本研究では、異文化コンテキストにおける英語ライティングの転移能力を向上させるため、DeepSeekに基づいた階層的なプロンプト最適化フレームワークを開発しました。3段階のプロンプトチェーンと、英語専攻者60名を対象とした準実験を通じて、対照群と比較して実験群に有意な改善が見られたことが示されました。
このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。
本研究では、異文化コンテキストにおける英語ライティングの転移能力を向上させるため、DeepSeekに基づいた階層的なプロンプト最適化フレームワークを開発しました。3段階のプロンプトチェーンと、英語専攻者60名を対象とした準実験を通じて、対照群と比較して実験群に有意な改善が見られたことが示されました。
従来の英語ライティング指導において、言語転移の体系的な育成が軽視されており、既存のプロンプトフレームワークが教室での指導に適していないという課題を解決するため、本研究ではDeepSeekモデルに基づいた階層的な転移トレーニングシステムを構築した。このシステムは、文、段落、談話、文化という4つの段階的なタスク階層で構成され、すべてのタスクはトリプル形式で定義されている。構文、構造、文化、レジスター、論理をカバーする5次元のタスクライブラリを構築し、学生の実際のライティング草案からターゲットとなるプロンプトを自動生成した。モデルの混合専門家（MoE）アーキテクチャと統合し、複雑な課題を「意味の再構成」、「言語的修正」、「文化的適応」という3つの連続的なフェーズに分割する入れ子状のプロンプトチェーンを開発した。準実験的研究デザインを採用し、ある大学の英語専攻2年生60名を募集し、実験群と対照群にそれぞれ30名ずつ割り当て、3回のトレーニングラウンドにわたる3週間の段階的な介入を行った。実験後の結果から、実験群の文化転移スコアが2.8から4.5に上昇したのに対し、対照群の上昇はわずか0.3であった。また、教師による評価の平均点は、実験群では59.1から74.4に向上したが、対照群では60.1から64.9への上昇にとどまった。AIスコアリングと教師評価の相関係数の大部分は0.8を超え、参加者の90%以上がAIによる書き換えおよび構造最適化機能を支持した。本試行のサンプルサイズは小さいものの、この最適化アプローチは大学の英語ライティングクラスへの導入において実現可能である。
異文化コンテクストにおける英語ライティング教育において、非ネイティブの英語学習者は、言語知識から実践的な応用へと移行する際に、転移能力の不足という課題に直面することが多い1,2。学生はある程度の文法や語彙の基礎を備えているものの、文型、構造、および文化的表現を実際のライティングに効果的に変換することに苦労しており、その結果、定型的な言語出力や思考の限定化を招き、最終的にライティング全体の質に影響を及ぼしている3。加えて、言語構造、論理構成、および語用論的規範における異文化間の差異が、ライティング転移の複雑さをさらに悪化させている4。近年、大規模言語モデル（LLM）はライティング教育に新たな技術的支援を提供している5。DeepSeekなどのインテリジェントなライティングツールは、言語生成および再構成において強力な能力を示している。しかし、教育現場では、それらのツールは主に表面的な言語修正に限定されており、転移能力の育成を中心とした教育プロセスに深く統合されるには至っていない。これらのツールには、教育目標への方向性と生成挙動の制御可能性が欠けている6,7。普及しているAI支援ライティングアプリケーションの多くは、その機能を表面的な文法エラーの修正に限定しており、体系的な転移能力の育成を目標としていないため、モデルの出力に対する教育的な制御が不十分である。
ESLライティング支援に関する既存の研究は、主に3つのカテゴリーに分類されます。すなわち、従来のプロンプト駆動型のライティングフィードバック、汎用的なAIによる推敲介入、およびマニュアル中心の転移学習です。第一に、一般的なプロンプトエンジニアリングの研究では、階層的な転移教育目標との整合性を図ることなく、質疑応答やテキスト書き換えの技術的な最適化が優先されています8,9。第二に、一般的なChatGPTベースのESL指導は、層状の構文的、構造的、および異文化間の転移能力の育成よりも、ライティング全体の正確性の向上に焦点を当てています10。第三に、模倣や対照ライティングに依存する従来の転移ペダゴジー（教育法）では、インテリジェントツールに支えられたクローズドループのフィードバックが不足しています11。先行研究とは異なり、本研究では、多層的な指導目標に沿った転移指向の階層的プロンプトをカスタマイズし、サンプル駆動型のプロンプト自動生成ワークフローを構築することで、モデルによる生成、教師によるフィードバック、および学生による修正を組み合わせた独自のクローズドループ訓練メカニズムを形成します。
