Ottimizzazione dei prompt di DeepSeek per l'insegnamento della scrittura in lingua inglese in contesti interculturali: uno studio pratico sulla competenza di trasferimento

Sommario

Questo studio sviluppa un framework stratificato per l'ottimizzazione dei prompt basato su DeepSeek, finalizzato a potenziare la competenza trasferibile nella scrittura in inglese in contesti interculturali. Attraverso una catena di prompt in tre fasi e un esperimento quasi sperimentale con 60 studenti di lingua inglese, i risultati mostrano un miglioramento significativo nel gruppo sperimentale rispetto al gruppo di controllo.

Abstract

Per affrontare il limite per cui l'insegnamento tradizionale della scrittura in inglese trascura la coltivazione sistematica del trasferimento linguistico e i framework di prompt esistenti non si adattano all'insegnamento in classe, questo studio costruisce un sistema gerarchico di allenamento al trasferimento basato sul modello DeepSeek, che copre quattro livelli progressivi di compiti: frase, paragrafo, testo e cultura, con tutti i compiti definiti in forma tripla. Viene istituita una banca dati di compiti su cinque dimensioni: sintassi, struttura, cultura, registro e logica, e vengono generati automaticamente prompt mirati a partire dalle bozze scritte autentiche degli studenti. Integrato con l'architettura Mixture of Experts (MoE) del modello, viene sviluppata una catena annidata di prompt per suddividere compiti complessi in tre fasi sequenziali: riorganizzazione semantica, revisione linguistica e adattamento culturale. Adottando un disegno quasi sperimentale, questa ricerca recluta 60 studenti del secondo anno di lingua inglese provenienti da un'università, assegnandoli a un gruppo sperimentale e a un gruppo di controllo di 30 studenti ciascuno, per un intervento articolato su tre settimane e tre cicli di formazione. I risultati al termine dell'esperimento mostrano che il punteggio del gruppo sperimentale nel trasferimento culturale aumenta da 2,8 a 4,5, rispetto a un incremento di soli 0,3 nel gruppo di controllo; il punteggio medio attribuito dagli insegnanti migliora da 59,1 a 74,4, contro l'aumento del gruppo di controllo da 60,1 a 64,9. La maggior parte dei coefficienti di correlazione tra la valutazione dell'IA e quella degli insegnanti supera 0,8 e oltre il 90% dei partecipanti approva le funzioni di riscrittura e di ottimizzazione strutturale dell'IA. A causa della ridotta numerosità del campione in questo studio, si ritiene che questo approccio di ottimizzazione sia attuabile nelle classi universitarie di scrittura in inglese.

Introduzione

Nell'insegnamento della scrittura in inglese in un contesto interculturale, gli studenti non madrelingua spesso affrontano la difficoltà di una capacità trasferibile insufficiente nel passaggio dalla conoscenza linguistica all'applicazione pratica^1,2. Sebbene gli studenti posseggano una certa base grammaticale e lessicale, incontrano difficoltà nel convertire efficacemente strutture frasali, modelli sintattici ed espressioni culturali in un reale atto scritto, producendo un linguaggio formale e un pensiero limitato, il che compromette la qualità complessiva della scrittura³. Inoltre, le differenze interculturali nella struttura linguistica, nell'organizzazione logica e nelle norme pragmatiche aggravano ulteriormente la complessità del trasferimento scritturale⁴. Negli ultimi anni, i modelli linguistici di grandi dimensioni (LLMs) hanno fornito un nuovo supporto tecnologico per l'insegnamento della scrittura⁵. Strumenti intelligenti per la scrittura, come DeepSeek, hanno dimostrato notevoli capacità nella generazione e rielaborazione del linguaggio. Tuttavia, nella pratica didattica, questi strumenti sono spesso limitati a correzioni linguistiche superficiali e non sono ancora stati integrati profondamente in un processo formativo centrato sullo sviluppo della capacità di trasferimento. Essi mancano di un orientamento verso obiettivi didattici e di un controllo sul comportamento generativo del modello^6,7. Le attuali applicazioni di scrittura assistita da intelligenza artificiale limitano prevalentemente le proprie funzioni alla correzione di errori grammaticali superficiali, piuttosto che mirare allo sviluppo di una competenza trasferenziale sistematica, con conseguente scarsa controllabilità didattica sugli output del modello.

La ricerca esistente sull'assistenza alla scrittura in ESL si suddivide in tre categorie principali: feedback tradizionale basato su prompt, intervento generico di revisione automatica con intelligenza artificiale e formazione manuale centrata sul trasferimento. In primo luogo, la ricerca generale sull'ingegnerizzazione dei prompt privilegia l'ottimizzazione tecnica di risposte a domande e riscrittura di testi, senza allinearsi a obiettivi didattici gerarchici di trasferimento^8,9. In secondo luogo, l'insegnamento tradizionale di ESL basato su ChatGPT si concentra principalmente sul miglioramento generale dell'accuratezza della scrittura, piuttosto che sulla coltivazione graduale di competenze sintattiche, strutturali e interculturali¹⁰. In terzo luogo, la pedagogia tradizionale del trasferimento, fondata sull'imitazione e sulla scrittura contrastiva, manca di un feedback a ciclo chiuso supportato da strumenti intelligenti¹¹. A differenza degli studi precedenti, questa ricerca personalizza prompt gerarchici orientati al trasferimento, allineati a obiettivi didattici multilivello, e sviluppa un flusso di lavoro basato su esempi per la generazione automatica di prompt, creando un meccanismo unico di formazione a ciclo chiuso che combina generazione del modello, feedback dell'insegnante e revisione da parte dello studente.

La letteratura precedente ipotizza un possibile collegamento tra divergenza culturale linguistica, limitazioni strutturali intrinseche del modello e pratiche didattiche discontinue, ma tale catena causale rimane insufficientemente verificata empiricamente negli studi esistenti e costituisce l'ipotesi centrale da esaminare in questo articolo^12,13. Per quanto riguarda le caratteristiche intrinseche di DeepSeek citate in questo articolo, la sua interfaccia aperta per le istruzioni e la progettazione basata sul routing degli esperti MoE sono state documentate in rapporti tecnici esistenti sui modelli e nella ricerca linguistica applicata. Sulla base di queste caratteristiche documentate del modello, lo studio elabora catene di prompt nidificate per scomporre compiti complessi di trasferimento interculturale e sviluppa regole dinamiche di pianificazione dei sottomodelli per assegnazioni differenziate di trasferimento. Concentrata sullo sviluppo strutturato della capacità di trasferimento, la presente ricerca esplora un'ottimizzazione mirata dei prompt di DeepSeek, con l'obiettivo di trasformare i modelli linguistici di grandi dimensioni da strumenti universali di editing del testo in sistemi specializzati di formazione al trasferimento per l'insegnamento della scrittura in inglese a livello universitario.

Nel campo della ricerca sulla scrittura in seconda lingua, il fenomeno del trasferimento è da tempo un argomento centrale^14,15. La teoria tradizionale del trasferimento linguistico si concentra principalmente sugli effetti positivi e negativi della lingua materna nell'acquisizione della lingua obiettivo, con particolare enfasi su fonetica, vocabolario e sintassi¹⁶. Mirzayev E ha sottolineato che nell'insegnamento della scrittura in inglese come seconda lingua (ESL), il trasferimento negativo della prima lingua rimane un fattore chiave che limita lo sviluppo delle capacità di scrittura degli studenti¹⁷. Con l'ampliarsi del campo di ricerca, la comunità accademica ha gradualmente esteso la propria attenzione al trasferimento della struttura del testo¹⁸. La scrittura interlinguistica presenta spesso errori linguistici e fossilizzazione a causa di molteplici fattori¹⁹. Allo stesso tempo, anche la teoria del trasferimento cognitivo ha ricevuto crescente attenzione²⁰. Questa teoria sottolinea le differenze nell'organizzazione cognitiva e nei modelli espressivi nel processo di scrittura. Ad esempio, la scrittura occidentale enfatizza un ragionamento lineare e una logica esplicita, mentre la tradizione cinese predilige un approccio a spirale e un'ambiguità semantica. Esiste una tensione significativa tra questi due approcci. Pertanto, il trasferimento linguistico non riguarda soltanto la conversione delle unità linguistiche, ma coinvolge anche l'adattamento e la trasformazione delle strutture del pensiero e delle norme culturali di espressione a un livello più profondo, rappresentando così una sfida importante nell'attuale insegnamento della scrittura in inglese²¹.

Nella pratica dello sviluppo della capacità di trasferimento, gli studi esistenti spesso impiegano strategie come la scrittura imitativa²², la scrittura contrastiva²³ e l'addestramento alla traduzione²⁴ per potenziare la comprensione e l'applicazione, da parte degli apprendenti, del meccanismo di trasferimento nella lingua obiettivo. La scrittura imitativa contribuisce a sviluppare la capacità discorsiva di base, ma può facilmente portare a rigidità strutturali; la scrittura contrastiva può migliorare lo stile linguistico e la consapevolezza culturale, ma manca di una stratificazione sistematica dei compiti e di un feedback personalizzato; l'addestramento alla traduzione può favorire il riconoscimento di metafore culturali, ma, in assenza di guida, può facilmente generare deviazioni semantiche o inappropriatenze pragmatiche. Le suddette strategie si basano principalmente su dimostrazioni manuali e indicazioni empiriche²⁵, mancano di una costruzione esplicita delle strategie di trasferimento e di meccanismi sistematici di feedback, e risultano difficili da adattare alle differenze individuali nel livello di competenza linguistica e negli stili cognitivi. Sebbene alcuni studi abbiano tentato di ampliare l'addestramento al trasferimento attraverso compiti di scrittura diversificati^26,27, il processo didattico non ha ancora formato un ciclo chiuso del tipo «obiettivo di trasferimento–produzione linguistica–feedback strategico»; l'effetto di interiorizzazione delle strategie di trasferimento è limitato, e lo sviluppo della capacità di trasferimento degli studenti in compiti di scrittura reali rimane insufficiente²⁸.

Con lo sviluppo della tecnologia dei modelli linguistici di grandi dimensioni, il suo potenziale di supporto nell'insegnamento linguistico ha suscitato un'attenzione crescente²⁹. Strumenti di intelligenza artificiale generativa come ChatGPT (Chat Generative Pre-trained Transformer)³⁰ e DeepSeek³¹ sono stati ampiamente utilizzati in scenari quali la revisione del testo, la riscrittura linguistica e l'adattamento linguistico. Diasamidze et al. hanno scoperto che gli studenti di inglese come seconda lingua che utilizzavano ChatGPT hanno ottenuto prestazioni superiori rispetto al gruppo sottoposto a insegnamento tradizionale per quanto riguarda l'accuratezza grammaticale, la ricchezza lessicale e la capacità di organizzare il testo³². Tuttavia, le applicazioni esistenti sono per lo più limitate a un'elaborazione linguistica superficiale e mancano di una guida sistematica sugli obiettivi di trasferimento. Ranade ha sottolineato che i progetti basati su prompt negli attuali contesti educativi si basano prevalentemente su modelli generici, e i contenuti generati risultano carenti in termini di adattabilità contestuale e specificità del compito³³. Inoltre, l'addestramento dei modelli principali si basa su un corpus aperto e manca di una modellizzazione approfondita delle differenze nelle espressioni culturali cinesi e inglesi. Nei testi generati si verificano facilmente inadeguatezze culturali e pragmatiche innaturali^34,35, il che ne limita l'applicazione approfondita nell'insegnamento del trasferimento scritto interculturale.

