Optimisation des prompts DeepSeek pour l'enseignement de l'écriture en anglais interculturelle : une étude pratique sur la compétence de transfert

Résumé

Cette étude développe un cadre d'optimisation de prompts en couches basé sur DeepSeek afin d'améliorer la compétence transférable en rédaction anglaise dans des contextes interculturels. Grâce à une chaîne de prompts en trois étapes et à une quasi-expérience menée auprès de 60 étudiants spécialisés en anglais, les résultats montrent une amélioration significative dans le groupe expérimental par rapport au groupe témoin.

Résumé

Pour pallier la limitation selon laquelle l'enseignement traditionnel de la rédaction en anglais néglige le développement systématique du transfert linguistique et que les cadres de consignes existants ne s'adaptent pas à l'enseignement en classe, cette étude élabore un système hiérarchique d'entraînement au transfert fondé sur le modèle DeepSeek, couvrant quatre niveaux progressifs de tâches : phrase, paragraphe, discours et culture, toutes les tâches étant définies selon une structure en trois parties. Une bibliothèque de tâches en cinq dimensions — syntaxe, structure, culture, registre et logique — est établie, et des consignes ciblées sont automatiquement générées à partir des brouillons réels rédigés par les étudiants. Intégrée à l'architecture Mixture of Experts (MoE) du modèle, une chaîne imbriquée de consignes est développée afin de décomposer les tâches complexes en trois phases successives : réorganisation sémantique, révision linguistique et adaptation culturelle. En adoptant un dispositif quasi-expérimental, cette recherche recrute 60 étudiants de deuxième année spécialisés en anglais provenant d'une université, répartis en un groupe expérimental et un groupe témoin de 30 étudiants chacun, pour une intervention progressive étalée sur trois semaines et trois cycles d'entraînement. Les résultats post-expérimentation révèlent que le score de transfert culturel du groupe expérimental passe de 2,8 à 4,5, contre une augmentation de seulement 0,3 dans le groupe témoin ; le score moyen attribué par les enseignants progresse de 59,1 à 74,4 dans le groupe expérimental, contre une hausse de 60,1 à 64,9 dans le groupe témoin. La plupart des coefficients de corrélation entre l'évaluation par l'IA et celle des enseignants dépassent 0,8, et plus de 90 % des participants approuvent les fonctions de réécriture par l'IA et d'optimisation structurelle. En raison de la taille restreinte de l'échantillon dans cet essai, cette approche d'optimisation s'avère néanmoins réalisable pour une mise en œuvre en classes de rédaction en anglais universitaire.

Introduction

Dans l'enseignement de l'écriture en anglais dans un contexte interculturel, les apprenants non natifs font souvent face à une difficulté liée à une capacité insuffisante de transfert lorsqu'ils passent de la connaissance linguistique à l'application pratique^1,2. Bien que les étudiants possèdent une certaine base grammaticale et词汇ulaire, ils éprouvent des difficultés à convertir efficacement les structures de phrases, les schémas syntaxiques et les expressions culturelles en écriture réelle, ce qui produit un langage figé et une pensée limitée, affectant ainsi la qualité globale de l'écriture³. De plus, les différences interculturelles en matière de structure linguistique, d'organisation logique et de normes pragmatiques aggravent encore la complexité du transfert en écriture⁴. Ces dernières années, les grands modèles linguistiques (LLMs) ont offert un nouveau soutien technique à l'enseignement de l'écriture⁵. Des outils d'écriture intelligents, tels que DeepSeek, ont démontré des capacités importantes en matière de génération et de restructuration linguistique. Toutefois, dans la pratique pédagogique, ils se limitent principalement à la correction superficielle de la langue et ne sont pas encore intégrés en profondeur dans un processus d'enseignement centré sur le développement de la compétence de transfert. Ils manquent d'orientation vers des objectifs pédagogiques et de maîtrise du comportement de génération^6,7. Les applications courantes d'écriture assistée par IA restreignent généralement leurs fonctions à la correction d'erreurs grammaticales superficielles, plutôt que de viser le développement d'une compétence systématique de transfert, ce qui entraîne un contrôle insuffisant, du point de vue pédagogique, sur les sorties du modèle.

Les recherches existantes sur l'aide à la rédaction en anglais langue seconde (ESL) se répartissent en trois grandes catégories : les retours sur la rédaction basés sur des consignes traditionnelles, les interventions génériques de relecture par intelligence artificielle et la formation manuelle centrée sur le transfert. Premièrement, les recherches générales sur l'ingénierie des consignes privilégient l'optimisation technique des réponses aux questions et de la réécriture de textes, sans toutefois s'aligner sur les objectifs pédagogiques hiérarchisés du transfert^8,9. Deuxièmement, l'enseignement type de l'ESL basé sur ChatGPT vise principalement à améliorer la précision globale de la rédaction, plutôt que le développement progressif du transfert syntaxique, structurel et interculturel¹⁰. Troisièmement, la pédagogie traditionnelle du transfert, fondée sur l'imitation et la rédaction contrastive, manque d'un retour d'information en boucle fermée appuyé par des outils intelligents¹¹. Contrairement aux études précédentes, cette recherche personnalise des consignes hiérarchiques orientées vers le transfert, alignées sur des objectifs d'enseignement multiniveaux, et met en place un flux de travail d'auto-génération de consignes piloté par des exemples, formant ainsi un mécanisme d'entraînement unique en boucle fermée combinant génération par modèle, retour du professeur et révision par l'élève.