先行研究では、言語文化的な相違、モデル固有の構造的制約、および断片的な教室での実践をまたぐ潜在的な関連性が仮説として立てられているが、このような因果関係は既存の実証研究において十分に検証されておらず、本論文で検証すべき中心的な研究仮説となっている12,13。本論文で言及しているDeepSeekの固有の特性に関しては、そのオープンなインストラクションインターフェースおよびMoEベースのエキスパートルーティング設計が、既存のモデル技術レポートや応用言語研究において記録されている。これらの文書化されたモデル特性に基づき、本研究では、複雑な異文化間転移タスクを分解するためのネストされたプロンプトチェーンを構築し、差別化された転移課題のための動的なサブモデルスケジューリングルールを開発する。構造化された転移能力の開発を中心に据え、本研究ではDeepSeekのターゲットを絞ったプロンプト最適化を探索し、大規模言語モデルを汎用的なテキスト編集ツールから、大学英語ライティング指導のための専門的な転移トレーニングシステムへと変換させることを目指す。
第二言語ライティング研究の分野において、転移現象は長らく中心的なトピックとなってきました14,15。伝統的な言語転移理論は、主に母語が目標言語の習得プロセスに与える正および負の転移効果に焦点を当てており、特に音声、語彙、統語論が重視されてきました16。Mirzayev Eは、英語を第二言語とする（ESL）ライティング指導において、第一言語からの負の転移が、学生のライティング能力の発達を制限する主要な要因であり続けていると指摘しました17。研究範囲の拡大に伴い、学術界では次第に文章構造の転移へと関心が広がっています18。中間言語によるライティングでは、複数の要因により、言語的な誤りや化石化がしばしば見られます19。同時に、認知転移理論への注目も高まっています20。この理論は、ライティングプロセスにおける認知的な構成や表現パターンの違いを強調しています。例えば、西洋のライティングは直線的な推論と明示的な論理を重視しますが、中国の伝統的な手法は螺旋的なアプローチと意味的な曖昧さを好む傾向にあります。この二者の間には大きな緊張関係が存在します。したがって、言語転移は単なる言語単位の変換だけでなく、より深いレベルでの思考構造や文化的表現規範の適応および変容を伴うものであり、これは現在の英語ライティング指導における重要な課題となっています21。
転移能力の育成において、既存の研究では、学習者が目標言語の転移メカニズムを理解し応用できるように、模倣作文22、対照作文23、翻訳訓練24などの戦略がしばしば採用されている。模倣作文は基礎的な談話能力の構築に役立つが、構造的な硬直化を招きやすい。対照作文は言語スタイルや文化的な意識を向上させることができるが、系統的なタスクの階層化や個別化されたフィードバックに欠けている。翻訳訓練は文化的比喩の認識を促進できるが、指導がなければ意味の逸脱や語用論的な不適切さを招きやすい。上述の戦略は主に手本による提示や経験的な指導25に依存しており、転移戦略の明示的な構築や系統的なフィードバックメカニズムを欠いているため、言語習熟度や認知スタイルの個人差に適応させることが困難である。一部の研究では、多様な作文タスクを通じて転移訓練を拡張しようと試みているが26,27、指導プロセスにおいて「転移目標―言語生成―戦略フィードバック」というクローズドループがまだ形成されていない。そのため、転移戦略の内面化効果は限定的であり、実際の作文タスクにおける学生の転移能力の発達は依然として不十分である28。
大規模言語モデル技術の発展に伴い、言語教育におけるその補助的な潜在能力がますます注目を集めています29。ChatGPT (Chat Generative Pre-trained Transformer)30やDeepSeek31に代表される生成AIツールは、文章の推敲、言語の書き換え、言語調整などのシナリオで広く利用されてきました。Diasamidzeらは、ChatGPTを使用したESL（第二言語としての英語）学習者が、文法的な正確さ、語彙の豊かさ、および文章構成能力の点において、従来の教授法を用いたグループよりも優れた成果を上げたことを明らかにしました32。しかし、既存のアプリケーションの多くは表層的な言語処理に限定されており、転移目標に関する体系的なガイダンスが不足しています。Ranadeは、現在の教育現場におけるプロンプトベースのプロジェクトの多くが汎用的なテンプレートに基づいており、生成されたコンテンツに文脈への適応性やタスク固有性が欠けていることを指摘しました33。さらに、主流のモデル学習はオープンコーパスに依存しており、中国語と英語の文化的表現の違いに関する深いモデリングがなされていません。そのため、生成されたテキストに文化的な不適切さや不自然な語用論が生じやすく34,35、これが異文化間ライティング転移教育への深い応用を制限しています。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
倫理的承認
