Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Forschungsartikel

Optimierung von DeepSeek-Prompts für die interkulturelle Englisch-Schreibdidaktik: Eine praktische Studie zur Transferkompetenz

78 Aufrufe

⸱

DOI:

10.3791/71662

⸱

25. August 2026

1Ningbo City College of Vocational Technology

In diesem Artikel

Zusammenfassung

Diese Studie entwickelt einen mehrschichtigen Rahmen für die Optimierung von Prompts auf der Grundlage von DeepSeek, um die Kompetenz im Transfer des englischen Schreibens in interkulturellen Kontexten zu verbessern. Mithilfe einer dreistufigen Prompt-Kette und eines Quasi-Experiments mit 60 Studierenden der englischen Sprache zeigen die Ergebnisse eine signifikante Verbesserung in der Experimentalgruppe im Vergleich zur Kontrollgruppe.

Zusammenfassung

Um die Einschränkung zu beheben, dass traditioneller englischsprachiger Schreibunterricht die systematische Förderung von Sprachtransfers vernachlässigt und bestehende Prompt-Frameworks nicht in den Unterricht integrierbar sind, konstruiert diese Studie ein hierarchisches Transfertrainingsystem basierend auf dem DeepSeek-Modell, das vier progressive Aufgabenebenen abdeckt: Satz, Absatz, Diskurs und Kultur, wobei alle Aufgaben in dreifacher Form definiert sind. Eine fünfdimensionale Aufgabenbibliothek, die Syntax, Struktur, Kultur, Register und Logik umfasst, wird eingerichtet, und gezielte Prompts werden automatisch aus authentischen Schreibentwürfen der Studierenden generiert. In Kombination mit der Mixture-of-Experts-(MoE)-Architektur des Modells wird eine geschachtelte Prompt-Kette entwickelt, um komplexe Aufgaben in drei sequenzielle Phasen aufzuteilen: semantische Neuorganisation, sprachliche Überarbeitung und kulturelle Anpassung. Unter Anwendung eines quasiquantitativen experimentellen Designs wurden 60 Studierende des zweiten Jahres mit Englisch als Hauptfach an einer Universität rekrutiert und in eine Experimental- und eine Kontrollgruppe mit jeweils 30 Studierenden eingeteilt, die drei Wochen lang einer gestuften Intervention über drei Trainingsrunden unterzogen wurden. Die Ergebnisse nach dem Experiment zeigen, dass der Kulturtransfer-Score der Experimentalgruppe von 2,8 auf 4,5 anstieg, verglichen mit einem Anstieg von lediglich 0,3 in der Kontrollgruppe; die durchschnittliche, von Lehrenden vergebene Punktzahl verbesserte sich von 59,1 auf 74,4, während die Kontrollgruppe lediglich einen Anstieg von 60,1 auf 64,9 verzeichnete. Die meisten Korrelationskoeffizienten zwischen der KI-basierten Bewertung und der Bewertung durch Lehrende überschreiten 0,8, und über 90 % der Teilnehmenden äußern Zustimmung zu den Funktionen der KI-gestützten Umformulierung und strukturellen Optimierung. Aufgrund der geringen Stichprobengröße in dieser Studie ist dieser Optimierungsansatz jedoch als praktikabel für die Implementierung in universitären Englisch-Schreibkursen einzustufen.

Einleitung

Im Englisch-Schreibunterricht in einem interkulturellen Kontext stehen nicht muttersprachliche Lernende oft vor der Herausforderung, dass ihre Transferfähigkeit unzureichend ausgebildet ist, wenn sie vom Sprachwissen zur praktischen Anwendung übergehen1,2. Obwohl die Lernenden über eine gewisse grammatikalische und vokabulare Grundlage verfügen, fällt es ihnen schwer, Satzmuster, Strukturen und kulturelle Ausdrucksweisen effektiv in echtes Schreiben umzusetzen, was zu einer formalisierten Sprachproduktion und eingeschränktem Denken führt und dadurch die Gesamtqualität des Schreibens beeinträchtigt3. Zudem verschärfen interkulturelle Unterschiede in Sprachstruktur, logischer Gliederung und pragmatischen Normen die Komplexität des Schreibtransfers weiter4. In den letzten Jahren haben große Sprachmodelle (LLMs) neue technische Unterstützung für den Schreibunterricht bereitgestellt5. Intelligente Schreibwerkzeuge wie DeepSeek haben dabei starke Fähigkeiten in der Sprachgenerierung und -rekonstruktion gezeigt. In der Unterrichtspraxis beschränken sie sich jedoch meist auf oberflächliche sprachliche Korrekturen und sind noch nicht tiefgreifend in den auf die Förderung der Transferfähigkeit ausgerichteten Unterrichtsprozess integriert. Ihnen fehlt eine ausgerichtete Unterrichtszielsetzung sowie Kontrollierbarkeit des Generierungsverhaltens6,7. Gängige KI-gestützte Schreibanwendungen beschränken ihre Funktionen überwiegend auf die oberflächliche Korrektur grammatikalischer Fehler, anstatt gezielt die Entwicklung systematischer Transferkompetenz anzustreben, was zu einer mangelhaften, auf den Unterricht ausgerichteten Steuerung der Modellausgaben führt.

Die bisherige Forschung zur Unterstützung des Fremdsprachenschreibens gliedert sich in drei Hauptkategorien: konventionelle, promptgesteuerte Schreibrückmeldungen, generische KI-basierte Überarbeitungsmaßnahmen und manuell ausgerichtete Transfertrainings. Erstens steht bei der allgemeinen Prompt-Engineering-Forschung die technische Optimierung von Frage-Antwort-Systemen und Textumformungen im Vordergrund, ohne dass diese den hierarchischen Zielen des Transferunterrichts entsprechen8,9. Zweitens konzentriert sich der typische, auf ChatGPT basierende Fremdsprachenunterricht hauptsächlich auf die Verbesserung der allgemeinen Schreibgenauigkeit, statt auf den schrittweisen Erwerb syntaktischer, struktureller und kulturübergreifender Transferfähigkeiten10. Drittens fehlt bei der traditionellen Transferpädagogik, die auf Nachahmung und kontrastivem Schreiben beruht, ein geschlossener Rückmeldeprozess, der durch intelligente Werkzeuge unterstützt wird11. Im Unterschied zu den bisherigen Studien passt diese Arbeit zielgerichtete, hierarchische Prompts an mehrstufige Unterrichtsziele an und entwickelt einen beispielbasierten Workflow zur automatischen Promptgenerierung, wodurch ein einzigartiger geschlossener Trainingsmechanismus entsteht, der Modellgenerierung, Lehrerrückmeldung und Schülertextrevision verbindet.

