Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Optymalizacja promptów DeepSeek w nauczaniu pisania w języku angielskim w kontekście międzykulturowym: praktyczne badanie kompetencji transferowych

78 wyświetleń

⸱

DOI:

10.3791/71662

⸱

25 sierpnia 2026

1Ningbo City College of Vocational Technology

W tym artykule

Podsumowanie

Niniejsze badanie opracowuje warstwową strukturę optymalizacji promptów opartą na modelu DeepSeek, mającą na celu zwiększenie kompetencji transferu pisania w języku angielskim w kontekstach międzykulturowych. Dzięki zastosowaniu trzystopniowego łańcucha promptów oraz quasi-eksperymentu z udziałem 60 studentów filologii angielskiej, wyniki wykazały istotną poprawę w grupie eksperymentalnej w porównaniu z grupą kontrolną.

Streszczenie

Aby rozwiązać problem polegający na tym, że tradycyjne nauczanie pisania w języku angielskim zaniedbuje systematyczne rozwijanie transferu językowego, a istniejące ramy promptów nie sprawdzają się w nauczaniu klasowym, w niniejszym badaniu skonstruowano hierarchiczny system treningu transferu oparty na modelu DeepSeek, obejmujący cztery progresywne poziomy zadań: zdanie, akapit, dyskurs i kulturę, przy czym wszystkie zadania zdefiniowano w formie potrójnej. Utworzono pięciowymiarową bibliotekę zadań obejmującą składnię, strukturę, kulturę, rejestr i logikę, a ukierunkowane prompty są automatycznie generowane na podstawie autentycznych szkiców prac pisemnych studentów. Zintegrowany z architekturą Mixture of Experts (MoE) modelu, opracowano zagnieżdżony łańcuch promptów, aby podzielić skomplikowane polecenia na trzy sekwencyjne fazy: reorganizację semantyczną, rewizję językową i adaptację kulturową. Przyjmując quasi-eksperymentalny plan badań, do projektu zrekrutowano 60 studentów drugiego roku filologii angielskiej z jednego uniwersytetu, dzieląc ich na grupę eksperymentalną i kontrolną po 30 osób każda, w celu przeprowadzenia trzytygodniowej etapowej interwencji w trzech rundach treningowych. Wyniki po eksperymencie wykazują, że wynik transferu kulturowego w grupie eksperymentalnej wzrósł z 2,8 do 4,5, w porównaniu z zaledwie 0,3 wzrostu w grupie kontrolnej; średnia ocena wystawiona przez nauczyciela poprawiła się z 59,1 do 74,4, podczas gdy w grupie kontrolnej wzrost wyniósł z 60,1 do 64,9. Większość współczynników korelacji między oceną AI a oceną nauczyciela przekracza 0,8, a ponad 90% uczestników zatwierdziło funkcje przeredagowania przez AI oraz optymalizacji strukturalnej. Ze względu na niewielką liczebność próby w tym badaniu, opisane podejście optymalizacyjne jest wykonalne do wdrożenia na zajęciach z pisania w języku angielskim na poziomie uniwersyteckim.

Wprowadzenie

W nauczaniu pisania w języku angielskim w kontekście międzykulturowym osoby uczące się języka angielca jako obcego często mierzą się z problemem niewystarczającej zdolności transferu podczas przechodzenia od wiedzy językowej do praktycznego zastosowania1,2. Mimo że studenci posiadają pewne podstawy gramatyczne i leksykalne, mają trudności z efektywnym przekształcaniem wzorców zdań, struktur i wyrażeń kulturowych w rzeczywiste teksty, co skutkuje sformalizowaną wypowiedzią i ograniczonym sposobem myślenia, wpływając tym samym na ogólną jakość pisania3. Dodatkowo międzykulturowe różnice w strukturze języka, organizacji logicznej i normach pragmatycznych jeszcze bardziej zwiększają złożoność transferu pisemnego4. W ostatnich latach duże modele językowe (LLM) zapewniły nowe wsparcie techniczne dla nauczania pisania5. Inteligentne narzędzia do pisania, takie jak DeepSeek, wykazały silne możliwości w zakresie generowania i rekonstrukcji języka. Jednak w praktyce dydaktycznej ograniczają się one głównie do powierzchniowej korekty językowej i nie zostały jeszcze głęboko zintegrowane z procesem nauczania skoncentrowanym na kształtowaniu zdolności transferu. Brakuje im orientacji na cele dydaktyczne oraz sterowalności zachowań generatywnych6,7. Dominujące aplikacje do pisania wspomaganego przez AI ograniczają swoje funkcje głównie do powierzchniowej korekty błędów gramatycznych, zamiast celować w kształtowanie systematycznych kompetencji transferowych, co skutkuje słabą kontrolą nad wynikami modelu z perspektywy dydaktycznej.