Protocollo

Approvazione etica

Prima dell'esperimento, gli autori hanno ottenuto l'approvazione (Numero di approvazione: NBCC-ETH-2026-037) da parte del collegio e hanno distribuito documenti di consenso informato a tutti gli studenti partecipanti. A tutti gli studenti è stato chiaramente illustrato l'obiettivo della ricerca, le procedure sperimentali e le normative sull'utilizzo dei dati. La partecipazione era volontaria e i partecipanti potevano ritirarsi dallo studio in qualsiasi momento. Tutti i dati personali e i lavori scritti sono stati anonimizzati per proteggere la privacy e sono stati utilizzati esclusivamente per analisi accademiche. Tutti e 60 i partecipanti hanno firmato il modulo di consenso prima di prendere parte alla ricerca. I partecipanti sono stati selezionati da due classi parallele di scrittura in inglese del secondo anno dello stesso istituto professionale superiore, reclutati mediante campionamento di convenienza. I criteri di inclusione comprendevano: aver superato il CET-6 con un punteggio > 425, nessuna assenza in questo semestre e punteggi medi negli ultimi due test di scrittura delle unità. I criteri di esclusione comprendevano: uso prolungato di software commerciali di intelligenza artificiale per la scrittura in inglese al di fuori dell'ambiente scolastico e grave dislessia.

La variabilità di tutte le variabili continue di esito è stata riportata come media ± deviazione standard (SD). Tutti gli analisi sono stati condotti con una numerosità campionaria di n = 30 partecipanti per gruppo (gruppo sperimentale rispetto al gruppo di controllo), per un totale di N = 60. Per i dati longitudinali a misure ripetute, è stata utilizzata un'analisi della varianza a misure ripetute (RM-ANOVA) per esaminare gli effetti principali di gruppo e tempo, nonché l'interazione gruppo per tempo. Sono stati utilizzati test t per campioni indipendenti per confronti a coppie post-hoc nei singoli punti temporali. Il gruppo di controllo ha ricevuto un'istruzione tradizionale nella scrittura più uno strumento gratuito, generico e non personalizzato di scrittura assistita da intelligenza artificiale (senza prompt gerarchici, né modelli orientati al trasferimento). Le ore di istruzione, i compiti di scrittura, la frequenza del feedback e i testi di formazione erano identici a quelli del gruppo sperimentale, fatta eccezione per l'assenza della catena personalizzata di prompt nidificati e dell'intervento basato sulla libreria di compiti a cinque livelli utilizzata in questo studio. Il gruppo sperimentale ha utilizzato istruzioni basate sul modello DeepSeek per ottimizzare l'insegnamento della scrittura, inclusa la guida mediante catena di prompt nidificati, l'output di adattamento interculturale e il meccanismo di «generazione-riflessione-ri-generazione». Il gruppo di controllo, al contrario, ha impiegato metodi didattici tradizionali o strumenti di intelligenza artificiale non ottimizzati. Confrontando gli effetti didattici dei due gruppi, è stata verificata l'efficacia del metodo di formazione al trasferimento basato sul modello linguistico di grandi dimensioni nel migliorare la capacità degli studenti di trasferire le competenze di scrittura.

Idea generale della ricerca

Questo studio mirava a migliorare la capacità degli studenti di trasferire competenze nella scrittura in inglese e a sviluppare metodi efficaci di progettazione didattica, con particolare attenzione all'adattamento di DeepSeek per l'uso educativo. In primo luogo, è stata proposta una strategia di ottimizzazione delle istruzioni per riprogettare i prompt del modello. Ciò ha migliorato l'allineamento dell'output generato con diversi obiettivi di trasferimento nell'insegnamento della scrittura, inclusi la struttura sintattica, la logica del paragrafo e l'espressione culturale. In secondo luogo, i compiti di scrittura degli insegnanti sono stati trasformati in modelli di prompt strutturati e orientati agli obiettivi. È stata quindi stabilita una relazione di corrispondenza tra i compiti didattici e i comportamenti del modello. Questo ha migliorato la controllabilità del modello e ha garantito che i contenuti generati fossero pertinenti dal punto di vista pedagogico. Infine, lo studio ha sviluppato un processo ciclico di allenamento al trasferimento, «generazione–riflessione–riscrittura–rigenerazione». Questo processo ha incoraggiato gli studenti a individuare strategie di trasferimento e a perfezionare attivamente la propria espressione linguistica con il supporto del modello. Attraverso iterazioni ripetute, le capacità degli studenti nel trasferimento scritto interlinguistico e interculturale sono state progressivamente rafforzate. I passaggi per la trasformazione della struttura delle frasi sono mostrati in Figura 1A–D.

Per chiarire la logica operativa completa del sistema di formazione alla scrittura assistito dall'IA e migliorarne la riproducibilità, il flusso di lavoro complessivo è riassunto nella Tabella 1, che comprende i collegamenti fondamentali quali l'input iniziale, gli interventi del docente, l'applicazione dei prompt, le attività dello studente, gli output finali e i corrispondenti criteri di valutazione.

Strategia di costruzione delle attività orientata al trasferimento

Questo studio si è concentrato sullo sviluppo della capacità di trasferimento nella scrittura in inglese. È stato costruito un percorso di compiti volti al trasferimento che procede da superficiale a profondo, guidando sistematicamente gli studenti nell'apprendimento e nella pratica di strategie di trasferimento linguistico a più livelli. Per descrivere complessivamente la struttura del percorso, è stato definito un insieme di compiti articolato in quattro livelli:

T = {T₁,T₂,T₃,T₄} (1)

T₁ rappresenta il compito di trasferimento a livello frasale, che si concentra su operazioni di base della struttura grammaticale, come l'ampliamento di frasi brevi, il cambio di voce e la sostituzione di periodi, al fine di aiutare gli studenti a padroneggiare diversi metodi di struttura della frase. T₂ è il compito di trasferimento a livello di paragrafo, che guida gli studenti a prestare attenzione all'organizzazione e al collegamento delle informazioni all'interno del paragrafo, e li forma a migliorare la chiarezza strutturale e la coerenza espressiva del paragrafo attraverso l'estrazione della frase principale e l'adeguamento della logica tra le frasi. T₃ rappresenta il compito a livello di discorso, che si estende ulteriormente alla disposizione logica generale e al ritmo argomentativo del capitolo, guidando gli studenti a costruire un testo inglese dotato di un sistema argomentativo completo mediante la riorganizzazione dell'ordine dei paragrafi e l'ottimizzazione delle relazioni strutturali tra di essi. T₄ è il compito di trasferimento a livello culturale, che richiede agli studenti di riconoscere caratteristiche espressive culturali implicite nella scrittura nella lingua materna, come formulazioni implicite e suggerimenti semantici, e di trasformarle in espressioni dirette o forme esplicite e logiche conformi alla cultura della lingua bersaglio. Il suo processo evolutivo è mostrato in Figura 2. Per migliorare l'operatività e la valutazione della progettazione dei compiti, questo studio ha ulteriormente definito ciascun livello di compito in una forma tripla:

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

S_j rappresenta il campione di input del compito, G_i rappresenta l'operazione di trasferimento target e E_i rappresenta i criteri di valutazione di supporto. Attraverso questa espressione strutturata, si è garantito che ogni livello del compito fosse costruito sulla padronanza della strategia del livello precedente ed fosse dotato di campioni corrispondenti, descrizioni degli obiettivi e criteri di prestazione, fornendo un meccanismo per l'avanzamento costante del percorso di trasferimento. Nel processo di costruzione del sistema di addestramento al trasferimento, al fine di ottenere una copertura sistematica dei tipi di compito e una gestione efficiente delle chiamate didattiche, questo studio ha realizzato una banca dati strutturata di compiti, coprendo cinque tipologie di obiettivi di trasferimento, basata sulle dimensioni comuni della conversione linguistica nel trasferimento scritto. La banca dati dei compiti è stata formalmente espressa come:

M = {(D_j,T_Dj)∣_j = 1,2,3,4,5} (3)

D_j  corrisponde a cinque dimensioni di trasferimento: trasferimento sintattico, trasferimento strutturale, trasferimento culturale, trasferimento di registro e trasferimento logico; l'insieme di compiti T_Dj  associato a ciascuna dimensione rappresenta il suo sottoinsieme operativo. Nel processo di sviluppo della libreria di compiti, innanzitutto gli autori hanno riassunto e classificato le difficoltà comuni di trasferimento e i tipi di errori linguistici sulla base di un elevato numero di campioni reali di testi prodotti dagli studenti, combinando tali dati con le effettive esigenze didattiche e gli standard di valutazione, suddividendo i diversi tipi di trasferimento in aree funzionali e definendo gli obiettivi fondamentali di formazione e le modalità operative di ciascun compito. Ogni compito è stato rappresentato in forma astratta mediante la seguente struttura tripla:

T_i,j = (S_i,j,G_i,j,C_i,j) (4)

S_i,j rappresenta il campione di input del compito, G_i,j è la descrizione della destinazione del trasferimento del compito e C_i,j è la dimensione di valutazione e controllo del compito. Nel compito di trasferimento sintattico, questo studio ha progettato una sequenza di riorganizzazione delle frasi che progredisce da semplice a complessa, coprendo la connessione tra frasi, l'annidamento di clausole, la conversione in forma passiva e concetti correlati, con l'obiettivo di migliorare le capacità degli studenti nell'ampliamento delle frasi e nella trasformazione grammaticale. Il compito di trasferimento strutturale si è concentrato sull'ottimizzazione della logica del paragrafo, sul rafforzamento dell'organizzazione delle informazioni e sul potenziamento della capacità di costruzione logica, attraverso la riscrittura della frase principale, l'ordinamento delle frasi di supporto e la ricostruzione delle relazioni di causa-effetto e di esempio. Il compito di trasferimento culturale si basa su un corpus interculturale e mira a deviazioni pragmatiche, come espressioni implicite ed eufemismi. Ha previsto conversioni espressive adatte al contesto reale per promuovere lo sviluppo dell'adattabilità culturale. Il compito di trasferimento di registro guida gli studenti nella trasformazione di espressioni orali in linguaggio accademico e nel padroneggiare strategie di cambio di registro. Il compito di trasferimento logico si concentra sulla costruzione di catene di ragionamento e sulla chiarezza espressiva, svolgendo al contempo un addestramento sull'uso delle congiunzioni, sulla esplicitazione delle relazioni logiche e sulle transizioni tra paragrafi.

Sulla base di campioni effettivi di scrittura degli studenti, questo studio ha sviluppato un processo di generazione di tracce strettamente collegato alle attività didattiche, con l'obiettivo di aumentare la pertinenza delle istruzioni e l'usabilità dei contenuti generati. Il processo è stato guidato dagli insegnanti, che hanno selezionato frammenti rappresentativi dei testi prodotti dagli studenti durante l'attività didattica, concentrandosi su problemi tipici del trasferimento linguistico come frasi ridondanti, strutture caotiche ed espressioni culturali inadeguate. Successivamente, hanno annotato i campioni con i relativi tipi di trasferimento attraverso l'interfaccia del sistema, al fine di chiarire gli obiettivi formativi. Dopo aver ricevuto le informazioni di annotazione, il sistema ha attivato automaticamente il modulo di identificazione del compito di trasferimento, che ha abbinato l'input alle librerie predefinite di compiti e modelli di traccia. Il processo di abbinamento ha preso in considerazione fattori quali il tipo di trasferimento, le caratteristiche linguistiche e la struttura del testo. Sulla base di questi fattori, il sistema ha selezionato il modello più appropriato e generato una traccia iniziale. Il sistema ha inoltre supportato un'elaborazione strutturata di potenziamento: le annotazioni degli insegnanti sono state convertite in un formato standardizzato facilmente interpretabile dal modello. Indicazioni didattiche pertinenti sono state incorporate nella traccia per aiutare il modello a comprendere con precisione sia le intenzioni dell'insegnante sia le domande degli studenti. Per migliorare flessibilità e controllabilità delle istruzioni, il sistema includeva un modulo di assistenza per l'insegnante, che consentiva di perfezionare le tracce modificando le indicazioni didattiche, regolando le impostazioni contestuali e personalizzando tono e stile. Di conseguenza, gli insegnanti hanno ottenuto un maggiore controllo sul processo di generazione, adattandolo meglio a diversi scenari didattici.

