研究文章

优化 DeepSeek 提示词在跨文化英语写作教学中的应用：迁移能力的实证研究

50 次观看

⸱

DOI：

10.3791/71662

⸱

2026年8月25日

1Ningbo City College of Vocational Technology

本文内容

摘要

本研究基于DeepSeek构建了一种分层提示优化框架，以提升跨文化语境中的英语写作迁移能力。通过三阶段提示链设计，并对60名英语专业学生开展准实验，结果显示实验组相较于对照组具有显著提升。

摘要

针对传统英语写作教学忽视语言迁移系统性培养、现有提示框架难以适配课堂教学的问题，本研究基于 DeepSeek 模型构建了覆盖句子、段落、语篇和文化四个递进任务层级的分层迁移训练体系，所有任务均以三元形式定义。建立了涵盖句法、结构、文化、语域和逻辑五个维度的任务库，并基于学生真实写作初稿自动生成针对性提示。结合该模型的专家混合（Mixture of Experts, MoE）架构，设计了嵌套式提示链，将复杂写作任务分解为语义重组、语言修订和文化调适三个连续阶段。采用准实验设计，研究招募某高校60名英语专业二年级学生，随机分为实验组与对照组，每组各30人，开展为期三周、分三轮的阶段性干预。实验后结果显示，实验组文化迁移得分从2.8提升至4.5，而对照组仅提高0.3；教师评分平均分由59.1提升至74.4，显著高于对照组从60.1提升至64.9的增幅。人工智能评分与教师评价之间的多数相关系数超过0.8，超过90%的参与者认可人工智能重写与结构优化功能。由于本试验样本量较小，该优化方法在高校英语写作课程中的实施具有可行性。

引言

在跨文化语境下的英语写作教学中，非母语英语学习者常常面临从语言知识向实际应用转化能力不足的挑战1,2。尽管学生具备一定的语法和词汇基础，但在将句型、结构及文化表达有效转化为实际写作方面仍存在困难，导致语言输出模式化、思维受限，进而影响整体写作质量3。此外，语言结构、逻辑组织和语用规范方面的跨文化差异进一步加剧了写作迁移的复杂性4。近年来，大语言模型（LLMs）为写作教学提供了新的技术支持5。诸如 DeepSeek 等智能写作工具在语言生成与重构方面展现出强大能力。然而，在教学实践中，这些工具大多局限于表层语言纠错，尚未深度融入以培养迁移能力为核心的教學过程，缺乏明确的教学目标导向以及对生成行为的可控性6,7。当前主流的AI辅助写作应用大多将其功能局限于表层语法错误的纠正，而非系统性迁移能力的培养，导致对模型输出的教学导向控制效果不佳。

关于英语作为第二语言（ESL）写作辅助的现有研究主要分为三大主流类别：传统提示驱动的写作反馈、通用人工智能润色干预以及以人工为中心的迁移训练。首先，一般的提示工程研究侧重于问答和文本重写的技术优化，但并未与分层迁移教学目标相匹配8,9。其次，典型的基于ChatGPT的ESL辅导主要关注整体写作准确性的提升，而非分层次的句法、结构及跨文化迁移能力的培养10。第三，依赖模仿与对比写作的传统迁移教学法缺乏智能工具支持的闭环反馈机制11。与上述研究不同，本研究定制了面向迁移的分层提示，与多层级教学目标相一致，并构建了基于范例的提示自动生成功能流程，形成了融合模型生成、教师反馈与学生修改的独特闭环训练机制。

已有文献提出了一种可能的因果链，涉及语言文化差异、模型固有结构限制以及割裂的课堂教学实践之间的关联，但这一因果链在现有实证研究中尚未得到充分验证，因而构成本文拟检验的核心研究假设12,13。关于本文所引用的 DeepSeek 模型的固有特性，其开放的指令接口以及基于专家混合（MoE）的专家路由设计已在现有的模型技术报告和应用语言学研究中有所记载。基于这些已记录的模型特征，本研究设计了嵌套式提示链，以分解复杂的跨文化迁移任务，并开发了动态子模型调度规则，用于差异化的迁移任务分配。围绕结构化迁移能力的培养，本研究探索了针对 DeepSeek 的定向提示优化，旨在将大语言模型从通用的文本编辑工具转变为面向大学英语写作教学的专业化迁移训练系统。

在第二语言写作研究领域，迁移现象长期以来一直是核心议题14,15。传统的语言迁移理论主要关注母语对目标语习得过程的正负迁移效应，尤其侧重于语音、词汇和句法层面16。Mirzayev E 指出，在英语作为第二语言（ESL）的写作教学中，第一语言的负迁移仍是制约学生写作能力发展的关键因素17。随着研究范围的拓展，学术界逐渐将关注点扩展至写作结构的迁移18。中介语写作常因多种因素导致语言错误和语言僵化现象19。与此同时，认知迁移理论也日益受到关注20。该理论强调写作过程中认知组织方式和表达模式的差异。例如，西方写作注重线性推理和显性逻辑，而中国传统文化则偏好螺旋式展开和语义上的含蓄性，二者之间存在显著张力。因此，语言迁移不仅涉及语言单位的转换，更深层次地涉及思维结构和文化表达规范的适应与转变，这是当前英语写作教学中的重要挑战21。

在培养迁移能力的实践中，现有研究常采用仿写22、对比写作23和翻译训练24等策略，以增强学习者对目标语言迁移机制的理解与应用。仿写有助于构建基本的语篇能力，但容易导致结构僵化；对比写作可提升语言风格意识和文化意识，但缺乏系统的任务分层与个性化反馈；翻译训练能促进文化隐喻的识别，但若缺乏指导，易导致语义偏差或语用不当。上述策略主要依赖人工示范与经验性指导25，缺乏对迁移策略的显性构建和系统性反馈机制，难以适应学习者在语言水平和认知风格上的个体差异。尽管部分研究尝试通过多样化的写作任务拓展迁移训练26,27，但教学过程尚未形成“迁移目标—语言生成—策略反馈”的闭环；迁移策略的内化效果有限，学生在真实写作任务中迁移能力的发展仍显不足28。

随着大语言模型技术的发展，其在语言教学中的辅助潜力日益受到关注29。以ChatGPT（Chat Generative Pre-trained Transformer）30和DeepSeek31为代表的生成式人工智能工具，已被广泛应用于文本润色、语言重写和语言调整等场景。Diasamidze等研究发现，使用ChatGPT的英语作为第二语言（ESL）学习者在语法准确性、词汇丰富性和文本组织能力方面均优于传统教学组32。然而，现有应用大多局限于表层语言处理，缺乏对迁移目标的系统性指导。Ranade指出，当前教育场景中的基于提示词（prompt-based）项目多依赖通用模板，所生成内容缺乏语境适应性和任务特异性33。此外，主流模型的训练依赖开放语料库，缺乏对中国与英语文化表达差异的深度建模。生成文本中容易出现文化不恰当和语用不自然的现象34,35，这限制了其在跨文化写作迁移教学中的深入应用。

方案

伦理批准

实验开始前，作者已获得学院批准（批准编号：NBCC-ETH-2026-037），并向所有参与的学生分发了知情同意书。所有学生均被明确告知研究目的、实验流程及数据使用规定。参与研究完全自愿，参与者可在任何阶段退出。所有个人数据和书面作品均进行匿名化处理以保护隐私，仅用于学术分析。全部60名参与者在参与研究前均已签署知情同意书。参与者选自同一所高等职业院校两个平行的大二英语写作班级，采用便利抽样方式进行招募。纳入标准包括：通过大学英语六级考试（CET-6）且成绩达到规定分数 > 425名学生，本学期无缺勤，且最近两次单元写作测试的平均成绩达标。排除标准包括：课后长期使用商业英语AI写作软件，以及严重阅读障碍。