Istniejące badania nad wsparciem pisania dla osób uczących się angielskiego jako drugiego języka (ESL) dzielą się na trzy główne kategorie: konwencjonalne informacje zwrotne oparte na promptach, ogólne interwencje polegające na korekcie tekstu przez AI oraz trening transferu koncentrujący się na działaniach manualnych. Po pierwsze, ogólne badania nad inżynierią promptów priorytetyzują techniczną optymalizację odpowiadania na pytania i przeredagowywania tekstu, bez dopasowania do hierarchicznych celów nauczania transferu8,9. Po drugie, typowe korepetycje ESL oparte na ChatGPT skupiają się na ogólnej poprawie poprawności pisania, a nie na warstwowym rozwijaniu transferu syntaktycznego, strukturalnego i międzykulturowego10. Po trzecie, tradycyjna pedagogika transferu oparta na imitacji i pisaniu kontrastowym nie posiada zamkniętej pętli informacji zwrotnej wspieranej przez inteligentne narzędzia11. W odróżnieniu od wcześniejszych badań, niniejsza praca dostosowuje hierarchiczne prompty zorientowane na transfer, zgodne z wielopoziomowymi celami nauczania, oraz buduje workflow automatycznego generowania promptów na podstawie przykładów, tworząc unikalny mechanizm treningu w zamkniętej pętli, łączący generowanie modelu, informację zwrotną nauczyciela i korektę ucznia.

Wcześniejsza literatura zakłada potencjalny związek obejmujący lingwistyczną dywergencję kulturową, immanentne ograniczenia strukturalne modelu oraz niespójną praktykę klasową, jednak taki łańcuch przyczynowy pozostaje niewystarczająco zweryfikowany empirycznie w istniejących badaniach i staje się główną hipotezą badawczą analizowaną w niniejszej pracy12,13. W odniesieniu do cech charakterystycznych modelu DeepSeek przytoczonych w niniejszym artykule, jego otwarty interfejs instrukcyjny oraz projekt routingu ekspertów oparty na architekturze MoE zostały opisane w istniejących raportach technicznych modelu oraz w badaniach nad zastosowaniem języka. Opierając się na tych udokumentowanych cechach modelu, niniejsze badanie dostosowuje zagnieżdżone łańcuchy promptów w celu rozbicia złożonych zadań transferu międzykulturowego i opracowuje dynamiczne reguły harmonogramowania podmodeli dla zróżnicowanych zadań transferowych. Skupiając się na rozwoju ustrukturyzowanej zdolności transferu, obecna praca bada ukierunkowaną optymalizację promptów w DeepSeek, dążąc do przekształcenia dużych modeli językowych z uniwersalnych narzędzi edycji tekstu w specjalistyczne systemy treningu transferowego dla nauczania pisania w języku angielskim na poziomie akademickim.