Meccanismo di ottimizzazione del comando Deepseek

Sulla base delle esigenze pratiche della formazione al trasferimento della scrittura in inglese, questo studio ha sviluppato cinque tipi di modelli di prompt orientati al trasferimento. Questi modelli sono stati progettati per guidare e regolare il comportamento generativo del modello linguistico di grandi dimensioni. Il modello di trasferimento strutturale si è concentrato sull'organizzazione del paragrafo e sulla struttura del discorso. Ha aiutato gli studenti a riorganizzare i testi adottando strutture come introduzione–sviluppo–conclusione e migliorando il flusso logico delle idee. Il modello di trasferimento sintattico ha messo l'accento sulla complessità a livello di frase. Ha incoraggiato l'uso di strutture grammaticali diverse, tra cui la voce passiva, costruzioni parallele e periodi complessi, per accrescere la sofisticatezza dell'espressione scritta. Il modello di trasferimento culturale ha affrontato l'appropriatezza culturale nella scrittura. Ha guidato gli studenti nell'adattare espressioni influenzate dalla loro lingua e cultura d'origine a forme più naturali e accettabili nei contesti anglofoni. Il modello di trasferimento del registro si è concentrato sull'adattamento dello stile e sul controllo del registro. Ha aiutato gli studenti a modulare l'uso della lingua in base a diversi scopi comunicativi, destinatari e generi testuali. Il modello di trasferimento logico mirava a rafforzare l'organizzazione logica. Ha promosso l'uso efficace di relazioni come causa-effetto, confronto e contrapposizione, e sviluppo parallelo, migliorando così coerenza e rigore argomentativo. Nel complesso, questi cinque modelli coprono le principali dimensioni del trasferimento scritto. Hanno fornito un supporto didattico strutturato sia per la progettazione di compiti di insegnamento sia per la generazione di testi basata su modelli.

Ogni tipo di modello seguiva un formato unificato per garantirne l'universalità e l'adattabilità a diverse situazioni didattiche. Il modello comprendeva quattro elementi fondamentali: il primo era l'obiettivo dell'istruzione, che indicava chiaramente il compito di trasferimento richiesto; il secondo era l'input di esempio, che forniva agli studenti frammenti linguistici reali come base corpus per l'efficacia dell'istruzione; il terzo era l'output desiderato, che mostrava lo stile standard di un output linguistico ideale dopo il trasferimento, in modo che gli studenti potessero confrontarlo e utilizzarlo per l'ottimizzazione del modello; il quarto era il suggerimento d'uso, che spiegava il livello linguistico, il tipo di testo e la strategia d'uso applicabili al modello, fornendo indicazioni su parametri regolabili per migliorare il controllo della generazione e l'efficacia della guida didattica.

Per illustrare ulteriormente la logica di progettazione e l'applicazione pratica dei modelli di prompt, di seguito vengono presentati esempi rappresentativi di cinque prompt orientati al trasferimento. Tutti i modelli rispettavano un quadro unificato, costituito da un obiettivo dell'istruzione, un esempio di input, l'output desiderato e un suggerimento sull'uso. Gli studenti erano guidati ad ampliare frasi semplici, convertire la voce delle frasi e inserire proposizioni subordinate per arricchire la diversità sintattica. Ad esempio, data la bozza dello studente "Studio la scrittura in inglese. È molto importante per la comunicazione interculturale", l'output ottimizzato è "Imparare la scrittura in inglese svolge un ruolo fondamentale nel migliorare la capacità degli studenti di comunicare tra culture diverse". Questo prompt era adatto a un training a livello di frase per studenti del secondo anno di lingua inglese, con un grado di difficoltà moderato, focalizzato sulla ristrutturazione sintattica di base e sulla trasformazione della voce verbale. Un altro tipo di prompt mirava al trasferimento culturale, con l'obiettivo di identificare espressioni in "Chinglish" influenzate dal pensiero culturale nativo e riscrivere le frasi in espressioni pragmatiche inglesi naturali, conformi alle norme culturali occidentali. Prendendo come esempio la frase dello studente "Molte persone pensano che devi lavorare sodo se vuoi avere successo", la versione rivista era "In generale si ritiene che la diligenza sia la chiave del successo". Questo prompt è stato applicato a un training di trasferimento a livello culturale, focalizzato sull'eliminazione di schemi mentali impliciti di origine cinese e sullo sviluppo di un'espressione esplicita nel contesto inglese.

Lo studio ha inoltre sviluppato una catena di prompt annidata in tre fasi che assumeva come input unificato le bozze di paragrafi prodotte dagli studenti, eseguendo operazioni in fasi sequenziali. La prima fase era la rielaborazione semantica, nella quale il prompt richiedeva al partecipante di riordinare le frasi del paragrafo fornito, ottimizzarne la sequenza logica delle idee e formulare un paragrafo completo con frasi tematiche chiare. La seconda fase era la revisione linguistica, che richiedeva di riscrivere il paragrafo rivisto in un inglese accademico formale, sostituire termini colloquiali e utilizzare in modo appropriato frasi complesse e strutture passive. La terza fase era l'adattamento culturale, il cui prompt guidava gli utenti a verificare la presenza di espressioni pragmatico-culturali nel testo, eliminare interferenze culturali della lingua materna e perfezionare il contenuto in modo da conformarlo alle convenzioni della scrittura interculturale in inglese. Gli esempi sopra riportati hanno dimostrato pienamente le modalità operative dei modelli a prompt singolo e delle catene di prompt annidate. Sulla base di ciò, lo studio ha progettato una catena di prompt completa e articolata in fasi, integrata con l'architettura MoE di DeepSeek.

Per superare i limiti dei prompt a singolo ciclo in termini di controllo della generazione e profondità della risposta al compito, questo studio ha progettato una struttura a catena di prompt nidificati con caratteristiche fasi e continue, consentendo una guida gerarchica e una generazione graduale di compiti complessi di trasferimento. Questo meccanismo ha suddiviso un compito completo di trasferimento in diversi sottoscopi e ha progettato modelli di prompt corrispondenti per ciascun sottoscopo, collegati in serie nell'ordine logico di ricostruzione semantica, aggiustamento dello stile linguistico e adattamento pragmatico culturale, formando una catena di generazione con dipendenza contestuale. Questo studio ha implementato l'ottimizzazione della catena di prompt nidificati per DeepSeek attraverso la sua API aperta standard. Il modello DeepSeek ha adottato nativamente un'architettura Mixture of Experts (MoE) dotata di un sistema automatico di instradamento degli esperti nel backend, che funziona come un modulo intrinseco di ragionamento interno indipendente dai prompt esterni. I prompt personalizzati multistadio hanno modificato soltanto le caratteristiche del contenuto degli input del modello. In corrispondenza dei requisiti semantici, stilistici e culturali incorporati negli input ottimizzati, il meccanismo nativo di instradamento MoE del modello ha autonomamente attivato i moduli esperti più adatti durante la generazione del testo. La progettazione del prompt in tre fasi, focalizzata sulla riorganizzazione semantica, sull'aggiustamento stilistico e sull'adattamento culturale, ha semplicemente perfezionato i testi in ingresso senza interferire con la logica interna del modello di selezione e allocazione degli esperti.

Per quanto riguarda il processo operativo, il sistema riceveva i testi degli studenti caricati dagli insegnanti, trasferiva le annotazioni target e determinava automaticamente se abilitare la struttura a catena annidata. Se abilitata, il sistema eseguiva tre fasi in sequenza: la prima fase era la riorganizzazione semantica, che richiamava il modello di trasferimento della struttura per ottimizzare l'organizzazione dei paragrafi e gli indizi logici; la seconda fase era l'adeguamento dello stile linguistico, che utilizzava il modello linguistico per convertire espressioni colloquiali in linguaggio scritto accademico; la terza fase era l'adattamento culturale, che richiamava il modello di trasferimento culturale per identificare e sostituire espressioni non conformi alla cultura della lingua target, generando un testo più autentico.

Ogni ciclo di generazione utilizzava l'output del ciclo precedente come input e conservava la cache del vettore contestuale per garantire la coerenza semantica. Gli insegnanti personalizzavano la struttura della catena di prompt nell'interfaccia del sistema, inclusa la selezione del modello, la modifica delle istruzioni e l'aggiustamento della sequenza. Il sistema supportava inoltre la funzione di «pacchetto combinato di modelli», utile per consentire agli insegnanti di riutilizzare o assegnare compiti in blocco. Inoltre, il sistema era dotato di un meccanismo dinamico integrato di interruzione e feedback che forniva risultati intermedi dopo ogni generazione. Gli insegnanti annotavano o modificavano le istruzioni successive in tempo reale, creando un ciclo chiuso di insegnamento del tipo «generazione-aggiustamento-ri-generazione».

Generazione ed valutazione del modello

Nel processo di generazione e valutazione del testo basato sul modello DeepSeek, questo studio ha costruito un meccanismo di valutazione automatica multidimensionale per analizzare sistematicamente e valutare quantitativamente il testo generato in tre aspetti: complessità sintattica, standardizzazione strutturale e coerenza del discorso. Lo studio ha utilizzato il parser sintattico spaCy e il modulo esteso di risoluzione della coreferenza Coreferee per l'estrazione delle caratteristiche testuali e la valutazione automatizzata. Il parser sintattico spaCy ha analizzato la struttura sintattica del testo inglese, estraendo indicatori chiave come la lunghezza media delle frasi e il numero di proposizioni subordinate, consentendo un'analisi quantitativa della complessità sintattica. Il modulo esteso di risoluzione della coreferenza Coreferee, eseguito all'interno del framework spaCy, ha identificato principalmente le relazioni referenziali interne nel testo e valutato la coerenza referenziale del discorso, fornendo supporto tecnico per la valutazione automatizzata della qualità della scrittura. A causa di limitazioni di rete, i suddetti siti web open source esteri non erano accessibili.

Innanzitutto, il sistema ha valutato la complessità sintattica. Ha estratto caratteristiche come la lunghezza media delle frasi, la profondità dell'annidamento delle proposizioni e la varietà delle frasi. Queste caratteristiche sono state ottenute mediante analisi dipendente e modellazione degli alberi sintattici profondi. Sulla base dei risultati, il sistema ha stabilito se gli studenti fossero passati con successo da schemi fraseologici semplici a strutture più complesse. In secondo luogo, il sistema ha valutato l'organizzazione del paragrafo. Ha combinato rappresentazioni testuali basate su BERT con modelli di classificazione per identificare gli elementi chiave del paragrafo, inclusi frasi tematiche, di supporto e conclusive. È stata quindi costruita una mappa della struttura del paragrafo per determinare se l'organizzazione rispettasse le convenzioni della scrittura accademica inglese. In terzo luogo, il sistema ha valutato la coerenza testuale. Ha esaminato l'uso di connettivi logici, la coerenza semantica tra le frasi e la qualità dei collegamenti referenziali lungo tutto il testo. Questi indicatori sono stati utilizzati per valutare la chiarezza dello sviluppo logico e la progressione fluida delle idee. Per misurare la coerenza tematica, il sistema ha calcolato la similarità semantica utilizzando rappresentazioni basate su vettori. La coerenza referenziale è stata valutata mediante tecniche di risoluzione della coreferenza, che hanno contribuito a ridurre le lacune semantiche e i riferimenti ambigui. Infine, i punteggi ottenuti in tutte le dimensioni sono stati integrati in un unico vettore di valutazione. I risultati sono stati standardizzati per formare un sistema di valutazione completo, consentendo un confronto affidabile tra diversi campioni di scrittura.

