Optimización de prompts de DeepSeek para la enseñanza de la escritura en inglés intercultural: un estudio práctico sobre la competencia de transferencia

Resumen

Este estudio desarrolla un marco de optimización de indicaciones en capas basado en DeepSeek para mejorar la competencia transferible en la escritura en inglés en contextos interculturales. A través de una cadena de indicaciones en tres etapas y un experimento cuasiexperimental con 60 estudiantes de inglés, los resultados muestran una mejora significativa en el grupo experimental en comparación con el grupo de control.

Resumen

Para abordar la limitación de que la instrucción tradicional de escritura en inglés descuida el cultivo sistemático de la transferencia lingüística y de que los marcos de indicaciones existentes no se adaptan a la enseñanza en el aula, este estudio construye un sistema jerárquico de entrenamiento en transferencia basado en el modelo DeepSeek, que abarca cuatro niveles progresivos de tareas: oración, párrafo, discurso y cultura, con todas las tareas definidas en forma triple. Se establece una biblioteca de tareas de cinco dimensiones que cubre sintaxis, estructura, cultura, registro y lógica, y se generan automáticamente indicaciones específicas a partir de borradores reales de escritura de los estudiantes. Integrado con la arquitectura de Mezcla de Expertos (MoE) del modelo, se desarrolla una cadena anidada de indicaciones para dividir tareas complejas en tres fases secuenciales: reorganización semántica, revisión lingüística y adaptación cultural. Mediante un diseño cuasiexperimental, esta investigación recluta a 60 estudiantes de segundo año de inglés de una universidad y los asigna a un grupo experimental y un grupo de control de 30 estudiantes cada uno, durante tres semanas de intervención escalonada distribuida en tres rondas de entrenamiento. Los resultados posteriores al experimento revelan que la puntuación del grupo experimental en transferencia cultural aumenta de 2,8 a 4,5, en comparación con un incremento de apenas 0,3 en el grupo de control; su puntuación promedio evaluada por profesores mejora de 59,1 a 74,4, frente al aumento del grupo de control de 60,1 a 64,9. La mayoría de los coeficientes de correlación entre la calificación automatizada por IA y la evaluación docente superan 0,8, y más del 90 % de los participantes aprueban las funciones de reescritura por IA y de optimización estructural. Debido al tamaño reducido de la muestra en este ensayo, este enfoque de optimización resulta factible para su implementación en clases universitarias de escritura en inglés.

Introducción

En la enseñanza de la escritura en inglés en un contexto intercultural, los estudiantes no nativos suelen enfrentar el desafío de una capacidad insuficiente de transferencia al pasar del conocimiento lingüístico a la aplicación práctica^1,2. Aunque los estudiantes poseen una base determinada en gramática y vocabulario, les resulta difícil convertir eficazmente los patrones, estructuras y expresiones culturales en escritura real, lo que produce una salida lingüística formalizada y un pensamiento limitado, afectando así la calidad general de la escritura³. Además, las diferencias interculturales en la estructura del lenguaje, la organización lógica y las normas pragmáticas agravan aún más la complejidad de la transferencia escrita⁴. En los últimos años, los modelos lingüísticos grandes (LLMs) han proporcionado un nuevo soporte técnico para la enseñanza de la escritura⁵. Herramientas inteligentes de escritura, como DeepSeek, han demostrado una gran capacidad en la generación y reconstrucción del lenguaje. Sin embargo, en la práctica docente, suelen limitarse a correcciones lingüísticas superficiales y aún no se han integrado profundamente en el proceso de enseñanza centrado en el desarrollo de la capacidad de transferencia. Carecen de orientación hacia objetivos pedagógicos y de control sobre el comportamiento de generación^6,7. Las aplicaciones actuales de escritura asistida por IA en su mayoría restringen sus funciones a la corrección de errores gramaticales superficiales, en lugar de enfocarse en el desarrollo de una competencia sistemática de transferencia, lo que resulta en un control insuficiente, orientado a la enseñanza, sobre las salidas del modelo.

La investigación existente sobre asistencia en la escritura en inglés como segunda lengua (ESL) se divide en tres categorías principales: retroalimentación convencional basada en indicaciones, intervención genérica de pulido con inteligencia artificial y entrenamiento manual centrado en la transferencia. En primer lugar, la investigación general sobre ingeniería de indicaciones prioriza la optimización técnica de la respuesta a preguntas y la reescritura de textos sin alinearse con objetivos pedagógicos de transferencia jerárquica^8,9. En segundo lugar, la tutoría típica en ESL basada en ChatGPT se centra en mejorar la precisión general de la escritura, en lugar de fomentar de forma escalonada la transferencia sintáctica, estructural y transcultural¹⁰. En tercer lugar, la pedagogía tradicional de transferencia, que depende de la imitación y la escritura contrastiva, carece de retroalimentación en bucle cerrado apoyada por herramientas inteligentes¹¹. A diferencia de los estudios anteriores, esta investigación personaliza indicaciones jerárquicas orientadas a la transferencia, alineadas con objetivos docentes multinivel, y desarrolla un flujo de trabajo basado en ejemplos para la auto-generación de indicaciones, creando un mecanismo de entrenamiento único en bucle cerrado que combina la generación del modelo, la retroalimentación del docente y la revisión del estudiante.

La literatura previa plantea una posible conexión entre la divergencia cultural lingüística, las limitaciones estructurales inherentes de los modelos y la práctica desarticulada en el aula, aunque esta cadena causal aún no ha sido verificada empíricamente de manera suficiente en los estudios existentes y se convierte en la hipótesis central de investigación que se examina en este artículo^12,13. En cuanto a las características inherentes de DeepSeek citadas en este trabajo, su interfaz abierta de instrucciones y su diseño de enrutamiento de expertos basado en MoE han sido documentados en informes técnicos existentes sobre modelos e investigaciones aplicadas en lenguaje. Sobre la base de estas características documentadas del modelo, el presente estudio diseña cadenas anidadas de indicaciones para descomponer tareas complejas de transferencia intercultural y desarrolla reglas dinámicas de programación de submodelos para asignaciones diferenciadas de transferencia. Centrada en el desarrollo de la capacidad estructurada de transferencia, esta investigación explora una optimización específica de las indicaciones de DeepSeek, con el objetivo de transformar a los modelos de lenguaje grandes de herramientas universales de edición de texto en sistemas especializados de entrenamiento por transferencia para la enseñanza del inglés escrito en la educación universitaria.

En el campo de la investigación sobre la escritura en segunda lengua, el fenómeno de transferencia ha sido durante mucho tiempo un tema central^14,15. La teoría tradicional de transferencia lingüística se centra principalmente en los efectos de transferencia positiva y negativa de la lengua materna en el proceso de adquisición de la lengua meta, con especial énfasis en la fonética, el vocabulario y la sintaxis¹⁶. Mirzayev E señaló que, en la enseñanza de la escritura en inglés como segunda lengua (ESL), la transferencia negativa de la lengua materna sigue siendo un factor clave que limita el desarrollo de las habilidades escritas de los estudiantes¹⁷. A medida que se amplía el alcance de la investigación, la comunidad académica ha ido extendiendo progresivamente su enfoque hacia la transferencia de la estructura textual¹⁸. La escritura interlengua suele presentar errores lingüísticos y fossilización debido a múltiples factores¹⁹. Al mismo tiempo, la teoría de la transferencia cognitiva también ha recibido una atención creciente²⁰. Esta teoría destaca las diferencias en la organización cognitiva y en los patrones de expresión durante el proceso de escritura. Por ejemplo, la escritura occidental enfatiza el razonamiento lineal y la lógica explícita, mientras que la tradición china prefiere un enfoque espiral y la ambigüedad semántica. Existe una tensión significativa entre ambos enfoques. Por lo tanto, la transferencia lingüística no solo implica la conversión de unidades lingüísticas, sino también la adaptación y transformación de estructuras de pensamiento y normas culturales de expresión a un nivel más profundo, lo cual representa un desafío importante en la enseñanza actual de la escritura en inglés²¹.

En la práctica del cultivo de la capacidad de transferencia, los estudios existentes suelen emplear estrategias como la escritura imitativa²², la escritura contrastiva²³ y el entrenamiento en traducción²⁴ para mejorar la comprensión y aplicación por parte de los estudiantes del mecanismo de transferencia en la lengua meta. La escritura imitativa ayuda a desarrollar la capacidad básica de discurso, pero puede conducir fácilmente a una rigidez estructural; la escritura contrastiva puede mejorar el estilo lingüístico y la conciencia cultural, pero carece de una estratificación sistemática de tareas y retroalimentación personalizada; el entrenamiento en traducción puede fomentar el reconocimiento de metáforas culturales, pero sin orientación adecuada, puede derivar fácilmente en desviaciones semánticas o inadecuaciones pragmáticas. Las estrategias mencionadas dependen principalmente de demostraciones manuales y orientación basada en la experiencia²⁵, carecen de una construcción explícita de estrategias de transferencia y de mecanismos sistemáticos de retroalimentación, y resultan difíciles de adaptar a las diferencias individuales en competencia lingüística y estilos cognitivos. Aunque algunos estudios han intentado ampliar el entrenamiento en transferencia mediante tareas de escritura diversificadas^26,27, el proceso de enseñanza aún no ha conformado un ciclo cerrado de «objetivo de transferencia-generación del lenguaje-retroalimentación estratégica»; el efecto de internalización de las estrategias de transferencia es limitado, y el desarrollo de la capacidad de transferencia en los estudiantes durante tareas reales de escritura sigue siendo insuficiente²⁸.

Con el desarrollo de la tecnología de modelos de lenguaje grandes, su potencial auxiliar en la enseñanza de lenguas ha recibido una atención creciente²⁹. Herramientas de inteligencia artificial generativa representadas por ChatGPT (Chat Generative Pre-trained Transformer)³⁰ y DeepSeek³¹ se han utilizado ampliamente en escenarios como pulido de textos, reescritura lingüística y ajuste del lenguaje. Diasamidze et al. descubrieron que los estudiantes de inglés como segunda lengua que utilizaban ChatGPT superaron al grupo de enseñanza tradicional en cuanto a precisión gramatical, riqueza de vocabulario y capacidad de organización textual³². Sin embargo, las aplicaciones existentes se limitan principalmente al procesamiento lingüístico superficial y carecen de orientación sistemática sobre los objetivos de transferencia. Ranade señaló que los proyectos basados en indicaciones (prompts) en escenarios educativos actuales se basan principalmente en plantillas generales, y el contenido generado carece de adaptabilidad contextual y especificidad de la tarea³³. Además, el entrenamiento de los modelos predominantes depende de un corpus abierto y carece de modelado profundo de las diferencias en las expresiones culturales chinas e inglesas. Es frecuente que en los textos generados surjan inadecuaciones culturales y pragmática antinatural^34,35, lo cual limita su aplicación profunda en la enseñanza de la transferencia escrita intercultural.

