与治理，涉及对数据质量与偏见、数据隐私与安全、所有权归属和保密性、数据透明度引发的信任问题及权责归属等考量（Horváth,2022），这也是消极论述最为集中的部分。对此，学界呼吁将AI伦理纳入行业规范和培训，在推广公平使用的同时明确责任与义务，保护译员和客户权益。三是AI素养的培育，可视作对现有问题的积极回应。

公共服务口笔译（PSIT）与技术发展主题的发文量在所有主题中占比最小，均为外刊论文，情感分值为-0.17，反映出其关注度具有一定的区域侧重，且伴随技术争议。具体来看，技术与PSIT的结合主要体现在以下方面：首先是技术工具在PSTI实践中的全流程（译前准备、译中执行、译后工作流）应用，相关研究多持中立态度，客观陈述技术的使用情况。其次是技术与PSIT教育培训的整合，消极叙述突出了技术模块与课程体系缺乏融合度，无法有效对接市场需求（Ramos,2022）。再次是技术对PSIT职业生态的颠覆性影响。有研究指出，虽然技术支撑下的平台化商业模式促进了口译零工经济的增长，但算法控制的风险和剥削性劳资关系也随之而来（Giustini,2024）。最后是PSIT的专业化进程，技术在其中扮演了积极助推角色：虚拟会议工具和共享数据库能突破时空和机构限制，实现资源整合与共享（D’Hayer,2012）。

4.3 共性总结与归因分析

我们尝试对前文所述口译技术的整体历时接受情况和各主题下的具体接受情况进行归纳总结和归因分析：

（1）学界对口译技术持审慎与乐观并存的接受态度，其技术叙事呈多维审视与辩证反思特征。数据显示，学界对口译技术整体持积极倾向，总体接受度较高；但25年间存在数次情感分值波动，且中立情感标签占比较大，折射出学界多元辩证的技术接受视角。具体而言，7项主题中情感分值排名靠前的是“数字化口译教学”“口译技术与译员研究”“口译语音识别与评估”和“口译在线与混合式教/学及课程设计”，排名靠后的则是“远程口译实证研究”“口译与人工智能”和“公共服务口笔译与技术发展”。

分析积极情感标签，口译技术优势主要体现在数字化教学革新与效果优化、口译实践认知辅助与质量提升、语言服务效率与可及性提升，以及口译研究技术工具拓展等方面。究其根本，较高的接受度根植于口译技术自身的发展与优势。《2023机器翻译技术及产业应用蓝皮书》和《2024计算机辅助翻译技术发展与应用蓝皮书》均指出，大语言模型、语音识别和翻译记忆等技术近年来取得突破性进展，已有CAI系统可为译员提供全流程协助。学界拥抱口译技术，既是对大数据时代技术变革的正向回应，也为口译研究的多维发展提供了新的视角。

回观消极情感标签，主要技术焦虑与疑问体现在：实践层面的技术缺陷，如RI的固有技术局限影响了沟通质量和程序推进；译员面临的负面冲击，如技术设备对身心健康构成挑战、平台化商业模式催生劳资剥削；教育培训与市场需求或有脱节，技术模块与课程体系缺乏有效融合；伦理考量与主体关切，如AI的广泛应用引发关于数据隐私、算法偏见、责任归属等的伦理思索。经统计，所涉研究约有28%采取问卷调查或深度访谈，部分研究亦涉及民族志观察，能较为深入且全面地呈现口译学习者及从业者对技术的不同认知现状，消极之见是其中重要的客观组成部分。此外，上述观点多基于实证研究，是口译技术发展瓶颈的具象与缩影，为业界攻克技术难题指明了潜在方向。

（2）学界积极拥抱信息技术在口译教学中的应用，口译技术与教学呈现出“人机协作+智教融合”的发展趋势。7项主题中，除去与教育教学直接相关的主题1和4，口译技术在教学培训中的应用、接受与反馈亦是其他主题的潜在考察维度（如作为实证案例），且均伴有较高评价。概言之，以CAI工具为核心的数字化教学实现了质效双提升，基于VR技术的沉浸式学习环境重塑了传统教学的组织形式，以大语言模型为代表的智能化工具带来了教学评估与反馈的革新，口译资源库和CAI训练平台等工具亦被证实能有效促进自主学习。