Nella fase di valutazione manuale, questo studio ha sviluppato un sistema di valutazione tridimensionale per la formazione al trasferimento della scrittura, che comprende l'evidenza del comportamento di trasferimento, la naturalezza dell'espressione e l'adattabilità culturale, al fine di migliorare la pertinenza della valutazione docente e l'efficacia del feedback didattico. Il sistema ha integrato le sue funzioni ausiliarie per realizzare una combinazione organica tra valutazione quantitativa e commenti qualitativi. Nella dimensione del comportamento di trasferimento, gli insegnanti hanno valutato l'utilizzo da parte degli studenti di strategie di trasferimento durante la riscrittura di testi, sulla base di obiettivi predefiniti. Il sistema ha fornito una visualizzazione affiancata del testo originale e della versione generata, per assistere gli insegnanti nell'identificare se operazioni come l'aggiustamento delle frasi e la ricostruzione della struttura riflettessero efficacemente il tipo di trasferimento richiesto.

La valutazione dell'espressione naturale si è concentrata sulla fluidità e sull'autenticità dell'output linguistico. Gli insegnanti hanno utilizzato gli indicatori linguistici generati dal sistema per valutare se le frasi rispettavano le abitudini espressive dei parlanti nativi di inglese e per giudicare se la struttura grammaticale, la collocazione delle parole e il ritmo della frase fossero naturali e appropriati. Hanno inoltre segnalato i problemi e suggerito espressioni alternative mediante annotazioni. La dimensione dell'adattabilità culturale si è concentrata sull'appropriatezza della pragmatica interculturale. Gli insegnanti dovevano individuare se il testo conteneva espressioni inadeguate derivanti da interferenze della cultura della lingua di partenza, come ambiguità semantica, conflitti retorici o giudizi di valore vaghi. Il sistema forniva esempi comuni di parole con deviazioni culturali e supportava gli insegnanti nell'illustrare, nei commenti, le motivazioni delle modifiche e i requisiti di contesto culturale, guidando gli studenti a migliorare la consapevolezza del trasferimento culturale e la precisione espressiva. Ogni dimensione è stata valutata su una scala da 1 a 5 e includeva annotazioni libere e moduli di suggerimenti da completare. I risultati finali della valutazione sono stati presentati sotto forma di un grafico a ragnatela.

Per migliorare l'efficienza della valutazione e supportare un utilizzo pratico in classe, questo studio ha sviluppato un meccanismo di valutazione collaborativa che combina la valutazione automatizzata basata sull'intelligenza artificiale con quella del docente. Il sistema ha innanzitutto effettuato una valutazione multidimensionale del testo generato da DeepSeek. Ha analizzato aspetti chiave come la complessità sintattica, l'organizzazione del paragrafo e la coerenza testuale attraverso il modulo di valutazione automatica. I risultati della valutazione venivano quindi visualizzati in tempo reale sull'interfaccia del docente. I docenti esaminavano i punteggi dettagliati per ciascuna dimensione e li modificavano, se necessario, sulla base del proprio giudizio professionale e della comprensione delle prestazioni di trasferimento degli studenti. Aggiungevano inoltre commenti mirati direttamente sul testo per fornire feedback e suggerimenti didattici che potrebbero non essere rilevati dalla valutazione automatica. Ogni dimensione di valutazione adottava una scala di valutazione a cinque punti. L'interfaccia includeva inoltre moduli di annotazione libera e di raccomandazioni per facilitare un feedback personalizzato. I risultati della valutazione venivano visualizzati tramite un grafico a ragnatela, consentendo ai docenti di identificare rapidamente i punti di forza e di debolezza degli studenti nelle diverse dimensioni del trasferimento.

Inoltre, il sistema permetteva agli insegnanti di regolare il peso di dimensioni specifiche o dei punteggi complessivi in modo da allinearli con gli obiettivi didattici. Questa funzionalità garantiva che la valutazione finale riflettesse in modo più accurato le effettive prestazioni e le esigenze di apprendimento degli studenti. Al termine della revisione manuale, il sistema integrava automaticamente i dati di valutazione generati dal computer e quelli generati dall'insegnante, producendo quindi un rapporto visivo di feedback. Il rapporto includeva un grafico radar sulle capacità di trasferimento e un grafico per il tracciamento delle versioni. Queste rappresentazioni grafiche illustravano chiaramente i cambiamenti nelle capacità di trasferimento degli studenti attraverso più cicli di generazione e revisione del testo, consentendo un monitoraggio continuo del progresso di apprendimento.

Processo di addestramento del trasferimento

Questo studio ha progettato un processo completo di formazione al trasferimento. In primo luogo, l'insegnante ha assegnato compiti specifici di scrittura in inglese in base agli obiettivi didattici e al livello effettivo degli studenti, chiarendo il tipo e il focus del trasferimento da allenare. Successivamente, il sistema ha generato automaticamente istruzioni guida corrispondenti in base ai compiti impostati dall'insegnante e ha richiamato il modello DeepSeek per produrre una bozza iniziale della scrittura, da utilizzare come materiale di base per la riscrittura e l'allenamento al trasferimento da parte degli studenti. Dopo aver ricevuto la bozza iniziale, gli studenti dovevano identificare attivamente le caratteristiche di trasferimento presenti nel testo e riscrivere il contenuto in modo mirato, applicando le strategie di trasferimento apprese per migliorare l'adeguatezza della struttura sintattica, dell'organizzazione dei paragrafi e dell'espressione culturale. Al termine della riscrittura, l'insegnante ha effettuato una revisione dettagliata del testo consegnato dagli studenti, evidenziando l'efficacia delle strategie di trasferimento utilizzate e fornendo suggerimenti specifici per il miglioramento e indicazioni di scrittura. Sulla base del feedback dell'insegnante, il modello DeepSeek è stato richiamato nuovamente per generare una versione ottimizzata, sostenendo ulteriormente gli studenti nel perfezionamento dei propri testi e nel consolidamento della pratica delle strategie di trasferimento. Infine, lo studente ha completato la consegna della versione finale, compilato la tabella della cognizione del trasferimento, effettuato un'autovagliatura e riassunto i metodi di trasferimento e i loro effetti, promuovendo così il miglioramento della capacità metacognitiva e l'interiorizzazione delle competenze di trasferimento nella scrittura. La tabella della cognizione del trasferimento progettata per questo studio è mostrata in Tabella 2.

A tutti gli elementi è stata applicata una scala di valutazione da 1 a 5, che va da 1 (nessun livello di padronanza) a 5 (padronanza completa). I dati derivanti dall'autovalutazione sono stati raccolti dopo tre cicli di formazione sequenziale; i parametri di valutazione fanno riferimento agli standard predefiniti per le operazioni di trasferimento contenuti nella libreria di compiti a cinque dimensioni.

Risultati

Insegnare la progettazione degli esperimenti

Questo studio ha utilizzato la versione open-source di base di DeepSeek, basandosi sull'interfaccia API aperta della piattaforma per le chiamate al programma. L'intero insieme dei cinque modelli di testo per i prompt, delle quattro categorie di esempi di compiti, dei tag di annotazione per il trasferimento e delle regole di mappatura per l'abbinamento con modelli di errore di scrittura è stato raccolto nell'appendice supplementare. Il sistema aveva parametri di chiamata fissi: un coefficiente di temperatura di 0,7 e una lunghezza generata limitata dinamicamente in base al tipo di domanda di scrittura. Ha seguito rigorosamente una sequenza fissa di ricostruzione semantica > aggiustamento stilistico > adattamento culturale, eseguendo chiamate a catena di prompt nidificate. L'output del modello è stato selezionato manualmente dall'insegnante per individuare il testo più efficace da utilizzare nell'insegnamento in aula.

Questo studio ha coinvolto tre docenti universitari a tempo pieno di scrittura in lingua inglese con oltre 5 anni di esperienza, invitandoli a partecipare alla valutazione manuale. Tutti i valutatori hanno ricevuto una formazione standardizzata prima della valutazione ufficiale, familiarizzando con le dimensioni della valutazione, il sistema di punteggio su scala da 1 a 5, il trasferimento culturale, la sintassi, il discorso e altri dettagli di valutazione, e hanno completato una fase preliminare di calibrazione. Tutti i saggi degli studenti sono stati valutati indipendentemente da due insegnanti in modalità di doppia valutazione cieca. Se la differenza tra i punteggi assegnati dai due valutatori superava 1 punto (su 5), un terzo docente esperto interviene come arbitro nella valutazione, e la media dei due punteggi validi viene considerata il punteggio manuale finale per quel campione. Due gruppi di valutatori hanno partecipato alla fase di valutazione per finalità di ricerca diverse. Tre docenti universitari a tempo pieno di scrittura in inglese con oltre 5 anni di esperienza hanno effettuato la doppia valutazione cieca di tutti i campioni scritti dagli studenti nell’esperimento formale, e un terzo docente esperto ha svolto il ruolo di arbitro in caso di discrepanze superiori a 1 punto sulla scala da 5. Al contrario, cinque valutatori hanno partecipato al test di affidabilità inter-valutatore mediante il Coefficiente di Correlazione Intraclasse (ICC), condotto separatamente per verificare la coerenza degli standard di valutazione tra i valutatori. La differenza nel numero di valutatori deriva da esigenze funzionali distinte: i tre docenti principali hanno garantito la valutazione pratica dei dati sperimentali, mentre il gruppo allargato di cinque valutatori ha fornito evidenze più solide sull'affidabilità dell'intero sistema di valutazione.

La complessità sintattica, il punteggio della struttura del testo tramite BERT e la similarità semantica vengono tutti valutati su una scala da 0 a 5 punti. I pesi per ciascuna dimensione sono stati stabiliti in base agli standard didattici e di ricerca nell'insegnamento della scrittura in lingua straniera: sintassi 0,35, struttura del testo 0,35 e logica e cultura 0,3. I valori dei pesi si basano su sistemi di valutazione quantitativa consolidati per la scrittura nello stesso settore. Il modulo di valutazione automatica dell'IA è stato calibrato utilizzando soglie definite a partire da 15 saggi modello pre-classificati. La valutazione umana ha seguito una scala di valutazione unificata a cinque punti. La valutazione automatica e la calibrazione umana sono state combinate per una verifica preliminare prima della valutazione formale.