Protocolo

Aprobación ética

Antes del experimento, los autores obtuvieron la aprobación (Número de aprobación: NBCC-ETH-2026-037) de la institución y distribuyeron documentos de consentimiento informado a todos los estudiantes participantes. Se informó claramente a todos los estudiantes sobre los objetivos de la investigación, los procedimientos experimentales y las normas de uso de los datos. La participación fue voluntaria y los participantes podían retirarse del estudio en cualquier momento. Todos los datos personales y trabajos escritos fueron anonimizados para proteger la privacidad y se utilizaron únicamente para análisis académico. Los 60 participantes firmaron el formulario de consentimiento antes de participar en la investigación. Los participantes fueron seleccionados de dos clases paralelas de redacción en inglés de segundo año en la misma institución de educación vocacional superior, reclutados mediante muestreo por conveniencia. Los criterios de inclusión incluyeron: haber aprobado el CET-6 con una puntuación > 425, no tener ausencias en este semestre y tener puntuaciones promedio en las últimas dos pruebas escritas de unidad. Los criterios de exclusión incluyeron: uso prolongado de software comercial de redacción en inglés basado en IA fuera de clase y dislexia severa.

La variabilidad de todas las variables de resultado continuas se informó como media ± desviación estándar (SD). Todos los análisis se realizaron con un tamaño muestral de n = 30 participantes por grupo (grupo experimental frente al grupo control), N total = 60. Para los datos longitudinales de medidas repetidas, se utilizó un análisis de varianza de medidas repetidas (RM-ANOVA) para examinar los efectos principales del grupo y el tiempo, así como la interacción grupo por tiempo. Se emplearon pruebas t para muestras independientes para comparaciones por pares post hoc en puntos temporales individuales. El grupo control recibió instrucción tradicional en escritura más una herramienta de escritura de inteligencia artificial genérica, gratuita y no personalizada (sin indicaciones escalonadas, sin plantillas orientadas a la transferencia). Las horas de instrucción, las tareas de escritura, la frecuencia de retroalimentación y los textos de entrenamiento fueron idénticos a los del grupo experimental, excepto por la ausencia de la cadena anidada personalizada de indicaciones y la intervención con biblioteca de tareas de cinco niveles utilizada en este estudio. El grupo experimental utilizó instrucciones basadas en el modelo DeepSeek para optimizar la enseñanza de la escritura, incluyendo orientación mediante cadena de indicaciones anidadas, salida adaptada al contexto intercultural y el mecanismo de «generación-reflexión-regeneración». El grupo control, en contraste, empleó métodos de enseñanza tradicionales o herramientas asistidas por IA no optimizadas. Al comparar los efectos docentes de ambos grupos, se verificó la eficacia del método de entrenamiento por transferencia basado en el modelo de lenguaje grande para mejorar la capacidad de transferencia escrita de los estudiantes.

Idea general de la investigación

Este estudio tuvo como objetivo mejorar la capacidad de transferencia escrita en inglés de los estudiantes y desarrollar métodos efectivos de diseño instruccional, con especial énfasis en la adaptación de DeepSeek para uso educativo. En primer lugar, se propuso una estrategia de optimización de instrucciones para rediseñar los estímulos del modelo. Esto mejoró la alineación de las salidas generadas con múltiples objetivos de transferencia en la enseñanza de la escritura, incluyendo la estructura sintáctica, la lógica del párrafo y la expresión cultural. En segundo lugar, las tareas de escritura de los docentes se convirtieron en plantillas de estímulos estructuradas y orientadas a objetivos. Posteriormente, se estableció una relación de correspondencia entre las tareas de enseñanza y los comportamientos del modelo. Esto mejoró la controlabilidad del modelo y aseguró que el contenido generado fuera pedagógicamente relevante. Por último, el estudio desarrolló un proceso de entrenamiento por transferencia en bucle cerrado: «generación–reflexión–reescritura–regeneración». Este proceso incentivó a los estudiantes a identificar estrategias de transferencia y a perfeccionar activamente su expresión lingüística con el apoyo del modelo. A través de iteraciones repetidas, las habilidades de transferencia escrita interlingüística e intercultural de los estudiantes se fortalecieron continuamente. Los pasos para la transformación de la estructura de las oraciones se muestran en Figura 1A–D.

Para aclarar la lógica completa de funcionamiento del sistema de entrenamiento en escritura asistido por IA y mejorar su reproducibilidad, el flujo de trabajo general de implementación se resume en la Tabla 1, que abarca los vínculos principales, incluyendo la entrada bruta, las intervenciones del docente, la aplicación del estímulo, las actividades del estudiante, los productos finales y los criterios de evaluación correspondientes.

Estrategia de construcción de tareas orientada a la transferencia

Este estudio se centró en fomentar la capacidad de transferencia en la escritura en inglés. Se diseñó una secuencia de tareas de transferencia que avanza de lo superficial a lo profundo, guiando sistemáticamente a los estudiantes en la asimilación y práctica de estrategias de transferencia lingüística a múltiples niveles. Para describir en conjunto la estructura de esta secuencia, se definió como un conjunto de tareas de cuatro niveles:

T = {T₁,T₂,T₃,T₄} (1)

T₁ representa la tarea de transferencia a nivel de oración, que se centra en operaciones básicas de estructura gramatical, como la expansión de oraciones cortas, el cambio de voz y el reemplazo de cláusulas, con el fin de ayudar a los estudiantes a dominar diversos métodos de estructura oracional. T₂ es la tarea de transferencia a nivel de párrafo, que orienta a los estudiantes a prestar atención a la organización y conexión de la información dentro del párrafo, y los entrena para mejorar la claridad estructural y la coherencia expresiva del mismo mediante la extracción de la oración principal y el ajuste de la lógica entre oraciones. T₃ representa la tarea a nivel de discurso, que se extiende aún más hacia la disposición lógica general y el ritmo argumentativo del capítulo, y guía a los estudiantes para construir un artículo en inglés con un sistema argumentativo completo mediante el ajuste del orden de los párrafos y la optimización de la relación estructural de yuxtaposición. T₄ es la tarea de transferencia a nivel cultural, que exige a los estudiantes identificar características implícitas de expresión cultural en escritos en su lengua materna, como formulaciones implícitas y sugerencias semánticas, y transformarlas en expresiones directas o formas lógicamente explícitas acordes con la cultura del idioma objetivo. Su proceso de evolución se muestra en Figure 2. Para mejorar la operabilidad y la evaluación del diseño de tareas, este estudio definió además cada nivel de tarea como una forma triple:

T_i = (S_i,G_i,E_i) (2)

S_j representa la muestra de entrada de la tarea, G_i representa la operación de transferencia objetivo y E_i representa los criterios de evaluación de apoyo. A través de esta expresión estructurada, se aseguró que cada nivel de la tarea se construyera sobre el dominio de la estrategia del nivel anterior y estuviera dotado de muestras correspondientes, descripciones del objetivo y criterios de desempeño, proporcionando un mecanismo para el avance constante del camino de transferencia. En el proceso de construcción del sistema de entrenamiento de transferencia, para lograr una cobertura sistemática de los tipos de tareas y una gestión eficiente de las llamadas docentes, este estudio construyó una biblioteca de tareas estructurada que abarca cinco tipos de objetivos de transferencia, basada en las dimensiones comunes de conversión lingüística en la transferencia escrita. La biblioteca de tareas se expresó formalmente como:

M = {(D_j,T_Dj)∣_j = 1,2,3,4,5} (3)

D_j  corresponde a cinco dimensiones de transferencia: transferencia sintáctica, transferencia estructural, transferencia cultural, transferencia de registro y transferencia lógica; el conjunto de tareas T_Dj  asociado a cada dimensión representa su subconjunto de operaciones. En el proceso de desarrollo de la biblioteca de tareas, primero los autores resumieron y clasificaron las dificultades comunes de transferencia y los tipos de errores lingüísticos basándose en un gran número de muestras reales de escritura estudiantil, y combinando las necesidades reales de enseñanza y los criterios de evaluación, dividieron los distintos tipos de transferencia en áreas funcionales, y establecieron los objetivos centrales de entrenamiento y los modos de operación de cada tarea. Cada tarea se representó abstractamente mediante la siguiente estructura triple:

T_i,j = (S_i,j,G_i,j,C_i,j) (4)

S_i,j representa la muestra de entrada de la tarea, G_i,j es la descripción del objetivo de transferencia de la tarea, y C_i,j es la dimensión de evaluación y control de la tarea. En la tarea de transferencia sintáctica, este estudio diseñó una secuencia de reorganización de oraciones que progresaba de lo simple a lo complejo, abarcando la conexión de oraciones, el anidamiento de cláusulas, la conversión a voz pasiva y conceptos relacionados, con el objetivo de mejorar las habilidades de los estudiantes en la ampliación de oraciones y la transformación gramatical. La tarea de transferencia estructural se centró en optimizar la lógica del párrafo, fortalecer la organización de la información y potenciar la capacidad de construcción lógica mediante la reescritura de la oración principal, el ordenamiento de oraciones de apoyo y la reconstrucción de las relaciones de causa-efecto y de ejemplo. La tarea de transferencia cultural se basó en un corpus intercultural y abordó desviaciones pragmáticas, como expresiones implícitas y eufemismos. Diseñó conversiones de expresión cercanas al contexto real para promover el desarrollo de la adaptabilidad cultural. La tarea de transferencia de registro guió a los estudiantes en la transformación de expresiones orales a lenguaje académico y en el dominio de estrategias para cambiar de registro. La tarea de transferencia lógica se centró en la construcción de cadenas de razonamiento y en garantizar la claridad expresiva, realizando al mismo tiempo entrenamiento en el uso de conjunciones, la explicitación de relaciones lógicas y las transiciones entre párrafos.

Basándose en muestras reales de escritura de los estudiantes, este estudio desarrolló un proceso de generación de consignas estrechamente vinculado a las tareas docentes, con el objetivo de aumentar la pertinencia de las instrucciones y la utilidad práctica del contenido generado. El proceso fue liderado por docentes, quienes seleccionaron fragmentos representativos de textos estudiantiles durante el proceso de enseñanza, centrándose en problemas típicos de transferencia, como oraciones redundantes, estructuras caóticas y expresiones culturales inadecuadas. Luego, anotaron las muestras con tipos de transferencia mediante la interfaz del sistema para clarificar los objetivos de entrenamiento. Tras recibir la información de anotación, el sistema activó automáticamente el módulo de identificación de tareas de transferencia. A continuación, relacionó la entrada con la biblioteca predefinida de tareas y la biblioteca de plantillas de consignas. El proceso de coincidencia consideró factores como el tipo de transferencia, las características lingüísticas y la estructura del texto. En función de estos factores, el sistema seleccionó la plantilla más adecuada y generó una consigna inicial. El sistema también permitió un procesamiento estructurado de mejora. Las anotaciones de los docentes se convirtieron en un formato estandarizado que el modelo puede interpretar fácilmente. Se incorporaron indicaciones instructivas relevantes en la consigna para ayudar al modelo a comprender con precisión tanto las intenciones del docente como las dudas del estudiante. Para mejorar la flexibilidad y el control sobre las instrucciones, el sistema incluyó un módulo de asistencia para docentes. Este módulo permitió a los docentes perfeccionar las consignas modificando las orientaciones instructivas, ajustando los contextos y personalizando el tono y el estilo. Como resultado, los docentes obtuvieron un mayor control sobre el proceso de generación y lograron adaptarlo mejor a distintos escenarios educativos.