所有连续型结果变量的变异性均以均值 ± 标准差（SD）表示。所有分析的样本量均为每组 n = 30 名参与者（实验组 vs. 对照组），总样本量 N = 60。对于纵向重复测量数据，采用重复测量方差分析（RM-ANOVA）检验组间效应、时间效应以及组别与时间的交互效应。在各个单独时间点上，采用独立样本 t 检验进行事后成对比较。对照组接受传统写作教学，并辅以一种通用的、免费的、非定制化的人工智能写作工具（无分级提示，无面向迁移的模板）。其教学时长、写作任务、反馈频率和训练文本均与实验组相同，唯一区别在于未使用本研究中的定制化嵌套提示链和五级任务库干预措施。实验组采用基于 DeepSeek 模型的教学指导，优化写作教学过程，包括嵌套提示链引导、跨文化适应性输出以及“生成—反思—再生成”机制。相比之下，对照组采用传统教学方法或未经优化的 AI 辅助工具。通过比较两组的教学效果，验证了基于大语言模型的迁移训练方法在提升学生写作迁移能力方面的有效性。

总体研究思路

本研究旨在提升学生的英语写作迁移能力，并开发有效的教学设计方法，特别关注将 DeepSeek 适配于教育应用。首先，提出了一种指令优化策略，以重新设计模型提示。该策略提高了生成内容在写作教学中对多种迁移目标的契合度，包括句法结构、段落逻辑和文化表达。其次，将教师的写作任务转化为结构化且目标明确的提示模板，并在此基础上建立教学任务与模型行为之间的映射关系。这增强了模型的可控性，确保生成内容具有教学相关性。最后，本研究构建了一个闭环式迁移训练流程：“生成—反思—重写—再生成”。该流程鼓励学生在模型支持下识别迁移策略，并主动优化语言表达。通过反复迭代，学生的跨语言与跨文化写作迁移能力得到持续强化。句子结构转换的具体步骤如图1A–D所示。

为了阐明人工智能辅助写作训练系统的完整操作逻辑并提高可重复性，表1总结了整体实施流程，涵盖原始输入、教师干预、提示应用、学生行为、最终输出及相应评价标准等核心环节。

基于迁移的任务构建策略

本研究聚焦于英语写作中迁移能力的培养。通过构建从浅层到深层的迁移任务路径，系统性地引导学生掌握并实践多层次语言迁移策略。为整体描述该路径结构，将其定义为一个四级任务集：

T = {T1,T2,T3,T4} (1)

T1 代表句子层面的迁移任务，侧重于基本的语法结构操作，例如短句扩展、语态变换和从句替换，以帮助学生掌握多样化的句式表达方法。T2 是段落层面的迁移任务，引导学生关注段落内部信息的组织与衔接，通过提取主题句和调整句间逻辑关系，训练其提升段落结构的清晰性与表达的连贯性。T3 代表篇章层面的任务，进一步延伸至章节整体的逻辑布局与论证节奏，引导学生通过调整段落顺序、优化结构并列关系，构建具有完整论证体系的英文文章。T4 是文化层面的迁移任务，要求学生识别母语写作中隐含的文化表达特征，如含蓄措辞和语义暗示，并将其转化为符合目标语文化习惯的直接表达或逻辑显性形式。其演化过程如图2所示。为增强任务设计的可操作性与可评价性，本研究进一步将每一层级的任务定义为三元形式：

Ti = (Si,Gi,Ei) (2)

Sj 表示任务输入样本，Gi 表示目标迁移操作，Ei 表示支持性评估标准。通过这一结构化表达，确保了每一层级的任务均建立在前一层级策略掌握的基础之上，并配备了相应的样本、目标描述和绩效标准，为迁移路径的稳步推进提供了机制保障。在构建迁移训练系统的过程中，为了实现任务类型的系统性覆盖以及教学调用的高效管理，本研究基于写作迁移中常见的语言转换维度，构建了一个涵盖五类迁移目标的结构化任务库。该任务库的形式化表达为：

M = {(Dj,TDj)∣j = 1,2,3,4,5} (3)

Dj  对应五个迁移维度：句法迁移、结构迁移、文化迁移、语域迁移和逻辑迁移；与每个维度相关联的任务集 TDj  代表其操作子集。在任务库的构建过程中，作者首先基于大量真实的学生写作样本，总结并分类常见的迁移困难和语言错误类型，并结合实际教学需求与评价标准，将不同迁移类型划分为若干功能区域，确立每一项任务的核心训练目标与操作模式。每个任务均被抽象表示为如下三元结构：

Ti,j = (Si,j,Gi,j,Ci,j) (4)

Si,j 表示任务输入样本，Gi,j 是任务的迁移目标描述，Ci,j 是任务的评估与控制维度。在句法迁移任务中，本研究设计了由简到难的句子重组序列，涵盖句子连接、从句嵌套、被动语态转换及相关概念，旨在提升学生在句子扩展和语法转换方面的能力。结构迁移任务聚焦于优化段落逻辑，通过重写主题句、排序支持句以及重构因果关系和例证关系，强化信息组织能力，提升逻辑构建能力。文化迁移任务基于跨文化语料库，针对隐含表达、委婉语等语用偏差现象，设计贴近真实语境的表达转换，以促进文化适应能力的发展。语域迁移任务引导学生将口语表达转化为学术语言，掌握语域转换策略。逻辑迁移任务则聚焦于推理链的构建，在开展连词使用、逻辑关系显化和段落衔接训练的同时，确保表达的清晰性。

本研究基于学生的实际写作样本，开发了一种与教学任务紧密关联的提示生成流程，旨在增强指令的相关性以及生成内容的实用性。该流程由教师主导，在教学过程中选取具有代表性的学生文本片段，重点关注冗余句子、结构混乱和文化表达不当等典型迁移问题。随后，教师通过系统界面为样本标注迁移类型，以明确训练目标。系统接收到标注信息后，自动激活迁移任务识别模块，将输入内容与预设的任务库和提示模板库进行匹配。匹配过程综合考虑迁移类型、语言特征和文本结构等因素，据此选择最合适的模板并生成初始提示。系统还支持结构化增强处理，将教师的标注转换为模型易于解析的标准化格式，并将相关教学提示嵌入提示语中，帮助模型准确理解教师意图及学生问题。为提高指令的灵活性与可控性，系统设有教师辅助模块，允许教师通过修改指导语、调整上下文设置以及自定义语气和风格来优化提示。由此，教师能够更有效地控制生成过程，并将其更好地适配于不同的教学场景。

Deepseek 命令优化机制

根据英语写作迁移训练的实际需求，本研究开发了五种面向迁移的提示模板。这些模板旨在引导和规范大语言模型的生成行为。结构迁移模板侧重于段落组织和语篇结构，帮助学生通过采用“引言—主体—结论”等结构重组文本，提升思想表达的逻辑连贯性。句法迁移模板强调句子层面的复杂性，鼓励使用被动语态、平行结构和复合从句等多样化的语法结构，以增强书面表达的复杂程度。文化迁移模板关注写作中的文化适切性，指导学生将受母语和文化影响的表达方式调整为在英语语境中更自然、更可接受的形式。语域迁移模板聚焦于风格适应与语域控制，帮助学生根据不同的写作目的、受众和体裁调整语言使用。逻辑迁移模板旨在强化逻辑组织，促进因果、比较与对照、并列发展等逻辑关系的有效运用，从而提升文本的连贯性与论证严谨性。这五种模板共同覆盖了写作迁移的主要维度，为教学任务设计和基于模型的文本生成提供了结构化的教学支持。

每种模板类型均遵循统一的格式，以确保其在不同教学情境下的普适性与适应性。模板包含四个核心要素：第一为指令目标，明确指出所需的迁移任务；第二为样本输入，为学生提供真实的语言片段，作为指令有效性的语料基础；第三为目标输出，展示迁移后理想语言输出的标准样式，供学生对照并用于模型调优；第四为使用建议，说明该模板适用的语言水平、文本类型及使用策略，并提供可调节参数提示，以增强生成控制与教学指导效果。