Il compito didattico è stato svolto sulla base degli obiettivi di trasferimento a tre livelli "sintassi-struttura-cultura", con tre cicli di formazione, ciascuno della durata di una settimana. Il primo ciclo ha previsto una riscrittura a livello di frase per migliorare la diversità sintattica e l'accuratezza espressiva; il secondo ciclo ha comportato una ricostruzione strutturale a livello di paragrafo per potenziare l'organizzazione del paragrafo e la coerenza logica; il terzo ciclo ha riguardato il trasferimento a livello culturale per rafforzare la consapevolezza pragmatica interculturale e l'adattabilità espressiva. Considerando le misurazioni ripetute raccolte dagli stessi partecipanti in fase di pre-test, nei tre cicli sequenziali di formazione e in fase di post-test, è stata adottata l'analisi della varianza per misure ripetute (RM-ANOVA) come approccio statistico principale per esaminare gli effetti principali del gruppo (sperimentale vs. controllo), gli effetti principali del momento della rilevazione, nonché l'effetto d'interazione gruppo × tempo, che ha indicato se le variazioni dei punteggi durante la formazione differivano tra le due coorti. L'assunzione di sfericità è stata verificata tramite il test di Mauchly; la correzione di Greenhouse–Geisser è stata applicata qualora la sfericità fosse violata. I test t per campioni indipendenti sono stati utilizzati esclusivamente per confronti post-hoc a coppie tra gruppi in singoli momenti temporali, mentre la correlazione di Pearson e la d di Cohen sono state mantenute rispettivamente per la valutazione della coerenza dei punteggi e della quantificazione dell'ampiezza dell'effetto.

Tutte le analisi statistiche sono state specificate a priori prima della raccolta dei dati. Sono stati utilizzati test t per campioni indipendenti per confrontare gli indicatori di scrittura pre-post tra due gruppi, con l'ipotesi nulla principale che prevedeva l'assenza di differenze intergruppo nella performance di trasferimento della scrittura. È stata impiegata un'analisi di correlazione di Pearson per quantificare l'associazione lineare tra la valutazione automatica dell'IA e i punteggi manuali degli insegnanti, e la d di Cohen è stata calcolata come misura standardizzata dell'effetto per i confronti tra gruppi. La soglia di significatività è stata fissata a α = 0,05 per tutti i test d'ipotesi, e sono stati calcolati intervalli di confidenza al 95% insieme a tutte le statistiche dei test. SPSS 26.0 è stato utilizzato per eseguire tutti i calcoli statistici. Non si sono verificati dati mancanti nei punteggi dei test degli studenti e nei set di dati dei questionari, poiché tutti i partecipanti hanno completato l'intero training in tre fasi e le relative valutazioni; pertanto, non è stata necessaria alcuna imputazione o eliminazione di casi per valori mancanti.

Costruzione del sistema di indicatori di valutazione

Per valutare in modo completo le prestazioni degli studenti nel training sul trasferimento della scrittura in inglese, questo studio ha costruito un sistema di valutazione multidimensionale che copre gli obiettivi di trasferimento su tre livelli: "sintassi-struttura-cultura", integra l'abilità linguistica, la risposta del modello, il feedback didattico e l'autocognizione, e stabilisce sei indicatori principali. In primo luogo, l'"indice di trasferimento della scrittura" è un indicatore di valutazione complessivo che include diversità sintattica, chiarezza strutturale e adattabilità culturale, combinando il punteggio automatico del sistema e la valutazione manuale dell'insegnante per un'analisi quantitativa. Il "punteggio di complessità sintattica" utilizza la tecnologia di elaborazione del linguaggio naturale per estrarre caratteristiche come la lunghezza media delle frasi, il numero di livelli di annidamento delle proposizioni e la frequenza d'uso delle locuzioni verbali, al fine di valutare la ricchezza e la complessità delle frasi degli studenti. L'analisi del "grado di aderenza allo stile accademico" esamina la proporzione di voce passiva e la proporzione di vocabolario formale, basandosi su un modello di NLP (Natural Language Processing), per determinare se il testo rispetta le norme stilistiche della scrittura accademica in inglese. Inoltre, lo studio ha introdotto una dimensione di valutazione soggettiva, raccogliendo tramite questionari per insegnanti il feedback sull'accettazione e l'utilità dei suggerimenti generati dal modello, al fine di valutare l'impatto reale dell'insegnamento assistito dall'intelligenza artificiale. Le "variazioni nei punteggi di correzione degli insegnanti" riflettono l'impatto dell'insegnamento assistito dall'IA sul miglioramento della qualità della scrittura, confrontando i voti assegnati dagli insegnanti ai saggi degli studenti prima e dopo l'esperimento. Infine, l'"autovalutazione dello studente sull'abilità di trasferimento" utilizza la tabella di autocognizione del trasferimento per guidare gli studenti nell'autovalutare il proprio livello di padronanza di struttura, sintassi, cultura e altre dimensioni, potenziando così la loro consapevolezza metacognitiva e le capacità di riflessione. Le descrizioni specifiche e le fonti dei dati per ciascun indicatore sono riportate nella Tabella 3.

Gli indicatori sintattici e stilistici sono stati calcolati automaticamente tramite analisi dipendente e classificazione basata su BERT, con punteggi normalizzati compresi tra 0 e 5; la valutazione manuale utilizza una scala a 5 punti. Le formule di calcolo per la complessità sintattica hanno impiegato il rapporto tra il numero totale di parole e il numero di proposizioni come denominatore principale. Fonte dei dati grezzi: composizioni scritte del pretest e del posttest di tutti e 60 gli studenti iscritti.

Risultati sperimentali e analisi

Per presentare in modo intuitivo le differenze complessive nelle prestazioni degli studenti nelle tre dimensioni del trasferimento sintattico, del trasferimento strutturale e del trasferimento culturale, Figura 3 confronta l'indice medio di trasferimento scritto degli studenti del gruppo sperimentale e del gruppo di controllo prima e dopo l'esperimento: Figura 3 mostra la differenza nei punteggi medi tra il gruppo sperimentale e il gruppo di controllo nelle tre dimensioni del trasferimento sintattico, del trasferimento strutturale e del trasferimento culturale. Il gruppo sperimentale ha mostrato un miglioramento significativo nell'abilità di trasferimento in ciascuna dimensione dopo l'esperimento, e il cerchio esterno del grafico a ragnatela è notevolmente più grande del cerchio interno, indicando che il metodo di ottimizzazione dell'insegnamento basato sul modello DeepSeek ha un effetto positivo nel promuovere lo sviluppo dell'abilità di trasferimento scritto in inglese degli studenti. Al contrario, gli indicatori di abilità di trasferimento del gruppo di controllo sono rimasti relativamente invariati prima e dopo l'esperimento. Il miglioramento complessivo è stato limitato, indicando che i metodi di insegnamento tradizionali o gli strumenti assistiti dall'intelligenza artificiale che non avevano ottimizzato le istruzioni del sistema hanno un ruolo limitato nella formazione al trasferimento. È risultato difficile stimolare efficacemente il potenziale di apprendimento degli studenti nel trasferimento linguistico multidimensionale.

Gli indici medi di trasferimento scritto del gruppo sperimentale, nelle dimensioni del trasferimento sintattico, del trasferimento strutturale e del trasferimento culturale prima dell'esperimento, erano rispettivamente 3,0, 2,9 e 2,8, aumentati a 4,3, 4,1 e 4,5 dopo l'esperimento, con incrementi di 1,3, 1,2 e 1,7 rispettivamente, indicando che il metodo didattico ha avuto un buon effetto d'intervento a diversi livelli di trasferimento. I punteggi del gruppo di controllo prima dell'esperimento erano 3,0, 3,0 e 2,9. Dopo l'esperimento, i valori sono aumentati rispettivamente a 3,4, 3,3 e 3,2, significativamente inferiori a quelli del gruppo sperimentale. È particolarmente degno di nota che, nella dimensione del trasferimento culturale, il gruppo sperimentale ha mostrato il miglioramento più significativo, passando da 2,8 a 4,5, con un aumento di 1,7 punti, molto superiore all'aumento di 0,3 punti del gruppo di controllo. Questo risultato suggerisce che il metodo didattico proposto svolge un ruolo importante nell'aiutare gli studenti a identificare e adattarsi alle norme espressive della cultura inglese. Tale effetto non si è riflesso soltanto negli aggiustamenti della forma linguistica, ma anche nel potenziamento della consapevolezza pragmatica interculturale degli studenti e nella profondità della loro comprensione delle abitudini espressive culturali della lingua target. Il trasferimento linguistico si è manifestato principalmente nella complessità sintattica, nell'adattamento dello stile linguistico e in altri aspetti. Lo studio ha utilizzato la tecnologia NLP automatizzata per analizzare approfonditamente i testi scritti degli studenti, estrarre caratteristiche linguistiche chiave e, combinando tali dati con i punteggi attribuiti dagli insegnanti, ha valutato sistematicamente i cambiamenti nell'abilità di trasferimento linguistico degli studenti nel corso di tre serie di compiti.

Complessità sintattica e stile linguistico

Per quanto riguarda la complessità sintattica, lo studio ha registrato la lunghezza media delle frasi e il numero di livelli di annidamento delle proposizioni nel testo prodotto dagli studenti al termine del compito di scrittura assegnato in ogni serie di attività. Questi due indicatori sono stati ampiamente utilizzati per misurare la complessità dell'espressione linguistica. Essi riflettevano efficacemente il livello di sviluppo degli studenti in termini di varietà delle frasi e capacità di organizzazione strutturale, come mostrato in Figura 4.

Nell'evoluzione longitudinale della complessità sintattica, il gruppo sperimentale ha mostrato una chiara tendenza ascendente nelle tre serie di compiti, riflettendo l'efficace promozione dell'abilità degli studenti nell'esprimere strutture linguistiche grazie al training trasferibile. Per quanto riguarda la lunghezza media delle frasi, il gruppo sperimentale è passato da 12,5 parole nel Compito 1 a 16,1 parole nel Compito 3, con un aumento di 3,6 parole, significativamente superiore all'aumento di soli 0,9 parole osservato nel gruppo di controllo nello stesso periodo (da 12,4 a 13,3). Analogamente, dal punto di vista della complessità strutturale, misurata dal numero di livelli di annidamento delle proposizioni, il gruppo sperimentale è aumentato da 1,8 a 2,7 livelli, mentre il gruppo di controllo è passato da 1,7 a 1,9 livelli, con un incremento relativamente lento. Per verificare ulteriormente se la differenza nella complessità sintattica tra i due gruppi di studenti sia statisticamente significativa, lo studio ha utilizzato test t per campioni indipendenti per analizzare la lunghezza media delle frasi e il numero di livelli di annidamento proposizionale nelle tre fasi del compito. I risultati hanno mostrato una differenza significativa tra il gruppo sperimentale e il gruppo di controllo per quanto riguarda la lunghezza media delle frasi, t(58) = 4,23, p < 0,001, Cohen’s d = 0,98; vi era inoltre una differenza significativa nel numero di livelli di annidamento proposizionale, t(58) = 3,15, p = 0,002, Cohen’s d = 0,78. Questo confronto ha dimostrato che il training trasferibile sistematico non solo ha migliorato la capacità degli studenti di costruire frasi complesse, ma ha anche rafforzato il loro dominio delle strategie di organizzazione grammaticale. In particolare, nella terza fase del compito, gli studenti del gruppo sperimentale hanno dimostrato una maggiore flessibilità nell'uso di proposizioni a più livelli e di strutture frasali complesse. Ciò ha riflettuto un cambiamento significativo nel loro trasferimento linguistico, passato da un livello “funzionale” a uno più “strategico”. Il percorso formativo orientato al trasferimento ha continuamente potenziato le abilità di trasferimento sintattico degli studenti, superando efficacemente i limiti della scrittura frase per frase e degli schemi espressivi fissi spesso presenti nell'insegnamento tradizionale. Per quanto riguarda l'adattamento dello stile linguistico, lo studio ha estratto i testi scritti dagli studenti prima e dopo l'esperimento. È stato utilizzato un modello di elaborazione del linguaggio naturale (NLP) per determinare la proporzione di vocabolario formale e la frequenza d'uso della voce passiva come indicatori principali per valutare l'allineamento allo stile linguistico accademico. Tali indicatori riflettono se gli studenti abbiano sviluppato la consapevolezza linguistica e l'abilità espressiva necessarie per adattarsi allo stile richiesto nella scrittura in inglese. I risultati pertinenti sono mostrati in Figura 5.