実験に先立ち、著者は大学から承認（承認番号：NBCC-ETH-2026-037）を得て、すべての学生参加者にインフォームドコンセント文書を配布した。すべての学生に対し、研究目的、実験手順、およびデータ使用規定について明確に説明を行った。参加は自発的なものであり、参加者はいつでも研究への参加を撤回することができた。プライバシー保護のため、すべての個人データおよび記述作品は匿名化され、学術的な分析のみに使用された。全60名の参加者は、研究に参加する前に同意書に署名した。参加者は、同一の高等職業大学における2つの並行した英語ライティングの2年生クラスから、便宜的サンプリングを用いて募集された。組み入れ基準は、CET-6に合格し、スコアが > 425名で、今学期の欠席はなく、直近2回のユニット記述テストの得点が平均的であった。除外基準は、授業外での市販の英語AIライティングソフトの長期的な利用、および重度の失読症とした。
すべての連続的なアウトカム変数のばらつきは、平均値 ± 標準偏差（SD）として報告した。すべての分析は、1グループあたり n = 30 名（実験群 vs. 対照群）、合計 N = 60 名のサンプルサイズで実施した。縦断的な反復測定データについては、反復測定分散分析（RM-ANOVA）を用いて、群と時間の主効果、および群と時間の交互作用を検討した。個々の時点における事後ペア比較には、独立標本t検定を用いた。対照群には、従来のライティング指導に加え、汎用的で無料のカスタマイズされていないAIライティングツール（階層的なプロンプトや転移指向のテンプレートなし）を提供した。指導時間、ライティングタスク、フィードバックの頻度、およびトレーニングテキストは、本研究で使用したカスタマイズ済みのネストされたプロンプトチェーンおよび5レベルのタスクライブラリ介入がない点を除き、実験群と同一とした。実験群では、DeepSeekモデルに基づいた指導法を用いてライティング指導を最適化し、これにはネストされたプロンプトチェーンによるガイダンス、異文化適応アウトプット、および「生成-省察-再生成」メカニズムが含まれていた。対照的に、対照群では従来の教授法または最適化されていないAI支援ツールを用いた。これら2群の教育効果を比較することにより、大規模言語モデルに基づいた転移トレーニング法が、学生のライティング転移能力の向上に有効であることが検証された。
研究の全体像
本研究は、学生の英語ライティングにおける転移能力の向上と、効果的な指導設計手法の開発を目的とし、特にDeepSeekの教育的利用への適応に焦点を当てた。まず、モデルのプロンプトを再設計するための指導最適化戦略を提案した。これにより、統語構造、段落の論理構成、文化的表現など、ライティング指導における複数の転移目標に対する生成出力の整合性が向上した。次に、教師によるライティング課題を、構造化された目標指向型のプロンプトテンプレートに変換した。その後、指導課題とモデルの動作との間にマッピング関係を構築した。これにより、モデルの制御性が向上し、生成されるコンテンツが教育学的に適切であることが保証された。最後に、「生成ーリフレクション（省察）ー書き換えー再生成」というクローズドループ形式の転移トレーニングプロセスを開発した。このプロセスにより、学生はモデルのサポートを受けて転移戦略を特定し、言語表現を能動的に洗練させることが促進された。繰り返しのイテレーションを通じて、学生の言語間および文化間のライティング転移能力が継続的に強化された。文構造変換の手順を図1A–Dに示す。
AI支援ライティングトレーニングシステムの完全な動作ロジックを明確にし、再現性を向上させるため、全体の実施ワークフローを表1にまとめました。ここには、生の入力、教師による介入、プロンプトの適用、学生の活動、最終的な出力、および対応する評価基準を含むコアとなる連携プロセスが含まれています。
転移指向型タスク構築戦略
本研究では、英語ライティングにおける転移能力の育成に焦点を当てました。浅いレベルから深いレベルへと進む転移タスクの経路を構築し、学生が多層的な言語転移戦略を体系的に習得し実践できるよう指導しました。この経路構造全体を記述するため、4つのレベルからなるタスクセットとして定義しました。
T = {T1,T2,T3,T4} (1)
T1 は文レベルの転移タスクを表しており、短文の拡張、能動態・受動態の切り替え、節の置換など、基本的な文法構造の操作に焦点を当て、学生が多様な文構造の手法を習得することを目的としています。T2 は段落レベルの転移タスクであり、段落内における情報の構成と接続に注意を向けさせ、主文の抽出や文間論理の調整を通じて、段落の構造的な明快さと表現の一貫性を向上させる訓練を行います。T3は談話レベルのタスクを表し、章全体の論理的レイアウトや議論のリズムへとさらに拡張し、段落の順序調整や構造的な並置関係の最適化を行うことで、完全な議論体系を備えた英文記事を構築するように学生を導きます。T4 は文化レベルの転移タスクであり、含みを持たせた言い回しや意味的なヒントなど、母国語のライティングにおける潜在的な文化的表現特性を特定し、それらをターゲット言語の文化に適合する直接的な表現や論理的に明示的な形式へと変換することを学生に求めます。その進化プロセスをFigure 2に示します。タスク設計の操作性と評価を高めるため、本研究では各レベルのタスクをさらにトリプル形式として定義しました。