Die bisherige Literatur vermutet einen möglichen Zusammenhang zwischen sprachlich-kultureller Divergenz, inhärenten strukturellen Modellbeschränkungen und fragmentierten Unterrichtspraktiken, doch bleibt eine solche kausale Kette in bestehenden empirischen Studien unzureichend überprüft und bildet daher die zentrale Forschungshypothese dieser Arbeit12,13. Hinsichtlich der in dieser Arbeit zitierten inhärenten Eigenschaften von DeepSeek sind dessen offene Instruktions-Schnittstelle und die auf MoE basierende Experten-Routing-Architektur bereits in bestehenden technischen Modellberichten sowie in angewandter Sprachforschung dokumentiert. Aufbauend auf diesen beschriebenen Modellmerkmalen entwickelt die vorliegende Studie geschachtelte Prompt-Ketten, um komplexe kulturübergreifende Transferaufgaben zu zerlegen, und entwirft dynamische Submodell-Zuteilungsregeln für differenzierte Transferaufgaben. Im Mittelpunkt steht die gezielte Förderung strukturierter Transferfähigkeiten; die Arbeit untersucht eine spezifische Optimierung von DeepSeek-Prompts mit dem Ziel, große Sprachmodelle von universellen Textbearbeitungswerkzeugen in spezialisierte Trainingsysteme für den Transfer im Hochschulenglischunterricht zu überführen.

Im Bereich der Forschung zum Schreiben in einer Fremdsprache ist das Phänomen der Übertragung seit langem ein zentrales Thema14,15. Die traditionelle Theorie der Sprachübertragung konzentriert sich vor allem auf die positiven und negativen Übertragungseffekte der Muttersprache auf den Erwerbsprozess der Zielsprache, wobei insbesondere Phonologie, Wortschatz und Syntax im Fokus stehen16. Mirzayev E. wies darauf hin, dass bei der Schreibausbildung im Englischen als Zweitsprache (ESL) die negative Übertragung aus der Erstsprache weiterhin ein entscheidender Faktor ist, der die Entwicklung der Schreibkompetenz der Lernenden einschränkt17. Mit der Erweiterung des Forschungsbereichs hat die wissenschaftliche Gemeinschaft ihr Interesse schrittweise auf die Übertragung der Schreibstruktur ausgeweitet18. Interlinguale Texte weisen aufgrund mehrerer Faktoren häufig sprachliche Fehler und Verfestigungen (Fossilisierungen) auf19. Gleichzeitig hat auch die Theorie der kognitiven Übertragung zunehmend an Bedeutung gewonnen20. Diese Theorie betont die Unterschiede in der kognitiven Organisation und in den Ausdrucksmustern während des Schreibprozesses. Beispielsweise legt das westliche Schreiben Wert auf lineare Argumentation und explizite Logik, während die chinesische Tradition einen spiralförmigen Ansatz und semantische Mehrdeutigkeit bevorzugt. Zwischen beiden besteht eine erhebliche Spannung. Die Sprachübertragung umfasst daher nicht nur die Umwandlung sprachlicher Einheiten, sondern auch die Anpassung und Transformation tieferliegender Denkstrukturen und kultureller Ausdrucksnormen, was eine wichtige Herausforderung im gegenwärtigen Englisch-Schreibunterricht darstellt21.

Bei der Vermittlung von Transferfähigkeiten setzen bestehende Studien häufig auf Strategien wie das Nachahmende Schreiben22, das Kontrastive Schreiben23 und das Übersetzungs-Training24, um das Verständnis und die Anwendung des Transfermechanismus der Zielsprache durch Lernende zu fördern. Das nachahmende Schreiben trägt zum Aufbau grundlegender Diskursfähigkeiten bei, kann jedoch leicht zu struktureller Starrheit führen; das kontrastive Schreiben verbessert den Sprachstil und das kulturelle Bewusstsein, weist aber einen Mangel an systematischer Aufgabenabstufung und personalisierter Rückmeldung auf; das Übersetzungs-Training kann die Erkennung kultureller Metaphern fördern, führt jedoch ohne Anleitung leicht zu semantischen Abweichungen oder pragmatischen Unangemessenheiten. Die genannten Strategien stützen sich hauptsächlich auf manuelle Demonstration und erfahrungsgeleitete Anleitung25, fehlen an einer expliziten Vermittlung von Transferstrategien und systematischen Feedback-Mechanismen und lassen sich nur schwer an individuelle Unterschiede in Sprachkompetenz und kognitiven Stilen anpassen. Obwohl einige Studien versucht haben, das Transfer-Training durch vielfältige Schreibaufgaben zu erweitern26,27, hat der Lehrprozess noch keinen geschlossenen Kreislauf aus „Transferziel – Sprachproduktion – Strategie-Rückmeldung“ gebildet; die Internalisierung von Transferstrategien ist begrenzt, und die Entwicklung der Transferfähigkeit der Studierenden in realen Schreibaufgaben bleibt unzureichend28.

Mit der Entwicklung der Technologie großer Sprachmodelle hat deren unterstützendes Potenzial im Sprachunterricht zunehmend an Aufmerksamkeit gewonnen29. Generative KI-Tools wie ChatGPT (Chat Generative Pre-trained Transformer)30 und DeepSeek31 werden bereits weitgehend in Szenarien wie Textpolitur, sprachlicher Umschreibung und Sprachanpassung eingesetzt. Diasamidze et al. stellten fest, dass Lernende mit englischer Zweitsprache (ESL), die ChatGPT nutzten, in Bezug auf grammatische Genauigkeit, Wortschatzvielfalt und Textorganisation bessere Leistungen erbrachten als die Gruppe mit traditionellem Unterricht32. Allerdings beschränken sich bestehende Anwendungen meist auf oberflächliche Sprachverarbeitung und fehlen systematische Anleitungen zu Transferzielen. Ranade wies darauf hin, dass auf Prompts basierende Projekte in aktuellen Bildungsszenarien hauptsächlich auf allgemeinen Vorlagen beruhen und die generierten Inhalte an mangelnder Kontextanpassungsfähigkeit und Aufgabenspezifität leiden33. Zudem basiert das Training gängiger Modelle auf einem offenen Korpus und beinhaltet keine tiefgreifende Modellierung der Unterschiede zwischen chinesischen und englischen kulturellen Ausdrucksformen. Kulturelle Unangemessenheiten und unnatürliche Pragmatik treten daher leicht in den generierten Texten auf34,35, was deren vertiefte Anwendung im transferorientierten schriftlichen Quer- und Kulturunterricht einschränkt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Ethische Genehmigung