La littérature antérieure émet l'hypothèse d'un lien possible entre la divergence culturelle linguistique, les contraintes structurelles inhérentes aux modèles et des pratiques pédagogiques fragmentées, mais cette chaîne causale reste insuffisamment validée empiriquement dans les études existantes et constitue l'hypothèse centrale de recherche examinée dans cet article^12,13. Concernant les caractéristiques intrinsèques de DeepSeek citées dans cet article, son interface d'instructions ouverte et sa conception de routage d'experts basée sur l'architecture MoE ont été documentées dans des rapports techniques existants sur les modèles ainsi que dans des recherches appliquées en linguistique. En s'appuyant sur ces caractéristiques documentées, la présente étude conçoit des chaînes de prompts imbriquées afin de décomposer des tâches complexes de transfert interculturel et développe des règles dynamiques de planification des sous-modèles pour des affectations de transfert différenciées. Axée sur le développement d'une capacité structurée de transfert, cette recherche explore une optimisation ciblée des prompts de DeepSeek, dans le but de transformer les grands modèles linguistiques d'outils universels d'édition textuelle en systèmes spécialisés d'entraînement au transfert pour l'enseignement de la rédaction en anglais au niveau universitaire.

Dans le domaine de la recherche sur l'écriture en langue seconde, le phénomène de transfert est depuis longtemps un sujet central^14,15. La théorie traditionnelle du transfert linguistique se concentre principalement sur les effets de transfert positif et négatif de la langue maternelle dans le processus d'acquisition de la langue cible, en mettant particulièrement l'accent sur la phonétique, le vocabulaire et la syntaxe¹⁶. Mirzayev E a souligné que, dans l'enseignement de l'écriture en anglais langue seconde (ESL), le transfert négatif provenant de la langue maternelle reste un facteur clé limitant le développement des compétences rédactionnelles des étudiants¹⁷. À mesure que le champ de recherche s'élargit, la communauté académique a progressivement étendu son attention au transfert de structure rédactionnelle¹⁸. L'écriture interlangagière présente souvent des erreurs linguistiques et une fossilisation dues à de multiples facteurs¹⁹. Parallèlement, la théorie du transfert cognitif suscite également un intérêt croissant²⁰. Cette théorie met l'accent sur les différences dans l'organisation cognitive et les schémas d'expression au cours du processus d'écriture. Par exemple, l'écriture occidentale privilégie un raisonnement linéaire et une logique explicite, tandis que la tradition chinoise préfère une approche en spirale et une ambiguïté sémantique. Il existe une tension marquée entre les deux. Ainsi, le transfert linguistique ne concerne pas seulement la conversion d'unités linguistiques, mais implique également l'adaptation et la transformation de structures de pensée et de normes culturelles d'expression à un niveau plus profond, ce qui constitue un défi important dans l'enseignement actuel de l'écriture en anglais²¹.

Dans la pratique du développement de la capacité de transfert, les études existantes utilisent souvent des stratégies telles que l'écriture imitative²², l'écriture contrastive²³ et l'entraînement à la traduction²⁴ afin d'améliorer la compréhension et l'application par les apprenants du mécanisme de transfert dans la langue cible. L'écriture imitative permet de développer des compétences discursives de base, mais elle peut facilement conduire à une rigidité structurelle ; l'écriture contrastive améliore le style linguistique et la sensibilité culturelle, mais elle manque d'une stratification systématique des tâches et de rétroaction personnalisée ; l'entraînement à la traduction favorise la reconnaissance des métaphores culturelles, mais, en l'absence d'encadrement, il peut facilement entraîner des déviations sémantiques ou des inadéquations pragmatiques. Ces stratégies s'appuient principalement sur une démonstration manuelle et un accompagnement empirique²⁵, sans construire explicitement des stratégies de transfert ni mettre en place de mécanismes de rétroaction systématiques, ce qui rend difficile leur adaptation aux différences individuelles en compétence linguistique et en styles cognitifs. Bien que certaines études aient tenté d'élargir l'entraînement au transfert par des tâches d'écriture diversifiées^26,27, le processus d'enseignement n'a pas encore constitué une boucle fermée du type « objectif de transfert – production langagière – rétroaction stratégique » ; l'effet d'internalisation des stratégies de transfert reste limité, et le développement de la capacité de transfert chez les étudiants dans des tâches d'écriture réelles demeure insuffisant²⁸.

Avec le développement de la technologie des grands modèles linguistiques, leur potentiel d'assistance dans l'enseignement des langues suscite un intérêt croissant²⁹. Les outils d'intelligence artificielle générative, représentés par ChatGPT (Chat Generative Pre-trained Transformer)³⁰ et DeepSeek³¹, sont largement utilisés dans des scénarios tels que la correction de texte, la réécriture linguistique et l'ajustement du style. Diasamidze et al. ont constaté que les étudiants en anglais langue seconde utilisant ChatGPT surpassaient le groupe bénéficiant d'un enseignement traditionnel en ce qui concerne la précision grammaticale, la richesse du vocabulaire et la capacité d'organisation du texte³². Toutefois, les applications existantes se limitent majoritairement au traitement linguistique superficiel et manquent de guide systématique concernant les objectifs de transfert. Ranade a souligné que les projets basés sur des invites (« prompts ») dans les contextes éducatifs actuels reposent principalement sur des modèles généraux, et que le contenu généré manque d'adaptabilité contextuelle et de spécificité à la tâche³³. De plus, l'entraînement des modèles dominants s'appuie sur un corpus ouvert, sans modélisation approfondie des différences entre les expressions culturelles chinoises et anglaises. Des inadéquations culturelles et des aspects pragmatiques peu naturels apparaissent fréquemment dans les textes générés^34,35, ce qui limite leur application approfondie dans l'enseignement du transfert rédactionnel interculturel.