Mecanismo de optimización de comandos Deepseek

Basado en las necesidades prácticas de la formación en transferencia de escritura en inglés, este estudio desarrolló cinco tipos de plantillas de indicaciones orientadas a la transferencia. Estas plantillas fueron diseñadas para guiar y regular el comportamiento de generación del modelo de lenguaje grande. La plantilla de transferencia estructural se centró en la organización de párrafos y la estructura del discurso. Ayudó a los estudiantes a reorganizar textos adoptando estructuras como introducción–desarrollo–conclusión, y mejorando el flujo lógico de las ideas. La plantilla de transferencia sintáctica enfatizó la complejidad a nivel de oración. Fomentó el uso de estructuras gramaticales diversas, incluyendo voz pasiva, construcciones paralelas y oraciones complejas, para mejorar la sofisticación de la expresión escrita. La plantilla de transferencia cultural abordó la adecuación cultural en la escritura. Guió a los estudiantes en la adaptación de expresiones influenciadas por su lengua materna y su cultura hacia formas más naturales y aceptables en contextos de habla inglesa. La plantilla de transferencia de registro se enfocó en la adaptación de estilo y el control del registro. Ayudó a los estudiantes a ajustar su uso del lenguaje según diferentes propósitos de escritura, audiencias y géneros. La plantilla de transferencia lógica tuvo como objetivo fortalecer la organización lógica. Promovió el uso efectivo de relaciones como causa y efecto, comparación y contraste, y desarrollo paralelo, mejorando así la coherencia y el rigor argumentativo. En conjunto, estas cinco plantillas cubrieron las dimensiones principales de la transferencia en la escritura. Proporcionaron apoyo instruccional estructurado tanto para el diseño de tareas de enseñanza como para la generación de textos basada en modelos.

Cada tipo de plantilla siguió un formato unificado para garantizar su universalidad y adaptabilidad en diferentes situaciones de enseñanza. La plantilla contenía cuatro elementos principales: el primero era el objetivo de la instrucción, que indicaba claramente la tarea de transferencia requerida; el segundo era la entrada de ejemplo, que proporcionaba a los estudiantes fragmentos reales de lenguaje como base del corpus para la eficacia de la instrucción; el tercero era la salida esperada, que mostraba el estilo estándar de una producción lingüística ideal tras la transferencia, para que los estudiantes pudieran compararla y utilizarla en el ajuste del modelo; el cuarto era la sugerencia de uso, que explicaba el nivel lingüístico, el tipo de texto y la estrategia de uso aplicables a la plantilla, y ofrecía indicaciones de parámetros ajustables para mejorar el control de la generación y el efecto de orientación didáctica.

Para ilustrar mejor la lógica de diseño y la aplicación práctica de las plantillas de instrucciones, a continuación se presentan ejemplos representativos de cinco instrucciones orientadas a la transferencia. Todas las plantillas cumplían con el marco unificado, que consistía en un objetivo de instrucción, una entrada de ejemplo, una salida objetivo y una sugerencia de uso. Se guió a los estudiantes para ampliar oraciones simples, convertir la voz de las oraciones e insertar cláusulas con el fin de enriquecer la diversidad sintáctica. Por ejemplo, dada la redacción del estudiante «Estudio escritura en inglés. Es muy importante para la comunicación intercultural», la versión optimizada es «Aprender escritura en inglés desempeña un papel fundamental para mejorar la capacidad de los estudiantes en la comunicación intercultural». Esta instrucción era adecuada para entrenamiento a nivel oracional dirigido a estudiantes de segundo año de inglés con un nivel de dificultad moderado, centrándose en la reconstrucción sintáctica básica y la transformación de voz. Otro tipo de instrucción se enfocaba en la transferencia cultural, con el objetivo de identificar expresiones en «chinglish» influenciadas por el pensamiento cultural nativo y reescribir las oraciones en expresiones pragmáticas naturales en inglés que se ajusten a las normas culturales occidentales. Tomando como ejemplo la oración del estudiante «Muchas personas piensan que debes trabajar duro si quieres tener éxito», la versión revisada fue «Generalmente se cree que la diligencia es la clave del éxito». Esta instrucción se aplicó en entrenamientos de transferencia a nivel cultural, con énfasis en eliminar patrones de pensamiento chino implícitos y fomentar una expresión explícita en el contexto del inglés.

Este estudio también desarrolló una cadena de indicaciones anidadas de tres etapas que tomó los borradores de párrafos de los estudiantes como entrada unificada y se ejecutó en fases secuenciales. La primera fase fue la reorganización semántica, en la que la indicación exigía al participante reordenar las oraciones del párrafo dado, optimizar el orden lógico de las ideas y formar un párrafo completo con oraciones temáticas claras. La segunda fase fue la revisión lingüística, que solicitaba reescribir el párrafo revisado en inglés académico formal, sustituir palabras coloquiales y utilizar adecuadamente oraciones complejas y estructuras pasivas. La tercera fase fue la adaptación cultural, cuya indicación guiaba a los usuarios para verificar la presencia de expresiones cultural-pragmáticas en el texto, eliminar interferencias culturales del idioma nativo y pulir el contenido para ajustarlo a las convenciones de escritura intercultural en inglés. Los ejemplos anteriores demostraron plenamente los modos operativos de las plantillas de indicaciones individuales y de las cadenas de indicaciones anidadas. Sobre esta base, el estudio diseñó una cadena de indicaciones completa y por fases combinada con la arquitectura MoE de DeepSeek.

Para superar las limitaciones de los prompts de una sola ronda en cuanto al control de la generación y la profundidad de la respuesta a tareas, este estudio diseñó una estructura de cadena de prompts anidados con características por etapas y continuas, que permite una guía jerárquica y la generación progresiva de tareas complejas de transferencia. Este mecanismo dividió una tarea completa de transferencia en varios subobjetivos y diseñó plantillas de prompts correspondientes para cada subobjetivo, que se conectaron en serie en el orden lógico de reconstrucción semántica, ajuste del estilo lingüístico y adaptación pragmática cultural, formando una cadena de generación con dependencia del contexto. Este estudio implementó la optimización de cadenas de prompts anidados para DeepSeek mediante su API abierta estándar. El modelo DeepSeek adoptó de forma nativa una arquitectura de Mezcla de Expertos (MoE) equipada con un sistema automático de enrutamiento de expertos en el backend, que funciona como un módulo interno de razonamiento inherente e independiente de los prompts externos. Los prompts personalizados de múltiples etapas solo ajustaron las características del contenido de las entradas del modelo. En correspondencia con los requisitos semánticos, estilísticos y culturales integrados en las entradas optimizadas, el mecanismo nativo de enrutamiento MoE del modelo activó de forma autónoma los módulos de expertos más adecuados durante la generación del texto. El diseño de tres etapas centrado en la reorganización semántica, el ajuste estilístico y la adaptación cultural simplemente refinó los textos de entrada y no interfirió con la lógica interna de selección y asignación de expertos del modelo.

En cuanto al proceso operativo, el sistema recibió los textos de los estudiantes cargados por los profesores, transfirió las anotaciones objetivo y determinó automáticamente si habilitar la estructura de cadena anidada. Si se habilitaba, el sistema ejecutaba tres etapas en secuencia: la primera etapa era la reorganización semántica, que invocaba la plantilla de transferencia de estructura para optimizar la organización de los párrafos y las pistas lógicas; la segunda etapa era el ajuste del estilo lingüístico, utilizando la plantilla lingüística para convertir expresiones coloquiales en lenguaje escrito académico; la tercera etapa era la adaptación cultural, que invocaba la plantilla de transferencia cultural para identificar y sustituir expresiones que no se ajustaban a la cultura del idioma objetivo, generando así un texto más auténtico.

Cada ronda de generación tomaba la salida de la ronda anterior como entrada y conservaba la caché del vector de contexto para garantizar la coherencia semántica. Los docentes personalizaban la estructura de la cadena de indicaciones en la interfaz del sistema, incluyendo la selección de plantillas, la modificación de instrucciones y el ajuste de secuencias. El sistema también ofrecía la función de «paquete de combinación de plantillas», lo cual facilitaba a los docentes reutilizar o asignar tareas en lotes. Además, el sistema contaba con un mecanismo dinámico integrado de interrupción y retroalimentación que proporcionaba resultados intermedios tras cada generación. Los docentes realizaban anotaciones o ajustaban las instrucciones subsiguientes en tiempo real, formando un bucle cerrado de enseñanza de «generación-ajuste-regeneración».

Generación y evaluación del modelo

En el proceso de generación y evaluación de texto basado en el modelo DeepSeek, este estudio construyó un mecanismo de calificación automática multidimensional para analizar sistemáticamente y evaluar cuantitativamente el texto generado en tres aspectos: complejidad sintáctica, estandarización estructural y coherencia discursiva. Este estudio empleó el analizador sintáctico de dependencias spaCy y el módulo complementario de resolución de coreferencia Coreferee para la extracción de características textuales y la evaluación automatizada. El analizador sintáctico de dependencias spaCy analizó la estructura sintáctica del texto en inglés, extrayendo indicadores clave como la longitud promedio de las oraciones y el número de cláusulas anidadas, lo que permitió un análisis cuantitativo de la complejidad sintáctica. El módulo complementario de resolución de coreferencia Coreferee, que opera dentro del entorno spaCy, identificó principalmente las relaciones referenciales internas en el texto y evaluó la coherencia referencial del discurso, aportando soporte técnico para la calificación automatizada de la calidad de la escritura. Debido a limitaciones de red, no fue posible acceder a los sitios web abiertos mencionados anteriormente, ubicados en el extranjero.

