低資源語言中的合成語料主導猜想

可見性增益、原生語義稀釋與模型回授之間的結構性衝突

作者：Neo.K、Aletheia（GPT）
版本：v0.1
日期：2026-07-25
文件類型：命題猜想論文／技術研究綱領

摘要

生成式人工智慧、機器翻譯與自動化內容系統，使低資源語言得以在短時間內獲得大量知識、教學、技術與形式化資料。這可能提高低資源語言在搜尋引擎、AI 訓練語料與數位基礎設施中的可見性；但若新增內容主要來自主流語言的機器翻譯、模型生成或跨語轉寫，則語言形式雖然擴張，其認識論、文化結構、敘事方式與概念分類卻可能被來源模型與主流語言逐步取代。

本文提出「低資源語言中的合成語料主導猜想」：當某一語言的 AI 生成、AI 翻譯與其他合成內容，在有效訓練權重上超過其原生語料的某一結構性閾值後，後續模型對該語言的內部表徵將逐步由合成語料分布主導。此時，語言的數位可見性雖然上升，但模型所學得的文體、術語、語用、知識結構與文化預設，可能愈來愈接近來源模型，而非該語言社群本身。

本文進一步提出：合成語料主導並非單純的文本比例問題，而是由語料權重、爬蟲可達性、網站權威度、重複密度、語義家族數量、母語者審閱率、來源透明度、時間累積與模型回授頻率共同決定。本文建立可見性—原生性衝突模型、合成語料滲透率、語義獨立密度、語料主體性指數、跨代回授係數與主體性閾值等概念，並提出可供實證驗證的資料集設計、評估方法與治理原則。

關鍵詞

低資源語言、合成語料、AI 翻譯、模型回授、語料主體性、語言數位化、語義稀釋、資料治理、跨語言訓練、語料血統

一、問題背景

1.1 低資源語言的數位困境

許多自然語言在現實社會中具有穩定社群、口語傳統與文化內容，但在網路、搜尋引擎、開放資料集與 AI 訓練語料中的比例極低。

令語言 $L$ 的可觀察數位語料為：

D_L = D_L^{\mathrm{native}} + D_L^{\mathrm{translated}} + D_L^{\mathrm{synthetic}} + D_L^{\mathrm{hybrid}}

其中：

$D_L^{\mathrm{native}}$ ：由該語言社群原生產生的內容；
$D_L^{\mathrm{translated}}$ ：由其他語言翻譯而來的內容；
$D_L^{\mathrm{synthetic}}$ ：由模型直接生成的內容；
$D_L^{\mathrm{hybrid}}$ ：人類與 AI 共同生產、修訂或在地化的內容。

對高資源語言而言，即使新增大量 AI 內容，原生數位語料仍可能足以維持分布穩定。對低資源語言而言，新增數十萬篇同源內容，卻可能立即改變其整體數位語料結構。

1.2 表面擴張與深層替換

若某一低資源語言原有十萬篇可索引原生文本，之後新增一百萬篇由主流語言翻譯而來的文章，其數位內容量雖然上升，但可能形成：

\frac{ |D_L^{\mathrm{translated}}| + |D_L^{\mathrm{synthetic}}| }{ |D_L| } \gg \frac{ |D_L^{\mathrm{native}}| }{ |D_L| }