Ti = (Si,Gi,Ei) (2)
Sj はタスクの入力サンプルを、Gi はターゲットとなる転移操作を、そしてEi は補完的な評価基準を表します。この構造化された表現により、タスクの各レベルが前レベルの戦略の習得に基づいて構築され、対応するサンプル、ターゲットの説明、およびパフォーマンス基準が備わっていることが保証され、転移パスを着実に前進させるメカニズムが提供されました。転移トレーニングシステムの構築プロセスにおいて、タスクタイプの体系的な網羅と指導指示の効率的な管理を実現するため、本研究ではライティング転移における共通の言語変換次元に基づいた、5種類の転移目標をカバーする構造化タスクライブラリを構築しました。このタスクライブラリは、正式に次のように表現されました：
M = {(Dj,TDj)∣j = 1,2,3,4,5} (3)
Dj は、統語的転移、構造的転移、文化的転移、レジスター転移、および論理的転移という5つの転移次元に対応しており、各次元に関連付けられたタスクセットTDj はその操作サブセットを表します。タスクライブラリの開発プロセスにおいて、まず著者は、多数の実際の学生の作文サンプルに基づき、一般的な転移の困難さと言語エラーのタイプを要約および分類しました。そして、実際の教育ニーズと評価基準と組み合わせることで、異なる転移タイプを機能領域に分け、各タスクの核心的なトレーニング目標と操作モードを確立しました。各タスクは、以下のトリプル構造として抽象的に表現されました：
Ti,j = (Si,j,Gi,j,Ci,j) (4)
Si,jはタスクの入力サンプルを、Gi,jはタスクの転移ターゲット記述を、そしてCi,jはタスクの評価および制御次元を表します。構文転移タスクにおいて、本研究では、文の接続、節の入れ子構造、受動態への変換、および関連概念を網羅し、単純なものから困難なものへと進む文再構成シーケンスを設計し、学生の文拡張能力および文法変換能力の向上を目指しました。構造転移タスクでは、主文の書き換え、支持文の整理、および因果関係や例示関係の再構築を通じて、パラグラフ論理の最適化、情報組織化の強化、および論理構築能力の向上に焦点を当てました。文化転移タスクは、異文化コーパスに基づき、含みのある表現や婉曲表現などの語用論的な乖離をターゲットとしています。ここでは、文化的適応力の向上を促進するため、実際の文脈に近い表現変換を設計しました。レジスター転移タスクでは、口語表現を学術的な言語に変換し、レジスターを切り替える戦略を習得するように学生を指導しました。論理転移タスクでは、推論チェーンの構築と表現の明快さの確保に焦点を当て、接続詞の使用、論理関係の明確化、およびパラグラフ間の移行に関するトレーニングを実施しました。
本研究では、学生の実際のライティングサンプルに基づき、教授タスクと密接に結びついたプロンプト生成プロセスを開発し、指示の適切性と生成コンテンツの実用性を高めることを目的とした。このプロセスは教師主導で行われ、教師は教授プロセスの中で、冗長な文章、混乱した構造、不適切な文化的表現といった典型的な転移問題に焦点を当て、代表的な学生のテキスト断片を選出した。その後、教師はシステムインターフェースを通じてサンプルに転移タイプをアノテーションし、トレーニング目的を明確にした。アノテーション情報の受信後、システムは転移タスク識別モジュールを自動的に起動した。次いで、入力内容を事前定義されたタスクライブラリおよびプロンプトテンプレートライブラリと照合した。この照合プロセスでは、転移タイプ、言語的特徴、テキスト構造などの要因が考慮された。これらの要因に基づき、システムは最も適切なテンプレートを選択して初期プロンプトを生成した。また、システムは構造化された強化処理をサポートしていた。教師によるアノテーションは、モデルが容易に解釈できる標準化された形式に変換された。モデルが教師の意図と学生の疑問の両方を正確に理解できるよう、関連する指導上のヒントがプロンプトに組み込まれた。指示の柔軟性と制御性を向上させるため、システムには教師支援モジュールが組み込まれた。このモジュールにより、教師は指導ガイダンスの修正、コンテキスト設定の調整、およびトーンやスタイルのカスタマイズを行うことで、プロンプトを洗練させることが可能となった。その結果、教師は生成プロセスをより高度に制御でき、さまざまな教育シナリオへの適応力を高めることができた。
Deepseekコマンド最適化メカニズム