Primero, el sistema evaluó la complejidad sintáctica. Extrajo características como la longitud promedio de las oraciones, la profundidad del encaje de cláusulas y la variedad de oraciones. Estas características se obtuvieron mediante análisis de dependencias y modelado de árboles sintácticos profundos. Con base en los resultados, el sistema evaluó si los estudiantes han progresado exitosamente desde patrones de oraciones simples hacia estructuras más complejas. Segundo, el sistema evaluó la organización del párrafo. Combinó representaciones de texto basadas en BERT con modelos de clasificación para identificar elementos clave del párrafo, incluyendo oraciones temáticas, de apoyo y conclusivas. Luego se construyó un mapa de estructura de párrafo para determinar si la organización se ajustaba a las convenciones de la escritura académica en inglés. Tercero, el sistema evaluó la coherencia textual. Examinó el uso de conectores lógicos, la consistencia semántica entre oraciones y la calidad de los enlaces referenciales a lo largo del texto. Estos indicadores se utilizaron para evaluar la claridad del desarrollo lógico y la progresión fluida de las ideas. Para medir la consistencia temática, el sistema calculó la similitud semántica utilizando representaciones basadas en vectores. La coherencia referencial se evaluó mediante técnicas de resolución de coreferencia, que ayudaron a reducir las brechas semánticas y las referencias ambiguas. Finalmente, las puntuaciones de todas las dimensiones se integraron en un vector de puntuación unificado. Los resultados se estandarizaron para formar un sistema de evaluación integral, lo que permitió comparaciones confiables entre diferentes muestras de escritura.

En la fase de evaluación manual, este estudio desarrolló un sistema tridimensional de calificación para la formación en transferencia escrita, que abarca la evidencia del comportamiento de transferencia, la naturalidad de la expresión y la adaptabilidad cultural, con el fin de mejorar la pertinencia de la evaluación docente y la eficacia de la retroalimentación pedagógica. El sistema combinó sus funciones auxiliares para lograr una combinación orgánica entre la calificación cuantitativa y los comentarios cualitativos. En la dimensión del comportamiento de transferencia, los docentes evaluaron el uso de estrategias de transferencia por parte de los estudiantes al reescribir textos, basándose en objetivos de tarea preestablecidos. El sistema proporcionó una vista comparativa lado a lado del texto original y de la versión generada para ayudar a los docentes a identificar si operaciones como el ajuste de oraciones y la reconstrucción estructural reflejaban efectivamente el tipo de transferencia requerido.

La evaluación de la expresión natural se centró en la fluidez y autenticidad del resultado lingüístico. Los profesores utilizaron los indicadores lingüísticos generados por el sistema para evaluar si las oraciones se ajustaban a los hábitos expresivos de hablantes nativos de inglés y para juzgar si la estructura gramatical, la colocación léxica y el ritmo de la oración eran naturales y adecuados. También señalaron problemas y sugirieron expresiones alternativas mediante anotaciones. La dimensión de adaptabilidad cultural se centró en la adecuación de la pragmática intercultural. Los profesores debían identificar si el texto contenía expresiones inadecuadas derivadas de interferencias de la cultura del idioma fuente, como ambigüedad semántica, conflictos retóricos o juicios de valor vagos. El sistema proporcionó ejemplos comunes de palabras con desviaciones culturales y permitió a los profesores explicar en los comentarios la base para las modificaciones y los requisitos del contexto cultural, orientando a los estudiantes a mejorar la conciencia de la transferencia cultural y la precisión expresiva. Cada dimensión se calificó en una escala de 5 puntos e incluyó anotaciones libres y módulos sugeridos de rellenado. Los resultados finales de la evaluación se presentaron en forma de un gráfico radial.

Para mejorar la eficiencia de la evaluación y apoyar el uso práctico en el aula, este estudio desarrolló un mecanismo de evaluación colaborativa que combina la calificación basada en inteligencia artificial con la evaluación docente. El sistema realizó primero una evaluación multidimensional del texto generado por DeepSeek. Evaluó aspectos clave como la complejidad sintáctica, la organización de párrafos y la coherencia textual mediante el módulo de calificación automática. Los resultados de la calificación se mostraron luego en tiempo real en la interfaz del profesor. Los docentes revisaron las puntuaciones detalladas para cada dimensión y las ajustaron cuando fue necesario, según su criterio profesional y su comprensión del desempeño transferido de los estudiantes. También agregaron comentarios específicos directamente en el texto para ofrecer retroalimentación y sugerencias pedagógicas que podrían no ser captadas por la calificación automática. Cada dimensión de evaluación adoptó una escala de calificación de cinco puntos. La interfaz incluía además módulos de anotación en texto libre y de recomendaciones para facilitar retroalimentación personalizada. Los resultados de la evaluación se visualizaron mediante un gráfico radial, lo que permitió a los profesores identificar rápidamente las fortalezas y debilidades de los estudiantes en las distintas dimensiones de transferencia.

Además, el sistema permitió a los docentes ajustar el peso de dimensiones específicas o de las calificaciones generales para alinearlos con los objetivos de enseñanza. Esta característica garantizó que la evaluación final reflejara con mayor precisión el rendimiento real y las necesidades de aprendizaje de los estudiantes. Tras completarse la revisión manual, el sistema integró automáticamente los datos de evaluación generados por la máquina y los generados por el docente. Luego produjo un informe de retroalimentación visual. El informe incluía un gráfico radar de rendimiento de transferencia y un gráfico de seguimiento de versiones. Estas visualizaciones ilustraron claramente los cambios en las habilidades de transferencia de los estudiantes a lo largo de varias rondas de generación y revisión de textos, permitiendo un monitoreo continuo del progreso del aprendizaje.

Proceso de entrenamiento por transferencia

Este estudio diseñó un proceso completo de entrenamiento en transferencia. En primer lugar, el profesor asignó tareas específicas de escritura en inglés basadas en los objetivos docentes y el nivel real de los estudiantes, y aclaró el tipo y enfoque de la transferencia del entrenamiento. Luego, el sistema generó automáticamente instrucciones de estímulo correspondientes según las tareas establecidas por el profesor, y llamó al modelo DeepSeek para generar un primer borrador de la escritura, que sirvió como material básico para la reescritura y el entrenamiento en transferencia por parte de los estudiantes. Tras recibir el primer borrador, los estudiantes debían identificar activamente las características de transferencia reflejadas en el texto y reescribir el contenido de forma específica, utilizando las estrategias de transferencia aprendidas para mejorar la adecuación de la estructura sintáctica, la organización de los párrafos y la expresión cultural. Tras completar la reescritura, el profesor realizó una revisión detallada del texto presentado por el estudiante, destacando la eficacia de la estrategia de transferencia y ofreciendo sugerencias específicas de mejora y orientaciones para la escritura. Con base en la retroalimentación del profesor, se volvió a invocar el modelo DeepSeek para generar una versión optimizada, apoyando así aún más a los estudiantes en el perfeccionamiento de sus textos y profundizando su práctica de las estrategias de transferencia. Finalmente, el estudiante completó la entrega del borrador final, llenó la tabla de cognición de transferencia, realizó una autoevaluación y resumió los métodos de transferencia y sus efectos, promoviendo así el mejoramiento de la capacidad metacognitiva y la internalización de las habilidades de transferencia en la escritura. La tabla de cognición de transferencia diseñada para este estudio se muestra en Tabla 2.

Todos los elementos utilizaron una escala de calificación de 1 a 5 que iba desde 1 (sin dominio) hasta 5 (dominio completo). Los datos de autoevaluación se recopilaron tras tres rondas de entrenamiento secuencial; los puntos de referencia de calificación hacen referencia a estándares predefinidos de operaciones de transferencia en la biblioteca de tareas de cinco dimensiones.

Resultados

Diseño de experimentos de enseñanza

Este estudio utilizó la versión básica de código abierto de DeepSeek, basándose en la interfaz de API abierta de la plataforma para las llamadas al programa. El conjunto completo de cinco textos de plantillas de indicaciones, cuatro niveles de ejemplos de tareas, etiquetas de categorías de anotación de transferencia y reglas de mapeo de coincidencia de plantillas de errores de redacción se compiló en el apéndice complementario. El sistema tenía parámetros de llamada fijos: un coeficiente de temperatura de 0.7, y la longitud generada se limitaba dinámicamente según el tipo de pregunta de redacción. Seguía estrictamente una secuencia fija de reconstrucción semántica > ajuste estilístico > adaptación cultural, ejecutando llamadas en cadena de indicaciones anidadas. La salida del modelo fue seleccionada manualmente por el instructor para obtener un texto efectivo en la enseñanza en el aula.

En este estudio se invitó a tres profesores universitarios de redacción en inglés a tiempo completo, con más de cinco años de experiencia, a participar en la calificación manual. Todos los evaluadores recibieron una formación estandarizada antes de la calificación oficial, familiarizándose con las dimensiones de evaluación, el sistema de puntuación de 5 puntos, la transferencia cultural, la sintaxis, el discurso y otros detalles de calificación, y completaron una calibración previa. Todos los ensayos de los estudiantes fueron calificados independientemente por dos profesores en un modo de doble calificación ciega. Si la diferencia entre las puntuaciones de los dos evaluadores superaba 1 punto (sobre 5), un tercer profesor senior actuaba como árbitro en la calificación, y el promedio de las dos puntuaciones válidas se tomaba como la puntuación manual final para esa muestra. Dos grupos de evaluadores participaron en la fase de evaluación con distintos fines de investigación. Tres profesores universitarios de redacción en inglés a tiempo completo, con más de cinco años de experiencia docente, realizaron la doble calificación ciega de todas las muestras de redacción estudiantil en el experimento formal, y un tercer profesor senior actuó como árbitro cuando las discrepancias en la calificación superaban 1 punto en la escala de 5 puntos. En contraste, cinco evaluadores participaron en la prueba de fiabilidad interevaluador mediante el Coeficiente de Correlación Intraclase (ICC), realizada por separado para verificar la consistencia de los criterios de evaluación entre los evaluadores. La diferencia en el número de evaluadores se debe a requisitos funcionales distintos: los tres profesores principales garantizaron la calificación práctica de los datos experimentales, mientras que el panel ampliado de cinco evaluadores proporcionó evidencia más sólida sobre la fiabilidad de todo el sistema de evaluación.

La complejidad sintáctica, la puntuación de estructura del texto mediante BERT y la similitud semántica se puntúan todas en una escala de 0 a 5 puntos. Los pesos para cada dimensión se establecieron según los estándares de enseñanza e investigación en redacción en idiomas extranjeros: sintaxis 0,35, estructura del texto 0,35, y lógica y cultura 0,3. Los valores de peso se basaron en sistemas cuantitativos maduros de evaluación de redacción en el mismo campo. El módulo de calificación automática de IA se calibró utilizando umbrales basados en 15 ensayos modelo previamente clasificados. La calificación humana siguió una escala de calificación unificada de cinco puntos. La puntuación automatizada y la calibración humana se combinaron para una verificación previa al experimento antes de la evaluación formal.