此時可能同時發生：

\text{語言可見性上升} \quad\land\quad \text{原生語義占比下降}

因此，語言文本增加不必然等於語言主體性增強。

1.3 從內容生產到訓練資料供應

在傳統網路時代，大量自動生成內容主要被視為 SEO、廣告與資訊品質問題。在 AI 時代，公開內容還可能成為：

預訓練資料；
指令微調資料；
搜尋增強生成資料；
多語對齊資料；
翻譯模型資料；
模型評測資料；
下一代合成資料種子。

因此，大規模多語內容系統實際上可能成為：

一種非正式、分散式且缺乏治理的未來模型訓練資料供應系統。

二、核心概念

2.1 合成語料

本文將合成語料定義為：

主要內容、結構、句法、語義或篇章組織由模型生成，且未經足夠原生社群重構的語料。

其包含：

AI 原創文本；
AI 翻譯；
AI 改寫；
AI 摘要；
同一來源內容的大規模多語複製；
多模型反覆轉寫；
自動擴寫與模板化內容。

2.2 原生語料

原生語料不等同於「完全無 AI 參與」。本文更重視內容的知識來源與語義主導權。

一份語料具有較高原生性，若其主要包含：

該語言社群自身提出的問題；
在地事件與制度；
原生概念分類；
在地敘事結構；
母語者主導的術語；
社群內部的修辭與語用；
可辨識的文化與歷史脈絡。

因此，人類使用 AI 輔助潤稿的在地原創內容，可能比純人工直譯更具原生性。

2.3 語料主體性

本文將「語料主體性」定義為：

某一語言的數位語料，在問題設定、概念分類、敘事結構、術語選擇與知識來源上，由該語言社群自身維持的程度。

語料主體性不是人格化概念，而是資料來源與語義控制權的結構性描述。

三、低資源語言中的合成語料主導猜想

3.1 核心猜想

低資源語言中的合成語料主導猜想：當某一語言的可索引、可訓練合成語料，在有效訓練權重上超過其原生語料的某一閾值後，後續模型對該語言的內部表徵將逐步由合成語料分布主導；即使語言形式仍被保留，其認識論、術語、文體與概念結構也可能向來源模型或主流語言收斂。

令模型實際吸收的語料權重為：

W_L = W_L^{\mathrm{native}} + W_L^{\mathrm{synthetic}}

合成主導並不只取決於原始篇數，而取決於有效權重：

\rho_L = \frac{ W_L^{\mathrm{synthetic}} }{ W_L^{\mathrm{native}} + W_L^{\mathrm{synthetic}} }

若存在某一閾值 $\tau_L$ ，使得：

\rho_L>\tau_L

則模型對語言 $L$ 的表徵可能進入合成主導區域。

3.2 有效權重

有效權重可表示為：

W(d) = q(d)\cdot a(d)\cdot r(d)\cdot u(d)\cdot t(d)

其中：

$q(d)$ ：內容品質；
$a(d)$ ：可存取性與可爬取性；
$r(d)$ ：網站或來源權威權重；
$u(d)$ ：語義獨立性；
$t(d)$ ：訓練取樣權重。

因此，一萬篇高權威、可爬取、結構良好的 AI 內容，可能比十萬篇散落、未數位化或低權重的原生內容更能主導模型學習。

四、可見性—原生性衝突命題

4.1 可見性增益

定義語言 $L$ 的數位可見性為：

V_L = f \left( |D_L|, A_L, I_L, R_L \right)

其中：

$|D_L|$ ：語料總量；
$A_L$ ：可存取性；
$I_L$ ：索引率；
$R_L$ ：檢索與引用率。

增加 AI 生成內容通常會提高：

\Delta V_L>0

4.2 原生性稀釋

定義語料原生性為：

N_L = \frac{ W_L^{\mathrm{native}} }{ W_L^{\mathrm{native}} + W_L^{\mathrm{translated}} + W_L^{\mathrm{synthetic}} }