英語ライティングの転移訓練における実務的なニーズに基づき、本研究では5種類の転移指向型プロンプトテンプレートを開発した。これらのテンプレートは、大規模言語モデルの生成挙動を誘導および制御するように設計されている。構造的転移テンプレートは、段落構成とディスクール構造に焦点を当てたものである。これにより、学生が「導入ー本論ー結論」などの構造を採用し、アイデアの論理的な流れを改善することで、テキストを再構成することを支援した。統語的転移テンプレートは、文レベルの複雑さを重視した。受動態、並行構造、複文など、多様な文法構造の使用を促し、記述表現の洗練度を高めることを目的とした。文化的転移テンプレートは、ライティングにおける文化的な適切さを扱った。母国語や自文化の影響を受けた表現を、英語圏の文脈においてより自然で受け入れられやすい形式に適応させるよう学生を誘導した。レジスター転移テンプレートは、スタイルの適応とレジスター制御に焦点を当てた。これにより、学生が異なる執筆目的、読者、およびジャンルに応じて言語使用を調整することを支援した。論理的転移テンプレートは、論理構成の強化を目的とした。因果関係、比較対照、並行展開などの関係性を効果的に活用することを促進し、それによって一貫性と論証の厳密さを向上させた。これら5つのテンプレートを合わせることで、ライティング転移の主要な次元を網羅した。これらは、指導タスクの設計とモデルベースのテキスト生成の両方に対して、構造化された指導的サポートを提供した。
各テンプレートタイプは、異なる教育場面における汎用性と適応性を確保するため、統一された形式に従って作成されました。テンプレートは4つの核となる要素で構成されています。1つ目は「指導ターゲット」であり、要求される転移タスクを明確に示しました。2つ目は「サンプル入力」であり、指導の効果を裏付けるコーパスの根拠として、実際の言語断片を学生に提供しました。3つ目は「ターゲット出力」であり、学生が比較しモデル調整に利用できるよう、転移後の理想的な言語出力の標準的なスタイルを示しました。4つ目は「使用上の提案」であり、そのテンプレートに適用可能な言語レベル、テキスト形式、および使用戦略を解説し、生成の制御と指導効果を高めるための調整可能なパラメータプロンプトを提供しました。
プロンプトテンプレートの設計論理と実践的な適用をさらに具体的に示すため、転移指向プロンプトの代表的な5つの例を以下に提示します。すべてのテンプレートは、指示ターゲット、サンプル入力、ターゲット出力、および使用上の提案からなる統一フレームワークに準拠していました。学生は、単純な文章の拡張、文形式（能動態・受動態）の変換、および節の埋め込みを行うよう指導され、構文上の多様性を高める練習を行いました。例えば、学生によるドラフトの「I study English writing. It is very important for cross-cultural communication」に対し、最適化された出力は「Learning English writing plays a vital role in improving learners’ ability of cross-cultural communication」となりました。このプロンプトは、基本的な構文再構築と文形式の変換に重点を置いた、中程度の難易度の英語学科2年生向け文レベルトレーニングに適していました。もう一つのプロンプトタイプは文化転移を対象としており、母国語の文化的思考の影響を受けた Chinglish 表現を特定し、西洋の文化的規範に準拠した自然な英語の語用論的表現に書き換えることを目的としていました。学生の文章「Many people think you must work hard if you want to succeed」を例にとると、修正版は「People generally believe that diligence is the key to success」となりました。このプロンプトは、潜在的な中国語の思考パターンを排除し、英語の文脈における明示的な表現を育成することに重点を置いた文化レベルの転移トレーニングに適用されました。
本研究ではまた、学生が作成したパラグラフの草案を統合入力として受け取り、連続的なフェーズで動作する3段階の入れ子構造（ネステッド）プロンプトチェーンを開発した。第1フェーズは意味的な再構成であり、プロンプトによって、提示されたパラグラフの文章を並べ替え、アイデアの論理的順序を最適化し、明確なトピックセンテンスを持つ完全なパラグラフを形成することが参加者に求められた。第2フェーズは言語的な修正であり、修正後のパラグラフを正式な学術的英語に書き換え、口語的な単語を置換し、複文や受動態の構造を適切に使用することが求められた。第3フェーズは文化的適応であり、プロンプトに従って、テキスト内の文化的・語用論的な表現を確認し、母国語による文化的干渉を取り除き、英語の異文化間ライティングの慣習に合うように内容を推敲した。以上の例は、単一プロンプトテンプレートと入れ子構造プロンプトチェーンの動作モードを十分に実証したものである。これに基づき、本研究ではDeepSeekのMoEアーキテクチャを組み合わせた完全な段階的プロンプトチェーンを設計した。