为了进一步说明提示模板的设计逻辑及其实际应用，以下列出了五个以迁移为导向的提示的代表性示例。所有模板均遵循统一的框架，包括指令目标、示例输入、目标输出以及使用建议。通过这些提示，指导学生扩展简单句、转换句子语态以及嵌入从句，以丰富句法多样性。例如，针对学生初稿“我学习英语写作。这对跨文化交流非常重要”，优化后的输出为“学习英语写作在提升学习者跨文化交流能力方面起着至关重要的作用”。该提示适用于中等难度水平的英语专业二年级学生进行句子层面的训练，重点在于基础句法重构和语态转换。另一类提示则聚焦文化迁移，旨在识别受母语文化思维影响的中式英语表达，并将句子改写为符合西方文化规范的自然英语语用表达。以学生句子“许多人认为如果你想成功就必须努力工作”为例，修改后的版本为“人们普遍认为勤奋是成功的关键”。该提示应用于文化层面的迁移训练，重点在于消除隐含的中文思维模式，促进在英语语境中的明确表达。

本研究还开发了一种三阶段嵌套式提示链，以学生的段落初稿作为统一输入，并按顺序分阶段运行。第一阶段为语义重组，提示要求参与者重新排列给定段落中的句子，优化观点的逻辑顺序，并形成具有明确主题句的完整段落。第二阶段为语言修订，要求将修改后的段落重写为正式的学术英语，替换口语化词汇，并恰当地使用复合句和被动语态结构。第三阶段为文化适应，其提示引导用户检查文本中的文化语用表达，消除母语文化的干扰，并润色内容以符合英语跨文化写作规范。上述示例充分展示了单个提示模板与嵌套提示链的操作模式。在此基础上，本研究结合 DeepSeek 的 MoE 架构，设计了一套完整的分阶段提示链。

为了克服单轮提示在生成控制和任务响应深度方面的局限性，本研究设计了一种具有分阶段和连续性特征的嵌套式提示链结构，实现分层引导和复杂迁移任务的逐步生成。该机制将完整的迁移任务分解为若干子目标，并为每个子目标设计相应的提示模板，按照语义重构、语言风格调整和文化语用适应的逻辑顺序依次串联，形成具有上下文依赖性的生成链。本研究通过 DeepSeek 的标准开放 API 实现了嵌套提示链的优化。DeepSeek 模型原生采用混合专家（Mixture of Experts, MoE）架构，配备自动后端专家路由系统，该系统作为独立于外部提示的固有内部推理模块运行。自定义的多阶段提示仅调整模型输入的内容特征。针对优化输入中嵌入的语义、风格和文化需求，模型原生的 MoE 路由机制在文本生成过程中自主激活最合适的专家模块。聚焦于语义重组、风格调整和文化适应的三阶段提示设计，仅对输入文本进行细化，不干预模型内部的专家选择与分配逻辑。

在操作流程方面，该系统接收教师上传的学生文本，迁移目标标注，并自动判断是否启用嵌套链式结构。若启用，系统将依次执行三个阶段：第一阶段为语义重构，调用结构迁移模板以优化段落组织和逻辑线索；第二阶段为语言风格调整，使用语言模板将口语化表达转换为学术书面语；第三阶段为文化适配，调用文化迁移模板识别并替换不符合目标语言文化的表达，生成更为地道的文本。

每一轮生成都将上一轮的输出作为输入，并保留上下文向量缓存，以确保语义连贯性。教师可在系统界面中自定义提示链结构，包括模板选择、指令修改和顺序调整。系统还支持“模板组合包”功能，便于教师批量复用或分配任务。此外，系统内置动态中断与反馈机制，可在每次生成后提供中间结果。教师可实时进行标注或调整后续指令，形成“生成—调整—再生成”的教学闭环。

模型构建、评估

本研究基于 DeepSeek 模型的文本生成与评估过程，构建了多维自动评分机制，从句法复杂性、结构规范化和语篇连贯性三个方面对生成文本进行系统性分析与定量评估。研究采用 spaCy 依存句法分析器及 Coreferee 共指消解扩展模块进行文本特征提取与自动化评估。spaCy 依存句法分析器用于解析英文文本的句法结构，提取平均句长、嵌套从句数量等关键指标，实现对句法复杂性的量化分析。Coreferee 共指消解扩展模块在 spaCy 框架内运行，主要用于识别文本内部的指代关系，评估语篇中的指代连贯性，为写作质量的自动化评分提供技术支持。由于网络限制，上述海外开源网站无法访问。

首先，系统评估了句法复杂性。系统提取了诸如平均句子长度、从句嵌套深度和句子多样性等特征。这些特征通过依存句法分析和深层句法树建模获得。根据分析结果，系统判断学生是否已成功从简单句式过渡到更复杂的句子结构。其次，系统评估了段落组织。系统结合基于BERT的文本表征与分类模型，识别段落中的关键要素，包括主题句、支撑句和结论句。随后构建段落结构图，以判断其组织方式是否符合英语学术写作的规范。第三，系统评估了文本的连贯性。系统考察了逻辑连接词的使用、句子间的语义一致性以及全文指代关系的质量。这些指标用于评估逻辑发展的清晰程度以及思想推进的流畅性。为衡量主题一致性，系统利用基于向量的表征计算语义相似度。指代连贯性则通过共指消解技术进行评估，有助于减少语义断层和指代模糊。最后，系统将各维度的得分整合为统一的评分向量，并对结果进行标准化处理，形成一个综合评价体系，从而实现对不同写作样本的可靠比较。

在人工评估阶段，本研究建立了一个涵盖迁移行为显著性、表达自然度和文化适应性的三维评分体系，用于写作迁移训练，以增强教师评价的相关性和教学反馈的有效性。该体系结合其辅助功能，实现了定量评分与定性评语的有机结合。在迁移行为维度，教师根据预设任务目标，判断学生在改写文本过程中迁移策略的使用情况。系统提供原文与生成文本的并列对比视图，辅助教师识别句子调整、结构重构等操作是否有效体现了所需的迁移类型。

自然表达性评估重点关注语言输出的流畅性与真实性。教师利用系统生成的语言指标，判断句子是否符合英语母语者的表达习惯，并评价语法结构、词语搭配和句子节奏是否自然恰当。同时，教师通过批注指出存在的问题，并提供替代性表达建议。文化适应性维度则聚焦于跨文化语用的得体性。教师需识别文本中是否存在因源语言文化干扰而导致的不当表达，例如语义模糊、修辞冲突或含糊的价值判断。系统提供常见的文化偏差词汇示例，并支持教师在评语中说明修改依据及文化语境要求，引导学生提升文化迁移意识与表达准确性。每个维度均采用五分制评分，包含自由批注和建议填写模块。最终评估结果以雷达图形式呈现。

为了提高评估效率并支持课堂教学的实际应用，本研究开发了一种结合人工智能评分与教师评价的协同评估机制。该系统首先对 DeepSeek 生成的文本进行多维度评估，通过自动评分模块对句法复杂性、段落组织和文本连贯性等关键方面进行评判。评分结果实时显示在教师界面中。教师可查看各维度的详细得分，并根据自身的专业判断以及对学生迁移表现的理解，对评分进行必要的调整。教师还可直接在文本上添加针对性评语，提供自动评分可能无法涵盖的反馈与教学建议。每个评估维度均采用五点评分量表。界面还包含自由文本注释与建议模块，以支持个性化反馈。评估结果通过雷达图进行可视化呈现，使教师能够快速识别学生在不同迁移维度上的优势与不足。

此外，该系统允许教师根据教学目标调整特定维度或总体评分的权重。这一功能确保最终评估结果能更准确地反映学生的真实表现和学习需求。在完成人工评审后，系统会自动整合机器生成和教师生成的评估数据，并生成可视化反馈报告。报告包含迁移能力雷达图和版本追踪图，这些可视化图表清晰地展示了学生在多轮文本生成与修改过程中迁移能力的变化，从而实现对学习进展的持续监控。