Figura 5 mostra i cambiamenti nell'allineamento allo stile accademico del gruppo sperimentale e del gruppo di controllo prima e dopo il compito, concentrandosi principalmente su due indicatori chiave: la proporzione di vocabolario formale e la frequenza d'uso della voce passiva. Nel complesso, dopo aver completato l'addestramento al trasferimento basato sul modello DeepSeek, la capacità di adattamento allo stile accademico del gruppo sperimentale è migliorata in modo significativo, dimostrando l'efficacia di questo metodo didattico nel coltivare la consapevolezza degli studenti riguardo alle norme linguistiche e alla loro abilità di adattarsi agli stili accademici. Per quanto riguarda la proporzione di vocabolario formale, il gruppo sperimentale è aumentato da 0,42 prima del compito a 0,56 dopo il compito, un incremento relativamente significativo. Al contrario, il gruppo di controllo è aumentato solo leggermente, da 0,43 a 0,48, suggerendo un miglioramento limitato. Questo risultato ha mostrato che, dopo aver ricevuto indicazioni sistematiche tramite prompt e feedback del modello, gli studenti del gruppo sperimentale hanno mostrato una maggiore tendenza a utilizzare un vocabolario formale conforme ai requisiti dello stile accademico durante il processo di scrittura, e il loro stile linguistico si è progressivamente avvicinato agli standard della scrittura accademica inglese. Per quanto riguarda la frequenza d'uso della voce passiva, il gruppo sperimentale è aumentato in modo significativo da 0,18 prima del compito a 0,27 dopo il compito, con un incremento di 0,09; al contrario, il gruppo di controllo è aumentato soltanto di 0,02.

Per verificare ulteriormente se i cambiamenti sopra descritti fossero statisticamente significativi, lo studio ha effettuato un test t per campioni indipendenti sui dati raccolti prima e dopo il compito. I risultati hanno mostrato un miglioramento significativo nel gruppo sperimentale per quanto riguarda la proporzione di vocabolario formale, t(58) = 3,89, p < 0,001, d di Cohen = 0,92; anche l'aumento della frequenza d'uso della voce passiva è risultato significativo, t(58) = 4,56, p < 0,001, d di Cohen = 1,05. Questo indica che gli studenti del gruppo sperimentale hanno compiuto progressi sostanziali nell'adattamento dello stile linguistico, progressi che non sono dovuti al caso, bensì all'effetto combinato della guida sistematica tramite prompt e del feedback del modello.

Verifica statistica

Inoltre, per verificare ulteriormente l'affidabilità dei contenuti generati dall'intelligenza artificiale nella pratica didattica, lo studio ha confrontato anche i punteggi medi dei contenuti generati dall'IA e di quelli generati dagli insegnanti in diversi tipi di prompt. La coerenza tra i due è stata valutata calcolando il coefficiente di correlazione di Pearson. I risultati del confronto pertinenti sono mostrati nella Tabella 4. La Tabella 4 illustra la coerenza tra i punteggi attribuiti dall'IA e quelli degli insegnanti in cinque tipi di prompt orientati al trasferimento. Dal punto di vista del punteggio medio, il punteggio attribuito dall'IA era leggermente inferiore a quello degli insegnanti nel complesso. Tuttavia, la differenza rientrava in un intervallo ragionevole nella maggior parte dei tipi di compito, indicando che il modello DeepSeek presenta un'elevata stabilità e valore di riferimento nella valutazione di compiti di trasferimento scritto. Nel caso del prompt di trasferimento sintattico, il punteggio medio attribuito dagli insegnanti era 4,1, mentre quello dell'IA era 4,0, con una differenza di soli 0,1 punti. Nei prompt di trasferimento strutturale e logico, il punteggio dell'IA era inferiore di soli 0,1 punti rispetto a quello degli insegnanti, indicando che il modello riesce a simulare in modo soddisfacente i criteri di valutazione degli insegnanti in compiti che coinvolgono un elevato grado di struttura linguistica e regole chiare. Al contrario, le discrepanze nei punteggi nei prompt di trasferimento culturale e di registro risultano relativamente più evidenti, con punteggi dell'IA rispettivamente di 3,6 e 3,7, inferiori di 0,2 punti rispetto ai punteggi degli insegnanti, evidenziando come l'IA presenti ancora alcune limitazioni nel gestire compiti ad alto grado di soggettività, come le implicazioni semantiche e la pragmatica culturale. L'affidabilità inter-valutatore è stata valutata tramite ICC (n = 5 valutatori). L'ICC complessivo per la valutazione manuale è stato 0,86, mentre gli ICC per ciascuna dimensione sono compresi tra 0,82 e 0,89, indicando un accordo inter-valutatore soddisfacente.

Un'ulteriore analisi del coefficiente di correlazione di Pearson ha rivelato che la coerenza dei punteggi in risposta a diversi prompt era molto elevata, indicando che il punteggio attribuito dall'intelligenza artificiale non era solo vicino al giudizio dell'insegnante in termini di valore, ma mostrava anche una buona relazione lineare nella tendenza di valutazione. Tra questi, il coefficiente di coerenza per il prompt di trasferimento sintattico era il più alto, pari a 0,87, mentre quelli relativi ai prompt di trasferimento strutturale e logico erano rispettivamente 0,83 e 0,85, indicando che i risultati della valutazione dell'IA in termini di complessità sintattica, organizzazione del paragrafo e coerenza logica sono altamente coerenti con il giudizio dell'insegnante. Ciò potrebbe essere dovuto al fatto che questi compiti presentano obiettivi chiari e caratteristiche linguistiche quantificabili, che hanno facilitato il riconoscimento da parte del modello e una valutazione stabile. Il coefficiente di correlazione per il prompt di trasferimento disciplinare è 0,81. Sebbene leggermente inferiore, esso dimostra comunque una forte capacità valutativa, indicando che l'intelligenza artificiale possiede un certo grado di capacità di giudizio a livello di adattamento stilistico. Tuttavia, il coefficiente di coerenza per il prompt di trasferimento culturale è stato solo 0,79, valore più basso rispetto agli altri tipi, ma comunque entro un intervallo accettabile.

Per esaminare l'applicabilità di diversi tipi di prompt nella pratica didattica e il grado di accettazione da parte degli insegnanti, è stato progettato un questionario sulla soddisfazione riguardo alle risposte ai prompt. Cinque insegnanti di inglese (numerati da T1 a T5) sono stati invitati a valutare, mediante una scala a cinque livelli (da molto insoddisfatto a molto soddisfatto), i suggerimenti generati da cinque tipi di prompt, come mostrato in Figura 6: i punteggi assegnati dai cinque insegnanti ai cinque tipi di prompt variano leggermente, ma nel complesso il riconoscimento è stato elevato. Tra questi, i prompt relativi al "trasferimento sintattico" e al "trasferimento culturale" hanno ottenuto i punteggi più alti, con una media di 4,0, riflettendo un'elevata praticità e adattabilità nell'insegnamento. Al contrario, il prompt relativo al "trasferimento di registro" ha ottenuto punteggi relativamente bassi, con una media di soli 2,4, e alcuni insegnanti, come T4 e T5, hanno assegnato i punteggi più bassi, indicando che la sua efficacia e adattabilità nelle applicazioni didattiche necessitano ancora di miglioramenti.

A livello individuale, si sono osservate evidenti differenze nelle tendenze di valutazione dei docenti. Il punteggio complessivo di T1 era positivo, a indicare un elevato grado di accettazione della scrittura assistita dall'intelligenza artificiale, mentre i punteggi di T5 erano bassi in molteplici dimensioni del Prompt, in particolare in "transfer del registro" e "transfer logico". Tale differenza potrebbe essere legata all'esperienza didattica, alla preferenza linguistica o alla familiarità dei docenti con gli strumenti di intelligenza artificiale, suggerendo che nella progettazione futura dei Prompt sarà necessario prevedere meccanismi di adattamento personalizzati per aumentare l'accettazione da parte di diversi gruppi di docenti. Per verificare ulteriormente l'effetto reale dell'insegnamento assistito dall'IA nel migliorare la qualità della scrittura degli studenti, lo studio ha confrontato le variazioni dei punteggi complessivi del gruppo sperimentale e del gruppo di controllo, valutate dai docenti, prima e dopo l'esperimento. I risultati del confronto sono mostrati in Figura 7.

Come mostrato in Figura 7, i punteggi complessivi del gruppo sperimentale e del gruppo di controllo, valutati dagli insegnanti prima e dopo l'esperimento, hanno mostrato differenze significative. Nel complesso, dopo l'intervento didattico basato sull'ottimizzazione dell'insegnamento mediante il modello DeepSeek, il punteggio complessivo del gruppo sperimentale ha mostrato una marcata tendenza all'aumento. Al contrario, la variazione del punteggio nel gruppo di controllo è stata relativamente lieve. Il punteggio medio attribuito dagli insegnanti al gruppo sperimentale prima dell'esperimento era di 59,1 punti, e dopo l'esperimento è aumentato significativamente a 74,4 punti, con un incremento di 15,3 punti. Ciò ha indicato che l'insegnamento assistito dall'intelligenza artificiale ha avuto un impatto positivo sulla qualità della scrittura degli studenti. Dall'istogramma a scatola si è osservato che anche l'intervallo di distribuzione dei punteggi del gruppo sperimentale si è ampliato. In particolare, la scatola dei punteggi dopo l'esperimento è significativamente più alta rispetto a prima, e i valori massimo superiore e minimo inferiore sono aumentati, indicando un miglioramento significativo del livello complessivo degli studenti. Al contrario, le variazioni di punteggio nel gruppo di controllo sono state relativamente limitate. Prima dell'esperimento, il punteggio medio del gruppo di controllo era di 60,1 punti, e dopo l'esperimento è stato di 64,9 punti, con un aumento di 4,8 punti. Questo incremento è stato molto inferiore rispetto a quello del gruppo sperimentale, e la scatola dei punteggi del gruppo di controllo non ha subito grandi cambiamenti prima e dopo l'esperimento, indicando che i metodi didattici tradizionali o gli strumenti assistiti dall'IA non ottimizzati hanno un effetto limitato nel migliorare la qualità della scrittura.

