# 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： 1. AI 原創文本； 2. AI 翻譯； 3. AI 改寫； 4. AI 摘要； 5. 同一來源內容的大規模多語複製； 6. 多模型反覆轉寫； 7. 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： ```yaml 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 ```text 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 1. 當合成語料占比上升時，模型的母語者偏好評分是否下降？ 2. 模型是否逐步使用來源語言的句法與概念結構？ 3. 同一模型多代自我回授後，語言分布是否收斂？ 4. 在地化再創作能否抵銷直接翻譯的分布偏移？ 5. 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： 1. 原生語料組； 2. 原生加直接翻譯組； 3. 原生加 AI 原創組； 4. 原生加在地化內容組； 5. 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： ```yaml 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： ```text /.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： 1. 多語知識發布系統； 2. 語料血統系統； 3. 語義家族管理系統； 4. 在地語言 Profile 系統； 5. 母語者共同治理系統； 6. 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 1. 低資源語言的合成語料主導閾值顯著低於高資源語言； 2. AI 翻譯語料比 AI 原創語料更容易造成來源語言句法滲透； 3. 多代模型回授會提高翻譯腔與詞彙收斂； 4. 母語者修訂能顯著降低語義漂移； 5. 語義家族切分能降低跨語評測洩漏； 6. 語料血統能改善訓練取樣與可信度評估； 7. 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； 8. 語料主體性具有遲滯效應； 9. 在地化再創作的長期價值高於大規模直接翻譯； 10. 未標記合成語料會使模型高估某語言的原生知識規模。