生成コントロールとタスク応答の深度における単回プロンプトの限界を克服するため、本研究では、段階的かつ連続的な特性を持つネストされたプロンプトチェーン構造を設計し、階層的なガイダンスと複雑な翻訳タスクの段階的な生成を可能にしました。このメカニズムは、完全な翻訳タスクをいくつかのサブゴールに分解し、それぞれのサブゴールに対応するプロンプトテンプレートを設計したものです。これらは、意味の再構築、言語スタイルの調整、および文化的・語用論的な適応という論理的順序で直列に接続され、文脈依存性を伴う生成チェーンを形成しました。本研究では、標準的なオープンAPIを介してDeepSeekにネストされたプロンプトチェーンの最適化を実装しました。DeepSeekモデルは、自動バックエンドエキスパートルーティングシステムを備えたMixture of Experts (MoE) アーキテクチャをネイティブに採用しており、これは外部プロンプトから独立した固有の内部推論モジュールとして機能します。カスタマイズされた多段階プロンプトは、モデル入力のコンテンツ特性のみを調整しました。最適化された入力に組み込まれた意味的、形式的、および文化的な要求に応じて、モデル固有のMoEルーティングメカニズムが、テキスト生成中に最も適切なエキスパートモジュールを自律的に活性化させました。意味的な再編成、スタイルの調整、および文化的適応に焦点を当てた3段階のプロンプト設計は、入力テキストを洗練させるのみであり、モデル内部のエキスパート選択および割り当てロジックを妨げるものではありませんでした。
運用プロセスの点では、本システムは教師によってアップロードされた学生のテキストを受信し、ターゲットとなるアノテーションを転送し、入れ子状のチェーン構造を有効にするかどうかを自動的に判定しました。有効な場合、システムは3つのステージを順に実行しました。第1ステージは意味的再編成であり、構造転送テンプレートを呼び出して段落構成と論理的な手がかりを最適化しました。第2ステージは言語スタイルの調整であり、言語テンプレートを用いて口語表現を学術的な書き言葉に変換しました。第3ステージは文化的適応であり、文化転送テンプレートを呼び出してターゲット言語の文化に適合しない表現を特定および置換し、より自然なテキストを生成しました。
各生成ラウンドでは、前ラウンドの出力を入力として使用し、意味的な一貫性を確保するためにコンテキストベクトルのキャッシュを保持しました。教師は、テンプレートの選択、指示の修正、シーケンスの調整など、システムインターフェース内でプロンプトチェーンの構造をカスタマイズしました。また、システムは「テンプレート組み合わせパッケージ」機能をサポートしており、教師がタスクを再利用したり一括で割り当てたりすることが容易になりました。さらに、システムには動的な中断およびフィードバックメカニズムが組み込まれており、各生成後に中間結果が提供されました。教師はそれ以降の指示をリアルタイムで注釈付けまたは調整し、「生成-調整-再生成」という教育のクローズドループを形成しました。
モデルの生成と評価
DeepSeekモデルに基づいたテキスト生成および評価プロセスにおいて、本研究では、構文の複雑さ、構造の標準化、および談話の一貫性の3つの側面から生成されたテキストを体系的に分析し、定量的に評価するための多次元自動採点メカニズムを構築した。テキストの特徴抽出と自動評価には、spaCy依存構文解析器およびCoreferee共参照解析拡張モジュールを採用した。spaCy依存構文解析器を用いて英語テキストの構文構造を解析し、平均文長や入れ子構造の節の数などの主要指標を抽出することで、構文の複雑さの定量的な分析を可能にした。spaCyフレームワーク内で動作するCoreferee共参照解析拡張モジュールは、主にテキスト内の内部的な参照関係を特定し、談話の参照的一貫性を評価することで、ライティング品質の自動採点に向けた技術的支援を提供した。ネットワーク制限のため、前述の海外オープンソースウェブサイトへのアクセスは不可能であった。
まず、システムは構文的な複雑さを評価しました。平均文長、節の埋め込み深度、文の多様性などの特徴量を抽出しました。これらの特徴量は、依存構造解析および深い構文木モデリングを通じて取得されました。その結果に基づき、学生が単純な文パターンからより複雑な構造へと適切に移行できているかをシステムが判定しました。次に、システムは段落の構成を評価しました。BERTベースのテキスト表現と分類モデルを組み合わせ、トピック文、支持文、結びの文を含む段落の主要構成要素を特定しました。その後、段落構造マップを作成し、構成が英語のアカデミックライティングの慣習に従っているかを確認しました。第三に、システムは文章の一貫性を評価しました。論理的な接続詞の使用状況、文間の意味的な整合性、およびテキスト全体における照応関係の質を検証しました。これらの指標を用いて、論理展開の明快さとアイデアの円滑な進行を評価しました。トピックの一貫性を測定するため、システムはベクトルベースの表現を用いて意味的類似度を算出しました。照応の一貫性は共参照解析の手法を通じて評価され、これにより意味的な乖離や曖昧な指示の削減を図りました。最後に、すべての次元からのスコアを統合し、統一されたスコアリングベクトルにまとめました。結果を標準化して包括的な評価システムを構築することで、異なるライティングサンプル間での信頼性の高い比較を可能にしました。