Protocole

Approbation éthique

Avant l'expérience, les auteurs ont obtenu une autorisation (Numéro d'approbation : NBCC-ETH-2026-037) de la part du collège et ont distribué des documents de consentement éclairé à tous les étudiants participants. Tous les étudiants ont été clairement informés des objectifs de la recherche, des procédures expérimentales et des règles relatives à l'utilisation des données. La participation était volontaire et les participants pouvaient se retirer de l'étude à tout moment. Toutes les données personnelles et les travaux écrits ont été anonymisés afin de protéger la vie privée, et n'ont été utilisés qu'à des fins d'analyse académique. L'ensemble des 60 participants a signé le formulaire de consentement avant de prendre part à la recherche. Les participants ont été sélectionnés parmi deux classes parallèles de deuxième année en anglais rédactionnel d'un même collège supérieur de formation professionnelle, recrutés selon un échantillonnage de convenance. Les critères d'inclusion comprenaient : avoir réussi le CET-6 avec une note > 425, aucune absence ce semestre, et scores moyens aux deux derniers tests de rédaction unitaires. Les critères d'exclusion comprenaient : l'utilisation à long terme d'un logiciel commercial d'écriture en anglais par intelligence artificielle en dehors des cours et une dyslexie sévère.

La variabilité de toutes les variables de résultat continues a été exprimée comme moyenne ± écart type (ET). Toutes les analyses ont été réalisées avec une taille d'échantillon de n = 30 participants par groupe (groupe expérimental contre groupe témoin), pour un total de N = 60. Pour les données longitudinales à mesures répétées, une analyse de variance à mesures répétées (ANOVA à mesures répétées) a été utilisée afin d'examiner les effets principaux du groupe et du temps, ainsi que l'interaction groupe-par-temps. Des tests t pour échantillons indépendants ont été utilisés pour des comparaisons par paires post-hoc à chaque point temporel. Le groupe témoin a reçu un enseignement traditionnel de la rédaction, complété par un outil d'écriture alimenté par une intelligence artificielle générique, gratuit et non personnalisé (sans consignes hiérarchisées, ni modèles orientés vers le transfert). Le nombre d'heures d'enseignement, les tâches d'écriture, la fréquence de la rétroaction et les textes d'entraînement étaient identiques à ceux du groupe expérimental, à l'exception de l'absence de la chaîne de consignes imbriquées personnalisées et de la bibliothèque de tâches à cinq niveaux utilisée dans cette étude. Le groupe expérimental a utilisé des instructions fondées sur le modèle DeepSeek afin d'optimiser l'enseignement de la rédaction, incluant un accompagnement par chaîne de consignes imbriquées, une production adaptée à l'interculturalité, et le mécanisme « génération-réflexion-régénération ». Le groupe témoin, en revanche, a utilisé des méthodes d'enseignement traditionnelles ou des outils d'assistance par IA non optimisés. En comparant les effets pédagogiques des deux groupes, l'efficacité de la méthode d'entraînement au transfert fondée sur un grand modèle de langage, dans l'amélioration de la capacité des étudiants à transférer leurs compétences en rédaction, a été vérifiée.

Idée générale de la recherche

Cette étude visait à améliorer la capacité des étudiants à transférer leurs compétences en rédaction anglaise et à développer des méthodes efficaces de conception pédagogique, en mettant particulièrement l'accent sur l'adaptation de DeepSeek à des fins éducatives. Premièrement, une stratégie d'optimisation des instructions a été proposée afin de redéfinir les invites du modèle. Cette stratégie a amélioré la conformité des sorties générées par rapport à plusieurs objectifs de transfert dans l'enseignement de la rédaction, notamment la structure syntaxique, la logique des paragraphes et l'expression culturelle. Deuxièmement, les tâches de rédaction des enseignants ont été converties en modèles d'invites structurés et orientés vers des objectifs précis. Une relation d'association a ensuite été établie entre les tâches pédagogiques et les comportements du modèle. Cela a accru la contrôlabilité du modèle et garanti que les contenus générés restent pertinents sur le plan pédagogique. Enfin, l'étude a mis au point un processus itératif de formation au transfert, « génération–réflexion–réécriture–régénération ». Ce processus encourage les étudiants à identifier des stratégies de transfert et à affiner activement leur expression linguistique à l'aide du modèle. Grâce à des itérations répétées, les compétences des étudiants en matière de transfert rédactionnel interlinguistique et interculturel se sont renforcées continuellement. Les étapes de transformation de la structure des phrases sont illustrées dans Figure 1A–D.

Afin de clarifier la logique complète de fonctionnement du système de formation à l'écriture assisté par l'intelligence artificielle et d'améliorer sa reproductibilité, le flux de mise en œuvre global est résumé dans le Tableau 1, couvrant les liens essentiels incluant l'entrée brute, les interventions de l'enseignant, l'application des invites, les activités des étudiants, les productions finales et les critères d'évaluation correspondants.