Vor dem Experiment erhielten die Autoren eine Genehmigung (Genehmigungsnummer: NBCC-ETH-2026-037) der Hochschule und verteilten Einverständniserklärungen an alle studentischen Teilnehmer. Alle Studierenden wurden ausführlich über die Forschungsziele, die experimentellen Verfahren und die Regelungen zur Datennutzung informiert. Die Teilnahme war freiwillig, und die Teilnehmer konnten das Studium jederzeit abbrechen. Alle personenbezogenen Daten und schriftlichen Arbeiten wurden anonymisiert, um die Privatsphäre zu schützen, und ausschließlich für akademische Analysen verwendet. Alle 60 Teilnehmer unterschrieben das Einwilligungsformular, bevor sie an der Studie teilnahmen. Die Teilnehmer wurden aus zwei parallelen Schreibkursen für fortgeschrittene Studierende im Fach Englisch derselben hochschulischen Berufsfachschule ausgewählt und mittels Convenience-Stichprobe rekrutiert. Die Einschlusskriterien umfassten: Bestehen der CET-6-Prüfung mit einem Ergebnis > 425, keine Fehlzeiten in diesem Semester sowie durchschnittliche Ergebnisse in den letzten beiden schriftlichen Kurztests. Zu den Ausschlusskriterien gehörten: langfristige Nutzung kommerzieller KI-Schreibsoftware für Englisch außerhalb des Unterrichts und schwere Legasthenie.

Die Variabilität aller stetigen Ergebnisvariablen wurde als Mittelwert ± Standardabweichung (SD) angegeben. Alle Analysen wurden mit einer Stichprobengröße von n = 30 Teilnehmern pro Gruppe (experimentelle Gruppe vs. Kontrollgruppe), insgesamt N = 60, durchgeführt. Für longitudinale Messwiederholungsdaten wurde eine varianzanalytische Auswertung mit Messwiederholungen (RM-ANOVA) verwendet, um die Haupteffekte der Gruppe und der Zeit sowie die Gruppen-mal-Zeit-Interaktion zu untersuchen. Für post-hoc paarweise Vergleiche zu einzelnen Zeitpunkten kamen t-Tests für unabhängige Stichproben zum Einsatz. Die Kontrollgruppe erhielt traditionellen Schreibunterricht sowie ein allgemeines, kostenloses, nicht individualisiertes KI-Schreibwerkzeug (keine gestuften Aufforderungen, keine transferorientierten Vorlagen). Die Unterrichtsstunden, Schreibaufgaben, Feedbackhäufigkeit und Trainingstexte waren identisch mit denen der experimentellen Gruppe, abgesehen davon, dass die in dieser Studie verwendete individualisierte, geschachtelte Prompt-Kette und die Aufgabenbibliothek mit fünf Ebenen fehlten. Die experimentelle Gruppe nutzte auf dem DeepSeek-Modell basierende Anweisungen zur Optimierung des Schreibunterrichts, einschließlich der Anleitung durch geschachtelte Prompt-Ketten, der Ausgabe mit interkultureller Anpassung sowie des „Erzeugung-Reflexion-Neuerzeugung“-Mechanismus. Die Kontrollgruppe hingegen setzte traditionelle Lehrmethoden oder nicht optimierte KI-gestützte Werkzeuge ein. Durch den Vergleich der Unterrichtseffekte beider Gruppen wurde die Wirksamkeit der auf dem großen Sprachmodell basierenden Transfertrainingsmethode zur Verbesserung der Schreibtransferfähigkeit der Studierenden überprüft.

Gesamte Forschungsidee

Diese Studie hatte zum Ziel, die Fähigkeit der Studierenden zur Übertragung im englischen Schreiben zu verbessern und effektive methodische Gestaltungsmethoden zu entwickeln, wobei ein besonderer Schwerpunkt auf die Anpassung von DeepSeek für den Bildungseinsatz lag. Zunächst wurde eine Strategie zur Optimierung von Instruktionen vorgeschlagen, um Modellanweisungen neu zu gestalten. Dadurch wurde die Übereinstimmung der generierten Ausgaben mit mehreren Übertragungszielen im Schreibunterricht verbessert, einschließlich syntaktischer Struktur, Absatzlogik und kultureller Ausdrucksweise. Zweitens wurden die Schreibaufgaben der Lehrenden in strukturierte und zielorientierte Anweisungsvorlagen umgewandelt. Anschließend wurde eine Zuordnungsbeziehung zwischen Lehraufgaben und Modellverhalten hergestellt. Dies erhöhte die Steuerbarkeit des Modells und stellte sicher, dass die generierten Inhalte pädagogisch relevant waren. Schließlich entwickelte die Studie einen geschlossenen Übertragungstrainingprozess: „Generierung–Reflexion–Neuschreiben–Neugenerierung“. Dieser Prozess ermutigte die Studierenden, Transferstrategien zu identifizieren und unter Modellunterstützung aktiv ihren sprachlichen Ausdruck zu verfeinern. Durch wiederholte Iterationen wurden die fachsprachlichen und interkulturellen Schreibtransferfähigkeiten der Studierenden kontinuierlich gestärkt. Die Schritte zur Transformation der Satzstruktur sind in Abbildung 1A–D dargestellt.

Um die vollständige Funktionslogik des KI-gestützten Schreibtrainings-Systems zu verdeutlichen und die Reproduzierbarkeit zu verbessern, ist der gesamte Implementierungsworkflow in Tabelle 1 zusammengefasst, einschließlich der Kernabschnitte wie Rohdateneingabe, Lehrereingriffe, Prompt-Anwendung, Schüleraktivitäten, endgültige Ausgaben und entsprechende Bewertungskriterien.