手動評価フェーズにおいて、本研究では、教員による評価の妥当性と指導フィードバックの効果を高めるため、転移行動の明快さ、表現の自然さ、および文化的適応性の3つの側面からなるライティング転移トレーニング用の3次元スコアリングシステムを開発した。このシステムは補助機能を組み合わせることで、定量的なスコアリングと定性的なコメントを有機的に統合させている。転移行動の次元では、教員はあらかじめ設定されたタスク目標に基づき、学生がテキストの書き換えにおいて転移戦略をどのように使用したかを判定した。システムは、原文と生成されたバージョンの並列比較ビューを提供し、文の調整や構造の再構築といった操作が、要求される転移タイプを効果的に反映しているか教員が判断できるよう支援した。
自然な表現の評価では、言語出力の流暢さと真正性に重点が置かれました。教師はシステムによって生成された言語指標を用いて、文章が英語ネイティブスピーカーの表現習慣に準拠しているか、また文法構造、単語のコロケーション、文章のリズムが自然で適切であるかを評価しました。また、アノテーションを通じて問題点を指摘し、代替表現を提案しました。文化適応性の次元では、異文化間語用論の適切性に重点が置かれました。教師は、意味的な曖昧さ、修辞的な矛盾、または漠然とした価値判断など、ソース言語の文化的な干渉に起因する不適切な表現がテキストに含まれていないかを確認する必要がありました。システムは一般的な文化的逸脱語の例を提示し、教師がコメント欄で修正の根拠や文化的背景の要件を説明することをサポートすることで、学生の文化的転移への意識と表現の正確性の向上を導きました。各次元は5段階でスコアリングされ、自由記述のアノテーションおよび提案入力モジュールが含まれていました。最終的な評価結果はレーダーチャートとして提示されました。
評価効率を向上させ、実際の教室での活用を支援するため、本研究ではAIベースのスコアリングと教師による評価を組み合わせた協調的評価メカニズムを開発しました。本システムでは、まずDeepSeekによって生成されたテキストの多次元評価を行います。自動スコアリングモジュールを通じて、構文の複雑さ、段落構成、テキストの一貫性などの主要な側面を評価します。スコアリング結果は、教師用インターフェースにリアルタイムで表示されます。教師は各次元の詳細なスコアを確認し、専門的な判断や生徒の転移パフォーマンスへの理解に基づいて、必要に応じてそれらを調整します。また、自動スコアリングでは捉えきれないフィードバックや指導上の提案を提供するため、テキストに直接、的を絞ったコメントを追加します。各評価次元には5段階の評価スケールを採用しました。インターフェースには、パーソナライズされたフィードバックを容易にするための自由形式のテキスト注釈および推奨モジュールも含まれています。評価結果はレーダーチャートで可視化され、教師はさまざまな転移次元における生徒の強みと弱みを迅速に特定できるようになっています。
さらに、本システムでは、指導目標に合わせて特定の次元の重み付けや総合スコアを教師が調整することが可能でした。この機能により、最終的な評価において生徒の実際のパフォーマンスや学習ニーズをより正確に反映させることができました。手動レビューの完了後、システムは機械生成された評価データと教師が生成した評価データを自動的に統合しました。その後、視覚的なフィードバックレポートが作成されました。このレポートには、転移パフォーマンスのレーダーチャートとバージョン追跡チャートが含まれていました。これらの視覚化により、複数回にわたるテキスト生成と修正を通じた生徒の転移能力の変化が明確に示され、学習進捗の継続的なモニタリングが可能となりました。
転移学習プロセス
本研究では、完全な転移トレーニングプロセスを設計した。まず、教師が指導目標と学生の実際のレベルに基づいて特定の英語ライティング課題を割り当て、トレーニングの転移タイプと重点を明確にした。次に、システムが教師の設定した課題に基づき、対応するプロンプト命令を自動的に生成し、DeepSeekモデルを呼び出してライティングの初稿を作成させ、これを学生のリライティングおよび転移トレーニングの基本資料とした。初稿を受け取った後、学生はテキストに反映されている転移の特徴を能動的に特定し、学習した転移戦略を用いて、構文構造、段落構成、および文化的表現の適切性を向上させるために、目的を持って内容をリライティングする必要があった。リライティングの完了後、教師は学生が提出したテキストに対して詳細なレビューを行い、転移戦略の有効性を強調し、改善のための具体的な提案とライティング指導を提供した。教師のフィードバックに基づき、DeepSeekモデルを再度呼び出して最適化されたバージョンを生成し、学生がテキストをさらに洗練させ、転移戦略の実践を深めることを支援した。最終的に、学生は最終稿の提出を完了し、転移認知表への記入、自己評価、および転移方法とその効果のまとめを行い、メタ認知能力の向上とライティング転移スキルの内面化を促進した。本研究のために設計された転移認知表をTable 2に示す。