Stratégie de conception de tâche orientée vers le transfert

Cette étude s'est concentrée sur le développement de la capacité de transfert en écriture anglaise. Elle a conçu un parcours de tâches de transfert progressant du superficiel au profond, guidant systématiquement les étudiants dans l'acquisition et la pratique de stratégies de transfert linguistique à plusieurs niveaux. Pour décrire l'ensemble de la structure du parcours, celle-ci a été définie comme un ensemble de quatre niveaux de tâches :

T = {T₁,T₂,T₃,T₄} (1)

T₁ représente la tâche de transfert au niveau de la phrase, qui met l'accent sur des opérations de base concernant la structure grammaticale, telles que l'expansion de phrases courtes, le changement de voix et le remplacement de propositions, afin d'aider les étudiants à maîtriser diverses méthodes de structuration des phrases. T₂ est la tâche de transfert au niveau du paragraphe, qui guide les étudiants vers une attention accrue portée à l'organisation et à la liaison des informations au sein du paragraphe, et les entraîne à améliorer la clarté structurelle et la cohérence expressive du paragraphe par l'extraction de la phrase principale et l'ajustement de la logique entre les phrases. T₃ représente la tâche de transfert au niveau du discours, qui s'étend davantage à l'agencement logique global et au rythme argumentatif du chapitre, et guide les étudiants à construire un article en anglais doté d'un système argumentatif complet en ajustant l'ordre des paragraphes et en optimisant les relations structurelles de juxtaposition. T₄ est la tâche de transfert au niveau culturel, qui demande aux étudiants d'identifier les caractéristiques implicites d'expression culturelle présentes dans l'écriture en langue maternelle, telles que les formulations implicites et les indices sémantiques, et de les transformer en expressions directes ou en formes explicites et logiques conformes à la culture de la langue cible. Son processus d'évolution est illustré dans Figure 2. Afin d'améliorer l'opérabilité et l'évaluation de la conception des tâches, cette étude a défini plus précisément chaque niveau de tâche sous une forme triple :

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

S_j représente l'échantillon d'entrée de la tâche, G_i représente l'opération de transfert cible et E_i représente les critères d'évaluation associés. Grâce à cette expression structurée, on s'est assuré que chaque niveau de la tâche s'appuyait sur la maîtrise de la stratégie du niveau précédent et était doté d'échantillons correspondants, de descriptions cibles et de critères de performance, offrant ainsi un mécanisme permettant l'avancement progressif du parcours de transfert. Dans le processus de construction du système de formation au transfert, afin d'assurer une couverture systématique des types de tâches et une gestion efficace des sollicitations pédagogiques, cette étude a mis en place une bibliothèque de tâches structurée couvrant cinq types d'objectifs de transfert, basée sur les dimensions courantes de conversion linguistique dans le transfert écrit. La bibliothèque de tâches a été formellement exprimée comme suit :

M = {(D_j,T_Dj)∣_j = 1,2,3,4,5} (3)

D_j  correspond à cinq dimensions de transfert : transfert syntaxique, transfert structurel, transfert culturel, transfert de registre et transfert logique ; l'ensemble de tâches T_Dj  associé à chaque dimension représente son sous-ensemble opérationnel. Lors de l'élaboration de la bibliothèque de tâches, les auteurs ont tout d'abord résumé et classé les difficultés courantes de transfert ainsi que les types d'erreurs linguistiques à partir d'un grand nombre d'échantillons réels de textes rédigés par des apprenants, puis, en tenant compte des besoins pédagogiques réels et des critères d'évaluation, ont réparti les différents types de transfert en domaines fonctionnels, et défini les objectifs fondamentaux de formation ainsi que les modes opératoires propres à chaque tâche. Chaque tâche a été représentée de manière abstraite par la structure en triple suivante :

T_i,j = (S_i,j,G_i,j,C_i,j) (4)

S_i,j représente l'échantillon d'entrée de la tâche, G_i,j est la description de la cible de transfert de la tâche, et C_i,j correspond à la dimension d'évaluation et de contrôle de la tâche. Dans la tâche de transfert syntaxique, cette étude a conçu une séquence de réorganisation de phrases progressant du simple au complexe, couvrant la liaison de phrases, l'imbrication de propositions, la transformation en voix passive et des concepts associés, dans le but d'améliorer les capacités des étudiants en expansion de phrases et en transformation grammaticale. La tâche de transfert structurel s'est concentrée sur l'optimisation de la logique des paragraphes, le renforcement de l'organisation de l'information et l'amélioration des compétences en construction logique, par le biais de la réécriture de la phrase principale, du tri des phrases de soutien et de la reconstruction des relations de cause à effet et des exemples. La tâche de transfert culturel s'appuie sur un corpus interculturel et vise les écarts pragmatiques, tels que les expressions implicites et les euphémismes. Elle propose des conversions d'expression proches du contexte réel afin de favoriser le développement de l'adaptabilité culturelle. La tâche de transfert de registre guide les étudiants dans la transformation d'expressions orales en langage académique et leur permet de maîtriser les stratégies de changement de registre. La tâche de transfert logique met l'accent sur la construction de chaînes de raisonnement et la clarté de l'expression, tout en proposant un entraînement à l'utilisation des conjonctions, à l'explicitation des relations logiques et aux transitions entre paragraphes.