Strategie zur konstruktionsbasierten Aufgabenübertragung

Diese Studie konzentrierte sich darauf, die Transferfähigkeit im englischen Schreiben zu fördern. Sie entwickelte einen Transferaufgaben-Pfad, der von oberflächlich zu tiefgreifend fortschreitet und die Studierenden systematisch dabei unterstützt, mehrstufige sprachliche Transferstrategien zu beherrschen und anzuwenden. Um die Pfadstruktur insgesamt zu beschreiben, wurde sie als vierstufiges Aufgabenset definiert:

T = {T1,T2,T3,T4} (1)

T1 steht für die satzebene Transferaufgabe, die sich auf grundlegende grammatische Strukturoperationen konzentriert, wie beispielsweise die Erweiterung kurzer Sätze, die Änderung der Satzstimme und den Austausch von Nebensätzen, um Studierenden vielfältige Methoden der Satzstruktur zu vermitteln. T2 ist die absatzebene Transferaufgabe, die Studierende anleitet, die Organisation und Verknüpfung von Informationen innerhalb eines Absatzes zu beachten, und sie darin schult, durch die Extraktion der Hauptaussage sowie durch die Anpassung der logischen Beziehungen zwischen Sätzen Klarheit der Struktur und Kohärenz des Ausdrucks des Absatzes zu verbessern. T3 repräsentiert die diskursebene Aufgabe, die sich weiter auf das gesamte logische Gerüst und den Argumentationsrhythmus eines Kapitels erstreckt und Studierende dabei unterstützt, anhand der Umstellung der Absatzreihenfolge und der Optimierung der strukturellen Nebeneinanderstellung ein englisches Textstück mit vollständigem Argumentationssystem aufzubauen. T4 ist die kulturebene Transferaufgabe, bei der Studierende implizite kulturelle Ausdrucksmerkmale im muttersprachlichen Schreiben – wie indirekte Formulierungen und semantische Andeutungen – erkennen und diese in direkte Ausdrucksweisen oder logisch explizite Formen umwandeln sollen, die der Zielsprachkultur entsprechen. Der Verlauf ihrer Entwicklung ist in Abbildung 2 dargestellt. Um die Durchführbarkeit und Evaluierbarkeit der Aufgabengestaltung zu erhöhen, definierte diese Studie jede Aufgabenebene zusätzlich als Triple-Form:

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

Sj repräsentiert die Eingabestichprobe der Aufgabe, Gi repräsentiert die Ziel-Transferoperation und Ei repräsentiert die unterstützenden Evaluierungskriterien. Durch diesen strukturierten Ausdruck wurde sichergestellt, dass jede Ebene der Aufgabe auf der Beherrschung der Strategie der vorherigen Ebene aufbaute und mit entsprechenden Beispielen, Zielbeschreibungen und Leistungskriterien ausgestattet war, wodurch ein Mechanismus für die schrittweise Fortschrittsentwicklung des Transferpfads bereitgestellt wurde. Bei der Konstruktion des Transfertrainingsystems wurde zur systematischen Abdeckung von Aufgabentypen und effizienten Verwaltung von Lehranforderungen eine strukturierte Aufgabenbibliothek aufgebaut, die fünf Arten von Transferzielen abdeckt, basierend auf den gemeinsamen sprachlichen Umwandlungsdimensionen beim Schreibentransfer. Die Aufgabenbibliothek wurde formal ausgedrückt als:

M = {(Dj,TDj)∣j = 1,2,3,4,5} (3)

Dj  entspricht fünf Transferdimensionen: syntaktischem Transfer, strukturellem Transfer, kulturellem Transfer, Registertransfer und logischem Transfer; die Aufgabensammlung TDj , die jeder Dimension zugeordnet ist, stellt deren operationellen Teilsatz dar. Bei der Entwicklung der Aufgabenbibliothek fassten die Autoren zunächst auf der Grundlage einer großen Anzahl realer Schreibanfertigkeiten von Studierenden gemeinsame Transferprobleme und Arten sprachlicher Fehler zusammen, verbanden diese mit den tatsächlichen Unterrichtsbedürfnissen und Bewertungsstandards, unterteilten die verschiedenen Transferarten in funktionale Bereiche und legten die zentralen Trainingsziele sowie Betriebsmodi jeder Aufgabe fest. Jede Aufgabe wurde abstrakt als folgende dreigliedrige Struktur dargestellt:

Ti,j = (Si,j,Gi,j,Ci,j) (4)

Si,j steht für die Aufgabeneingabe, Gi,j ist die Transfer-Zielbeschreibung der Aufgabe, und Ci,j ist die Evaluations- und Kontroll-Dimension der Aufgabe. Bei der syntaktischen Transferaufgabe entwarf diese Studie eine Satzumstellungssequenz, die von einfach zu schwierig fortschritt und die Satzverbindung, Klauselverschachtelung, Passivumwandlung sowie verwandte Konzepte abdeckte, um die Fähigkeiten der Lernenden in Satzerweiterung und grammatikalischer Transformation zu verbessern. Die strukturelle Transferaufgabe konzentrierte sich darauf, die logische Gliederung von Absätzen zu optimieren, die Informationsorganisation zu stärken und die Fähigkeit zum logischen Aufbau durch Neuschreiben der Hauptaussage, Sortieren von Stützsätzen sowie Neugestaltung von Ursache-Wirkungs- und Beispielbeziehungen zu verbessern. Die kulturelle Transferaufgabe basierte auf einem interkulturellen Korpus und zielte auf pragmatische Abweichungen wie implizite Ausdrucksweisen und Euphemismen ab. Sie entwarf ausdrucksmäßige Umwandlungen, die dem realen Kontext nahekamen, um die Entwicklung kultureller Anpassungsfähigkeit zu fördern. Die Register-Transferaufgabe leitete die Lernenden dabei an, mündliche Ausdrucksweisen in akademische Sprache umzuwandeln und Strategien für die Registerwechsel zu beherrschen. Die logische Transferaufgabe konzentrierte sich auf den Aufbau von Schlussketten und die Sicherstellung klarer Ausdrucksweise, wobei gleichzeitig Training zur Verwendung von Konjunktionen, zur Explizitmachung logischer Beziehungen und zu Absatzübergängen durchgeführt wurde.