La tarea docente se llevó a cabo en torno a los objetivos de transferencia de tres niveles «sintaxis-estructura-cultura», con tres rondas de entrenamiento, cada una con una duración de una semana. La primera ronda implicó la reescritura a nivel de oración para mejorar la diversidad sintáctica y la precisión expresiva; la segunda ronda consistió en la reconstrucción estructural a nivel de párrafo para mejorar la organización del párrafo y la coherencia lógica; la tercera ronda incluyó la transferencia a nivel cultural para fortalecer la conciencia pragmática intercultural y la adaptabilidad expresiva. Dado que se recopilaron mediciones repetidas de los mismos participantes a lo largo de una prueba previa, tres rondas secuenciales de entrenamiento y una prueba posterior, se adoptó el análisis de varianza de medidas repetidas (RM-ANOVA) como enfoque estadístico principal para examinar los efectos principales del grupo (experimental frente a control), los efectos principales del momento de la prueba, así como el efecto de interacción grupo × tiempo, que reflejaba si los cambios en las puntuaciones durante el entrenamiento diferían entre las dos cohortes. Se verificó el supuesto de esfericidad mediante la prueba de Mauchly; se aplicó la corrección de Greenhouse–Geisser si se violaba la esfericidad. Las pruebas t para muestras independientes se reservaron únicamente para comparaciones post hoc por pares entre grupos en puntos temporales individuales, mientras que la correlación de Pearson y la d de Cohen se utilizaron para la cuantificación de la consistencia en la puntuación y del tamaño del efecto, respectivamente.

Todos los análisis estadísticos se especificaron previamente antes de la recolección de datos. Se utilizaron pruebas t para muestras independientes para comparar los indicadores de escritura antes y después entre dos grupos, asumiendo como hipótesis nula principal que no existen diferencias entre grupos en el rendimiento de transferencia escrita. Se empleó el análisis de correlación de Pearson para cuantificar la asociación lineal entre la calificación automática mediante IA y las evaluaciones manuales del profesor, y se calculó la d de Cohen como tamaño del efecto estandarizado para las comparaciones entre grupos. El umbral de significancia se estableció en α = 0,05 para todas las pruebas de hipótesis, y se calcularon intervalos de confianza del 95 % junto con todas las estadísticas de prueba. Se utilizó SPSS 26.0 para realizar todos los cálculos estadísticos. No hubo datos faltantes en las puntuaciones de las pruebas estudiantiles ni en los conjuntos de datos del cuestionario, ya que todos los participantes completaron la formación completa de tres rondas y las evaluaciones correspondientes; por lo tanto, no fue necesario realizar imputación ni eliminación de casos por valores faltantes.

Construcción del sistema de índices de evaluación

Para evaluar exhaustivamente el desempeño de los estudiantes en el entrenamiento de transferencia escrita en inglés, este estudio construyó un sistema de evaluación multidimensional que abarcó los objetivos de transferencia de tres niveles: «sintaxis-estructura-cultura», integró la capacidad lingüística, la respuesta del modelo, la retroalimentación docente y la autorreflexión, y estableció seis indicadores principales. En primer lugar, el «índice de transferencia escrita» fue un indicador de evaluación integral que incluyó la diversidad sintáctica, la claridad estructural y la adaptabilidad cultural, combinando la calificación automática del sistema y la calificación manual del profesor para un análisis cuantitativo. La «puntuación de complejidad sintáctica» utilizó tecnología de procesamiento de lenguaje natural para extraer características como la longitud promedio de las oraciones, el número de niveles de anidamiento de cláusulas y la frecuencia de uso de frases verbales, con el fin de evaluar la riqueza y complejidad de las oraciones de los estudiantes. El análisis de «coincidencia con el estilo académico» examinó la proporción de uso de voz pasiva y la proporción de vocabulario formal, basándose en un modelo de PLN (Procesamiento de Lenguaje Natural), para determinar si el texto cumplía con las normas estilísticas de la escritura académica en inglés. Además, el estudio introdujo una dimensión de evaluación subjetiva, recopilando mediante cuestionarios a docentes sus opiniones sobre la aceptación y la utilidad práctica de las sugerencias generadas por el modelo, con el fin de evaluar el impacto real del aprendizaje asistido por inteligencia artificial. Los «cambios en las calificaciones de revisión docente» reflejaron el impacto del aprendizaje asistido por IA en la mejora de la calidad de la escritura, comparando las calificaciones que los profesores asignaron a los ensayos de los estudiantes antes y después del experimento. Por último, la «autoevaluación estudiantil de la capacidad de transferencia» utilizó la tabla de cognición de transferencia para guiar a los estudiantes en la autoevaluación de su dominio de aspectos como estructura, sintaxis y cultura, fortaleciendo así su conciencia metacognitiva y sus habilidades de reflexión. Las descripciones específicas y las fuentes de datos de cada indicador se muestran en Tabla 3.

Los indicadores sintácticos y estilísticos se calcularon automáticamente mediante análisis de dependencias y clasificación basada en BERT, con puntuaciones normalizadas que oscilan entre 0 y 5; la evaluación manual utiliza una escala de 5 puntos. Las fórmulas de cálculo para la complejidad sintáctica utilizaron el número total de palabras dividido por el número de cláusulas como denominador principal. Fuente de datos original: composiciones escritas del pretest y del posttest de los 60 estudiantes inscritos.

Resultados experimentales y análisis

Para presentar de manera intuitiva las diferencias integrales del desempeño de los estudiantes en las tres dimensiones de transferencia sintáctica, transferencia estructural y transferencia cultural, la Figura 3 compara el índice promedio de transferencia escrita de los estudiantes en el grupo experimental y el grupo de control antes y después del experimento: la Figura 3 muestra la diferencia en las puntuaciones promedio entre el grupo experimental y el grupo de control en las tres dimensiones de transferencia sintáctica, transferencia estructural y transferencia cultural. El grupo experimental mostró una mejora significativa en la capacidad de transferencia en cada dimensión tras el experimento, y el círculo exterior del gráfico de radar es notablemente más grande que el círculo interior, lo que indica que el método de optimización de instrucciones basado en el modelo DeepSeek tiene un efecto positivo en la promoción del desarrollo de la capacidad de transferencia escrita en inglés de los estudiantes. En contraste, los diversos indicadores de capacidad de transferencia del grupo de control permanecieron relativamente sin cambios antes y después del experimento. La mejora general fue limitada, lo que indica que los métodos de enseñanza tradicionales o las herramientas asistidas por IA que no habían optimizado las instrucciones del sistema tienen un papel limitado en el entrenamiento de la transferencia. Resultó difícil estimular eficazmente el potencial de aprendizaje de los estudiantes en la transferencia lingüística multidimensional.

Los índices promedio de transferencia escrita del grupo experimental en las dimensiones de transferencia sintáctica, transferencia estructural y transferencia cultural antes del experimento fueron 3,0, 2,9 y 2,8, respectivamente, los cuales aumentaron a 4,3, 4,1 y 4,5 tras el experimento, con incrementos de 1,3, 1,2 y 1,7 respectivamente, lo que indica que el método de enseñanza tuvo un buen efecto de intervención en distintos niveles de transferencia. Las puntuaciones del grupo control antes del experimento fueron 3,0, 3,0 y 2,9. Después del experimento, los valores aumentaron a 3,4, 3,3 y 3,2 respectivamente, valores significativamente más bajos que los del grupo experimental. Es particularmente notable que, en la dimensión de transferencia cultural, el grupo experimental mostró la mejora más significativa, al pasar de 2,8 a 4,5, un incremento de 1,7 puntos, considerablemente mayor que el aumento de 0,3 puntos del grupo control. Este resultado sugiere que el método de enseñanza propuesto desempeña un papel importante para ayudar a los estudiantes a identificar y adaptarse a las normas de expresión cultural en inglés. Esto no solo se reflejó en ajustes a la forma lingüística, sino también en el fortalecimiento de la conciencia pragmática intercultural de los estudiantes y en la profundidad de su comprensión de los hábitos de expresión cultural del idioma de destino. La transferencia lingüística se reflejó principalmente en la complejidad sintáctica, la adaptación del estilo lingüístico y otros aspectos. El estudio utilizó tecnología automatizada de PLN para realizar un análisis profundo de los textos escritos por los estudiantes, extraer características lingüísticas clave y combinarlas con las calificaciones de los profesores para evaluar sistemáticamente los cambios en la capacidad de transferencia lingüística de los estudiantes a lo largo de tres rondas de tareas.

Complejidad sintáctica y estilo lingüístico

En cuanto a la complejidad sintáctica, el estudio registró la longitud promedio de las oraciones y el número de niveles de anidamiento de cláusulas en los textos generados por los estudiantes tras completar la tarea de escritura designada en cada ronda de actividades. Estos dos indicadores se utilizaron ampliamente para medir la complejidad de la expresión lingüística. Reflejaron eficazmente el nivel de desarrollo de los estudiantes en diversidad de oraciones y capacidad de organización estructural, como se muestra en Figura 4.

En la evolución longitudinal de la complejidad sintáctica, el grupo experimental mostró una clara tendencia ascendente en las tres rondas de tareas, lo que refleja la promoción efectiva del entrenamiento de transferencia en la capacidad de los estudiantes para expresar su estructura lingüística. Desde la perspectiva de la longitud media de la oración, el grupo experimental aumentó de 12,5 palabras en la Tarea 1 a 16,1 palabras en la Tarea 3, lo que representa un incremento de 3,6 palabras, significativamente mayor que el aumento del grupo de control, que solo fue de 0,9 palabras en el mismo periodo (de 12,4 a 13,3). De manera similar, desde la perspectiva de la dimensión de complejidad estructural, medida por el número de niveles de anidamiento de cláusulas, el grupo experimental pasó de 1,8 niveles a 2,7 niveles, mientras que el grupo de control aumentó de 1,7 a 1,9 niveles, con un incremento relativamente lento. Para verificar más a fondo si la diferencia en complejidad sintáctica entre ambos grupos de estudiantes es estadísticamente significativa, el estudio utilizó pruebas t de muestras independientes para analizar la longitud media de la oración y el número de niveles de anidamiento de cláusulas en las tres etapas de la tarea. Los resultados mostraron que existe una diferencia significativa entre el grupo experimental y el grupo de control en cuanto a la longitud media de la oración, t(58) = 4,23, p < 0,001, d de Cohen = 0,98; también hubo una diferencia significativa en el número de niveles de anidamiento de cláusulas, t(58) = 3,15, p = 0,002, d de Cohen = 0,78. Esta comparación mostró que el entrenamiento sistemático de transferencia no solo mejoró la capacidad de los estudiantes para construir oraciones complejas, sino que también reforzó su dominio de las estrategias de organización gramatical. En particular, durante la tercera etapa de la tarea, los estudiantes del grupo experimental demostraron mayor flexibilidad en el uso de cláusulas de múltiples niveles y estructuras oracionales complejas. Esto reflejó un cambio notable en su transferencia lingüística, pasando de un nivel «funcional» a un nivel más «estratégico». La vía de entrenamiento orientada a la transferencia mejoró continuamente las habilidades sintácticas de transferencia de los estudiantes, superando eficazmente las limitaciones de la escritura de oraciones aisladas y los patrones de expresión fijos que suelen observarse en la enseñanza tradicional. En cuanto a la adaptación del estilo lingüístico, el estudio extrajo los textos escritos por los estudiantes antes y después del experimento. Utilizó el modelo de PLN (procesamiento del lenguaje natural) para determinar la proporción de vocabulario formal y la frecuencia de uso de la voz pasiva como indicadores principales para evaluar la adecuación al estilo lingüístico académico. Estos indicadores reflejaron si los estudiantes poseen la conciencia lingüística y la capacidad expresiva necesarias para adaptarse al estilo objetivo en la escritura en inglés. Los resultados correspondientes se muestran en Figura 5.

