Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de investigación

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

78 visualizaciones

⸱

DOI:

10.3791/71662

⸱

25 de agosto de 2026

1Ningbo City College of Vocational Technology

En este artículo

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 práctica1,2. 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 generación6,7. 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 jerárquica8,9. 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 artículo12,13. 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 central14,15. 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 diversificadas26,27, 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 antinatural34,35, lo cual limita su aplicación profunda en la enseñanza de la transferencia escrita intercultural.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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:

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

Sj representa la muestra de entrada de la tarea, Gi representa la operación de transferencia objetivo y Ei 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 = {(Dj,TDj)∣j = 1,2,3,4,5} (3)

Dj  corresponde a cinco dimensiones de transferencia: transferencia sintáctica, transferencia estructural, transferencia cultural, transferencia de registro y transferencia lógica; el conjunto de tareas TDj  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:

Ti,j = (Si,j,Gi,j,Ci,j) (4)

Si,j representa la muestra de entrada de la tarea, Gi,j es la descripción del objetivo de transferencia de la tarea, y Ci,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.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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 te...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores declaran que no tienen conflictos financieros de interés.

Agradecimientos

Este trabajo fue apoyado por el Proyecto de Planificación Educativa de la Provincia de Zhejiang 2026: Investigación sobre la Reconstrucción del Marco de Competencias Docentes y Estrategias de Promoción de los Docentes de Educación Superior Vocacional bajo el Fortalecimiento Digital e Inteligente (Número del Proyecto: ZWT26024; Número de Aprobación: 2026SCG360).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Modelo de lenguaje preentrenado BERTGooglehttps://github.com/google-research/bertLa 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.
CorefereeExplosion AIhttps://github.com/explosion/corefereeSe 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 DeepSeekDeepSeek AIhttps://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.
spaCyExplosion AIhttps://github.com/explosion/spaCySe 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 26.0IBMhttps://www.ibm.com/products/spss-statisticsSe 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).

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Explorar más artículos

Escritura interculturaltransferencia lingüísticasistema de entrenamiento jerárquicomezcla de expertoscadena de promptsadaptación culturalrevisión lingüística
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.