すべての項目において、1（習得していない）から5（完全に習得している）までの1～5段階の評価尺度を採用しました。自己評価データは3回の連続トレーニング後に収集されました。スコアリングのベンチマークは、5次元タスクライブラリにおける事前定義された移送操作基準に基づいています。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
実験計画法の指導
本研究では、DeepSeekの基本的なオープンソース版を使用し、プログラム呼び出しにはプラットフォームのオープンAPIインターフェースを利用した。5種類のプロンプトテンプレートテキスト、4段階のタスク例エントリ、転移アノテーションカテゴリタグ、および作文誤りテンプレートの照合マッピングルールの完全なセットは、補足付録にまとめられている。システムの呼び出しパラメータは、温度係数0.7で固定されており、生成される長さは作文の問題形式に基づいて動的に制限された。また、「意味の再構築 ＞ スタイルの調整 ＞ 文化的適応」という固定された順序に厳格に従い、ネストされたプロンプトチェーン呼び出しを実行した。モデルの出力は、教室での教育に効果的なテキストを指導者が手動で選択した。
本研究では、5年以上の経験を持つ大学での英語ライティング専任講師3名に、手動スコアリングへの参加を依頼した。すべての採点者は、本採点に先立ち標準化トレーニングを受け、評価次元、5段階評定システム、文化的転移、構文...
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
本研究では、異文化間英語ライティング転移教育のため、DeepSeekのMoEアーキテクチャに基づいた多層的な指示最適化フレームワークを構築した。文レベルから文化レベルまでを網羅する4段階の漸進的タスクと、5つのカテゴリーからなる標準化タスクライブラリを核とし、実際の学生のライティングサンプルに基づく自動プロンプト生成を実現し、複雑な異文化適応タスクを分解するための3段階のネスト型プロンプトチェーンを確立した。テキストの推敲に限定された従来の汎用的なプロンプト設計とは異なり、提案するソリューションはプロンプトの構成を言語転移教育の目標と密接に結びつけ、モデルによる生成、教師によるアノテーション、そして学生による反復的な修正というクローズドループの教育フローを構築している。学問的進展の観点から、本研究は第二言語習得におけるプロンプトエンジニアリングの実践的境界を拡大し、大規模言語モデルのパラメータ特性をEFL教室での標的トレーニングに組み合わせるための定量的なテンプレート構築パスを提供した。また、AI補助環境下における異文化間語用論的転移研究の実証的根拠を豊かにし、構文的な負の転移エラーのみに焦点を当てた既存の研究知見
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
著者らは、金銭的な利益相反がないことを宣言します。
本研究は、浙江省教育計画プロジェクト2026「デジタルおよびインテリジェントなエンパワーメント下における高等職業教育教師の教育能力フレームワークの再構築および促進戦略に関する研究」（プロジェクト番号：ZWT26024、承認番号：2026SCG360）の支援を受けて行われました。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
| 名前 | 会社 | カタログ番号 | コメント |
|---|---|---|---|
| BERT 学習済み言語モデル | https://github.com/google-research/bert | テキスト表現、段落構造の認識、意味的類似度の算出、およびテキスト分類により、記述内容の自動採点をサポートする。 | |
| Coreferee | Explosion AI | https://github.com/explosion/coreferee | テキストの照応関係を特定し、談話の照応的一貫性を評価することで、記述品質の自動採点を支援する。 |
| DeepSeek 大規模言語モデル | DeepSeek AI | https://chat.deepseek.com/ | MoEモデルアーキテクチャに基づき、指示の最適化とプロンプトチェーンの設計を行った。モデルは固定パラメータ（温度係数 0.7）を使用し、生成長は質問形式に応じて動的に制限される。 |
| spaCy | Explosion AI | https://github.com/explosion/spaCy | 英文の依存構文構造を解析し、平均文長や入れ子構造の節の数などの指標を抽出して、構文の複雑さを定量化する。 |
| SPSS 26.0 | IBM | https://www.ibm.com/products/spss-statistics | 反復測定分散分析 (RM-ANOVA)、独立サンプルt検定、ピアソンの相関分析、効果量 (Cohen’s d) の算出、および信頼性 (ICC) 検定などの統計解析を実施した。 |
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。