W obszarze badań nad pisaniem w drugim języku zjawisko transferu od dawna stanowi główny temat14,15. Tradycyjna teoria transferu językowego koncentruje się przede wszystkim na pozytywnych i negatywnych efektach transferu języka ojczystego na proces przyswajania języka docelowego, ze szczególnym uwzględnieniem fonetyki, słownictwa i składni16. Mirzayev E wskazał, że w nauczaniu pisania w języku angielskim jako drugim (ESL) negatywny transfer z pierwszego języka pozostaje kluczowym czynnikiem ograniczającym rozwój umiejętności pisania uczniów17. Wraz z rozszerzaniem zakresu badań środowisko naukowe stopniowo przeniosło swoją uwagę na transfer struktury tekstu18. Pisanie w języku pośrednim (interjęzyku) często charakteryzuje się błędami językowymi i fosylizacją wynikającymi z wielu czynników19. Jednocześnie coraz większą uwagę poświęca się teorii transferu poznawczego20. Teoria ta podkreśla różnice w organizacji poznawczej i wzorcach ekspresji w procesie pisania. Na przykład pisanie w kręgu zachodnim kładzie nacisk na rozumowanie liniowe i eksplicytną logikę, podczas gdy tradycja chińska preferuje podejście spiralne i wieloznaczność semantyczną. Między tymi dwoma podejściami istnieje znaczące napięcie. W związku z tym transfer językowy obejmuje nie tylko konwersję jednostek językowych, ale także adaptację i przekształcanie struktur myślowych oraz kulturowych norm ekspresji na głębszym poziomie, co stanowi istotne wyzwanie w obecnym nauczaniu pisania w języku angielskim21.

W praktyce rozwijania zdolności transferu, istniejące badania często wykorzystują strategie takie jak pisanie imitacyjne22, pisanie kontrastywne23 oraz trening tłumaczenia24, aby usprawnić zrozumienie i zastosowanie mechanizmów transferu języka docelowego przez uczących się. Pisanie imitacyjne pomaga w budowaniu podstawowych umiejętności dyskursywnych, lecz może łatwo prowadzić do sztywności strukturalnej; pisanie kontrastywne może poprawić styl językowy i świadomość kulturową, ale brakuje w nim systematycznego warstwowania zadań i spersonalizowanej informacji zwrotnej; trening tłumaczenia może promować rozpoznawanie metafor kulturowych, jednak bez odpowiedniego prowadzenia może łatwo doprowadzić do odchyleń semantycznych lub nieodpowiedniości pragmatycznej. Powyższe strategie opierają się głównie na manualnych demonstracjach i wskazówkach empirycznych25, brakuje im wyraźnej konstrukcji strategii transferu i systematycznych mechanizmów informacji zwrotnej, a ich dostosowanie do indywidualnych różnic w biegłości językowej i stylach poznawczych jest utrudnione. Chociaż w niektórych badaniach próbowano rozszerzyć trening transferu poprzez zdywersyfikowane zadania pisemne26,27, proces nauczania nie stworzył jeszcze zamkniętej pętli „cel transferu–generowanie języka–informacja zwrotna o strategii”; efekt internalizacji strategii transferu jest ograniczony, a rozwój zdolności transferu uczniów w rzeczywistych zadaniach pisemnych pozostaje niewystarczający28.

Wraz z rozwojem technologii dużych modeli językowych, ich potencjał wspomagający nauczanie języków budzi coraz większe zainteresowanie29. Generatywne narzędzia AI, reprezentowane przez ChatGPT (Chat Generative Pre-trained Transformer)30 oraz DeepSeek31, są powszechnie wykorzystywane w takich scenariuszach jak korekta tekstów, przeredagowywanie oraz dostosowywanie języka. Diasamidze i wspólnicy wykazali, że studenci ESL korzystający z ChatGPT osiągnęli lepsze wyniki niż grupa ucząca się metodą tradycyjną pod względem poprawności gramatycznej, bogactwa słownictwa oraz umiejętności organizacji tekstu32. Jednakże istniejące zastosowania ograniczają się głównie do powierzchownego przetwarzania języka i brakuje w nich systematycznego kierownictwa w zakresie celów transferu. Ranade wskazał, że projekty oparte na promptach w obecnych scenariuszach edukacyjnych opierają się w większości na ogólnych szablonach, a generowana treść wykazuje brak adaptacyjności kontekstowej i specyfiki zadań33. Ponadto trenowanie głównych modeli opiera się na otwartym korpusie i brakuje w nim głębokiego modelowania różnic w kulturowych ekspresjach języka chińskiego i angielskiego. W generowanych tekstach często pojawia się nieodpowiedniość kulturowa oraz nienaturalna pragmatyka34,35, co ogranicza ich pogłębione zastosowanie w nauczaniu transferu pisania międzykulturowego.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Zgoda komisji etycznej