Inoltre, questo studio ha utilizzato la tabella della cognizione del trasferimento per guidare gli studenti attraverso tre cicli di autovalutazione sullo sviluppo delle proprie capacità in termini di aggiustamento strutturale, trasformazione delle frasi ed espressione culturale, tra gli altri aspetti, al fine di riflettere l'andamento evolutivo della consapevolezza metacognitiva degli studenti e del loro dominio delle strategie di trasferimento. I risultati sono mostrati in Figura 8. Secondo i dati del grafico a ragnatela relativi all'autovalutazione degli studenti sulle capacità di trasferimento riportati nella Figura 8, l'autovalutazione degli studenti nelle cinque dimensioni — trasferimento strutturale, trasferimento sintattico, trasferimento culturale, trasferimento di registro e trasferimento logico — nei tre cicli di attività ha mostrato un andamento costantemente crescente, indicando che, grazie all'intervento didattico basato sull'ottimizzazione dell'insegnamento mediante il modello DeepSeek, la capacità degli studenti di utilizzare strategie di trasferimento è migliorata in modo significativo. Nel primo ciclo di attività, i punteggi di autovalutazione degli studenti erano generalmente bassi. Tra le cinque dimensioni, il "trasferimento strutturale" e il "trasferimento logico" hanno ottenuto rispettivamente 3,2 e 3,0, mentre il "trasferimento culturale" e il "trasferimento di registro" hanno ottenuto 2,5 e 2,7, indicando che gli studenti erano ancora poco esperti nell'identificare e utilizzare le strategie di trasferimento. Nel secondo ciclo di attività, i punteggi di ciascuna voce sono migliorati: il "trasferimento strutturale" è salito a 3,8, il "trasferimento sintattico" a 3,5 e il "trasferimento logico" a 3,7. Ciò ha dimostrato che, grazie alla guida degli insegnanti e al supporto dei feedback del modello, gli studenti hanno gradualmente acquisito i punti chiave delle operazioni di base del trasferimento e hanno iniziato ad applicarle nella scrittura reale. Nel terzo ciclo di attività, i punteggi di autovalutazione degli studenti sono aumentati in modo significativo: il "trasferimento strutturale" e il "trasferimento logico" hanno raggiunto rispettivamente 4,5 e 4,3, mentre le altre dimensioni si sono stabilizzate al di sopra dei 4,0 punti, evidenziando l'effetto sostenuto di più cicli di allenamento al trasferimento nel migliorare il controllo delle forme linguistiche e la capacità di costruzione del testo da parte degli studenti. A questo stadio, gli studenti avevano sviluppato un ciclo cognitivo di base chiuso tra comprensione, esecuzione e riflessione sulle strategie di trasferimento. Oltre al feedback degli insegnanti, lo studio ha distribuito un questionario di soddisfazione sulla funzione di scrittura assistita dall'intelligenza artificiale a tutti gli studenti del gruppo sperimentale, raccogliendo complessivamente 30 questionari validi. Il questionario ha valutato le prestazioni dell'IA in tre moduli funzionali: suggerimenti di riscrittura, ottimizzazione strutturale e suggerimenti culturali, chiedendo agli studenti di selezionare le opzioni in base a cinque livelli di valutazione. I risultati sono mostrati nella Tabella 5.

Secondo i risultati del sondaggio sulla soddisfazione degli studenti riguardo alle funzioni di scrittura assistita dall'intelligenza artificiale mostrati nella Tabella 5, gli studenti del gruppo sperimentale hanno espresso in generale commenti positivi sulle prestazioni dell'IA nei tre moduli funzionali di suggerimenti di riscrittura, ottimizzazione strutturale e suggerimenti culturali, evidenziando le buone prospettive applicative dei sistemi di scrittura assistita dall'IA nel migliorare l'efficienza dell'addestramento alla scrittura e la qualità del supporto didattico. Nel complesso, oltre il 90% degli studenti ha espresso un livello di soddisfazione "molto soddisfatto" o "soddisfatto" nei due elementi funzionali "suggerimenti di riscrittura" e "ottimizzazione strutturale", con i "suggerimenti di riscrittura" che hanno ottenuto il punteggio più alto, raggiungendo il 91%, indicando un elevato grado di riconoscimento da parte degli studenti riguardo alla capacità dell'IA nella ricostruzione sintattica e nella revisione linguistica. In confronto, la soddisfazione per la funzione di "suggerimenti culturali" è risultata relativamente inferiore, ma ha comunque raggiunto l'83%, indicando che, sebbene l'IA presenti una certa complessità e soggettività nel guidare l'espressione interculturale, il suo ruolo nell'aiutare gli studenti a identificare e correggere le interferenze culturali della lingua madre è stato riconosciuto dalla maggior parte degli studenti. Per quanto riguarda l'insoddisfazione, la percentuale di studenti che hanno scelto "insoddisfatto" o "molto insoddisfatto" nei tre ambiti funzionali è risultata inferiore al 5%, indicando che le funzioni assistite dall'IA presentano una buona usabilità e accettazione nella maggior parte degli scenari applicativi. È degno di nota che la proporzione di studenti che hanno valutato "sufficiente" nell'elemento "suggerimenti culturali" è risultata relativamente alta, suggerendo che l'attuale IA potrebbe non soddisfare pienamente le aspettative degli studenti nel trattare questioni di adattamento culturale, lasciando spazio a ulteriori miglioramenti. Un'analisi complessiva rivela che il metodo di ottimizzazione delle istruzioni basato su DeepSeek è stato ampiamente riconosciuto dagli studenti, in particolare per il supporto fornito alla forma linguistica.

ANOVA a misure ripetute

È stata condotta un'analisi della varianza a due vie con misure ripetute (RM-ANOVA) per esaminare gli effetti del gruppo (fattore tra i soggetti: gruppo sperimentale rispetto al gruppo di controllo) e del tempo (fattore all'interno dei soggetti: pre-test, Attività 1, Attività 2, Attività 3, post-test), nonché della loro interazione sulle prestazioni degli studenti nel trasferimento della scrittura in inglese. Il test di Mauchly ha indicato una violazione dell'assunzione di sfericità (p < 0,05); pertanto, è stata applicata la correzione di Greenhouse–Geisser per aggiustare i gradi di libertà degli effetti all'interno dei soggetti. Tutte le analisi si basano su n = 30 partecipanti per gruppo. I risultati sono riportati nella Tabella 6:

I risultati dell'ANOVA a misure ripetute con correzione di Greenhouse–Geisser hanno indicato effetti principali significativi del Fattore Gruppo, del Fattore Tempo e dell'interazione Gruppo × Tempo in tutte le dimensioni misurate (p < 0,001). Per l'Indice Generale di Trasferimento, è stato osservato un effetto significativo del Gruppo (F(1,58) = 76,32), insieme a un effetto significativo del Tempo (F(2,14,124,12) = 92,75) e un'interazione Gruppo × Tempo significativa (F(2,14,124,12) = 68,49), suggerendo che le variazioni nelle prestazioni complessive di trasferimento nel tempo differivano in modo significativo tra i gruppi.

Analogamente, il trasferimento sintattico ha mostrato effetti significativi del Fattore Gruppo (F(1,58) = 52,18), del Fattore Tempo (F(2,11,122,38) = 71,26) e dell'interazione Gruppo × Tempo (F(2,11,122,38) = 45,73), indicando pattern differenziali di sviluppo nelle capacità di trasferimento sintattico tra i gruppi e nei diversi punti di misurazione. Per quanto riguarda il Trasferimento Strutturale, sono stati riscontrati effetti significativi del Gruppo (F(1,58)=48,65), del Tempo (F(2,09,121,22) = 67,81) e dell'interazione (F(2,09,121,22) = 41,36), che riflettono miglioramenti costanti con traiettorie dipendenti dal gruppo. In particolare, il Trasferimento Culturale ha mostrato gli effetti più forti, con un effetto significativo del Gruppo (F(1,58) = 81,44), un marcato effetto del Tempo (F(2,07,119,96) = 98,52) e una robusta interazione Gruppo × Tempo (F(2,07,119,96) = 79,27), suggerendo il pattern di crescita più consistente e differenziato in questa dimensione. Nel complesso, tutti gli indici mostrano effetti statisticamente significativi, confermando che l'intervento ha esercitato un impatto stabile e differenziato sullo sviluppo del trasferimento nel tempo.

DISPONIBILITÀ DEI DATI:

Tutti i dati generati o analizzati durante questo studio sono inclusi nel presente articolo. I dati grezzi della valutazione sono forniti nella Tabella Supplementare 1.

Figura 1: Passaggi per la trasformazione della struttura della frase. (A) Strategie per combinare e rafforzare i verbi al fine di migliorare la struttura della frase. (B) Trasformazioni alternative del soggetto, incluse forme gerundiali, infinitive e soggetti nominalizzati. (C) Uso di frasi non finite per aumentare la varietà e la concisione della frase. (D) Esempi di versioni finali riviste che dimostrano uno stile accademico migliorato e un'espressione in inglese più adatta al contesto interculturale. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 2: Diagramma ad albero dell'evoluzione del compito. Illustra la struttura progressiva di compiti di trasferimento articolati su quattro livelli, che vanno dalla frase, al paragrafo, al discorso, fino al livello culturale. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 3: Confronto dell'abilità di trasferimento scritto prima e dopo l'esperimento. Il grafico radar mostra i punteggi del pre-test e del post-test del gruppo sperimentale e del gruppo di controllo nelle dimensioni del trasferimento sintattico, strutturale e culturale. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 4: Grafico dell'andamento della complessità sintattica. Sono mostrati i cambiamenti nella lunghezza media delle frasi e nei livelli di annidamento delle proposizioni attraverso tre compiti di addestramento. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 5: Corrispondenza della terminologia accademica. Questa figura mostra le variazioni nella proporzione di vocabolario formale e nella frequenza della voce passiva prima e dopo l'intervento. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 6: Mappa termica della soddisfazione per le risposte ai prompt. Qui vengono riassunti i punteggi attribuiti da insegnanti partecipanti a cinque tipi di modelli di prompt. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 7: Grafico a scatola delle variazioni nei giudizi degli insegnanti. Il grafico a scatola mostra la distribuzione e le variazioni complessive dei punteggi attribuiti dagli insegnanti alla scrittura di due gruppi prima e dopo l'esperimento. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 8: Grafico radar dell'autovalutazione della capacità di trasferimento degli studenti. Mostra i punteggi di autovalutazione degli studenti su cinque dimensioni del trasferimento in tre round di formazione. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Inserimento	Operazione dell'insegnante	Tipo di prompt	Operazione per studenti	Risultato	Criteri di valutazione
Bozze originali di scrittura degli studenti (frasi/paragrafi/temi)	1. Etichettare i tipi di trasferimento e i livelli di compito 2. Regolare i parametri del prompt se necessario	Singolo prompt di trasferimento / Catena di prompt annidati a tre stadi	1. Imparare strategie di trasferimento 2. Rivedere le bozze sulla base dei feedback dell'intelligenza artificiale 3. Completare l'autovalutazione	Testo rivisto con intelligenza artificiale + Bozza finale rivista dallo studente	Complessità sintattica, razionalità strutturale, appropriatezza culturale, coerenza logica, standardizzazione del registro (scala 0–5)

Tabella 1: Tabella Riassuntiva del Flusso di Lavoro. Questa tabella riassume l'intero flusso operativo del training di trasferimento della scrittura in inglese assistito da intelligenza artificiale, coprendo i materiali di input, le operazioni del docente e dello studente, i tipi di prompt, gli output finali e i corrispondenti criteri di valutazione.

Categoria del progetto	Contenuti
Comprensione degli obiettivi della missione	Descrivere brevemente gli obiettivi di migrazione di questo ciclo di attività di scrittura, ad esempio aggiustamento strutturale, adattamento culturale e conversione linguistica.
Strategia di migrazione utilizzata	Indicare le strategie di migrazione adottate (sono consentite scelte multiple):
	Aggiustamento strutturale
	Trasformazione della frase
	Cambio linguistico
	Manifestazione culturale
	Rafforzamento della connessione logica
	Altro：_______
Riscrittura di esempi e istruzioni	Selezionare 1–2 frasi riscritte, mostrare le versioni prima e dopo la riscrittura e spiegare le ragioni dei cambiamenti e gli obiettivi di trasferimento desiderati.
Difficoltà e dubbi riscontrati	Descrivere le difficoltà incontrate durante la migrazione o i dubbi riguardo a un'espressione specifica.
Valutazione autonoma (su 5 punti)	Valutare la riscrittura del testo in base ai seguenti tre aspetti:
	• Accuratezza nell'applicazione delle strategie (/5)
	• Fluidità naturale dell'espressione (/5)
	• Adeguatezza culturale  (/5)
Obiettivi futuri di miglioramento della scrittura	Descrivere brevemente l'aspetto del trasferimento che si desidera rafforzare o ottimizzare nel prossimo ciclo di formazione

Tabella 2: Tabella della cognizione del trasferimento. Viene adottata una scala di valutazione da 1 a 5 (1 = nessun apprendimento, 5 = apprendimento completo) per l'autovalutazione degli studenti riguardo alle strategie di trasferimento della scrittura.