译员的技术能力向来是口译培训的重点。在2009年欧洲大学联盟及欧盟委员会共同发布的欧洲翻译硕士（EMT）培养指南中，技术能力已被确立为与传统口译技能并行的核心能力模块。国际大学翻译学院联合会（CIUTI）近年来也分别以“重塑翻译教育范式”和“流动中的语言中介”为主题召开年会，探讨AI时代口译人才培养新路径。国内同样积极响应：《中国语言服务行业规划（2017—2021）》将信息技术助力语言服务创新列入发展目标；2022—2025年度翻译行业发展报告对技术予以重点关注，全方位呈现市场对技术日益庞大的需求和日渐增长的认可度。行业报告中技术的“显身”与学界对口译技术在人才培养中的关注步调一致。从教育改革顶层设计来看，《教育信息化2.0行动计划》和《中国教育现代化2035》等文件均强调应加快教育信息化进程，推动智教融合。学界对口译技术在教学领域的认可从侧面反映出翻译人才培养贴合政策走向，服务国家需求。随着GenAI的快速迭代，口译技术在赋能教学环境建设、创新教学资源形态、升级课程管理平台、强化教学质量评估、拓展人机教学互动等前沿议题中将持续发挥驱动作用，促进口译教育与社会发展形成良性循环（任文等，2025）。

（3）学界对人机协作的潜在空间和伦理问题展开思考，既有对人机合作的展望，也有对伦理风险和主体认同的忧虑。主题1、2、3、5中均出现了对人机协作模式的探讨，技术应用范围涵盖CAI的译前准备、译中支持和基于大语言模型的译后反馈与评估。人机优势互补是学界论述的核心，但由机器引发的“译员隐身”现象也是一大焦虑。此外，技术伦理的忧思亦被频繁提及，涉及数据隐私、算法偏见、权责归属等问题。由此可知，人机协作工作模式的普及深刻引发了主体认同的裂变和随之而来的伦理重建；而将AI与人类译员相对立的二元论叙事，已无法适应当下人机共生关系的复杂性与动态性。在关注GenAI时代如何培养译员智能翻译素养的同时，AI的类人主体性和去人类中心主义的反思将在哲学层面为口译技术内涵与外延的阐发提供更加全面且审慎的视角（任文，2024）。国际译联和中国翻译协会近期分别发布的《人工智能时代机器翻译立场文件》《机器翻译伦理要求》等文件正是业界与学界联袂发出的积极声音。

（4）口译研究出现技术转向，跨学科理论颇受青睐，但口译研究本体理论思考仍较为匮乏。放眼国际，Fantinuoli(2018）、Pöchhacker&Liu(2024）等分别以技术发展、市场变革和相关国际发文量趋势为依据，论证口译研究已迎来技术转向。国内研究中围绕口译语料库展开的综述性和实证研究是该领域发生技术转向的有力佐证（任文等，2019:32）。同时，社会学、教育学、心理学等领域的理论也被借鉴，以加强技术应用实证研究中的理论解释力。但仅有少数研究从本学科出发展开理论思辨，这或许与国内学界的“口译学科‘无’理论”心态不无关联（任文，2018）。如何从口译本体研究的“内视”出发，“外眺”译员与技术、技术与社会之间的互构共变，如何有效利用庞大的口译技术市场需求和译员丰富的实践经验展开“后顾”，并在考辨现有研究成果、汲取、借鉴跨学科理论的基础上“前瞻”技术发展动向，值得学界深思。口译技术的理论话语体系构建作为口译研究技术转向的重要学理基础，仍具有广阔的开拓空间。

05 结论

在GenAI不断更新迭代的当下，口译行业正经历一场深刻的变革，随之而来的职业存续焦虑引发了学界与业界的广泛关切。在此背景下，对学术共同体内部口译技术的接受情况开展系统性评估尤显必要。本研究基于BERTopic主题建模和ChatGPT-5大语言模型情感分析，兼顾量化统计与质性考察，对近25年间中外口译技术相关学术论文展开篇章级和特征项级情感分析，追踪学界对口译技术的情感变化，并尝试归因分析，以期描摹口译技术的接受现状与潜在发展空间，是围绕口译技术接受研究展开的有益尝试。未来可考虑聚焦特定口译技术，扩大文献来源，深入开展细粒度隐性情感分析，并就研究结论展开问卷调查或访谈，持续追踪中外学界的口译技术接受情况。