Sur la base d'échantillons réels de textes rédigés par des élèves, cette étude a mis au point un processus de génération de consignes étroitement lié aux tâches pédagogiques, visant à renforcer la pertinence des instructions et l'utilité pratique du contenu généré. Ce processus a été piloté par des enseignants, qui ont sélectionné des extraits représentatifs des productions des élèves durant l'enseignement, en se concentrant sur des problèmes typiques de transfert tels que des phrases redondantes, des structures désordonnées ou des expressions culturelles inappropriées. Ils ont ensuite annoté ces échantillons selon les types de transfert via l'interface du système, afin de préciser les objectifs d'apprentissage. Après réception des annotations, le système activait automatiquement le module d'identification des tâches de transfert. Celui-ci comparait l'entrée avec une bibliothèque prédéfinie de tâches et de modèles de consignes. Ce processus d'appariement prenait en compte des facteurs tels que le type de transfert, les caractéristiques linguistiques et la structure du texte. En fonction de ces éléments, le système sélectionnait le modèle le plus adapté et générait une première version de la consigne. Le système permettait également un traitement structuré d'enrichissement. Les annotations des enseignants étaient converties dans un format normalisé facilement interprétable par le modèle. Des indices pédagogiques pertinents étaient intégrés à la consigne afin d'aider le modèle à comprendre précisément à la fois l'intention de l'enseignant et les difficultés de l'élève. Afin d'améliorer la souplesse et la maîtrise des instructions, le système incluait un module d'assistance pour les enseignants. Ce module permettait aux enseignants d'affiner les consignes en modifiant les indications pédagogiques, en ajustant les paramètres contextuels et en personnalisant le ton et le style. Ainsi, les enseignants disposaient d'un meilleur contrôle sur le processus de génération et pouvaient l'adapter plus efficacement à divers contextes d'enseignement.

Mécanisme d'optimisation des commandes Deepseek

En se basant sur les besoins pratiques de la formation au transfert de l'écriture en anglais, cette étude a conçu cinq types de modèles de consignes orientés vers le transfert. Ces modèles ont été élaborés afin de guider et encadrer le comportement de génération des grands modèles linguistiques. Le modèle de transfert structurel portait sur l'organisation des paragraphes et la structure du discours. Il aidait les étudiants à réorganiser leurs textes en adoptant des structures telles que introduction–développement–conclusion, et en améliorant la progression logique des idées. Le modèle de transfert syntaxique mettait l'accent sur la complexité au niveau de la phrase. Il encourageait l'utilisation de structures grammaticales variées, telles que la voix passive, les constructions parallèles et les propositions complexes, afin d'enrichir l'expression écrite. Le modèle de transfert culturel traitait de l'adaptation culturelle dans l'écriture. Il guidait les étudiants dans l'ajustement des expressions marquées par leur langue maternelle et leur culture vers des formulations plus naturelles et acceptables dans les contextes anglophones. Le modèle de transfert de registre visait l'adaptation stylistique et la maîtrise du registre. Il aidait les étudiants à adapter leur usage linguistique selon les objectifs d'écriture, les publics visés et les genres. Le modèle de transfert logique avait pour but de renforcer l'organisation logique. Il favorisait l'utilisation efficace de relations telles que la cause et l'effet, la comparaison et la contraste, ainsi que le développement parallèle, améliorant ainsi la cohérence et la rigueur argumentative. Ensemble, ces cinq modèles couvraient les principales dimensions du transfert en écriture. Ils offraient un soutien pédagogique structuré tant pour la conception de tâches d'enseignement que pour la génération de textes fondée sur un modèle.

Chaque type de modèle suivait un format unifié afin d'assurer son universalité et son adaptabilité à différentes situations d'enseignement. Le modèle comprenait quatre éléments fondamentaux : le premier était l'objectif d'instruction, qui indiquait clairement la tâche de transfert requise ; le second était l'exemple d'entrée, qui fournissait aux étudiants des extraits linguistiques réels servant de base de corpus à l'efficacité de l'instruction ; le troisième était la sortie cible, qui montrait le style standard d'une production linguistique idéale après transfert, permettant aux étudiants de comparer et d'utiliser ce modèle pour l'ajuster ; le quatrième était la suggestion d'utilisation, qui expliquait le niveau linguistique, le type de texte et les stratégies d'usage auxquels le modèle s'appliquait, et offrait des indications sur des paramètres ajustables afin d'améliorer le contrôle de la génération et l'efficacité du guidage pédagogique.

Afin d'illustrer davantage la logique de conception et l'application pratique des modèles de invites, des exemples représentatifs de cinq invites orientées vers le transfert sont présentés ci-dessous. Tous les modèles respectaient un cadre unifié, composé d'un objectif d'instruction, d'un exemple d'entrée, d'une sortie cible et d'une suggestion d'utilisation. Les étudiants étaient guidés pour développer des phrases simples, transformer la voix des phrases et intégrer des propositions subordonnées afin d'enrichir la diversité syntaxique. Par exemple, à partir du brouillon étudiant « I study English writing. It is very important for cross-cultural communication », la sortie optimisée est « Learning English writing plays a vital role in improving learners’ ability of cross-cultural communication ». Cette invite était adaptée à un entraînement au niveau de la phrase, destiné à des étudiants de deuxième année en anglais de niveau de difficulté modéré, en se concentrant sur la reconstruction syntaxique de base et la transformation de la voix. Un autre type d'invite visait le transfert culturel, dans le but d'identifier les expressions « Chinglish » influencées par la pensée culturelle maternelle et de réécrire les phrases en des expressions pragmatiques naturelles en anglais conformes aux normes culturelles occidentales. En prenant comme exemple la phrase étudiante « Many people think you must work hard if you want to succeed », la version révisée était « People generally believe that diligence is the key to success ». Cette invite était appliquée à un entraînement au transfert au niveau culturel, en ciblant l'élimination des schémas de pensée chinois implicites et favorisant une expression explicite dans le contexte anglais.