Figura 5 muestra los cambios en la coincidencia de estilo académico del grupo experimental y del grupo de control antes y después de la tarea, centrándose principalmente en dos indicadores clave: la proporción de vocabulario formal y la frecuencia de uso de la voz pasiva. En general, tras completar el entrenamiento de transferencia basado en el modelo DeepSeek, la capacidad de adaptación al estilo académico del grupo experimental mejoró significativamente, lo que demuestra la eficacia de este método de enseñanza para fomentar en los estudiantes la conciencia sobre las normas lingüísticas y su habilidad para adaptarse a estilos académicos. En cuanto a la proporción de vocabulario formal, el grupo experimental aumentó de 0,42 antes de la tarea a 0,56 después, un incremento relativamente notable. En contraste, el grupo de control aumentó solo ligeramente, de 0,43 a 0,48, lo que sugiere una mejora limitada. Este resultado indica que, tras recibir orientación sistemática mediante indicaciones y retroalimentación del modelo, los estudiantes del grupo experimental mostraron mayor tendencia a utilizar un vocabulario formal acorde con los requisitos del estilo académico durante el proceso de escritura, y su estilo lingüístico se aproximó progresivamente a los estándares de la escritura académica en inglés. En cuanto a la frecuencia de uso de la voz pasiva, el grupo experimental aumentó significativamente de 0,18 antes de la tarea a 0,27 después, lo que representa un incremento de 0,09; en contraste, el grupo de control aumentó únicamente en 0,02.

Para verificar aún más si los cambios anteriores son estadísticamente significativos, el estudio realizó una prueba t para muestras independientes con los datos antes y después de la tarea. Los resultados mostraron que el grupo experimental tuvo una mejora significativa en la proporción de vocabulario formal, t(58) = 3,89, p < 0,001, d de Cohen = 0,92; el aumento en la frecuencia de uso de la voz pasiva también fue significativo, t(58) = 4,56, p < 0,001, d de Cohen = 1,05. Esto indicó que los estudiantes del grupo experimental habían progresado sustancialmente en la adaptación del estilo lingüístico, y que este progreso no fue fortuito, sino el resultado del efecto combinado de la orientación sistemática mediante indicaciones y la retroalimentación del modelo.

Verificación estadística

Además, para verificar aún más la fiabilidad del contenido generado por inteligencia artificial (IA) en la práctica docente, el estudio también comparó los puntajes promedio del contenido generado por IA y del contenido generado por profesores bajo diferentes tipos de instrucciones. La consistencia entre ambos se evaluó calculando el coeficiente de correlación de Pearson. Los resultados comparativos relevantes se muestran en Tabla 4. La Tabla 4 muestra la consistencia entre el contenido generado por IA y los puntajes otorgados por profesores en cinco tipos de instrucciones orientadas a la transferencia. Desde la perspectiva del puntaje medio, el puntaje de la IA fue ligeramente inferior al del profesor en general, pero la diferencia estuvo dentro de un rango razonable en la mayoría de los tipos de tareas, lo que indica que el modelo DeepSeek presenta alta estabilidad y valor de referencia al evaluar tareas de transferencia escrita. Bajo la instrucción de transferencia sintáctica, el puntaje promedio del profesor fue de 4,1 y el de la IA fue de 4,0, con una diferencia de solo 0,1 entre ambos. En las instrucciones de transferencia estructural y lógica, el puntaje de la IA fue solo 0,1 puntos menor que el del profesor, lo que indica que el modelo puede simular adecuadamente los criterios de evaluación del profesor en estas tareas, que implican un alto grado de estructura lingüística y reglas claras. En contraste, las desviaciones en los puntajes bajo las instrucciones de transferencia cultural y de registro son relativamente evidentes, con puntajes de IA de 3,6 y 3,7, respectivamente, que son 0,2 puntos menores que los puntajes del profesor, lo que refleja que la IA aún presenta ciertas limitaciones al abordar tareas con alto grado de subjetividad, como las implicaciones semánticas y la pragmática cultural. La fiabilidad entre evaluadores se evaluó mediante el coeficiente de correlación intraclase (ICC) (n = 5 evaluadores). El ICC general para la calificación manual fue de 0,86, y los ICC por cada dimensión oscilaron entre 0,82 y 0,89, lo que indica una concordancia satisfactoria entre evaluadores.

Un análisis adicional del coeficiente de correlación de Pearson reveló que la consistencia de las puntuaciones bajo diversos estímulos fue muy alta, lo que indica que la puntuación de la IA no solo era cercana al juicio del profesor en cuanto al valor, sino que también presentaba una buena relación lineal en su tendencia de calificación. Entre ellos, el coeficiente de consistencia del estímulo de transferencia sintáctica fue el más alto, con 0,87, mientras que los estímulos de transferencia estructural y transferencia lógica fueron de 0,83 y 0,85, respectivamente, lo que indica que los resultados de evaluación de la IA en cuanto a complejidad sintáctica, organización de párrafos y coherencia lógica son altamente consistentes con el juicio del profesor. Esto podría deberse a que estas tareas tienen objetivos claros y características lingüísticas cuantificables, lo que facilitó el reconocimiento por parte del modelo y un juicio estable. El coeficiente de correlación del estímulo de transferencia de dominio es de 0,81. Aunque disminuyó ligeramente, aún demuestra una capacidad de evaluación fuerte, lo que indica que la IA posee cierto grado de juicio a nivel de adaptación estilística. Sin embargo, el coeficiente de consistencia del estímulo de transferencia cultural fue de solo 0,79, lo cual es más bajo que los otros tipos, pero aún dentro de un rango aceptable.

Para examinar la aplicabilidad de diferentes tipos de indicaciones en la práctica docente y el grado de aceptación por parte de los profesores, se diseñó un cuestionario de satisfacción sobre la respuesta a indicaciones. Se invitó a cinco profesores de inglés (numerados T1–T5) a calificar las sugerencias generadas por cinco tipos de indicaciones utilizando una escala de cinco niveles (muy insatisfecho hasta muy satisfecho), como se muestra en Figura 6: las puntuaciones de los cinco profesores para los cinco tipos de indicaciones varían algo, pero en general el reconocimiento fue alto. Entre ellos, las indicaciones de "transferencia sintáctica" y "transferencia cultural" obtuvieron las puntuaciones más altas, con un promedio de 4,0, lo que refleja una alta practicidad y adaptabilidad en la enseñanza. En contraste, la indicación de "transferencia de registro" obtuvo puntuaciones relativamente bajas, con un promedio de solo 2,4, y algunos profesores, como T4 y T5, asignaron las puntuaciones más bajas, lo que indica que su orientación y adaptabilidad en aplicaciones docentes aún necesitan mejorarse.

A nivel individual, hubo diferencias evidentes en las tendencias de calificación de los profesores. La calificación general de T1 fue positiva, lo que indica un alto grado de aceptación de la escritura asistida por IA, mientras que las calificaciones de T5 fueron bajas en múltiples dimensiones de Prompt, especialmente en «transferencia de registro» y «transferencia lógica». Esta diferencia podría estar relacionada con la experiencia docente, la preferencia lingüística o la familiaridad de los profesores con las herramientas de IA, lo que sugiere que en el diseño futuro de Prompt será necesario considerar mecanismos de adaptación personalizada para aumentar la aceptación entre diferentes grupos de profesores. Para verificar más a fondo el efecto real de la enseñanza asistida por IA en la mejora de la calidad de escritura de los estudiantes, el estudio comparó los cambios en las calificaciones generales del grupo experimental y del grupo de control, evaluadas por los profesores, antes y después del experimento. Los resultados de la comparación se muestran en Figura 7.

Como se muestra en la Figura 7, las puntuaciones totales del grupo experimental y del grupo de control, evaluadas por los profesores antes y después del experimento, mostraron diferencias significativas. En general, tras la intervención docente basada en la optimización de la instrucción mediante el modelo DeepSeek, la puntuación total del grupo experimental presentó una marcada tendencia al alza. En contraste, el cambio de puntuación en el grupo de control fue relativamente moderado. La puntuación media otorgada por los profesores al grupo experimental antes del experimento fue de 59,1 puntos, y tras el experimento aumentó significativamente hasta 74,4 puntos, lo que representa un incremento de 15,3 puntos. Esto indicó que la enseñanza asistida por inteligencia artificial tuvo un impacto positivo en la calidad de la escritura de los estudiantes. A partir del gráfico de caja, se observó que el rango de distribución de las puntuaciones del grupo experimental también se amplió. En particular, la caja de puntuaciones tras el experimento es claramente más alta que antes, y los valores máximo superior y mínimo inferior han aumentado, lo que indica una mejora significativa en el nivel general de los estudiantes. En contraste, los cambios de puntuación en el grupo de control fueron relativamente limitados. Antes del experimento, la puntuación media del grupo de control fue de 60,1 puntos, y tras el experimento fue de 64,9 puntos, lo que representa un incremento de 4,8 puntos. Este aumento fue mucho menor que el del grupo experimental, y la caja de puntuaciones del grupo de control no cambió mucho antes y después del experimento, lo que indica que los métodos docentes tradicionales o las herramientas asistidas por IA no optimizadas tienen un efecto limitado en la mejora de la calidad de la escritura.