Anhand tatsächlicher Schreibproben von Studierenden entwickelte diese Studie einen eng an Lehraufgaben angebundenen Prozess zur Erstellung von Aufgabenstellungen, um die Relevanz der Anweisungen und die Praxistauglichkeit der generierten Inhalte zu erhöhen. Der Prozess wurde von Lehrkräften geleitet, die während des Unterrichts repräsentative Textausschnitte der Lernenden auswählten und sich dabei auf typische Transferprobleme wie redundante Sätze, ungeordnete Strukturen und unangemessene kulturelle Ausdrucksweisen konzentrierten. Anschließend kennzeichneten sie die Proben über die Systemoberfläche mit Transferarten, um die Lernziele klarzustellen. Nach Erhalt der Annotationen aktivierte das System automatisch das Modul zur Identifizierung von Transferaufgaben. Danach verglich es die Eingabe mit der vordefinierten Aufgabensammlung und der Sammlung von Aufgabenstellungs-Vorlagen. Bei diesem Abgleich wurden Faktoren wie Transferart, sprachliche Merkmale und Textstruktur berücksichtigt. Auf dieser Grundlage wählte das System die am besten geeignete Vorlage aus und generierte eine erste Aufgabenstellung. Das System unterstützte zudem eine strukturierte Verbesserungsverarbeitung. Die Annotationen der Lehrkräfte wurden in ein standardisiertes Format umgewandelt, das vom Modell leicht interpretiert werden kann. Relevante instruktionale Hinweise wurden in die Aufgabenstellung eingebettet, um dem Modell ein genaues Verständnis sowohl der Absichten der Lehrkraft als auch der Fragen der Lernenden zu ermöglichen. Um die Flexibilität und Steuerbarkeit der Anweisungen zu verbessern, enthielt das System ein Unterstützungsmodul für Lehrkräfte. Dieses Modul ermöglichte es den Lehrkräften, Aufgabenstellungen zu verfeinern, indem sie die instruktionalen Vorgaben anpassten, den Kontext modifizierten und Ton sowie Stil individuell gestalteten. Dadurch erhielten die Lehrkräfte eine größere Kontrolle über den Generierungsprozess und konnten ihn besser an unterschiedliche Unterrichtssituationen anpassen.

Optimierungsmechanismus für Deepseek-Befehle

Basierend auf den praktischen Anforderungen des Transfertrainings im englischen Schreiben entwickelte diese Studie fünf Arten von transferorientierten Prompt-Vorlagen. Diese Vorlagen wurden konzipiert, um das Generierungsverhalten des großen Sprachmodells zu steuern und zu regulieren. Die strukturelle Transfer-Vorlage konzentrierte sich auf die Absatzorganisation und die Diskursstruktur. Sie half den Studierenden, Texte umzustrukturieren, indem sie Formen wie Einleitung–Hauptteil–Schluss übernahmen und den logischen Gedankenfluss verbesserten. Die syntaktische Transfer-Vorlage betonte die Satzebene und deren Komplexität. Sie förderte den Einsatz vielfältiger grammatikalischer Strukturen, darunter Passivkonstruktionen, Parallelstrukturen und komplexe Nebensätze, um die Ausdrucksweise schriftlicher Texte zu verfeinern. Die kulturelle Transfer-Vorlage befasste sich mit der kulturellen Angemessenheit im Schreiben. Sie leitete die Studierenden dabei an, Ausdrucksweisen, die von ihrer Muttersprache und Kultur geprägt waren, in Formen umzuwandeln, die im englischsprachigen Kontext natürlicher und akzeptabler sind. Die Register-Transfer-Vorlage konzentrierte sich auf die Anpassung des Stils und die Kontrolle des sprachlichen Registers. Sie half den Studierenden, ihren Sprachgebrauch an unterschiedliche Schreibzwecke, Zielgruppen und Gattungen anzupassen. Die logische Transfer-Vorlage zielte darauf ab, die logische Organisation zu stärken. Sie förderte den gezielten Einsatz von Beziehungen wie Ursache und Wirkung, Vergleich und Gegenüberstellung sowie paralleler Entwicklung, wodurch Kohärenz und argumentative Stringenz verbessert wurden. Zusammen deckten diese fünf Vorlagen die wesentlichen Dimensionen des Schreibtransfers ab. Sie boten strukturierte didaktische Unterstützung sowohl für die Gestaltung von Lehraufgaben als auch für die modellbasierte Textgenerierung.

Jeder Vorlagentyp folgte einem einheitlichen Format, um seine Universalität und Anpassungsfähigkeit in verschiedenen Unterrichtssituationen sicherzustellen. Die Vorlage enthielt vier Kernelemente: Das erste war das Anweisungsziel, das die erforderliche Transferaufgabe eindeutig angab; das zweite war die Beispiel-Eingabe, die den Studierenden reale Sprachfragmente als Korpusgrundlage für die Wirksamkeit der Anweisung bereitstellte; das dritte war die Ziel-Ausgabe, die den Standardstil einer idealen sprachlichen Ausgabe nach der Übertragung zeigte, mit der die Studierenden vergleichen und die sie zur Modellanpassung nutzen konnten; das vierte war der Nutzungsvorschlag, der das anwendbare Sprachniveau, Textformat und die Einsatzstrategie für die Vorlage erläuterte und anpassbare Parameterhinweise enthielt, um die Steuerung der Generierung sowie die didaktische Leitfunktion zu verbessern.

Um die Gestaltungslogik und praktische Anwendung der Promptvorlagen weiter zu veranschaulichen, werden im Folgenden repräsentative Beispiele für fünf transferorientierte Prompts vorgestellt. Alle Vorlagen entsprachen dem einheitlichen Rahmen, der aus einem Instruktionsziel, einer Beispieleingabe, einer Zielausgabe und einem Nutzungshinweis bestand. Die Studierenden wurden angeleitet, einfache Sätze zu erweitern, Satzformen umzuwandeln und Nebensätze einzubetten, um die syntaktische Vielfalt zu erhöhen. Beispielsweise lautete die optimierte Ausgabe für den Studententext „I study English writing. It is very important for cross-cultural communication“: „Learning English writing plays a vital role in improving learners’ ability of cross-cultural communication“. Dieser Prompt eignete sich für ein Training auf Satzebene für Studierende im zweiten Jahr des Englischfachs auf moderatem Schwierigkeitsniveau und konzentrierte sich auf grundlegende syntaktische Umstrukturierung und Verwandlung der Satzkonstruktion. Ein weiterer Prompttyp zielte auf kulturellen Transfer ab und hatte zum Ziel, chinglish-geprägte Äußerungen, die von muttersprachlichem kulturellem Denken beeinflusst sind, zu identifizieren und die Sätze in natürliche englische pragmatische Ausdrücke umzuformulieren, die den westlichen kulturellen Normen entsprechen. Am Beispiel des Studentensatzes „Many people think you must work hard if you want to succeed“ lautete die überarbeitete Version: „People generally believe that diligence is the key to success“. Dieser Prompt wurde im Training zum Transfer auf kultureller Ebene eingesetzt und konzentrierte sich darauf, implizite chinesische Denkmuster abzubauen und ein explizites Ausdrucksvermögen im englischen Sprachkontext zu fördern.