Cette étude a également mis au point une chaîne d'invites imbriquées en trois étapes qui prenait les brouillons de paragraphes des étudiants comme entrée unifiée et s'exécutait en phases séquentielles. La première phase était la réorganisation sémantique, l'invite demandant au participant de réorganiser les phrases du paragraphe donné, d'optimiser l'ordre logique des idées et de former un paragraphe complet doté de phrases-thèmes claires. La deuxième phase était la révision linguistique, qui consistait à réécrire le paragraphe révisé en anglais académique formel, à remplacer les termes familiers et à utiliser correctement des phrases complexes et des structures passives. La troisième phase était l'adaptation culturelle, dont l'invite guidait les utilisateurs afin qu'ils vérifient la présence d'expressions pragmatiques culturelles dans le texte, éliminent les interférences culturelles de la langue maternelle et polissent le contenu pour qu'il s'aligne aux conventions rédactionnelles interculturelles en anglais. Les exemples ci-dessus ont pleinement démontré les modes opératoires des modèles d'invites simples et des chaînes d'invites imbriquées. Sur cette base, l'étude a conçu une chaîne d'invites complète et progressive, combinée à l'architecture MoE de DeepSeek.

Pour pallier les limites des invites en un seul tour en matière de contrôle de la génération et de profondeur de réponse aux tâches, cette étude a conçu une structure en chaîne d'invites imbriquées aux caractéristiques progressives et continues, permettant une orientation hiérarchique et une génération progressive de tâches complexes de transfert. Ce mécanisme a décomposé une tâche complète de transfert en plusieurs sous-objectifs et a conçu des modèles d'invites correspondants pour chacun de ces sous-objectifs, reliés en série selon l'ordre logique de reconstruction sémantique, d'ajustement du style linguistique et d'adaptation pragmatique culturelle, formant ainsi une chaîne de génération dépendante du contexte. Cette étude a mis en œuvre une optimisation de chaîne d'invites imbriquées pour DeepSeek via son API ouverte standard. Le modèle DeepSeek adopte nativement une architecture de type Mixture of Experts (MoE) dotée d'un système automatique de routage d'experts en backend, qui fonctionne comme un module de raisonnement interne intrinsèque, indépendant des invites externes. Les invites personnalisées en plusieurs étapes modifiaient uniquement les caractéristiques de contenu des entrées du modèle. En réponse aux exigences sémantiques, stylistiques et culturelles intégrées dans les entrées optimisées, le mécanisme natif de routage MoE du modèle activait de manière autonome les modules d'experts les plus adaptés durant la génération du texte. La conception en trois étapes de l'invite, centrée sur la réorganisation sémantique, l'ajustement stylistique et l'adaptation culturelle, affinait simplement les textes d'entrée sans interférer avec la logique interne du modèle en matière de sélection et d'allocation des experts.

En ce qui concerne le processus opérationnel, le système recevait les textes des étudiants téléchargés par les enseignants, transférait les annotations cibles et déterminait automatiquement si la structure de chaîne imbriquée devait être activée. Si celle-ci était activée, le système exécutait trois étapes successivement : la première étape consistait en une réorganisation sémantique, appelant le modèle de transfert de structure afin d'optimiser l'organisation des paragraphes et les indices logiques ; la deuxième étape était un ajustement du style linguistique, utilisant le modèle linguistique pour transformer les expressions courantes en langage écrit académique ; la troisième étape était une adaptation culturelle, appelant le modèle de transfert culturel pour identifier et remplacer les expressions non conformes à la culture de la langue cible, et produisant ainsi un texte plus authentique.

Chaque cycle de génération prenait la sortie du cycle précédent comme entrée et conservait le cache du vecteur de contexte afin d'assurer la cohérence sémantique. Les enseignants personnalisent la structure de la chaîne de prompts dans l'interface du système, y compris la sélection de modèles, la modification des instructions et l'ajustement de la séquence. Le système prenait également en charge la fonction « package de combinaison de modèles », pratique pour que les enseignants réutilisent ou attribuent des tâches par lots. En outre, le système disposait d'un mécanisme intégré d'interruption dynamique et de rétroaction fournissant des résultats intermédiaires après chaque génération. Les enseignants annotaient ou ajustaient les instructions suivantes en temps réel, formant ainsi une boucle fermée pédagogique de « génération-ajustement-régénération ».

Génération et évaluation du modèle

Dans le processus de génération et d'évaluation de texte basé sur le modèle DeepSeek, cette étude a mis en place un mécanisme de notation automatique multidimensionnel afin d'analyser systématiquement et d'évaluer quantitativement le texte généré selon trois aspects : la complexité syntaxique, la normalisation structurelle et la cohérence du discours. Cette étude a utilisé l'analyseur syntaxique en dépendance spaCy et le module d'extension Coreferee de résolution de coréférence pour l'extraction et l'évaluation automatisée des caractéristiques du texte. L'analyseur syntaxique en dépendance spaCy a analysé la structure syntaxique du texte anglais, extrayant des indicateurs clés tels que la longueur moyenne des phrases et le nombre de propositions imbriquées, permettant ainsi une analyse quantitative de la complexité syntaxique. Le module d'extension de résolution de coréférence Coreferee, fonctionnant dans le cadre du logiciel spaCy, a principalement identifié les relations référentielles internes dans le texte et évalué la cohérence référentielle du discours, fournissant un soutien technique pour la notation automatisée de la qualité de l'écriture. En raison de limitations réseau, les sites open source étrangers susmentionnés étaient inaccessibles.