Además, este estudio utilizó la tabla de cognición de transferencia para guiar a los estudiantes a través de tres rondas de autoevaluación sobre su desarrollo de habilidades en ajuste estructural, transformación de oraciones y expresión cultural, entre otros aspectos, con el fin de reflejar la tendencia de cambio en la conciencia metacognitiva de los estudiantes y su dominio de las estrategias de transferencia. Los resultados se muestran en Figura 8. De acuerdo con los datos del gráfico radial sobre la autoevaluación de los estudiantes respecto a su capacidad de transferencia mostrados en Figura 8, la autoevaluación de los estudiantes en las cinco dimensiones —transferencia estructural, transferencia sintáctica, transferencia cultural, transferencia de registro y transferencia lógica— en las tres rondas de tareas mostró una tendencia de aumento continuo, lo que indica que, bajo la intervención docente con optimización instruccional basada en el modelo DeepSeek, la capacidad de los estudiantes para utilizar estrategias de transferencia mejoró significativamente. En la primera ronda de tareas, las puntuaciones de autoevaluación de los estudiantes fueron generalmente bajas. Entre las cinco dimensiones, la "transferencia estructural" y la "transferencia lógica" obtuvieron 3,2 y 3,0 puntos respectivamente, mientras que la "transferencia cultural" y la "transferencia de registro" obtuvieron 2,5 y 2,7 puntos, lo que indica que los estudiantes aún tenían dificultades para identificar y utilizar estrategias de transferencia. En la segunda ronda de tareas, las puntuaciones de cada ítem mejoraron: la "transferencia estructural" aumentó a 3,8, la "transferencia sintáctica" a 3,5 y la "transferencia lógica" a 3,7. Esto mostró que, con la orientación del profesor y el apoyo de las retroalimentaciones del modelo, los estudiantes fueron dominando gradualmente los aspectos clave de las operaciones básicas de transferencia y comenzaron a aplicarlas en la escritura real. En la tercera ronda de tareas, las puntuaciones de autoevaluación de los estudiantes aumentaron significativamente: la "transferencia estructural" y la "transferencia lógica" alcanzaron 4,5 y 4,3 puntos respectivamente, y las demás dimensiones también se estabilizaron por encima de 4,0 puntos, lo que evidencia el efecto sostenido de varias rondas de entrenamiento en transferencia para mejorar el control de los estudiantes sobre las formas lingüísticas y su capacidad de construcción textual. En esta etapa, los estudiantes ya habían formado un bucle cognitivo básico cerrado entre la comprensión, la ejecución y la reflexión sobre las estrategias de transferencia. Además de la retroalimentación del profesor, el estudio distribuyó un cuestionario de satisfacción sobre la función de escritura asistida por IA a todos los estudiantes del grupo experimental, y se recopilaron un total de 30 cuestionarios válidos. El cuestionario evaluó el desempeño de la IA en tres módulos funcionales: sugerencias de reescritura, optimización estructural y ayudas culturales, y solicitaba a los estudiantes seleccionar opciones según cinco niveles de criterios. Los resultados se muestran en Tabla 5.

De acuerdo con los resultados de la encuesta de satisfacción estudiantil sobre las funciones de escritura asistida por IA que se muestran en la Tabla 5, los estudiantes del grupo experimental hicieron comentarios generalmente positivos sobre el desempeño de la IA en los tres módulos funcionales de sugerencias de reescritura, optimización estructural y sugerencias culturales, lo que muestra las buenas perspectivas de aplicación de los sistemas de escritura asistida por IA para mejorar la eficiencia del entrenamiento en escritura y la calidad del apoyo docente. En conjunto, más del 90 % de los estudiantes expresaron estar «muy satisfechos» o «satisfechos» en los dos ítems funcionales de «sugerencias de reescritura» y «optimización estructural», entre los cuales «sugerencias de reescritura» obtuvo el nivel más alto de satisfacción, alcanzando el 91 %, lo que indica que los estudiantes reconocieron ampliamente la capacidad de la IA en la reconstrucción sintáctica y el pulido lingüístico. En comparación, la satisfacción con la función de «sugerencias culturales» fue relativamente menor, aunque alcanzó el 83 %, lo que indica que, si bien la IA enfrenta cierta complejidad y subjetividad al orientar la expresión intercultural, su papel en ayudar a los estudiantes a identificar y ajustar las interferencias culturales propias del idioma materno aún fue reconocido por la mayoría. En cuanto a la insatisfacción, el porcentaje de estudiantes que eligieron «insatisfecho» o «muy insatisfecho» en las tres funciones fue inferior al 5 %, lo que indica que las funciones asistidas por IA tuvieron una buena usabilidad y aceptación en la mayoría de los escenarios de aplicación. Cabe destacar que la proporción de estudiantes que calificaron como «regular» en el ítem «sugerencias culturales» fue relativamente alta, lo que sugiere que la IA actual podría no cumplir plenamente con las expectativas de los estudiantes al abordar cuestiones de adaptación cultural, y aún existe margen de mejora. Un análisis integral revela que el método de optimización de instrucciones basado en DeepSeek ha sido ampliamente reconocido por los estudiantes, especialmente por su apoyo a la forma lingüística.

ANOVA de medidas repetidas

Se realizó un análisis de varianza de medidas repetidas de dos vías (RM-ANOVA) para examinar los efectos del grupo (factor entre sujetos: grupo experimental frente al grupo control) y el tiempo (factor intra-sujetos: preprueba, Tarea 1, Tarea 2, Tarea 3, postprueba), así como su interacción sobre el rendimiento de transferencia en la escritura en inglés de los estudiantes. La prueba de Mauchly indicó una violación del supuesto de esfericidad (p < 0,05), por lo que se aplicó la corrección de Greenhouse–Geisser para ajustar los grados de libertad de los efectos intra-sujetos. Todos los análisis se basaron en n = 30 participantes por grupo. Los resultados se muestran en Tabla 6:

Los resultados del ANOVA de medidas repetidas con corrección de Greenhouse–Geisser indicaron efectos principales significativos del Grupo, el Tiempo y la interacción Grupo × Tiempo en todas las dimensiones medidas (p < 0,001). Para el Índice de Transferencia General, se observó un efecto principal significativo del Grupo (F(1,58) = 76,32), junto con un efecto significativo del Tiempo (F(2,14,124,12) = 92,75) y una interacción Grupo × Tiempo significativa (F(2,14,124,12) = 68,49), lo que sugiere que los cambios en el rendimiento general de transferencia a lo largo del tiempo difirieron significativamente entre los grupos.

De manera similar, la transferencia sintáctica mostró efectos significativos del Grupo (F(1,58) = 52,18), del Tiempo (F(2,11,122,38) = 71,26) y de la interacción Grupo × Tiempo (F(2,11,122,38) = 45,73), lo que indica patrones diferenciales de desarrollo en la capacidad de transferencia sintáctica entre los grupos y los puntos de medición. Para la Transferencia Estructural, también se identificaron efectos significativos del Grupo (F(1,58)=48,65), del Tiempo (F(2,09,121,22) = 67,81) y de la interacción (F(2,09,121,22) = 41,36), reflejando mejoras consistentes con trayectorias dependientes del grupo. Notablemente, la Transferencia Cultural presentó los efectos más fuertes, con un efecto significativo del Grupo (F(1,58) = 81,44), un efecto pronunciado del Tiempo (F(2,07,119,96) = 98,52) y una interacción Grupo × Tiempo robusta (F(2,07,119,96) = 79,27), lo que sugiere el patrón de crecimiento más sustancial y diferenciado en esta dimensión. En general, todos los índices muestran efectos estadísticamente significativos, confirmando que la intervención ejerció un impacto estable y diferenciado sobre el desarrollo de la transferencia a lo largo del tiempo.

DISPONIBILIDAD DE LOS DATOS:

Todos los datos generados o analizados durante este estudio se incluyen en este artículo. Los datos brutos de evaluación se proporcionan en Tabla Suplementaria 1.

Figura 1: Pasos para la transformación de la estructura de la oración. (A) Estrategias para combinar y fortalecer verbos con el fin de mejorar la estructura de la oración. (B) Transformaciones alternativas del sujeto, incluyendo sujetos en forma de gerundio, infinitivo y nominalizados. (C) Uso de frases no finitas para aumentar la variedad y concisión de la oración. (D) Ejemplos de versiones finales pulidas que demuestran un estilo académico mejorado y una expresión en inglés intercultural. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2: Diagrama del árbol evolutivo de tareas. Presenta la estructura progresiva de tareas de transferencia de cuatro niveles, que van desde el nivel de oración, párrafo, discurso hasta el nivel cultural. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Comparación de la capacidad de transferencia escrita antes y después del experimento. El gráfico de radar muestra las puntuaciones obtenidas antes y después del experimento en las dimensiones de transferencia sintáctica, estructural y cultural por parte del grupo experimental y del grupo control. Haga clic aquí para ver una versión más grande de esta figura.

Figura 4: Gráfico de tendencia de complejidad sintáctica. Se muestra el cambio en la longitud promedio de las oraciones y en el número de niveles de anidamiento de cláusulas a lo largo de tres tareas de entrenamiento. Haga clic aquí para ver una versión ampliada de esta figura.

Figura 5: Coincidencia de terminología académica. Esta figura muestra las variaciones en la proporción de vocabulario formal y la frecuencia de voz pasiva antes y después de la intervención. Haga clic aquí para ver una versión más grande de esta figura.

Figura 6: Mapa de calor de satisfacción en las respuestas a las indicaciones. Aquí se resumen las calificaciones de cinco tipos de plantillas de indicaciones proporcionadas por los profesores participantes. Haga clic aquí para ver una versión más grande de esta figura.

Figura 7: Gráfico de caja de los cambios en las calificaciones de los profesores. El gráfico de caja muestra la distribución y los cambios generales en las puntuaciones de escritura evaluadas por los profesores para dos grupos antes y después del experimento. Haga clic aquí para ver una versión más grande de esta figura.

Figura 8: Gráfico radial de la capacidad de transferencia autoevaluada por los estudiantes. Muestra las puntuaciones de autoevaluación de los estudiantes en cinco dimensiones de transferencia durante tres rondas de entrenamiento. Haga clic aquí para ver una versión más grande de esta figura.

Entrada	Operación del docente	Tipo de indicio	Operación del estudiante	Salida	Criterios de evaluación
Borradres originales de escritura de los estudiantes (oraciones/párrafos/ensayos)	1. Clasificar los tipos de transferencia y niveles de tarea 2. Ajustar los parámetros del indicio si es necesario	Indicio único de transferencia / Cadena anidada de indicio en tres etapas	1. Aprender estrategias de transferencia 2. Revisar los borradres según la retroalimentación de la IA 3. Realizar la autoevaluación	Texto revisado por IA + borrador final revisado por el estudiante	Complejidad sintáctica, racionalidad estructural, adecuación cultural, coherencia lógica, normalización del registro (escala 0–5)

Tabla 1: Tabla Resumen del Flujo de Trabajo. Esta tabla resume el flujo de trabajo operativo completo de la formación de transferencia de escritura en inglés asistida por IA, que abarca los materiales de entrada, las operaciones del profesor y del estudiante, los tipos de indicaciones, las salidas finales y los criterios de evaluación correspondientes.

Categoría del proyecto	Contenido
Comprensión de los objetivos de la misión	Describa brevemente los objetivos de migración de esta ronda de tareas de redacción, como ajuste estructural, adaptación cultural y conversión del lenguaje.
Estrategia de migración utilizada	Indique las estrategias de migración que adoptó (se permiten selecciones múltiples):
	Ajuste estructural
	Transformación de oraciones
	Cambio de lenguaje
	Manifestación cultural
	Fortalecimiento de la conexión lógica
	Otra: _______
Ejemplos y instrucciones de reescritura	Seleccione 1–2 oraciones reescritas, muestre las versiones antes y después de la reescritura, y explique las razones de los cambios y los objetivos deseados de transferencia.
Dificultades y dudas encontradas	Describa cualquier dificultad que haya encontrado durante la migración o preguntas que haya tenido sobre una expresión específica.
Calificación de autoevaluación (sobre 5 puntos)	Califique su reescritura del texto según los siguientes tres aspectos:
	• Precisión en la aplicación de estrategias (/5)
	• Naturalidad y fluidez de la expresión (/5)
	• Adecuación cultural (/5)
Objetivos futuros de mejora en la redacción	Describa brevemente la transferibilidad que le gustaría reforzar u optimizar en la próxima ronda de entrenamiento

Tabla 2: Tabla de cognición sobre transferencia. Se utiliza una escala de calificación del 1 al 5 (1 = sin dominio, 5 = dominio completo) para la autoevaluación por parte de los estudiantes de las estrategias de transferencia escrita.