Diese Studie entwickelte außerdem eine dreistufige, geschachtelte Prompt-Kette, die die Absatzentwürfe der Studierenden als einheitliche Eingabe entgegennahm und nacheinander in aufeinanderfolgenden Phasen abarbeitete. Die erste Phase war die semantische Neugliederung, bei der der Prompt die Teilnehmenden aufforderte, die Sätze des gegebenen Absatzes neu anzuordnen, die logische Abfolge der Ideen zu optimieren und einen vollständigen Absatz mit klaren thematischen Hauptsätzen zu bilden. Die zweite Phase war die sprachliche Überarbeitung, in der der überarbeitete Absatz in formelles akademisches Englisch umgeschrieben, umgangssprachliche Wörter ersetzt und komplexe Sätze sowie Passivkonstruktionen angemessen verwendet werden sollten. Die dritte Phase war die kulturelle Anpassung, deren Prompt die Nutzer anleitete, den Text auf kulturpragmatische Ausdrücke zu überprüfen, kulturelle Einflüsse der Muttersprache zu entfernen und den Inhalt so zu verfeinern, dass er den englischsprachigen, interkulturellen Schreibkonventionen entsprach. Die oben genannten Beispiele demonstrierten vollständig die Funktionsweisen von Einzel-Prompt-Vorlagen und geschachtelten Prompt-Ketten. Auf dieser Grundlage entwarf die Studie eine vollständige, mehrphasige Prompt-Kette, die mit der MoE-Architektur von DeepSeek kombiniert wurde.

Um die Einschränkungen von Einzelprompts hinsichtlich der Generierungssteuerung und der Tiefe der Aufgabenbearbeitung zu überwinden, entwarf diese Studie eine geschachtelte Prompt-Kettenstruktur mit phasenweiser und kontinuierlicher Ausrichtung, die eine hierarchische Steuerung und die schrittweise Generierung komplexer Transferaufgaben ermöglicht. Dieser Mechanismus zerlegte eine vollständige Transferaufgabe in mehrere Teilziele und entwarf entsprechende Prompt-Vorlagen für jedes Teilziel, die in logischer Reihenfolge der semantischen Rekonstruktion, der sprachstilistischen Anpassung und der kulturpragmatischen Adaption hintereinander geschaltet wurden, wodurch eine kontextabhängige Generierungskette entstand. Diese Studie implementierte die Optimierung der geschachtelten Prompt-Kette für DeepSeek über dessen standardmäßige offene API. Das DeepSeek-Modell verwendete von Haus aus eine Mixture-of-Experts-(MoE-)Architektur mit einem automatischen Backend-Expert-Routing-System, das als inhärentes internes Schlussfolgerungsmodul unabhängig von externen Prompts agiert. Die angepassten mehrstufigen Prompts beeinflussten lediglich die inhaltsbezogenen Merkmale der Modell-Eingaben. Entsprechend den in den optimierten Eingaben verankerten semantischen, stilistischen und kulturellen Anforderungen aktivierte der native MoE-Routing-Mechanismus des Modells während der Textgenerierung autonom die am besten geeigneten Expertenmodule. Das dreistufige Prompt-Design, das auf semantische Neugestaltung, stilistische Anpassung und kulturelle Adaption ausgerichtet war, verfeinerte lediglich die Eingabetexte, griff jedoch nicht in die interne Logik der Expertenauswahl und -zuweisung des Modells ein.

Hinsichtlich des Ablaufs erhielt das System von Lehrkräften hochgeladene Schülerarbeiten, übertrug die Zielannotationen und bestimmte automatisch, ob die geschachtelte Kettenstruktur aktiviert werden sollte. Falls aktiviert, führte das System nacheinander drei Phasen aus: Die erste Phase war die semantische Neugliederung, bei der die Strukturübertragungsvorlage aufgerufen wurde, um die Absatzorganisation und logischen Hinweise zu optimieren; die zweite Phase war die Anpassung des Sprachstils, bei der mithilfe der Sprachvorlage umgangssprachliche Ausdrücke in wissenschaftliche Schreibsprache umgewandelt wurden; die dritte Phase war die kulturelle Anpassung, bei der die Kulturübertragungsvorlage aufgerufen wurde, um Ausdrücke zu identifizieren und zu ersetzen, die nicht der Zielsprachkultur entsprachen, und um authentischere Texte zu generieren.

Jede Generierungsrunde verwendete die Ausgabe der vorherigen Runde als Eingabe und behielt den Kontextvektor-Cache bei, um semantische Kohärenz sicherzustellen. Die Lehrenden passten die Struktur der Prompt-Kette in der Systemoberfläche an, einschließlich der Vorlagenauswahl, Anpassung der Anweisungen und Neuanordnung der Reihenfolge. Das System unterstützte zudem die Funktion „Vorlagen-Kombinationspaket“, die es Lehrenden erleichterte, Aufgaben wiederverwendend oder gebündelt zuzuweisen. Außerdem verfügte das System über einen integrierten dynamischen Unterbrechungs- und Feedback-Mechanismus, der nach jeder Generierung Zwischenergebnisse bereitstellte. Die Lehrenden kommentierten diese oder passten die nachfolgenden Anweisungen in Echtzeit an, wodurch sich eine geschlossene „Generierung-Anpassung-Neugenerierung“-Lehrschleife ergab.

Modellerstellung, Bewertung

Im Prozess der Textgenerierung und -bewertung auf Grundlage des DeepSeek-Modells entwickelte diese Studie einen mehrdimensionalen automatischen Bewertungsmechanismus, um generierte Texte systematisch zu analysieren und quantitativ hinsichtlich dreier Aspekte zu bewerten: syntaktische Komplexität, strukturelle Standardisierung und Diskurskohärenz. Zur Extraktion von Textmerkmalen und zur automatisierten Bewertung verwendete die Studie den spaCy-Abhängigkeitsparser sowie das Coreferee-Coreferenzauflösungs-Modul. Der spaCy-Abhängigkeitsparser analysierte die syntaktische Struktur englischer Texte und extrahierte zentrale Indikatoren wie die durchschnittliche Satzlänge und die Anzahl verschachtelter Nebensätze, wodurch eine quantitative Analyse der syntaktischen Komplexität ermöglicht wurde. Das Coreferee-Coreferenzauflösungs-Modul, das innerhalb des spaCy-Frameworks läuft, identifizierte vorrangig interne Referenzbeziehungen im Text und bewertete die referenzielle Kohärenz des Diskurses, wodurch technische Unterstützung für die automatisierte Bewertung der Schreibqualität bereitgestellt wurde. Aufgrund von Netzwerkeinschränkungen war der Zugriff auf die genannten ausländischen Open-Source-Webseiten nicht möglich.