转移训练过程

本研究设计了一个完整的迁移训练流程。首先，教师根据教学目标和学生的实际水平布置具体的英语写作任务，并明确训练的迁移类型和重点。随后，系统根据教师设置的任务自动生成相应的提示指令，并调用 DeepSeek 模型生成写作初稿，作为学生改写和迁移训练的基础材料。学生收到初稿后，需主动识别文本中体现的迁移特征，并运用已掌握的迁移策略，有针对性地改写内容，以提升句法结构、段落组织和文化表达的恰当性。完成改写后，教师对学生提交的文本进行详细评阅，指出迁移策略的运用效果，并提供具体的改进建议和写作指导。根据教师反馈，系统再次调用 DeepSeek 模型生成优化版本，进一步支持学生完善文本，深化迁移策略的实践。最后，学生完成终稿提交，填写迁移认知表，进行自我评价，总结迁移方法及其效果，促进元认知能力的提升和写作迁移技能的内化。本研究设计的迁移认知表见表 2。

所有项目均采用1–5级评分量表，范围为1（无掌握）至5（完全掌握）。自我评估数据在三轮连续培训后收集；评分基准参照五维任务库中预定义的转移操作标准。

结果

实验设计教学

本研究使用了 DeepSeek 的基础开源版本，依赖该平台的开放 API 接口进行程序调用。完整的五套提示模板文本、四个层级的任务示例条目、迁移标注类别标签以及写作错误模板匹配映射规则均编入补充附录中。系统采用固定的调用参数：温度系数为 0.7，生成长度则根据写作问题类型动态限制。系统严格遵循语义重构 > 风格调整 > 文化适应的固定顺序，执行嵌套式提示链调用。模型输出结果由教师人工筛选，以选取适用于课堂教学的有效文本。

本研究邀请了三名具有五年以上教学经验的大学英语写作专职教师参与人工评分。所有评分员在正式评分前均接受了标准化培训，熟悉了评分维度、五分制评分系统、文化迁移、句法、语篇及其他评分细则，并完成了预评分校准。所有学生作文均由两位教师以双盲、盲评的方式独立评分。若两位评分员的评分差异超过1分（满分5分），则由第三位资深教师进行仲裁，取两个有效评分的平均值作为该样本的最终人工评分。在评估阶段，有两组评分员参与，以满足不同的研究目的。三名具有五年以上教学经验的大学英语写作专职教师对正式实验中的所有学生写作样本进行了双盲独立评分，当评分差异超过五分制的1分时，由第三位资深教师担任仲裁。相比之下，另有五名评分员参与了基于组内相关系数（Intraclass Correlation Coefficient, ICC）的评分者间信度测试，该测试单独进行，旨在验证不同评分员之间评价标准的一致性。评分员人数的差异源于不同的功能需求：三名核心教师确保实验数据的实际评分工作，而扩充至五人的评分小组则为整个评价体系的可靠性提供了更充分的证据。

句法复杂度、BERT文本结构评分和语义相似度的评分范围均为0–5分。各维度的权重根据外语写作教学与研究标准设定：句法占0.35，文本结构占0.35，逻辑与文化占0.3。权重数值基于该领域内成熟的写作定量评价体系。人工智能自动评分模块通过15篇预先分类的范文设定的阈值进行校准。人工评分采用统一的五分制评分标准。在正式评估前，机器评分与人工校准结果结合进行了预实验验证。

教学任务围绕“句法-结构-文化”三个层次的迁移目标展开，共进行三轮训练，每轮持续一周。第一轮为句子层面的改写，旨在提升句法多样性和表达准确性；第二轮为段落层面的结构重构，以增强段落组织与逻辑连贯性；第三轮为文化层面的迁移训练，旨在加强跨文化语用意识与表达适应能力。由于数据来自同一参与者在前测、三轮连续训练及后测中的重复测量，因此采用重复测量方差分析（RM-ANOVA）作为主要统计方法，检验组别（实验组与对照组）的主效应、测试时间的主效应，以及组别与时间的交互效应，后者用于判断两组在训练过程中的得分变化是否存在差异。球形假设通过Mauchly检验进行验证；若违反球形假设，则采用Greenhouse–Geisser校正。独立样本t检验仅用于各时间点上的事后组间两两比较，而评分一致性与效应量的量化则分别采用Pearson相关系数和Cohen’s d。

所有统计分析均在数据收集前预先设定。采用独立样本t检验比较两组间写作指标的前测与后测差异，主要零假设为两组在写作迁移表现上无差异。使用皮尔逊相关分析量化人工智能自动评分与教师人工评分之间的线性关联，组间比较的标准化效应量采用Cohen’s d表示。所有假设检验的显著性阈值设定为α = 0.05，并随所有检验统计量一并计算95%置信区间。所有统计计算均通过SPSS 26.0完成。学生测试成绩和问卷数据集中无缺失数据，因所有参与者均完成了完整的三轮训练及相关评估，因此无需进行缺失值填补或个案删除处理。

评价指标体系的构建

为全面评估学生在英语写作迁移训练中的表现，本研究构建了一个涵盖“句法-结构-文化”三层次迁移目标的多维评价体系，整合了语言能力、模型反馈、教学反馈与自我认知，建立了六项核心指标。首先，“写作迁移指数”是一项综合评价指标，涵盖句法多样性、结构清晰度与文化适应性，结合系统自动评分与教师人工评分进行定量分析。“句法复杂度得分”利用自然语言处理技术提取平均句长、从句嵌套层数、动词短语使用频率等特征，评估学生句子的丰富性与复杂程度。“学术文体匹配度”分析基于自然语言处理（Natural Language Processing, NLP）模型，考察被动语态使用比例与正式词汇占比，判断文本是否符合英语学术写作的文体规范。此外，本研究引入主观评价维度，通过教师问卷收集教师对模型生成建议的接受度与实用性的反馈，评估人工智能辅助教学的实际影响。“教师评阅分数的变化”通过比较实验前后教师对学生作文的评分，反映人工智能辅助教学对写作质量提升的影响。最后，“学生迁移能力自我评价”采用迁移认知量表，引导学生对结构、句法、文化等维度的掌握情况进行自我评估，从而提升其元认知意识与反思能力。各项指标的具体描述与数据来源见Table 3。

句法和文体指标通过依存句法分析和基于BERT的分类自动计算，标准化得分范围为0到5；人工评估采用5点量表。句法复杂度的计算公式以总词数/从句数作为核心分母。原始数据来源：所有60名受试学生的前测与后测写作样本。

实验结果与分析

为了直观呈现学生在句法迁移、结构迁移和文化迁移三个维度上的综合表现差异，图3对比了实验组与对照组学生在实验前后各项迁移能力的平均写作迁移指数：图3 展示了实验组与对照组在句法迁移、结构迁移和文化迁移三个维度上的平均得分差异。实验组在实验后各维度的迁移能力均表现出显著提升，雷达图的外圈明显大于内圈，表明基于 DeepSeek 模型的教学指令优化方法在促进学生英语写作迁移能力发展方面具有积极效果。相比之下，对照组在实验前后各项迁移能力指标变化相对较小，整体提升有限，说明传统教学方法或未优化系统指令的AI辅助工具在迁移能力培养中作用有限，难以有效激发学生在多维语言迁移中的学习潜能。

实验组在实验前的句法迁移、结构迁移和文化迁移三个维度上的平均写作迁移指数分别为3.0、2.9和2.8，实验后分别提升至4.3、4.1和4.5，增幅分别为1.3、1.2和1.7，表明该教学方法在不同层面的迁移上均具有良好的干预效果。对照组在实验前的得分分别为3.0、3.0和2.9，实验后分别上升至3.4、3.3和3.2，均显著低于实验组。尤其值得注意的是，在文化迁移维度上，实验组的提升最为显著，从2.8上升至4.5，提高了1.7分，显著高于对照组的0.3分增幅。该结果表明，所提出的教学方法在帮助学生识别并适应英语文化表达规范方面发挥了重要作用，不仅体现在语言形式的调整上，更体现在学生跨文化语用意识的增强以及对目标语言文化表达习惯理解深度的提升。语言迁移主要体现在句法复杂性、语言风格适应性等方面。本研究采用自动化的自然语言处理（NLP）技术，对学生写作文本进行了深入分析，提取关键语言特征，并结合教师评分，系统评估了学生在三轮任务中语言迁移能力的变化。