當大量同源翻譯與 AI 生成內容加入時：

\Delta N_L<0

因此可能形成：

\Delta V_L>0 \quad\land\quad \Delta N_L<0

本文將此稱為：

可見性—原生性衝突。

4.3 非必然衝突

若新增內容具有：

在地資料來源；
母語者重構；
原生案例；
透明語料血統；
多元作者；
高語義獨立性；

則可能同時出現：

\Delta V_L>0 \quad\land\quad \Delta N_L\geq 0

因此，問題不在 AI 是否參與，而在內容的語義來源與治理方式。

五、語義獨立密度猜想

5.1 表面樣本數與獨立知識量

若同一篇文章被翻譯為 $m$ 種語言，表面上增加 $m$ 篇文本，但其獨立知識單元仍可能接近 $1$ 。

定義表面資料量：

N_{\mathrm{surface}}

定義獨立語義家族數：

N_{\mathrm{semantic}}

則語義獨立密度為：

\delta = \frac{ N_{\mathrm{semantic}} }{ N_{\mathrm{surface}} }

若一篇內容被翻成兩百種語言：

\delta \approx \frac{1}{200}

5.2 語義獨立密度猜想

語義獨立密度猜想：在其他條件相同時，低語義獨立密度的多語語料，對知識多樣性的增益遠低於其表面資料量所暗示的增益。

換言之：

\Delta K \not\propto N_{\mathrm{surface}}

更合理的關係是：

\Delta K \propto N_{\mathrm{semantic}}

其中 $\Delta K$ 為新增的獨立知識量。

5.3 跨語言評測污染

若同一語義家族的不同語言版本分散於訓練集與測試集，可能造成跨語言資料洩漏。

令同一語義家族為：

G_i = \{d_{i,1},d_{i,2},\ldots,d_{i,m}\}

資料切分應以語義家族為單位：

G_i \subseteq D_{\mathrm{train}} \quad\text{或}\quad G_i \subseteq D_{\mathrm{test}}

不應將同一 $G_i$ 拆分至不同集合。

六、合成語料回授猜想

6.1 回授結構

若模型 $M_0$ 生成語料 $D_0^{\mathrm{syn}}$ ，之後該語料被用於訓練模型 $M_1$ ：

M_0 \rightarrow D_0^{\mathrm{syn}} \rightarrow M_1

而 $M_1$ 再生成更多語料：

M_1 \rightarrow D_1^{\mathrm{syn}} \rightarrow M_2

則形成：

M_0 \rightarrow D_0 \rightarrow M_1 \rightarrow D_1 \rightarrow M_2 \rightarrow \cdots

6.2 回授係數

定義第 $t$ 代模型中，源自先前模型輸出的有效訓練比例為：

\gamma_t = \frac{ W_t^{\mathrm{model-derived}} }{ W_t^{\mathrm{total}} }

若：

\gamma_t\uparrow

且缺乏足夠的新原生資料注入，則模型可能逐步放大：

固定翻譯腔；
詞彙偏好；
語法簡化；
主流語言概念分類；
錯誤對應；
過度標準化；
少數語用模式。

6.3 合成語料回授猜想

合成語料回授猜想：當低資源語言模型的訓練資料持續高比例來自前代模型生成內容時，其語言分布將逐步收斂至模型生成分布，而非原生社群分布。

可表示為：

P_{t+1}(L) = (1-\gamma_t)P_{\mathrm{native}}(L) + \gamma_tP_t^{\mathrm{model}}(L)

當：

\gamma_t\rightarrow 1

則：

P_{t+1}(L) \rightarrow P_t^{\mathrm{model}}(L)

原生分布的影響逐步下降。

七、語料主體性閾值猜想

7.1 語料主體性指數

本文提出語料主體性指數：

S_L = \alpha N_L + \beta O_L + \chi C_L + \delta H_L + \varepsilon P_L

其中：

$N_L$ ：原生語料權重；
$O_L$ ：原生問題與知識來源比例；
$C_L$ ：概念與文化特有性；
$H_L$ ：母語者與在地社群審閱程度；
$P_L$ ：語料血統透明度。

且：

\alpha+\beta+\chi+\delta+\varepsilon=1

7.2 主體性閾值

若：

S_L<\sigma_L

則語言在數位環境中可能進入「外源語義主導」狀態。此時語言文字仍大量存在，但其知識結構主要由外部來源決定。

7.3 語料主體性閾值猜想

語料主體性閾值猜想：當低資源語言的有效數位語料主體性低於某一臨界值後，即使後續持續增加該語言文本，其原生語義分布也不一定能自然恢復，除非有高權重、持續且多樣的原生資料重新注入。