Zunächst bewertete das System die syntaktische Komplexität. Es extrahierte Merkmale wie durchschnittliche Satzlänge, Verschachtelungstiefe von Nebensätzen und Satzvielfalt. Diese Merkmale wurden mithilfe von Dependenzanalyse und tiefen syntaktischen Baummodellen gewonnen. Anhand der Ergebnisse beurteilte das System, ob die Studierenden erfolgreich von einfachen Satzmustern zu komplexeren Strukturen übergegangen waren. Zweitens analysierte das System die Absatzorganisation. Es kombinierte BERT-basierte Textrepräsentationen mit Klassifizierungsmodellen, um zentrale Absatzelemente zu identifizieren, darunter thematische, unterstützende und abschließende Sätze. Anschließend wurde eine Absatzstrukturkarte erstellt, um zu prüfen, ob die Organisation den Konventionen des englischen wissenschaftlichen Schreibens entsprach. Drittens bewertete das System die Textkohärenz. Es untersuchte den Gebrauch logischer Konnektoren, die semantische Konsistenz zwischen Sätzen sowie die Qualität der referenziellen Verbindungen im gesamten Text. Diese Indikatoren dienten der Beurteilung der Klarheit der logischen Argumentationsentwicklung und des fließenden Übergangs der Gedanken. Zur Messung der thematischen Kohärenz berechnete das System die semantische Ähnlichkeit anhand vektorbasierter Repräsentationen. Die referenzielle Kohärenz wurde mittels Coreferenzauflösungstechniken bewertet, die dazu beitrugen, semantische Lücken und mehrdeutige Bezüge zu verringern. Schließlich wurden die Bewertungen aus allen Dimensionen zu einem einheitlichen Bewertungsvektor zusammengeführt. Die Ergebnisse wurden standardisiert, um ein umfassendes Evaluierungssystem zu schaffen, das einen zuverlässigen Vergleich zwischen verschiedenen Schreibanlässen ermöglicht.

In der Phase der manuellen Bewertung entwickelte diese Studie ein dreidimensionales Bewertungssystem für das Schreibtransfer-Training, das die Offensichtlichkeit des Transferverhaltens, die Natürlichkeit der Ausdrucksweise und die kulturelle Anpassungsfähigkeit umfasst, um die Relevanz der Lehrerbewertung und die Wirksamkeit des Unterrichts-Feedbacks zu verbessern. Das System kombinierte seine unterstützenden Funktionen, um eine organische Verbindung quantitativer Bewertungen und qualitativer Kommentare zu erreichen. In der Dimension des Transferverhaltens beurteilten die Lehrkräfte die Nutzung von Transferstrategien durch die Schüler beim Umschreiben von Texten anhand vorgegebener Aufgabenziele. Das System bot eine nebeneinanderstehende Vergleichsansicht des Originaltextes und der generierten Version, um den Lehrkräften bei der Identifizierung zu helfen, ob Maßnahmen wie Satzumstellungen und strukturelle Neugestaltungen effektiv den geforderten Transfer-Typ widerspiegelten.

Die Bewertung des natürlichen Ausdrucks konzentrierte sich auf die Flüssigkeit und Authentizität der sprachlichen Ausgabe. Die Lehrkräfte verwendeten die vom System generierten Sprachindikatoren, um zu beurteilen, ob die Sätze den Ausdrucksgewohnheiten muttersprachlicher Englischsprecher entsprachen, und um zu prüfen, ob die grammatikalische Struktur, die Wortkombinationen und der Satzrhythmus natürlich und angemessen waren. Zudem wiesen sie mittels Anmerkungen auf Probleme hin und schlugen alternative Formulierungen vor. Die kulturelle Anpassungsfähigkeit bezog sich auf die Angemessenheit der interkulturellen Pragmatik. Die Lehrkräfte mussten ermitteln, ob der Text unangemessene Äußerungen enthielt, die durch kulturelle Übertragung aus der Ausgangssprache verursacht wurden, beispielsweise semantische Mehrdeutigkeiten, rhetorische Konflikte oder vage Werturteile. Das System stellte häufige Beispiele kulturell abweichender Wörter bereit und ermöglichte es den Lehrkräften, in Kommentaren die Grundlage für Änderungen sowie kulturelle Kontextanforderungen zu erläutern, wodurch die Studierenden bei der Verbesserung ihres Bewusstseins für kulturelle Transferleistungen und ihrer Ausdrucksgenauigkeit unterstützt wurden. Jede Dimension wurde anhand einer 5-Punkte-Skala bewertet und enthielt freie Anmerkungen sowie vorgeschlagene Ergänzungsbausteine. Die endgültigen Bewertungsergebnisse wurden als Radar-Diagramm dargestellt.

Um die Bewertungseffizienz zu verbessern und die praktische Nutzung im Unterricht zu unterstützen, wurde in dieser Studie ein kollaborativer Bewertungsmechanismus entwickelt, der die KI-basierte Punktevergabe mit der Lehrerbeurteilung kombiniert. Das System führte zunächst eine mehrdimensionale Bewertung des von DeepSeek generierten Textes durch. Wesentliche Aspekte wie syntaktische Komplexität, Absatzstruktur und Textkohärenz wurden über das automatische Bewertungsmodul analysiert. Die Ergebnisse der Bewertung wurden anschließend in Echtzeit auf der Lehrerschnittstelle angezeigt. Die Lehrkräfte überprüften die detaillierten Bewertungen für jede Dimension und passten sie bei Bedarf an, basierend auf ihrem fachlichen Urteilsvermögen und ihrem Verständnis der Transferleistungen der Schüler. Zudem fügten sie gezielte Kommentare direkt in den Text ein, um Rückmeldungen und unterrichtliche Vorschläge zu geben, die durch die automatische Bewertung möglicherweise nicht erfasst wurden. Jede Bewertungsdimension verwendete eine Fünf-Punkte-Bewertungsskala. Die Schnittstelle enthielt außerdem Freitext-Anmerkungs- und Empfehlungsmodule, um individualisierte Rückmeldungen zu erleichtern. Die Bewertungsergebnisse wurden mittels eines Radar-Diagramms visualisiert, wodurch die Lehrkräfte schnell die Stärken und Schwächen der Schüler in den verschiedenen Transferdimensionen erkennen konnten.

