È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo di ricerca

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

78 visualizzazioni

⸱

DOI:

10.3791/71662

⸱

25 agosto 2026

1Ningbo City College of Vocational Technology

In questo articolo

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 pratica1,2. 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 modello6,7. 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 trasferimento8,9. 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 articolo12,13. 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 centrale14,15. 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 diversificati26,27, 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 innaturali34,35, il che ne limita l'applicazione approfondita nell'insegnamento del trasferimento scritto interculturale.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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:

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

Sj rappresenta il campione di input del compito, Gi rappresenta l'operazione di trasferimento target e Ei 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 = {(Dj,TDj)∣j = 1,2,3,4,5} (3)

Dj  corrisponde a cinque dimensioni di trasferimento: trasferimento sintattico, trasferimento strutturale, trasferimento culturale, trasferimento di registro e trasferimento logico; l'insieme di compiti TDj  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:

Ti,j = (Si,j,Gi,j,Ci,j) (4)

Si,j rappresenta il campione di input del compito, Gi,j è la descrizione della destinazione del trasferimento del compito e Ci,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.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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. ...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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 cat...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori dichiarano di non avere conflitti di interessi finanziari.

Ringraziamenti

Questo lavoro è stato sostenuto dal Progetto di Pianificazione dell'Istruzione Provinciale del Zhejiang 2026: Ricerca sulla Ricostruzione del Quadro di Competenze Didattiche e sulle Strategie di Promozione degli Insegnanti dell'Istruzione Superiore in un Contesto di Potenziamento Digitale e Intelligente (Numero del Progetto: ZWT26024; Numero di Approvazione: 2026SCG360).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Modello linguistico preaddestrato BERTGooglehttps://github.com/google-research/bertLa 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.
CorefereeExplosion AIhttps://github.com/explosion/corefereeSi 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 DeepSeekDeepSeek AIhttps://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.
spaCyExplosion AIhttps://github.com/explosion/spaCyViene 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 26.0IBMhttps://www.ibm.com/products/spss-statisticsSono 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).

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Esplora altri articoli

Scrittura interculturaletrasferimento linguisticosistema di formazione gerarchicoMixture of Expertscatena di promptadattamento culturalerevisione linguistica
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.