Przed rozpoczęciem eksperymentu autorzy uzyskali zgodę (Numer zgody: NBCC-ETH-2026-037) z uczelni i przekazali dokumenty świadomej zgody wszystkim uczestniczącym studentom. Wszyscy studenci zostali jasno poinformowani o celach badań, procedurach eksperymentalnych oraz zasadach wykorzystania danych. Udział w badaniu był dobrowolny, a uczestnicy mogli wycofać się z niego w dowolnym momencie. Wszystkie dane osobowe oraz prace pisemne zostały zanonimizowane w celu ochrony prywatności i wykorzystane wyłącznie do analizy akademickiej. Wszystkich 60 uczestników podpisało formularz zgody przed wzięciem udziału w badaniu. Uczestników wybrano z dwóch równoległych klas pisania w języku angielskim dla studentów drugiego roku w tej samej wyższej szkole zawodowej, stosując metodę doboru wygodnego. Kryteria włączenia obejmowały: zdanie egzaminu CET-6 z wynikiem > 425, brak nieobecności w bieżącym semestrze oraz średnie oceny z dwóch ostatnich testów pisania w ramach jednostek lekcyjnych. Kryteria wykluczenia obejmowały: długotrwałe korzystanie z komercyjnego oprogramowania AI do pisania w języku angielskim poza zajęciami oraz ciężką dysleksję.

Zmienność dla wszystkich ciągłych zmiennych wynikowych przedstawiono jako średnia ± odchylenie standardowe (SD). Wszystkie analizy przeprowadzono przy wielkości próby n = 30 uczestników na grupę (grupa eksperymentalna vs grupa kontrolna), łącznie N = 60. Dla podłużnych danych z powtarzanymi pomiarami zastosowano analizę wariancji z powtarzanymi pomiarami (RM-ANOVA), aby zbadać główne efekty grupy i czasu oraz interakcję grupa-czas. Testy t dla prób niezależnych wykorzystano do post-hoc porównań parami w poszczególnych punktach czasowych. Grupa kontrolna otrzymała tradycyjną instrukcję pisania oraz generyczne, bezpłatne, niedostosowane narzędzie AI do pisania (bez warstwowych promptów, bez szablonów zorientowanych na transfer). Liczba godzin nauczania, zadania pisemne, częstotliwość informacji zwrotnych i teksty szkoleniowe były identyczne jak w grupie eksperymentalnej, z wyjątkiem braku interwencji w postaci dostosowanego, zagnieżdżonego łańcucha promptów oraz biblioteki zadań pięcio poziomowej wykorzystanej w niniejszym badaniu. Grupa eksperymentalna korzystała z instrukcji opartych na modelu DeepSeek w celu optymalizacji nauki pisania, obejmujących wskazówki w formie zagnieżdżonego łańcucha promptów, wyniki adaptacji międzykulturowej oraz mechanizm „generowanie-refleksja-regenerowanie”. Grupa kontrolna natomiast stosowała tradycyjne metody nauczania lub niezoptymalizowane narzędzia wspomagane przez AI. Poprzez porównanie efektów nauczania w obu grupach zweryfikowano skuteczność metody treningu transferowego opartej na dużym modelu językowym w poprawie zdolności transferu pisania u studentów.