Nombre del indicador	Descripción	Fuente de datos
Índice de transferencia escrita (0–5)	Un indicador cuantitativo que mide de forma integral la capacidad de transferencia lingüística, que abarca tres niveles: sintaxis, estructura y cultura.	Calificación automática del sistema + calificación manual de los profesores
Puntuación de complejidad sintáctica	Incluye la longitud media de la oración, el número de incrustaciones de cláusulas, la riqueza de las frases verbales, etc.	Análisis automático de procesamiento de lenguaje natural (NLP)
Coincidencia con el estilo académico	¿Cumple con los estándares de escritura académica en inglés?	Juicio del modelo de procesamiento de lenguaje natural
Satisfacción con la respuesta al estímulo	Aceptación y evaluación práctica por parte de los profesores de las sugerencias generadas por el modelo	Cuestionario para profesores
Cambios en la calificación de la revisión del profesor	Comparación de las calificaciones de los profesores antes y después del experimento para reflejar la mejora en la calidad de la escritura	Registros de calificaciones de los profesores
Capacidad de transferencia autoevaluada por los estudiantes	Los estudiantes evalúan por sí mismos su dominio de diferentes dimensiones de transferencia	Rellenar el formulario de conciencia sobre la transferencia

Tabla 3: Resumen de los indicadores de evaluación, descripciones y fuentes de datos. Esta tabla aclara las definiciones, métodos de medición y fuentes originales de datos para cada indicador central de evaluación en este estudio.

Tipo de indicio	Calificación promedio de los docentes	Promedio de la puntuación de IA	Coeficiente de correlación de Pearson
Transferencia estructural	4	3.9	0.83
Transferencia sintáctica	4.1	4	0.87
Transferencia cultural	3.8	3.6	0.79
Transferencia de registro	3.9	3.7	0.81
Transferencia lógica	4.2	4.1	0.85

Tabla 4: Comparación de la consistencia entre el contenido generado por inteligencia artificial y las calificaciones de los profesores. Los resultados demuestran la consistencia entre el contenido generado por inteligencia artificial y las calificaciones de los profesores en diferentes tipos de instrucciones.

Elementos de función	Muy satisfecho	Satisfecho	Regularmente	Insatisfecho	Muy insatisfecho
Sugerencia de reescritura	66%	25%	7%	1.50%	0.50%
Optimización estructural	60%	30%	7%	2%	1%
Consejos culturales	55%	28%	12%	3.50%	1.50%

Tabla 5: Estadísticas de la encuesta sobre la satisfacción de los estudiantes con las funciones asistidas por IA. Las estadísticas muestran la distribución de la satisfacción estudiantil respecto a las funciones de reescritura por IA, optimización estructural y prompts culturales.

Medida	Grupo F(gl)	Tiempo F(gl)GG	Grupo × Tiempo F(gl)GG	p
Índice General de Transferencia	76.32 (1, 58)	92.75 (2.14, 124.12)	68.49 (2.14, 124.12)	<0.001
Transferencia Sintáctica	52.18 (1, 58)	71.26 (2.11, 122.38)	45.73 (2.11, 122.38)	<0.001
Transferencia Estructural	48.65 (1, 58)	67.81 (2.09, 121.22)	41.36 (2.09, 121.22)	<0.001
Transferencia Cultural	81.44 (1, 58)	98.52 (2.07, 119.96)	79.27 (2.07, 119.96)	<0.001

Tabla 6: Resumen de los resultados del ANOVA de medidas repetidas. Presenta los resultados del ANOVA de medidas repetidas de dos factores para el rendimiento general en la transferencia de escritura y sus tres subdimensiones, incluyendo los efectos principales del grupo, el tiempo y la interacción grupo por tiempo. Abreviaturas: GG = corrección de Greenhouse–Geisser.

Tabla suplementaria 1: Evaluación de los datos brutos. Incluye los datos brutos utilizados en todos los análisis de este estudio.Haga clic aquí para descargar este archivo.

Discusión

Esta investigación construye un marco de optimización de instrucciones multinivel basado en la arquitectura MoE de DeepSeek para la enseñanza del traslado en la escritura en inglés en contextos interculturales. Centrada en tareas progresivas de cuatro niveles, que van desde la oración hasta la dimensión cultural, y en una biblioteca estandarizada de tareas de cinco categorías, la investigación logra la generación automática de indicaciones (prompts) a partir de muestras reales de escritura estudiantil y establece cadenas de indicaciones anidadas en tres etapas para descomponer tareas complejas de adaptación intercultural. A diferencia del diseño convencional de indicaciones genéricas limitado al pulido textual, la solución propuesta vincula estrechamente la elaboración de indicaciones con los objetivos pedagógicos de la enseñanza del traslado lingüístico y construye un flujo de enseñanza en bucle cerrado compuesto por la generación del modelo, la anotación del docente y la revisión iterativa del estudiante. Desde una perspectiva de avance disciplinario, este trabajo amplía los límites prácticos de la ingeniería de indicaciones en la adquisición de una segunda lengua, proporcionando una vía cuantificable para la construcción de plantillas que combinen las características paramétricas de los grandes modelos lingüísticos con la formación dirigida en aulas de inglés como lengua extranjera. Asimismo, enriquece la evidencia empírica para la investigación del traslado pragmático intercultural en entornos asistidos por inteligencia artificial, complementando hallazgos previos centrados únicamente en errores de transferencia negativa sintáctica^36,37.

Los datos empíricos de un cuasiexperimento confirman que el grupo experimental obtuvo una mejora evidente en los indicadores de transferencia sintáctica, estructural y cultural, aunque varias limitaciones inherentes restringen la generalización de los resultados de la investigación. Limitado por las condiciones del estudio, se adoptó una agrupación no aleatorizada de clases sin medidas de enmascaramiento de los evaluadores, y todas las muestras se seleccionaron de estudiantes de inglés de una única universidad, lo que dificulta excluir la influencia de la motivación autónoma para el aprendizaje de los estudiantes y de los hábitos docentes prolongados del profesor durante las variaciones en las calificaciones. Además, esta intervención duró solo tres semanas, lo que representa un programa de entrenamiento a corto plazo. Combinado con un diseño de muestreo monocéntrico en el que todos los participantes fueron reclutados de un solo colegio vocacional, los efectos positivos observados podrían no ser completamente estables en la práctica docente a largo plazo. Por lo tanto, los hallazgos de la investigación deben interpretarse con cautela, y no es apropiado generalizar directamente las conclusiones a diferentes tipos de instituciones educativas, ciclos docentes más largos o grupos de estudiantes con distintos niveles de competencia lingüística.

En la implementación práctica docente, el sistema actual de optimización de indicaciones combinado con el modelo DeepSeek presenta limitaciones evidentes y casos típicos de fallo. En tareas de transferencia cultural y de registro, el modelo ocasionalmente produce expresiones pragmáticamente inadecuadas o resultados de conversión de estilo rígidos al procesar textos con matices culturales sutiles y exigencias estilísticas dependientes del contexto^38,39; asimismo, no logra identificar con precisión el pensamiento cultural implícito nativo en párrafos largos y complejos, lo que conduce a una revisión incompleta de expresiones en chinglés. En la calificación automática, la consistencia de la evaluación mediante IA disminuye significativamente en ítems pragmáticos culturales altamente subjetivos, y no puede distinguir eficazmente las diferencias matizadas en la expresión retórica y la implicación intercultural. Además, la cadena de indicaciones anidadas en tres etapas tiende a presentar desviaciones semánticas en la generación iterativa múltiple, en la que los errores provenientes de la primera etapa de reorganización semántica se heredan y amplifican en las etapas posteriores de revisión lingüística y adaptación cultural^40,41.

En cuanto a la tendencia de desarrollo futura, se pueden realizar mejoras adicionales desde tres dimensiones prácticas. Primero, ampliar la escala de la biblioteca de tareas mediante la recopilación de un corpus de escritura proveniente de estudiantes no especializados en inglés y con distintos niveles de competencia lingüística, con el fin de fortalecer la compatibilidad de las plantillas para grupos diversos de aprendices. Segundo, combinar el ajuste fino continuo de submódulos ligeros de DeepSeek para reducir la desviación existente en la calificación automatizada del traslado cultural por inteligencia artificial, la cual ha mostrado menor consistencia en comparación con la evaluación docente según las estadísticas actuales. Tercero, integrar todo el sistema de optimización de indicaciones en plataformas convencionales de aprendizaje en línea de idiomas extranjeros, con el objetivo de lograr una acumulación automática y prolongada de datos para la optimización iterativa continua de las reglas de indicación. Con el enriquecimiento progresivo de los recursos de corpus culturales interlingüísticos, se espera que el marco técnico propuesto amplíe su aplicación a la enseñanza de traducción bilingüe y a cursos de comunicación intercultural en investigaciones posteriores.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Modelo de lenguaje preentrenado BERT	Google	https://github.com/google-research/bert	La representación del texto, el reconocimiento de la estructura de párrafos, el cálculo de similitud semántica y el soporte de clasificación de texto permiten la calificación automatizada del contenido escrito.
Coreferee	Explosion AI	https://github.com/explosion/coreferee	Se identifican las relaciones referenciales del texto y se evalúa la coherencia referencial del discurso para ayudar en la calificación automática de la calidad de la escritura.
Modelo de lenguaje grande DeepSeek	DeepSeek AI	https://chat.deepseek.com/	Basado en la arquitectura del modelo MoE, se realizaron optimización de instrucciones y diseño de cadenas de palabras clave. El modelo utiliza parámetros fijos: un coeficiente de temperatura de 0,7, y la longitud generada se limita dinámicamente según el tipo de pregunta.
spaCy	Explosion AI	https://github.com/explosion/spaCy	Se analiza la estructura sintáctica de dependencia del texto en inglés, y se extraen indicadores como la longitud promedio de las oraciones y el número de cláusulas anidadas para cuantificar la complejidad sintáctica.
SPSS 26.0	IBM	https://www.ibm.com/products/spss-statistics	Se realizaron análisis estadísticos como el ANOVA de medidas repetidas (RM-ANOVA), la prueba t para muestras independientes, el análisis de correlación de Pearson, el cálculo del tamaño del efecto (d de Cohen’s) y la prueba de fiabilidad (ICC).