句法复杂性与语言风格

在句法复杂性方面，本研究记录了学生在每轮任务中完成指定写作任务后所生成文本的平均句子长度以及从句嵌套层数。这两个指标被广泛用于衡量语言表达的复杂性，能够有效反映学生在句子多样性及结构组织能力方面的发展水平，如图4所示。

在句法复杂性的纵向演变过程中，实验组在三轮任务中均呈现出明显的上升趋势，反映出迁移训练对学生语言结构表达能力的有效促进作用。从平均句长来看，实验组从任务1的12.5个词增加到任务3的16.1个词，增长了3.6个词，显著高于对照组同期仅增长0.9个词（从12.4增至13.3）。同样，在结构复杂性维度上，以从句嵌套层数为测量指标，实验组从1.8层增加到2.7层，而对照组从1.7层增至1.9层，增长相对缓慢。为进一步验证两组学生在句法复杂性上的差异是否具有统计学意义，本研究采用独立样本t检验对任务三个阶段的平均句长和从句嵌套层数进行分析。结果显示，实验组与对照组在平均句长方面存在显著差异，t(58) = 4.23，p < 0.001，Cohen’s d = 0.98；在从句嵌套层数方面也存在显著差异，t(58) = 3.15，p = 0.002，Cohen’s d = 0.78。该对比表明，系统的迁移训练不仅提升了学生构建复杂句式的能力，也增强了他们对语法组织策略的掌握。尤其在任务第三阶段，实验组学生在使用多层从句和复杂句式方面表现出更强的灵活性，反映出其语言迁移能力从“功能性”层面逐步向“策略性”层面转变。以迁移为导向的训练路径持续提升了学生的句法迁移技能，有效突破了传统教学中常见的单句写作局限和固定表达模式。在语言风格适应方面，研究提取了学生实验前后的写作文本，利用自然语言处理（NLP）模型，将正式词汇使用比例和被动语态出现频率作为评估学术语言风格匹配度的核心指标，用以反映学生是否具备在英语写作中适应目标风格的语言意识与表达能力。相关结果见图5。

图5展示了实验组与对照组在任务前后学术风格匹配度的变化，主要聚焦于正式词汇比例和被动语态使用频率这两个核心指标。总体来看，在完成基于DeepSeek模型的迁移训练后，实验组的学术风格适应能力显著提升，表明该教学方法在培养学生语言规范意识及学术风格适应能力方面具有有效性。在正式词汇比例方面，实验组从任务前的0.42提升至任务后的0.56，增幅相对显著；相比之下，对照组仅从0.43微增至0.48，改善有限。该结果表明，在接受系统的提示引导和模型反馈后，实验组学生在写作过程中更倾向于使用符合学术风格要求的正式词汇，其语言风格逐步接近英语学术写作的标准。在被动语态使用频率方面，实验组从任务前的0.18显著提升至任务后的0.27，增长了0.09；而对照组仅增加了0.02。

为进一步验证上述变化是否具有统计学显著性，研究对任务前后数据进行了独立样本t检验。结果显示，实验组在正式词汇使用比例上的提升具有显著性，t(58) = 3.89，p < 0.001，Cohen's d = 0.92；被动语态使用频率的增加也具有显著性，t(58) = 4.56，p < 0.001，Cohen’s d = 1.05。这表明实验组学生在语言风格适应方面取得了显著进步，且该进步并非偶然，而是系统性提示引导与模型反馈共同作用的结果。

统计学验证

此外，为了进一步验证人工智能生成内容在教学实践中的可靠性，本研究还比较了不同类型提示下人工智能生成内容与教师生成内容的平均得分，并通过计算皮尔逊相关系数来评估两者之间的一致性。相关比较结果见表4。表4展示了在五种以迁移为导向的提示类型下，人工智能生成评分与教师评分的一致性情况。从平均分的角度来看，人工智能评分整体略低于教师评分，但在大多数任务类型中，差异处于合理范围内，表明DeepSeek模型在评估写作迁移任务方面具有较高的稳定性与参考价值。在句法迁移提示下，教师平均评分为4.1，人工智能评分为4.0，两者仅相差0.1。在结构迁移与逻辑迁移提示中，人工智能评分也仅比教师评分低0.1分，说明该模型在涉及较高语言结构复杂度和明确规则的任务中，能够较好地模拟教师的评分标准。相比之下，在文化迁移和语域迁移提示下的评分偏差相对明显，人工智能评分分别为3.6和3.7，比教师评分低0.2，反映出人工智能在处理语义隐含、文化语用等主观性较强的任务时仍存在一定局限性。评分者间信度通过组内相关系数（ICC，n = 5名评分者）进行评估。人工评分的总体ICC为0.86，各维度的ICC介于0.82至0.89之间，表明评分者间具有良好的一致性。

对皮尔逊相关系数的进一步分析表明，AI在不同提示下的评分一致性处于较高水平，说明AI评分不仅在数值上接近教师的判断，而且在评分趋势上也表现出良好的线性关系。其中，句法迁移提示的一致性系数最高，达到0.87；结构迁移和逻辑迁移提示的一致性系数分别为0.83和0.85，表明AI在句法复杂性、段落组织和逻辑连贯性方面的评价结果与教师判断高度一致。这可能是因为这些任务具有明确的目标和可量化的语言特征，有助于模型识别并作出稳定的判断。领域迁移提示的相关系数为0.81，虽略有下降，但仍显示出较强的评价能力，表明AI在文体适应层面具备一定程度的判断力。然而，文化迁移提示的一致性系数仅为0.79，低于其他类型，但仍处于可接受范围内。

为了考察不同类型提示语在教学实践中的适用性以及教师的接受程度，设计了一份提示语回应满意度问卷。邀请了五位英语教师（编号为 T1–T5）使用五级量表（从非常不满意到非常满意）对五种类型提示语的生成建议进行评分，结果如图6所示：五位教师对五种提示语类型的评分存在一定差异，但总体认可度较高。其中，“句法迁移”和“文化迁移”提示语得分最高，平均分为4.0，反映出在教学中具有较强的实用性与适应性。相比之下，“语域迁移”提示语得分相对较低，平均仅为2.4，部分教师（如 T4 和 T5）给出了最低评分，表明其在教学应用中的指导性和适应性仍有待改进。

在个体层面，教师在评分倾向上存在明显差异。T1 的总体得分较高，表明其对人工智能辅助写作的接受程度较高；而 T5 在多个提示维度上的得分偏低，尤其是在“语域迁移”和“逻辑迁移”方面。这种差异可能与教师的教学经验、语言偏好或对人工智能工具的熟悉程度有关，提示未来的提示设计需要考虑个性化的适应机制，以提高不同教师群体的接受度。为进一步验证人工智能辅助教学在提升学生写作质量方面的实际效果，本研究比较了实验组与对照组在实验前后由教师评定的总体得分变化情况。比较结果如图7所示。

如图7所示，实验组与对照组在实验前后由教师评定的总体得分存在显著差异。总体来看，在基于DeepSeek模型的教学优化干预后，实验组的总体得分呈现显著上升趋势；而对照组的得分变化则相对平缓。实验前，实验组的教师平均得分为59.1分，实验后平均得分显著提升至74.4分，提高了15.3分，表明人工智能辅助教学对学生写作质量具有积极影响。从箱线图中可见，实验组得分的分布范围也有所扩大，尤其是实验后的得分箱明显高于实验前，上下最大值与最小值均有所提升，说明学生整体水平显著提高。相比之下，对照组的得分变化较为有限：实验前平均得分为60.1分，实验后为64.9分，仅提高了4.8分，增幅远低于实验组，且对照组在实验前后的得分箱变化不大，表明传统教学方法或未经优化的人工智能辅助工具在提升写作质量方面效果有限。