Darüber hinaus ermöglichte das System Lehrkräften, die Gewichtung bestimmter Dimensionen oder der Gesamtergebnisse anzupassen, um sie an die Unterrichtsziele anzupassen. Diese Funktion stellte sicher, dass die abschließende Bewertung die tatsächliche Leistung und die Lernbedürfnisse der Schüler präziser widerspiegelte. Nach Abschluss der manuellen Überprüfung integrierte das System automatisch maschinell generierte und von Lehrkräften erstellte Bewertungsdaten und erstellte anschließend einen visuellen Feedback-Bericht. Der Bericht enthielt ein Radar-Diagramm zur Übertragungsleistung und ein Versionsverlauf-Diagramm. Diese Visualisierungen verdeutlichten deutlich die Veränderungen in den Übertragungsfähigkeiten der Schüler über mehrere Runden der Texterstellung und -überarbeitung hinweg und ermöglichten so eine kontinuierliche Überwachung des Lernfortschritts.

Übertragung des Trainingsprozesses

Diese Studie entwarf einen vollständigen Transfer-Trainingsprozess. Zunächst stellte die Lehrkraft spezifische englische Schreibaufgaben basierend auf den Unterrichtszielen und dem tatsächlichen Niveau der Studierenden und klärte den Transfer-Typ sowie den Schwerpunkt des Trainings. Anschließend generierte das System automatisch entsprechende Prompt-Anweisungen basierend auf den von der Lehrkraft festgelegten Aufgaben und rief das DeepSeek-Modell auf, um einen Erstentwurf des Textes zu erstellen, der als Grundlage für das Überarbeiten und Transfer-Training der Studierenden diente. Nach Erhalt des Erstentwurfs mussten die Studierenden aktiv die im Text reflektierten Transfermerkmale identifizieren und den Inhalt gezielt umschreiben, wobei sie die erlernten Transferstrategien anwendeten, um die Angemessenheit der Satzstruktur, der Abschnittsgliederung und der kulturellen Ausdrucksweise zu verbessern. Nach Abschluss der Überarbeitung führte die Lehrkraft eine detaillierte Rückmeldung zum eingereichten Text der Studierenden durch, wobei die Wirksamkeit der Transferstrategie hervorgehoben und konkrete Verbesserungsvorschläge sowie Schreibanleitungen gegeben wurden. Basierend auf dem Feedback der Lehrkraft wurde das DeepSeek-Modell erneut aufgerufen, um eine optimierte Version zu generieren, die die Studierenden weiterhin dabei unterstützte, ihre Texte zu verfeinern und ihre Anwendung der Transferstrategien zu vertiefen. Schließlich reichten die Studierenden den endgültigen Text ein, füllten die Transfer-Kognitionstabelle aus, führten eine Selbstevaluation durch, fassten die Transfermethoden und deren Wirkung zusammen und förderten so die Verbesserung der metakognitiven Fähigkeiten sowie die Internalisierung der Schreib-Transfer-Fertigkeiten. Die für diese Studie konzipierte Transfer-Kognitionstabelle ist in Tabelle 2 dargestellt.

Alle Elemente verwendeten eine Bewertungsskala von 1–5, die von 1 (keine Beherrschung) bis 5 (vollständige Beherrschung) reichte. Die Selbstbewertungsdaten wurden nach drei Runden sequenziellen Trainings erhoben; die Bewertungsbenchmarks beziehen sich auf vordefinierte Standards für Transferoperationen in der fünfdimensionalen Aufgabenbibliothek.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Lehre der Versuchsplanung

Diese Studie verwendete die grundlegende Open-Source-Version von DeepSeek und stützte sich auf die offene API-Schnittstelle der Plattform für Programm-Aufrufe. Der vollständige Satz aus fünf Prompt-Vorlagetexten, vier Ebenen von Beispielaufgaben, Transfer-Anmerkungskategorien-Tags sowie Regeln zur Zuordnung von Schreibfehler-Vorlagen wurde im ergänzenden Anhang zusammengestellt. Das System verwendete feste Aufrufparameter: einen Temperaturkoeffiziente...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Diese Studie entwickelt einen mehrstufigen Rahmen für die Optimierung von Anweisungen, der auf der MoE-Architektur von DeepSeek basiert und auf den transferorientierten Englischunterricht in kulturell vielfältigen Kontexten ausgerichtet ist. Ausgehend von vierstufigen progressiven Aufgaben – von der Satzebene bis hin zur kulturellen Dimension – sowie einer standardisierten Aufgabenbibliothek mit fünf Kategorien realisiert die Forschung eine automatische Generierung von Prompts anhand echter Schreibanfertigungen von Lerne...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären, dass sie keine finanziellen Interessenkonflikte haben.

Danksagungen

Diese Arbeit wurde vom Zhejiang Provincial Education Planning Project 2026 unterstützt: Forschung zur Rekonstruktion des Lehrkompetenzrahmens und Förderstrategien von Hochschuldozenten unter digitaler und intelligenter Unterstützung (Projektnummer: ZWT26024; Genehmigungsnummer: 2026SCG360).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
BERT vortrainiertes SprachmodellGooglehttps://github.com/google-research/bertDie Textrepräsentation, die Erkennung der Absatzstruktur, die Berechnung der semantischen Ähnlichkeit und die Textklassifizierung unterstützen die automatisierte Bewertung von Schreibinhalten.
CorefereeExplosion AIhttps://github.com/explosion/corefereeReferenzielle Beziehungen im Text werden identifiziert, und die diskursive referenzielle Kohärenz wird bewertet, um bei der automatischen Bewertung der Schreibqualität zu unterstützen.
DeepSeek großes SprachmodellDeepSeek AIhttps://chat.deepseek.com/Auf der Grundlage der MoE-Modellarchitektur wurden Instruktionsoptimierung und Gestaltung von Prompt-Wortketten durchgeführt. Das Modell verwendet feste Parameter: einen Temperaturkoeffizienten von 0,7, und die erzeugte Länge wird dynamisch je nach Fragetyp begrenzt.
spaCyExplosion AIhttps://github.com/explosion/spaCyDie Abhängigkeitssyntaktische Struktur englischer Texte wird analysiert, und Indikatoren wie durchschnittliche Satzlänge und Anzahl verschachtelter Nebensätze werden extrahiert, um die syntaktische Komplexität zu quantifizieren.
SPSS 26.0IBMhttps://www.ibm.com/products/spss-statisticsStatistische Analysen wie Varianzanalyse mit Messwiederholungen (RM-ANOVA), t-Test für unabhängige Stichproben, Pearson-Korrelationsanalyse, Effektgrößenberechnung (Cohen’s d) und Reliabilitätstest (ICC) wurden durchgeführt.

Referenzen

  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.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Weitere Artikel entdecken

Interkulturelles SchreibenSprachtransferhierarchisches TrainingssystemMixture of ExpertsPrompt-Kettekulturelle Adaptationlinguistische Revision
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.