這意味著語料主體性可能具有遲滯效應：

S_L\downarrow

容易發生，但：

S_L\uparrow

未必能靠相同規模的原生資料恢復。

八、翻譯表面化猜想

8.1 語言形式與認識論內容

大規模翻譯可以保存：

字詞；
句子；
基本語義；
文章結構。

但未必保存：

問題設定；
文化預設；
概念邊界；
禮貌層級；
身分關係；
在地因果模型；
價值排序。

8.2 翻譯表面化猜想

翻譯表面化猜想：當低資源語言的新增資料主要由主流語言內容翻譯而來時，模型可能獲得該語言的表面形式能力，卻未必獲得該語言社群的原生認識論結構。

可表示為：

F_L\uparrow \quad\not\Rightarrow\quad E_L\uparrow

其中：

$F_L$ ：語言形式能力；
$E_L$ ：原生認識論表示能力。

甚至可能出現：

F_L\uparrow \quad\land\quad E_L\downarrow

九、在地化補償命題

9.1 直接翻譯與在地重構

直接翻譯通常遵循：

D_{L_s} \rightarrow T(D_{L_s})

在地化重構則加入：

T(D_{L_s}) + K_{L_t} + C_{L_t} + R_{L_t}

其中：

$K_{L_t}$ ：目標語言的在地知識；
$C_{L_t}$ ：文化與概念結構；
$R_{L_t}$ ：母語者修訂。

9.2 在地化補償命題

在地化補償命題：相較於直接翻譯，加入在地案例、概念、術語與母語者重構的內容，能顯著降低合成語料對原生語義分布的稀釋。

因此：

V_{\mathrm{localized}} > V_{\mathrm{translated}}

尤其當研究目標是語言主體性，而非單純資訊可達性時。

十、語料血統保存命題

10.1 語料血統

每一份多語內容應記錄：

原始作者類型；
原始語言；
來源文本；
轉換方式；
使用模型；
模型版本；
人類審閱；
母語者審閱；
語義家族 ID；
授權；
不確定詞彙；
修改紀錄。

可表示為：

\Pi(d) = (o,l_s,l_t,m,v,h,n,g,r)

其中：

$o$ ：來源類型；
$l_s$ ：來源語言；
$l_t$ ：目標語言；
$m$ ：生成模型；
$v$ ：模型版本；
$h$ ：一般人類審閱；
$n$ ：母語者審閱；
$g$ ：語義家族；
$r$ ：修訂歷程。

10.2 血統保存命題

語料血統保存命題：在合成語料不可避免大量進入公開網路的條件下，完整、機器可讀的語料血統，是降低未來模型錯誤估計資料獨立性、原生性與可信度的最低必要條件。

語料血統不能消除全部風險，但能使後續訓練者：

降低取樣權重；
避免重複計數；
隔離評測集；
區分原生與翻譯；
追蹤錯誤來源；
建立語言特定治理。

十一、合成語料治理架構

11.1 四類語料分層

建議將語料至少分為：

A. 原生語料

D^A = D^{\mathrm{native}}

B. 人類原作的 AI 翻譯

D^B = T_{\mathrm{AI}} \left( D_{\mathrm{human-source}} \right)

C. AI 原創與 AI 翻譯

D^C = T_{\mathrm{AI}} \left( D_{\mathrm{AI-source}} \right)

D. 在地化再創作

D^D = \operatorname{Localize} \left( D_{\mathrm{source}}, K_L, C_L, R_L \right)