此外，本研究利用迁移认知量表引导学生就结构调整、句式转换、文化表达等能力发展方面进行三轮自我评估，以反映学生元认知意识及迁移策略掌握程度的变化趋势。结果如 图8所示。根据图8中学生迁移能力自我评估的雷达图数据，学生在结构迁移、句法迁移、文化迁移、语域迁移和逻辑迁移这五个维度上的三轮任务自我评估得分均呈现持续上升趋势，表明在基于DeepSeek模型的教学干预优化指导下，学生运用迁移策略的能力得到了显著提升。在第一轮任务中，学生的自我评估得分普遍较低。五个维度中，“结构迁移”和“逻辑迁移”分别为3.2分和3.0分，而“文化迁移”和“语域迁移”分别为2.5分和2.7分，说明学生在识别和运用迁移策略方面尚不成熟。到第二轮任务时，各项得分均有提高，“结构迁移”提升至3.8分，“句法迁移”达3.5分，“逻辑迁移”达3.7分，表明在教师引导和模型反馈支持下，学生已逐步掌握基本迁移操作的关键点，并初步将其应用于实际写作中。在第三轮任务中，学生的自我评价得分显著提高，“结构迁移”和“逻辑迁移”分别达到4.5分和4.3分，其他维度也稳定在4.0分以上，显示出多轮迁移训练在提升学生语言形式控制能力和文本建构能力方面的持续效果。此阶段，学生已在迁移策略的理解、执行与反思之间形成了基本的认知闭环。除教师反馈外，本研究还向实验组全体学生发放了关于AI辅助写作功能的满意度调查问卷，共回收有效问卷30份。该问卷从改写建议、结构优化和文化提示三个功能模块对AI的表现进行评估，并要求学生依据五个等级标准进行选项选择。结果如Table 5所示。

根据学生对人工智能辅助写作功能满意度调查的结果显示 表5实验组学生普遍对人工智能在改写建议、结构优化和文化提示三个功能模块中的表现给予了积极评价，显示出人工智能辅助写作系统在提升写作训练效率和教学支持质量方面具有良好的应用前景。总体而言，在“改写建议”和“结构游戏副本”两项功能中，超过90%的学生表示“非常满意”或“满意”，其中“改写建议”的满意度最高，达到91%，表明学生对人工智能在句法重构和语言润色方面的能力认可度较高。相比之下，“文化提示”功能的满意度相对较低，但仍达到83%，说明尽管人工智能在指导跨文化表达方面具有一定复杂性和主观性，但其在帮助学生识别和调整母语文化干扰方面的作用仍获得了大多数学生的认可。在不满意方面，三项功能中选择“不满意”或“非常不满意”的学生比例均低于5%，表明人工智能辅助功能在大多数应用场景中具有良好的可用性和接受度。值得注意的是，“文化提示”项目中选择“一般”的学生比例相对较高，提示当前人工智能在处理文化适应问题时可能尚未完全满足学生的期望，仍有改进空间。综合分析表明，基于DeepSeek的指令优化方法已获得学生的广泛认可，尤其在语言形式支持方面表现突出。

重复测量方差分析

采用双因素重复测量方差分析（RM-ANOVA）检验组别（被试间因素：实验组 vs. 对照组）和时间（被试内因素：前测、任务1、任务2、任务3、后测）及其交互作用对学生英语写作迁移表现的影响。Mauchly 球形检验显示违反了球形假设（p < 0.05），因此对被试内效应的自由度应用 Greenhouse–Geisser 校正。所有分析均基于每组 n = 30 名参与者。结果见表6：

采用 Greenhouse–Geisser 校正的重复测量方差分析结果显示，在所有测量维度上，组别、时间以及组别 × 时间交互作用的主效应均具有显著性（p < 0.001）。对于总体迁移指数，观察到显著的组别效应（F(1,58) = 76.32），同时存在显著的时间效应（F(2.14,124.12) = 92.75）和显著的组别 × 时间交互作用（F(2.14,124.12) = 68.49），提示不同组别在总体迁移表现随时间变化的趋势上存在显著差异。

同样，句法迁移在组别（F(1,58) = 52.18）、时间（F(2.11,122.38) = 71.26）以及组别×时间交互作用（F(2.11,122.38) = 45.73）上均表现出显著效应，表明不同组别在句法迁移能力的发展模式上存在差异，并随测量时间点而变化。在结构迁移方面，同样检测到显著的组别效应（F(1,58)=48.65）、时间效应（F(2.09,121.22) = 67.81）以及交互效应（F(2.09,121.22) = 41.36），反映出该能力随时间呈持续提升趋势，但提升轨迹因组别而异。值得注意的是，文化迁移表现出最强的效应，组别效应显著（F(1,58) = 81.44），时间效应尤为突出（F(2.07,119.96) = 98.52），且组别×时间交互效应强劲（F(2.07,119.96) = 79.27），表明在此维度上的发展最为显著且组间差异最大。总体而言，所有指标均显示出统计学上的显著效应，证实该干预措施在时间进程中对迁移能力的发展产生了稳定且差异化的促进作用。

数据可用性：

本研究中生成或分析的所有数据均包含在本文中。原始评估数据见补充表1。

改善跨文化交流的句子重写策略及结果；教育用途。
图1句子结构转换的步骤 (A) 通过合并与强化动词来优化句子结构的策略。B) 主语的其他转换形式，包括动名词、不定式和名词化主语。C使用非限定性短语以增强句式的多样性和简洁性。D) 展示学术风格改进及跨文化英语表达优化的润色后终稿示例。 请点击此处以查看此图的放大版本。

任务演化树状图；句子、段落、语篇、文化层面的迁移过程。
图 2：任务演化树状图。 该图展示了从句子、段落、语篇到文化层面的四层次迁移任务的递进结构。请点击此处查看此图的放大版本。

比较实验组与对照组的雷达图，显示前测与后测结果。
图3：实验前后写作迁移能力的比较。该雷达图展示了实验组与对照组在句法、结构和文化迁移维度上的前测与后测得分。请点击此处查看此图的放大版本。

句子长度、嵌套层数与任务轮次关系图；实验组、对照组数据趋势。
图4：句法复杂性趋势图。 显示了在三项训练任务过程中，平均句子长度和从句嵌套层数的变化情况。 请点击此处查看该图的高清版本。

干预前后正式词汇和被动语态使用情况的柱状图对比。
图 5：学术术语匹配情况。 本图展示了干预前后正式词汇使用比例及被动语态使用频率的变化。请点击此处查看此图的放大版本。

不同提示类型和迁移方式下满意度评分的迁移分析热图
图6：提示响应满意度热图。 此处汇总了参与教师对五种类型提示模板的评分结果。请点击此处查看该图的放大版本。

实验组与对照组在干预前后的测试分数箱线图比较。
图7：教师评分变化的箱线图。 该箱线图展示了实验前后两组由教师评定的写作分数分布及总体变化情况。请点击此处查看本图的放大版本。

蜘蛛图比较各轮次中句法、结构、逻辑、语域和文化迁移能力。
图8：学生自我评估迁移能力的雷达图。 该图展示了学生在三轮训练中五个迁移维度上的自我评价得分。请点击此处查看此图的放大版本。

输入教师操作提示类型学生操作输出评价标准
学生的原始写作草稿（句子/段落/文章）1. 标注迁移类型和任务层级 2. 如有需要，调整提示参数单层迁移提示 / 三阶段嵌套提示链1. 学习迁移策略 2. 根据人工智能反馈修改草稿 3. 完成自我评估人工智能修改文本 + 学生最终修改稿句法复杂性、结构合理性、文化得体性、逻辑连贯性、语体规范化（0–5 分制）