Premièrement, le système a évalué la complexité syntaxique. Il a extrait des caractéristiques telles que la longueur moyenne des phrases, la profondeur d’emboîtement des propositions et la variété des structures de phrases. Ces caractéristiques ont été obtenues par analyse dépendancielle et modélisation des arbres syntaxiques profonds. Sur la base des résultats, le système a évalué si les étudiants étaient passés avec succès de structures simples à des constructions syntaxiques plus complexes. Deuxièmement, le système a évalué l’organisation des paragraphes. Il a combiné des représentations textuelles basées sur BERT avec des modèles de classification afin d’identifier les éléments clés du paragraphe, notamment les phrases thématiques, d’appui et de conclusion. Une carte de structure de paragraphe a ensuite été construite pour déterminer si l’organisation respectait les conventions de l’écriture académique en anglais. Troisièmement, le système a évalué la cohérence du texte. Il a examiné l’usage des articulateurs logiques, la cohérence sémantique entre les phrases et la qualité des liens référentiels tout au long du texte. Ces indicateurs ont permis d’évaluer la clarté du développement logique et la progression fluide des idées. Pour mesurer la cohérence thématique, le système a calculé la similarité sémantique à l’aide de représentations vectorielles. La cohérence référentielle a été évaluée par des techniques de résolution de coréférence, qui ont permis de réduire les écarts sémantiques et les références ambiguës. Enfin, les scores provenant de toutes les dimensions ont été intégrés dans un vecteur de notation unifié. Les résultats ont été normalisés afin de constituer un système d’évaluation complet, permettant une comparaison fiable entre différents échantillons de textes rédigés.

Dans la phase d'évaluation manuelle, cette étude a mis au point un système tridimensionnel de notation pour la formation au transfert écrit, englobant l'évidence du comportement de transfert, la naturel de l'expression et l'adaptabilité culturelle, afin d'améliorer la pertinence de l'évaluation par les enseignants et l'efficacité de la rétroaction pédagogique. Le système a combiné ses fonctions auxiliaires pour parvenir à une association organique entre notation quantitative et commentaires qualitatifs. Dans la dimension du comportement de transfert, les enseignants évaluaient l'utilisation par les étudiants de stratégies de transfert lors de la réécriture de textes, selon des objectifs de tâche prédéfinis. Le système offrait une vue comparative côte à côte du texte original et de la version générée, afin d'aider les enseignants à déterminer si des opérations telles que l'ajustement des phrases et la reconstruction structurelle reflétaient effectivement le type de transfert requis.

L'évaluation de l'expression naturelle s'est concentrée sur la fluidité et l'authenticité de la production linguistique. Les enseignants ont utilisé les indicateurs linguistiques générés par le système pour évaluer si les phrases correspondaient aux habitudes d'expression des locuteurs natifs anglophones et pour juger si la structure grammaticale, la collocation des mots et le rythme de la phrase étaient naturels et appropriés. Ils ont également signalé les problèmes et suggéré des formulations alternatives par le biais d'annotations. La dimension de l'adaptabilité culturelle portait sur l'opportunité des aspects pragmatiques interculturels. Les enseignants devaient déterminer si le texte contenait des expressions inappropriées résultant d'une interférence de la culture de la langue source, telles qu'une ambiguïté sémantique, des conflits rhétoriques ou des jugements de valeur flous. Le système fournissait des exemples courants de termes présentant des écarts culturels et permettait aux enseignants d'expliquer dans les commentaires les raisons des modifications ainsi que les exigences liées au contexte culturel, guidant ainsi les étudiants vers une meilleure conscience du transfert culturel et une expression plus précise. Chaque dimension était notée sur une échelle de 5 points et comprenait des annotations libres ainsi que des modules suggérés à compléter. Les résultats finaux de l'évaluation étaient présentés sous forme de diagramme en radar.

Afin d'améliorer l'efficacité de l'évaluation et de soutenir une utilisation pratique en classe, cette étude a mis au point un mécanisme d'évaluation collaborative combinant un système de notation assisté par IA et l'évaluation par l'enseignant. Le système effectuait d'abord une évaluation multidimensionnelle du texte généré par DeepSeek. Il évaluait des aspects clés tels que la complexité syntaxique, l'organisation des paragraphes et la cohérence du texte à l'aide du module de notation automatique. Les résultats de notation étaient ensuite affichés en temps réel sur l'interface dédiée à l'enseignant. Les enseignants examinaient les notes détaillées pour chaque dimension et les ajustaient si nécessaire, selon leur jugement professionnel et leur compréhension des performances transférables des élèves. Ils ajoutaient également des commentaires ciblés directement sur le texte afin de fournir des retours et des suggestions pédagogiques que la notation automatique ne pouvait pas nécessairement capter. Chaque dimension d'évaluation utilisait une échelle de notation à cinq niveaux. L'interface comprenait également des modules d'annotation libre et de recommandations afin de faciliter un retour personnalisé. Les résultats de l'évaluation étaient visualisés à l'aide d'un graphique en radar, permettant aux enseignants d'identifier rapidement les forces et les faiblesses des élèves dans les différentes dimensions du transfert.