這四類資料不應被視為相同權重。

11.2 建議權重

在訓練資料治理上，可採用：

w_A>w_D>w_B>w_C

但實際權重仍應依品質、來源與任務調整。

11.3 語義家族管理

所有跨語翻譯與改寫應共享：

semantic_family_id: sf-000001

同一語義家族應被視為一個知識來源的多重表達，而不是多個獨立知識事件。

十二、低資源語言的安全發布策略

12.1 不追求一次性最大規模

低資源語言的合成內容發布應遵循漸進原則：

D_0 \rightarrow D_1 \rightarrow D_2 \rightarrow \cdots

每一階段重新測量：

合成占比；
原生性；
翻譯腔；
術語漂移；
母語者接受度；
搜尋引擎占比；
AI 回答分布。

12.2 建議流程

種子內容
↓
小規模發布
↓
母語者抽樣
↓
術語修正
↓
語言 Profile 更新
↓
擴大發布
↓
定期分布審計

12.3 發布閾值

可定義某一語言的合成發布上限：

B_L(t) = f \left( |D_L^{\mathrm{native}}|, H_L, P_L, Q_L, R_L \right)

其中：

$H_L$ ：母語者審閱能力；
$P_L$ ：語料血統完整度；
$Q_L$ ：生成品質；
$R_L$ ：可逆與修正能力。

十三、可實證研究設計

13.1 研究問題

當合成語料占比上升時，模型的母語者偏好評分是否下降？
模型是否逐步使用來源語言的句法與概念結構？
同一模型多代自我回授後，語言分布是否收斂？
在地化再創作能否抵銷直接翻譯的分布偏移？
語料血統標記能否改善資料取樣與評測隔離？

13.2 實驗組

可建立五種訓練條件：

原生語料組；
原生加直接翻譯組；
原生加 AI 原創組；
原生加在地化內容組；
高比例多代回授組。

13.3 評估維度

語法自然度

由母語者評分。

原生術語保持率

R_{\mathrm{term}} = \frac{ \text{正確使用原生術語數} }{ \text{全部術語測試數} }

文化推理一致性

測試模型是否使用該語言社群的背景與概念，而非來源語言預設。

翻譯腔指數

透過分類器與母語者評估辨識。

原生問題生成率

測試模型能否提出該語言社群自身關心的問題，而不只是翻譯主流議題。

語義家族記憶污染

測試模型是否因跨語重複而高估推理能力。

13.4 時間序列研究

應觀察：

M_0,M_1,M_2,\ldots,M_n

不同世代模型在同一低資源語言上的：

詞彙分布；
句法分布；
主題分布；
原生術語；
文化推理；
翻譯腔；
錯誤類型。

十四、可能反例

14.1 合成語料提高原生能力

若合成資料由母語者規則、原生詞典與在地知識庫約束，AI 可能生成大量高品質資料，反而提升語言能力。

這不否定本文猜想，因為此時合成資料並非單純外源轉寫，而是具有較高語料主體性。

14.2 翻譯保存瀕危語言

對幾乎沒有數位語料的語言而言，低品質資料仍可能優於完全沒有資料。

因此本文不主張停止生成，而主張區分：

\text{救援性生成}

與：

\text{主導性替換}

14.3 模型能辨識來源

若未來模型能可靠辨識翻譯文本、AI 生成文本與原生文本，合成主導的負面效應可能降低。

但這仍依賴語料血統、分類器與訓練策略，不應假設自動成立。

十五、技術命題群

命題一：有效權重主導命題

模型語言表徵主要由有效訓練權重決定，而非原始文本數量。

P_M(L) \approx f(W_L)

命題二：低資源放大命題

相同規模的合成語料，對低資源語言的分布影響高於高資源語言。

\frac{\partial P_L}{\partial D_{\mathrm{syn}}} \propto \frac{1}{|D_L^{\mathrm{native}}|}

命題三：語義重複折損命題

跨語言複製的資料價值隨語義家族重複度增加而遞減。

V(G_i) < \sum_{d\in G_i}V(d)