表1：工作流程汇总表。 本表总结了人工智能辅助英语写作迁移训练的完整操作流程，涵盖输入材料、教师与学生操作、提示类型、最终输出及相应的评估标准。

项目类别内容
对任务目标的理解请简要描述本轮写作任务的迁移目标，例如结构调整、文化适应和语言转换。
所采用的迁移策略请选择您采用的迁移策略（可多选）：
结构调整 
句式转换 
语言切换 
文化呈现 
强化逻辑衔接
其他：_______
重写示例与说明选择1–2个重写后的句子，展示改写前后的版本，并说明修改原因及期望实现的迁移目标。
遇到的困难与疑问描述在迁移过程中遇到的任何挑战，或对某一具体表达存在的疑问。
自我评估分数
（满分5分）		请从以下三个方面对您的文本重写进行评分：
• 策略应用准确性（/5）
• 表达自然流畅性（/5）
• 文化适切性（/5）
未来写作改进目标简要描述您希望在下一轮训练中加强或优化的迁移能力

表2：迁移认知表。 采用1–5级评分标准（1 = 无掌握，5 = 完全掌握），供学生对写作迁移策略进行自我评估。

指标名称描述数据来源
写作迁移指数（0–5）综合衡量语言迁移能力的定量指标，涵盖句法、结构和文化三个层面。系统自动评分 + 教师人工评分
句法复杂度得分包括平均句长、从句嵌套数量、动词短语丰富度等。NLP 自动分析
学术风格匹配度是否符合英语学术写作规范？自然语言处理模型判断
提示响应满意度教师对模型生成建议的接受程度及实际评价教师问卷
教师评阅评分变化实验前后教师评分的对比，反映写作质量的提升情况教师评分记录
学生自评迁移能力学生自我评估在不同迁移维度上的掌握程度填写迁移意识表单

表3：评估指标、描述及数据来源汇总。 本表阐明了本研究中各核心评估指标的定义、测量方法及原始数据来源。

提示类型教师平均评分AI 评分平均值皮尔逊相关系数
结构迁移43.90.83
句法迁移4.140.87
文化迁移3.83.60.79
语域迁移3.93.70.81
逻辑迁移4.24.10.85

表4：AI生成内容与教师评分之间一致性的比较。 结果表明，在不同提示类型下，AI生成内容与教师评分之间具有良好的一致性。

功能项目非常满意满意一般不满意非常不满意
改写建议66%25%7%1.50%0.50%
结构优化60%30%7%2%1%
文化提示55%28%12%3.50%1.50%

表5：学生对人工智能辅助功能满意度的调查统计。 该统计数据展示了学生对人工智能重写、结构优化和文化提示功能的满意度分布情况。

测量指标组间 F(df)时间 F(df)GG组间 × 时间 F(df)GGp
总体迁移指数76.32 (1, 58)92.75 (2.14, 124.12)68.49 (2.14, 124.12)<0.001
句法迁移52.18 (1, 58)71.26 (2.11, 122.38)45.73 (2.11, 122.38)<0.001
结构迁移48.65 (1, 58)67.81 (2.09, 121.22)41.36 (2.09, 121.22)<0.001
文化迁移81.44 (1, 58)98.52 (2.07, 119.96)79.27 (2.07, 119.96)<0.001

表6：重复测量方差分析结果汇总。 该表展示了总体写作迁移表现及其三个子维度的双因素重复测量方差分析结果，包括组别、时间的主效应以及组别与时间的交互效应。缩写：GG = Greenhouse–Geisser 校正。

补充表 1：原始数据评估。 包含本研究中所有分析所使用的原始数据。请点击此处下载该文件。

讨论

本研究基于DeepSeek的MoE架构，构建了一个多层次指令优化框架，用于跨文化英语写作迁移教学。该框架以从句子到文化层面的四级递进任务和五类标准化任务库为核心，基于真实学生写作样本实现自动提示生成，并建立三阶段嵌套式提示链，以分解复杂的跨文化适应性任务。与传统局限于文本润色的通用提示设计不同，本方案将提示编撰与语言迁移教学目标紧密结合，构建了模型生成、教师标注与学生迭代修改的闭环教学流程。从学科发展角度看，本研究拓展了提示工程在第二语言习得中的应用边界，为结合大语言模型参数特征与英语作为外语课堂的针对性训练提供了可量化的模板构建路径。同时，本研究还丰富了人工智能辅助环境下跨文化语用迁移研究的实证证据，补充了现有研究仅关注句法负迁移错误的不足36,37。

实证准实验数据证实，实验组在句法、结构和文化迁移指标上均取得显著提升，但若干内在限制因素制约了研究结果的普适性。受研究条件限制，本研究采用非随机化班级分组，且未设置评估者盲法，所有样本均来自某单一高校的英语专业学生，这使得在分数变化过程中难以排除学习者自主学习动机及教师长期教学习惯的干扰。此外，本次干预仅持续三周，属于短期培训项目。结合所有受试者均来自一所职业院校的单中心抽样设计，所观察到的积极效果在长期教学实践中可能并不完全稳定。因此，研究结果应谨慎解读，不宜直接将结论推广至不同类型的高校、更长的教学周期或语言水平各异的学生群体。

在实际教学应用中，当前的提示词优化系统结合 DeepSeek 模型表现出明显的局限性，并存在典型的失败案例。在涉及文化与语域转换的任务中，模型在处理具有细微文化内涵及依赖上下文的风格化文本时，偶尔会产生语用上不恰当的表达或生硬的文体转换结果38,39；同时，在面对较长且复杂的段落时，模型难以准确识别其中隐含的母语文化思维，导致对中式英语表达的修改不彻底。在自动评分方面，对于高度主观的文化语用项目，人工智能评估的一致性显著下降，无法有效区分修辞表达和跨文化意涵中的细微差异。此外，三阶段嵌套式提示链在多轮迭代生成过程中容易出现语义偏移问题，第一阶段语义重组所产生的错误将在后续的语言修订与文化适配步骤中被继承并放大40,41。

从后续发展态势来看，可从三个实践维度进一步推进完善。首先，通过收集非英语专业学生及不同语言水平学生的写作语料，扩充任务库规模，以增强模板对多样化学习者群体的兼容性。其次，结合对轻量化 DeepSeek 子模块的持续微调，降低人工智能在文化迁移评分中存在的偏差，当前统计数据显示其评分一致性较教师评价仍显不足。第三，将整个提示优化系统嵌入传统的在线外语学习平台，实现长期自动化数据积累，从而持续迭代优化提示规则。随着跨语言文化语料资源的不断丰富，所提出的技术框架有望在后续研究中拓展应用于双语翻译教学与跨文化交际课程。

披露

作者声明不存在经济利益冲突。

致谢

本研究受浙江省教育规划项目2026资助：数字化与智能化赋能下高职院校教师教学能力框架重构及提升策略研究（项目编号：ZWT26024；批准号：2026SCG360）。

材料

本文使用的材料清单
姓名公司目录编号评论
预训练语言模型 BERTGooglehttps://github.com/google-research/bert支持文本表示、段落结构识别、语义相似度计算和文本分类，可用于写作内容的自动评分。
CorefereeExplosion AIhttps://github.com/explosion/coreferee识别文本中的指代关系，并评估语篇指代连贯性，以辅助写作质量的自动评分。
DeepSeek 大语言模型DeepSeek AIhttps://chat.deepseek.com/基于 MoE 模型架构，进行了指令优化与提示词链设计。模型使用固定参数：温度系数为 0.7，生成长度根据问题类型动态限制。
spaCyExplosion AIhttps://github.com/explosion/spaCy分析英文文本的依存句法结构，提取平均句长、嵌套从句数量等指标，以量化句法复杂度。
SPSS 26.0IBMhttps://www.ibm.com/products/spss-statistics进行了重复测量方差分析（RM-ANOVA）、独立样本 t 检验、皮尔逊相关分析、效应量（Cohen’s d）计算及信度（ICC）检验等统计分析。