En outre, le système permettait aux enseignants d'ajuster l'importance accordée à certaines dimensions ou aux notes globales afin de les aligner sur les objectifs pédagogiques. Cette fonction garantissait que l'évaluation finale reflète plus précisément les performances réelles des élèves et leurs besoins d'apprentissage. Une fois la vérification manuelle terminée, le système intégrait automatiquement les données d'évaluation générées par la machine et celles produites par l'enseignant. Il produisait ensuite un rapport de rétroaction visuel comprenant un graphique radar des performances transférées et un graphique de suivi des versions. Ces visualisations illustraient clairement l'évolution des capacités de transfert des élèves au cours de plusieurs cycles de génération et de révision de textes, permettant ainsi un suivi continu des progrès d'apprentissage.

Processus d'entraînement par transfert

Cette étude a conçu un processus complet de formation au transfert. Tout d'abord, l'enseignant a attribué des tâches précises de rédaction en anglais en fonction des objectifs pédagogiques et du niveau réel des élèves, puis a précisé le type de transfert et l'accent de la formation. Ensuite, le système a généré automatiquement des instructions appropriées en fonction des tâches définies par l'enseignant et a appelé le modèle DeepSeek pour produire un premier brouillon de la rédaction, servant ainsi de matériel de base pour la réécriture des élèves et leur formation au transfert. Après avoir reçu ce premier brouillon, les élèves devaient activement identifier les caractéristiques de transfert présentes dans le texte et réécrire le contenu de manière ciblée, en utilisant les stratégies de transfert qu'ils avaient apprises afin d'améliorer l'adéquation de la structure syntaxique, de l'organisation des paragraphes et de l'expression culturelle. Une fois la réécriture terminée, l'enseignant effectuait une évaluation détaillée du texte soumis par l'élève, mettait en évidence l'efficacité de la stratégie de transfert utilisée et formulait des suggestions concrètes d'amélioration ainsi que des conseils d'écriture. Sur la base des commentaires de l'enseignant, le modèle DeepSeek était rappelé pour générer une version optimisée, soutenant ainsi davantage les élèves dans l'affinement de leurs textes et le renforcement de la pratique des stratégies de transfert. Enfin, l'élève finalisait la soumission de la version définitive, complétait le tableau de cognition du transfert, s'auto-évaluait et synthétisait les méthodes de transfert ainsi que leurs effets, favorisant ainsi l'amélioration des capacités métacognitives et l'internalisation des compétences de transfert en écriture. Le tableau de cognition du transfert conçu pour cette étude est présenté dans Tableau 2.

Tous les éléments utilisaient une échelle d'évaluation de 1 à 5, allant de 1 (aucune maîtrise) à 5 (maîtrise complète). Les données d'auto-évaluation ont été recueillies après trois séries de formation séquentielle ; les critères de notation se réfèrent aux normes prédéfinies de transfert opérationnel dans la bibliothèque de tâches à cinq dimensions.

Résultats

Enseigner la conception d'expériences

Cette étude a utilisé la version open-source de base de DeepSeek, s'appuyant sur l'interface API ouverte de la plateforme pour les appels de programme. L'ensemble complet des cinq textes modèles d'instructions, des quatre niveaux d'exemples de tâches, des balises de catégories d'annotations transférées et des règles de correspondance de mappage avec les modèles d'erreurs rédactionnelles a été compilé dans l'annexe complémentaire. Le systèm...

Discussion

Cette recherche construit un cadre d'optimisation des instructions à plusieurs niveaux, fondé sur l'architecture MoE de DeepSeek, pour l'enseignement du transfert rédactionnel en anglais dans un contexte interculturel. En s'appuyant sur quatre niveaux de tâches progressives, allant de la phrase à la dimension culturelle, ainsi que sur une bibliothèque normalisée de tâches en cinq catégories, l'étude parvient à générer automatiquement des instructions à partir d'échantillons réels de productions écrites d'apprenants, et m...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Modèle de langage pré-entraîné BERT	Google	https://github.com/google-research/bert	La représentation du texte, la reconnaissance de la structure des paragraphes, le calcul de la similarité sémantique et la classification du texte permettent une évaluation automatisée du contenu écrit.
Coreferee	Explosion AI	https://github.com/explosion/coreferee	Les relations référentielles dans le texte sont identifiées et la cohérence référentielle du discours est évaluée afin d'aider à l'évaluation automatique de la qualité de l'écriture.
Grand modèle de langage DeepSeek	DeepSeek AI	https://chat.deepseek.com/	Basé sur l'architecture de modèle MoE, une optimisation des instructions et une conception de chaîne de mots-clés ont été effectuées. Le modèle utilise des paramètres fixes : un coefficient de température de 0,7, et la longueur générée est limitée dynamiquement selon le type de question.
spaCy	Explosion AI	https://github.com/explosion/spaCy	La structure syntaxique en dépendance du texte anglais est analysée, et des indicateurs tels que la longueur moyenne des phrases et le nombre de propositions imbriquées sont extraits afin de quantifier la complexité syntaxique.
SPSS 26.0	IBM	https://www.ibm.com/products/spss-statistics	Des analyses statistiques telles que l'analyse de variance à mesures répétées (RM-ANOVA), le test t pour échantillons indépendants, l'analyse de corrélation de Pearson, le calcul de la taille de l'effet (d de Cohen’s) et le test de fiabilité (CCI) ont été réalisés.