命題四：來源透明度保護命題

完整語料血統可降低未來模型將合成翻譯誤認為原生知識的風險。

命題五：在地化補償命題

在地化重構對原生語義保持的貢獻，高於同等規模的直接翻譯。

命題六：回授漂移命題

當模型來源資料比例持續上升且缺乏新原生資料時，語言分布將向模型生成分布漂移。

命題七：主體性遲滯命題

語料主體性下降後，其恢復所需的原生資料量可能高於最初造成下降的合成資料量。

十六、工程實作建議

16.1 最小中繼資料

每篇內容至少附帶：

content_id: item-000001
source_type: human_authored
source_language: zh-Hant
target_language: sw
transformation: ai_translation
model_id: model-name
model_version: version
human_reviewed: false
native_speaker_reviewed: false
semantic_family_id: sf-000001
localization_level: none
confidence: 0.86
license: CC-BY-4.0
created_at: 2026-07-25

16.2 頁面層標記

公開網站應提供：

人類可讀標記；
JSON-LD；
HTTP Header；
Sitemap metadata；
Dataset manifest；
語義家族連結；
原文連結；
翻譯與生成方式。

16.3 AI 語料宣告接口

未來可設計：

/.well-known/ai-corpus-manifest.json

其中包含：

網站內容來源分類；
AI 生成比例；
語言分布；
語義家族數；
授權；
建議訓練權重；
不建議用於評測的內容；
原生內容索引；
翻譯內容索引。

16.4 語料修訂

語料治理系統應支援：

錯誤標記；
版本替換；
術語修正；
內容撤回；
血統更新；
模型版本追蹤；
失效連結修補。

十七、倫理與治理意義

17.1 數位可見性不等於語言保存

一種語言可能在網路上擁有大量文本，卻只是在重複其他語言的內容。

因此，語言保存至少應區分：

\text{形式保存}

與：

\text{語義主體保存}

17.2 AI 內容不應冒充社群本身

最基本原則是：

AI 生成的語言表面，不應被無標記地表現為該語言社群的原生思想與知識。

17.3 低資源語言的資料治理權

當某個外部系統能快速生成遠超當地原生語料量的內容時，該系統實際上可能影響未來模型如何理解該語言。

因此，低資源語言社群應至少擁有：

知情權；
標記權；
修正權；
拒絕錯誤術語的權利；
建立自身語言 Profile 的權利；
對公開語料治理規則提出意見的權利。

十八、研究綱領

第一階段：資料分類

建立：

原生；
翻譯；
AI 原創；
在地化；
混合；

五類語料分類。

第二階段：語義家族標記

針對所有多語內容建立語義家族 ID。

第三階段：低資源語言小規模實驗

選擇數種不同數位資源規模的語言，建立可控資料集。

第四階段：多代模型回授測試

測量語言分布、翻譯腔與原生術語的跨代變化。

第五階段：治理標準

提出開放的：

語料血統標準；
生成內容標記；
語義家族標準；
原生性評估；
合成內容發布指南。

十九、結論

大規模 AI 多語內容生產，確實可能為低資源語言帶來前所未有的數位可見性、知識可達性與形式化能力。然而，這種增益同時可能伴隨一個結構性風險：

新增的語言內容，在形式上屬於該語言，在語義來源上卻主要屬於另一種語言、另一個模型或另一套知識秩序。

因此，真正需要評估的不是：

\text{生成了多少篇內容}

而是：

\text{增加了多少獨立、可追溯、原生或在地化的語義資產}

本文提出的核心猜想是：

當低資源語言中的合成語料有效權重超過某一閾值後，後續 AI 對該語言的理解可能逐步由合成語料主導；語言的數位可見性雖然提高，其原生認識論、文體與概念結構卻可能被稀釋。