Nome dell'indicatore	Descrizione	Fonte dei dati
Indice di trasferimento della scrittura (0–5)	Un indicatore quantitativo che misura in modo completo la capacità di trasferimento linguistico, coprendo tre livelli: sintassi, struttura e cultura.	Valutazione automatica del sistema + valutazione manuale da parte degli insegnanti
Punteggio di complessità sintattica	Comprende la lunghezza media delle frasi, il numero di inclusioni di proposizioni, la ricchezza delle locuzioni verbali, ecc.	Analisi automatica tramite elaborazione del linguaggio naturale (NLP)
Corrispondenza allo stile accademico	Rispetta gli standard della scrittura accademica in inglese?	Valutazione effettuata da un modello di elaborazione del linguaggio naturale
Soddisfazione riguardo alle risposte ai prompt	Accettazione e valutazione pratica da parte degli insegnanti dei suggerimenti generati dal modello	Questionario per insegnanti
Variazioni nei voti attribuiti dagli insegnanti	Confronto tra i voti assegnati dagli insegnanti prima e dopo l'esperimento, per riflettere il miglioramento della qualità della scrittura	Record delle valutazioni degli insegnanti
Capacità di trasferimento autovalutata dagli studenti	Gli studenti autovalutano il proprio livello di padronanza rispetto alle diverse dimensioni del trasferimento	Compilazione del modulo sulla consapevolezza del trasferimento

Tabella 3: Sintesi degli indicatori di valutazione, delle descrizioni e delle fonti dei dati. Questa tabella chiarisce le definizioni, i metodi di misurazione e le fonti originali dei dati per ciascun indicatore principale di valutazione dello studio.

Tipo di prompt	Valutazione media degli insegnanti	Punteggio medio dell'IA	Coefficiente di correlazione di Pearson
Trasferimento strutturale	4	3.9	0.83
Trasferimento sintattico	4.1	4	0.87
Trasferimento culturale	3.8	3.6	0.79
Trasferimento di registro	3.9	3.7	0.81
Trasferimento logico	4.2	4.1	0.85

Tabella 4: Confronto della coerenza tra i contenuti generati dall'IA e le valutazioni degli insegnanti. I risultati dimostrano la coerenza tra i contenuti generati dall'IA e le valutazioni degli insegnanti in diversi tipi di prompt.

Elementi funzionali	Molto soddisfatto	Soddisfatto	Abbastanza	Insoddisfatto	Molto insoddisfatto
Suggerimento di riscrittura	66%	25%	7%	1,50%	0,50%
Ottimizzazione strutturale	60%	30%	7%	2%	1%
Suggerimenti culturali	55%	28%	12%	3,50%	1,50%

Tabella 5: Statistiche del sondaggio sulla soddisfazione degli studenti riguardo alle funzioni assistite dall'intelligenza artificiale. Le statistiche mostrano la distribuzione della soddisfazione degli studenti per le funzioni di riscrittura mediante intelligenza artificiale, ottimizzazione strutturale e prompt culturali.

Misura	Gruppo F(df)	Tempo F(df)GG	Gruppo × Tempo F(df)GG	p
Indice Generale di Trasferimento	76.32 (1, 58)	92.75 (2.14, 124.12)	68.49 (2.14, 124.12)	<0.001
Trasferimento Sintattico	52.18 (1, 58)	71.26 (2.11, 122.38)	45.73 (2.11, 122.38)	<0.001
Trasferimento Strutturale	48.65 (1, 58)	67.81 (2.09, 121.22)	41.36 (2.09, 121.22)	<0.001
Trasferimento Culturale	81.44 (1, 58)	98.52 (2.07, 119.96)	79.27 (2.07, 119.96)	<0.001

Tabella 6: Sintesi dei risultati dell'ANOVA a misure ripetute. Presenta i risultati dell'ANOVA a misure ripetute a due fattori per la prestazione complessiva nel trasferimento della scrittura e per le sue tre sottodimensioni, inclusi gli effetti principali del gruppo, del tempo e dell'interazione gruppo per tempo. Abbreviazioni: GG = correzione di Greenhouse–Geisser.

Tabella supplementare 1: Valutazione dei dati grezzi. Include i dati grezzi utilizzati in tutte le analisi del presente studio.Cliccare qui per scaricare il file.

Discussione

Questa ricerca costruisce un framework di ottimizzazione multi-livello per le istruzioni basato sull'architettura MoE di DeepSeek, finalizzato all'insegnamento del trasferimento della scrittura in inglese in contesti interculturali. Articolata su quattro livelli progressivi, che vanno dalla frase alla dimensione culturale, e su una libreria standardizzata di compiti suddivisa in cinque categorie, la ricerca realizza la generazione automatica di prompt a partire da esempi reali di scrittura degli studenti e istituisce catene di prompt nidificate in tre fasi, per scomporre compiti complessi di adattamento interculturale. A differenza delle tradizionali progettazioni generiche di prompt limitate alla revisione testuale, la soluzione proposta integra strettamente la compilazione dei prompt con gli obiettivi didattici del trasferimento linguistico, creando un flusso didattico a circuito chiuso composto da generazione del modello, annotazione dell'insegnante e revisione iterativa dello studente. Dal punto di vista dell'avanzamento disciplinare, questo studio amplia i confini applicativi dell'ingegneria dei prompt nell'acquisizione di una seconda lingua, fornendo un percorso quantificabile per la costruzione di modelli che integrano le caratteristiche parametriche dei grandi modelli linguistici con la formazione mirata in aula per studenti di inglese come lingua straniera (EFL). Inoltre, arricchisce le evidenze empiriche sulla ricerca del trasferimento pragmatico interculturale in ambienti assistiti da intelligenza artificiale, integrando i risultati esistenti incentrati esclusivamente sugli errori di trasferimento negativo sintattico^36,37.

Dati empirici di un quasi-esperimento confermano che il gruppo sperimentale ha ottenuto un evidente miglioramento negli indicatori di trasferimento sintattico, strutturale e culturale, tuttavia diverse limitazioni intrinseche restringono la generalizzabilità dei risultati della ricerca. A causa delle condizioni di studio, l’indagine ha adottato un raggruppamento non randomizzato delle classi senza mascheramento dei valutatori, e tutti i campioni sono stati selezionati da studenti di lingua inglese di un’unica università, il che rende difficile escludere l’influenza della motivazione autonoma all’apprendimento degli studenti e delle consolidate abitudini didattiche degli insegnanti nelle variazioni dei punteggi. Inoltre, l’intervento è durato soltanto tre settimane, rappresentando un programma di formazione a breve termine. Considerando anche il disegno di campionamento monocentrico, in cui tutti i partecipanti sono stati reclutati da un singolo istituto professionale, gli effetti positivi osservati potrebbero non risultare pienamente stabili nella pratica didattica a lungo termine. Pertanto, i risultati della ricerca devono essere interpretati con cautela, ed è inappropriato generalizzare direttamente le conclusioni a diversi tipi di istituti, cicli didattici più lunghi o gruppi di studenti con diversi livelli di competenza linguistica.

Nell'applicazione pratica didattica, l'attuale sistema di ottimizzazione dei prompt combinato con il modello DeepSeek presenta limitazioni evidenti e casi tipici di fallimento. Per quanto riguarda i compiti di trasferimento culturale e di registro, il modello produce occasionalmente espressioni pragmaticamente inadeguate o risultati di conversione stilistica rigidi quando elabora testi con sfumature culturali sottili e richieste stilistiche dipendenti dal contesto^38,39; inoltre, non riesce a identificare con precisione il pensiero culturale implicito dei parlanti nativi in paragrafi lunghi e complessi, portando a una revisione incompleta delle espressioni in stile Chinglish. Nella valutazione automatica, la coerenza della valutazione dell'IA diminuisce notevolmente per elementi pragmatici culturali altamente soggettivi e non è in grado di distinguere efficacemente le differenze sfumate nell'espressione retorica e nell'implicazione interculturale. Inoltre, la catena di prompt annidata in tre fasi è soggetta a deviazioni semantiche nella generazione iterativa multiplo, in cui gli errori della prima fase di riorganizzazione semantica vengono ereditati e amplificati nei successivi passaggi di revisione linguistica e adattamento culturale^40,41.

Per quanto riguarda le prospettive di sviluppo futuro, ulteriori miglioramenti possono essere attuati partendo da tre dimensioni pratiche. In primo luogo, ampliare la scala della libreria di compiti raccogliendo un corpus di scrittura proveniente da studenti non specializzandi in lingue e con diversi livelli di competenza linguistica, al fine di rafforzare la compatibilità dei modelli con gruppi eterogenei di apprendenti. In secondo luogo, combinare un affinamento continuo di sottomoduli leggeri di DeepSeek per ridurre lo scostamento esistente nella valutazione automatizzata del trasferimento culturale effettuata dall'IA, che secondo le attuali statistiche risulta meno coerente rispetto alla valutazione effettuata dagli insegnanti. In terzo luogo, integrare l'intero sistema di ottimizzazione dei prompt all'interno di piattaforme convenzionali di apprendimento online delle lingue straniere, al fine di consentire l'accumulo automatico di dati a lungo termine per un'ottimizzazione iterativa continua delle regole dei prompt. Con l'arricchimento progressivo delle risorse di corpus culturali cross-linguistici, ci si aspetta che il framework tecnico proposto possa estendere la propria applicazione all'insegnamento della traduzione bilingue e ai corsi di comunicazione interculturale nella ricerca futura.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Modello linguistico preaddestrato BERT	Google	https://github.com/google-research/bert	La rappresentazione del testo, il riconoscimento della struttura del paragrafo, il calcolo della similarità semantica e il supporto alla classificazione del testo consentono la valutazione automatizzata dei contenuti scritti.
Coreferee	Explosion AI	https://github.com/explosion/coreferee	Si identificano le relazioni referenziali nel testo e si valuta la coerenza referenziale del discorso per assistere nella valutazione automatica della qualità della scrittura.
Modello linguistico di grandi dimensioni DeepSeek	DeepSeek AI	https://chat.deepseek.com/	Basato sull'architettura del modello MoE, sono state effettuate ottimizzazione delle istruzioni e progettazione della catena di parole prompt. Il modello utilizza parametri fissi: un coefficiente di temperatura di 0.7 e una lunghezza generata limitata dinamicamente in base al tipo di domanda.
spaCy	Explosion AI	https://github.com/explosion/spaCy	Viene analizzata la struttura sintattica delle dipendenze del testo inglese ed estratti indicatori come la lunghezza media delle frasi e il numero di proposizioni subordinate, al fine di quantificare la complessità sintattica.
SPSS 26.0	IBM	https://www.ibm.com/products/spss-statistics	Sono state effettuate analisi statistiche quali l'analisi della varianza a misure ripetute (RM-ANOVA), il test t per campioni indipendenti, l'analisi di correlazione di Pearson, il calcolo dell'ampiezza dell'effetto (d di Cohen’s d) e il test di affidabilità (ICC).