参考文献

  1. Maqsood M, Zahid A, Asghar T, et al. Issues in teaching English in a cultural context. Migr Lett. 2024; 21(4): 1020–1027.
  2. Tran NT, Nguyen TT, Pham HH. Exploring the challenges of L1 negative transfer among Vietnamese English language learners: a qualitative study. rEFLections. 2024; 31(2): 837–857.
  3. Zhu P. Cultural dimensions as guidelines in handling language problems for effective written communication across cultures. Int J Linguist Lit Transl. 2023; 6(12): 85–95.
  4. Zeng Z, Nair SM, Wider W. A comparative study of Chinese EFL undergraduates' pragmatic competence in English letter writing between urban and suburban universities. World J Engl Lang. 2022; 12(6): 377–388.
  5. Litvinova TA, Mikros GK, Dekhnich OV. Writing in the era of large language models: a bibliometric analysis of the research field. Nauchnyi Rezultat Voprosy Teoreticheskoi i Prikladnoi Lingvistiki. 2024; 10(4): 5–16.
  6. Long M. Cultivating interdisciplinary foreign language talents through interdisciplinary synergy of on-campus teaching and off-campus practices under the new liberal arts. Educ Rev USA. 2025; 9(5): 520–526.
  7. Voss E, Cushing ST, Ockey GJ, et al. The use of assistive technologies including generative AI by test takers in language assessment: a debate of theory and practice. Lang Assess Q. 2023; 20(4-5): 520-532.
  8. Manyasa J. When language transfer is negative: analysis of morpho-syntactic interference errors by learners of French in Tanzanian higher learning institutions. J Foreign Lang. 2021; 13(1): 165-190.
  9. Fikri N. The study of language transfer in EFL students' translation work. J Pendidik Nonformal. 2023; 1(1): 9.
  10. Ahmat A, Yang Y, Ma B, et al. Cross-lingual prompting method with semantic-based answer space clustering. Appl Intell. 2025; 55(2): 1-17.
  11. Maity S, Deroy A, Sarkar S. Investigating large language models for prompt-based open-ended question generation in the technical domain. SN Comput Sci. 2024; 5(8): 1-32.
  12. Wu W, Cao Y, Yi N, et al. Detecting and reducing the factual hallucinations of large language models with metamorphic testing. Proc ACM Softw Eng. 2025; 2(FSE): 1432-1453.
  13. Kaganovich P, Münz-Manor O, Ezra-Tsur E. Style transfer of modern Hebrew literature using text simplification and generative language modeling. CEUR Workshop Proc. 2023; 1613: 73-95.
  14. Yuan Y. Influence of native language transfer on senior high school English writing. Theory Pract Lang Stud. 2021; 11(2): 170-176.
  15. Jiamin M. The influence of cultural factors on language transfer in second language acquisition. Res J Engl Lang Lit. 2024; 12(1): 186-195.
  16. Zhang L. Native language transfer in vocabulary acquisition: an empirical study from connectionist perspective. J Lang Teach Res. 2023; 14(2): 446-458.
  17. Mirzayev E. The influence of first language interference on ESL writing skills. EuroGlob J Linguist Lang Educ. 2024; 1(1): 33-39.
  18. Fujiwara Y, Iwao T, Ito H, et al. Exploring the transfer of topic-comment structures called unagi-sentences in Asian L2 Englishes: cross-proficiency-level and cross-varietal studies. Asian Englishes. 2025; 27(1): 25-40.
  19. Guo Q. Interlanguage and its implications to second language teaching and learning. Pac Int J. 2022; 5(4): 8-14.
  20. Vereeck A, Janse M, De Herdt K, et al. Why Plato needs psychology: proposal for a theoretical framework underpinning research on the cognitive transfer effects of studying classical languages. Psiholoska Obzorja. 2023; 32: 121-130.
  21. Zhang W. Study on the negative transfer of mother tongue on college students. Int J Front Sociol. 2023; 5(16): 164-171.
  22. Li C. A review of theories, pedagogies and vocabulary learning tasks of English vocabulary learning apps for Chinese EFL learners. J China Comput Assist Lang Learn. 2024; 4(2): 346-375.
  23. Nsengimana I, Niyibizi E, Ngabonziza JDA. The impact of language transfers on learners' writing skills in English learning among students in Mahama Refugee Camp, Rwanda. Afr J Empir Res. 2024; 5(3): 605-613.
  24. Jovein S K, Sharifabad E D, Yazdani M. On the relationship between university translator training programs and the translation market requirements: The case of English translation graduates and postgraduates of Imam Reza International University. Journal of Critical Studies in Language and Literature. 2024; 5(6): 1-13.
  25. Qin X. Collaborative inquiry in action: a case study of lesson study for intercultural education. Asian Pac J Second Foreign Lang Educ. 2024; 9(1): 66-91.
  26. Sun L, Asmawi A. The effect of WeChat-based instruction on Chinese EFL undergraduates’ business English writing performance. International Journal of Instruction. 2023; 16(1): 43-60.
  27. Moro G, Piscaglia N, Ragazzi L, et al. Multi-language transfer learning for low-resource legal case summarization. Artificial Intelligence and Law. 2024; 32(4): 1111-1139.
  28. Sun Y. A study of college English writing teaching based on dynamic assessment. Pac Int J. 2023; 6(1): 83-88.
  29. Jeon J, Lee S. Large language models in education: a focus on the complementary relationship between human teachers and ChatGPT. Educ Inf Technol. 2023; 28(12): 15873-15892.
  30. Kostka I, Toncelli R. Exploring applications of ChatGPT to English language teaching: opportunities, challenges, and recommendations. TESL-EJ. 2023; 27(3): n3-n22.
  31. Antara IMAR, Anggreni NPY. Analyzing grammatical errors in EFL students' opinion essays using DeepSeek AI: patterns and pedagogical implications. Stilistika. 2025; 13(2): 210-218.
  32. Diasamidze L, Tedoradze T. Enhancing ESL students' writing skills through natural language processing model ChatGPT. Eurasia Proc Educ Soc Sci. 2024; 35: 230-238.
  33. Ranade N, Saravia M, Johri A. Using rhetorical strategies to design prompts: a human-in-the-loop approach to make AI useful. AI Soc. 2025; 40(2): 711-732.
  34. Zhou W, Gao B. Construction and application of English-Chinese multimodal emotional corpus based on artificial intelligence. Int J Hum Comput Interact. 2025; 41(3): 1782-1793.
  35. Chen B, Bao L, Zhang R, et al. A multi-strategy computer-assisted EFL writing learning system with deep learning incorporated and its effects on learning: a writing feedback perspective. J Educ Comput Res. 2024; 61(8): 60-102.
  36. Jeon H. Designing teaching for transfer in English for academic purposes. RELC Journal. 2024; 55(2): 567-577.
  37. Pei Y J. Construction of a" Feedback-Revision" Teaching Model for Senior High School English Continuation Writing Based on Generative AI. International Journal of Educational Development. 2026; 3(1): 16-25.
  38. Holubnycha L, Kuznetsova O, Shchokina T, et al. AI-Powered Teaching: Literature Review of ChatGPT's Impact on University Educators. International Journal of Interactive Mobile Technologies. 2025; 19(15): 41.
  39. Almuhanna M A. Teachers' perspectives of integrating AI-powered technologies in K-12 education for creating customized learning materials and resources. Education and Information Technologies. 2025; 30(8): 10343-10371.
  40. Hastomo T, Mandasari B, Widiati U. Scrutinizing Indonesian pre-service teachers’ technological knowledge in utilizing AI-powered tools. Journal of education and learning (EduLearn). 2024; 18(4): 1572-1581.
  41. Cai H, Lu L, Han B, et al. Exploring pre-service teachers’ reflection mediated by an AI-powered teacher dashboard in video-based professional learning: a pilot study. Educational technology research and development. 2025; 73(2): 1129-1154.

重印与许可

标签

跨文化写作语言迁移分层训练体系专家混合模型提示链文化适应语言修订
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。