因此，未來多語內容系統不應只是內容農場，而應被重新設計為：

多語知識發布系統；
語料血統系統；
語義家族管理系統；
在地語言 Profile 系統；
母語者共同治理系統；
AI 訓練資料透明化系統。

最終原則是：

增加低資源語言的可見性，但不以消除其語義來源為代價；擴大 AI 可學習資料，但不讓模型生成內容冒充語言社群本身。

附錄 A：核心指標總表

合成語料滲透率

\rho_L = \frac{ W_L^{\mathrm{synthetic}} }{ W_L^{\mathrm{total}} }

語料原生性

N_L = \frac{ W_L^{\mathrm{native}} }{ W_L^{\mathrm{total}} }

語義獨立密度

\delta_L = \frac{ N_{\mathrm{semantic}} }{ N_{\mathrm{surface}} }

回授係數

\gamma_t = \frac{ W_t^{\mathrm{model-derived}} }{ W_t^{\mathrm{total}} }

語料主體性指數

S_L = \alpha N_L + \beta O_L + \chi C_L + \delta H_L + \varepsilon P_L

語義家族重複率

R_{\mathrm{family}} = 1- \frac{ N_{\mathrm{semantic}} }{ N_{\mathrm{surface}} }

附錄 B：待驗證假說清單

低資源語言的合成語料主導閾值顯著低於高資源語言；
AI 翻譯語料比 AI 原創語料更容易造成來源語言句法滲透；
多代模型回授會提高翻譯腔與詞彙收斂；
母語者修訂能顯著降低語義漂移；
語義家族切分能降低跨語評測洩漏；
語料血統能改善訓練取樣與可信度評估；
原生問題生成能力比單純語法自然度更能衡量語言主體性；
語料主體性具有遲滯效應；
在地化再創作的長期價值高於大規模直接翻譯；
未標記合成語料會使模型高估某語言的原生知識規模。

低資源語言中的合成語料主導猜想_v0.1

低資源語言中的合成語料主導猜想

可見性增益、原生語義稀釋與模型回授之間的結構性衝突

摘要

關鍵詞

一、問題背景

1.1 低資源語言的數位困境

1.2 表面擴張與深層替換

1.3 從內容生產到訓練資料供應

二、核心概念

2.1 合成語料

2.2 原生語料

2.3 語料主體性

三、低資源語言中的合成語料主導猜想

3.1 核心猜想

3.2 有效權重

四、可見性—原生性衝突命題

4.1 可見性增益

4.2 原生性稀釋

4.3 非必然衝突

五、語義獨立密度猜想

5.1 表面樣本數與獨立知識量

5.2 語義獨立密度猜想

5.3 跨語言評測污染

六、合成語料回授猜想

6.1 回授結構

6.2 回授係數

6.3 合成語料回授猜想

七、語料主體性閾值猜想

7.1 語料主體性指數

7.2 主體性閾值

7.3 語料主體性閾值猜想

八、翻譯表面化猜想

8.1 語言形式與認識論內容

8.2 翻譯表面化猜想

九、在地化補償命題

9.1 直接翻譯與在地重構

9.2 在地化補償命題

十、語料血統保存命題

10.1 語料血統

10.2 血統保存命題

十一、合成語料治理架構

11.1 四類語料分層

A. 原生語料

B. 人類原作的 AI 翻譯

C. AI 原創與 AI 翻譯

D. 在地化再創作

11.2 建議權重

11.3 語義家族管理

十二、低資源語言的安全發布策略

12.1 不追求一次性最大規模

12.2 建議流程

12.3 發布閾值

十三、可實證研究設計

13.1 研究問題

13.2 實驗組

13.3 評估維度

語法自然度

原生術語保持率

文化推理一致性

翻譯腔指數

原生問題生成率

語義家族記憶污染

13.4 時間序列研究

十四、可能反例

14.1 合成語料提高原生能力

14.2 翻譯保存瀕危語言

14.3 模型能辨識來源

十五、技術命題群

命題一：有效權重主導命題

命題二：低資源放大命題

命題三：語義重複折損命題

命題四：來源透明度保護命題

命題五：在地化補償命題

命題六：回授漂移命題

命題七：主體性遲滯命題

十六、工程實作建議

16.1 最小中繼資料

16.2 頁面層標記

16.3 AI 語料宣告接口