Ogólna koncepcja badawcza

Celem niniejszego badania była poprawa umiejętności transferu pisania w języku angielskim u uczniów oraz opracowanie skutecznych metod projektowania dydaktycznego, ze szczególnym uwzględnieniem adaptacji DeepSeek do celów edukacyjnych. Po pierwsze, zaproponowano strategię optymalizacji instrukcji w celu przeprojektowania promptów modelu. Poprawiło to zgodność generowanych wyników z wieloma celami transferu w nauczaniu pisania, w tym w zakresie struktury składniowej, logiki akapitów oraz ekspresji kulturowej. Po drugie, zadania pisemne przygotowane przez nauczycieli przekształcono w ustrukturyzowane i zorientowane na cel szablony promptów. Następnie ustanowiono relację mapowania między zadaniami dydaktycznymi a zachowaniami modelu. Zwiększyło to sterowalność modelu i zapewniło, że generowana treść była istotna z pedagogicznego punktu widzenia. Na koniec w ramach badania opracowano zamknięty proces treningowy transferu: „generowanie–refleksja–przepisywanie–regenerowanie”. Proces ten zachęcał uczniów do identyfikowania strategii transferu i aktywnego doskonalenia ekspresji językowej przy wsparciu modelu. Poprzez powtarzalne iteracje sukcesywnie wzmacniano międzyjęzykowe i międzykulturowe umiejętności transferu pisania u uczniów. Kroki transformacji struktury zdania przedstawiono na Rysunku 1A–D.

Aby wyjaśnić pełną logikę działania systemu szkolenia z pisania wspomaganego przez AI oraz poprawić powtarzalność, cały przebieg implementacji został podsumowany w Tabeli 1, obejmującej kluczowe etapy, takie jak dane wejściowe, interwencje nauczyciela, zastosowanie promptów, aktywności studentów, wyniki końcowe oraz odpowiadające im kryteria oceny.

Strategia konstruowania zadań zorientowanych na transfer

Niniejsze badanie skupiło się na rozwijaniu umiejętności transferu w pisaniu w języku angielskim. Opracowano ścieżkę zadań transferowych prowadzącą od poziomu powierzchownego do głębokiego, systematycznie prowadząc studentów przez proces opanowywania i praktykowania wielopoziomowych strategii transferu językowego. Aby opisać strukturę tej ścieżki jako całości, zdefiniowano ją jako czteroetapowy zestaw zadań:

T = {T1,T2,T3,T4} (1)

T1 reprezentuje zadanie transferu na poziomie zdania, które koncentruje się na podstawowych operacjach struktury gramatycznej, takich jak rozszerzanie krótkich zdań, zmiana strony oraz zastępowanie klauzul, aby pomóc studentom w opanowaniu różnorodnych metod budowy zdań. T2 to zadanie transferu na poziomie akapitu, które nakierowuje studentów na organizację i powiązania informacji w obrębie akapitu oraz uczy ich poprawy przejrzystości strukturalnej i spójności wypowiedzi poprzez wydobywanie zdań głównych i dostosowywanie logiki między zdaniami. T3 reprezentuje zadanie na poziomie dyskursu, które rozciąga się na ogólny układ logiczny i rytm argumentacji rozdziału, prowadząc studentów do konstruowania angielskiego artykułu z kompletnym systemem argumentacji poprzez dostosowanie kolejności akapitów i optymalizację relacji zestawienia strukturalnego. T4 to zadanie transferu na poziomie kulturowym, które wymaga od studentów zidentyfikowania ukrytych cech ekspresji kulturowej w pisaniu w języku ojczystym, takich jak niedosłowne sformułowania i sugestie semantyczne, oraz przekształcenia ich w formy bezpośrednie lub logicznie jawne, zgodne z kulturą języka docelowego. Proces ewolucji przedstawiono na Rysunku 2. Aby zwiększyć operacyjność i możliwość ewaluacji projektu zadań, w niniejszym badaniu zdefiniowano każdy poziom zadania jako formę trójki:

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

Sj oznacza próbkę wejściową zadania, Gi oznacza docelową operację transferu, a Ei oznacza wspierające kryteria oceny. Dzięki tej ustrukturyzowanej formie zapewniono, że każdy poziom zadania opierał się na opanowaniu strategii z poprzedniego poziomu i był wyposażony w odpowiednie próbki, opisy celów oraz kryteria wydajności, co zapewniło mechanizm stabilnego postępu ścieżki transferu. W procesie konstruowania systemu treningu transferowego, aby osiągnąć systematyczne pokrycie typów zadań i efektywne zarządzanie wezwaniami dydaktycznymi, w badaniu tym zbudowano ustrukturyzowaną bibliotekę zadań obejmującą pięć typów celów transferu, opartą na powszechnych wymiarach konwersji językowej w transferze pisemnym. Bibliotekę zadań sformalizowano jako:

M = {(Dj,TDj)∣j = 1,2,3,4,5} (3)

Dj  odpowiada pięciu wymiarom transferu: transferowi składniowemu, strukturalnemu, kulturowemu, rejestrowemu oraz logicznemu; zbiór zadań TDj  powiązany z każdym z tych wymiarów reprezentuje jego podzbiór operacji. W procesie tworzenia biblioteki zadań autorzy w pierwszej kolejności podsumowali i sklasyfikowali typowe trudności w transferze oraz rodzaje błędów językowych na podstawie licznych autentycznych próbek prac pisemnych studentów, a następnie, w połączeniu z rzeczywistymi potrzebami dydaktycznymi i standardami oceny, podzielili poszczególne typy transferu na obszary funkcjonalne oraz ustalili kluczowe cele szkoleniowe i tryby operacyjne dla każdego zadania. Każde zadanie zostało przedstawione w formie abstrakcyjnej struktury trójkowej:

Ti,j = (Si,j,Gi,j,Ci,j) (4)

Si,j reprezentuje próbkę wejściową zadania, Gi,j jest opisem celu transferu zadania, a Ci,j to wymiar oceny i kontroli zadania. W zadaniu transferu syntaktycznego w niniejszym badaniu zaprojektowano sekwencję reorganizacji zdań postępującą od prostych do trudnych, obejmującą łączenie zdań, zagnieżdżanie zdań składowych, konwersję na stronę bierną oraz pojęcia pokrewne, z целью poprawy umiejętności uczniów w zakresie rozbudowy zdań i przekształceń gramatycznych. Zadanie transferu strukturalnego koncentrowało się na optymalizacji logiki akapitów, wzmacnianiu organizacji informacji i zwiększaniu zdolności do konstrukcji logicznej poprzez przeredagowanie zdań głównych, sortowanie zdań uzupełniających oraz rekonstrukcję relacji przyczynowo-skutkowych i przykładów. Zadanie transferu kulturowego oparto na korpusie międzykulturowym i ukierunkowano na odchylenia pragmatyczne, takie jak wyrażenia niejawne i eufemizmy. Zaprojektowano konwersje wypowiedzi zbliżone do rzeczywistego kontekstu, aby promować rozwój adaptacyjności kulturowej. Zadanie transferu rejestru prowadziło uczniów przez proces przekształcania wypowiedzi mówionych w język akademicki oraz opanowanie strategii przełączania rejestrów. Zadanie transferu logicznego skupiało się na konstruowaniu łańcuchów rozumowania i zapewnianiu jasności wypowiedzi, przeprowadzając trening z zakresu stosowania spójników, eksplicytacji relacji logicznych oraz przejść między akapitami.

W oparciu o rzeczywiste próbki prac pisemnych uczniów, w niniejszym badaniu opracowano proces generowania promptów ściśle powiązany z zadaniami dydaktycznymi, mający na celu zwiększenie trafności instrukcji oraz praktyczności generowanych treści. Proces ten był prowadzony przez nauczycieli, którzy w trakcie nauczania wybierali reprezentatywne fragmenty tekstów uczniów, koncentrując się na typowych problemach z transferem, takich jak zdania redundantne, chaotyczna struktura oraz niewłaściwe wyrażenia kulturowe. Następnie, za pomocą interfejsu systemu, naniesiono adnotacje określające typy transferu w celu doprecyzowania celów szkoleniowych. Po otrzymaniu informacji z adnotacji system automatycznie aktywował moduł identyfikacji zadań transferowych. Następnie dopasował dane wejściowe do zdefiniowanej biblioteki zadań i biblioteki szablonów promptów. Proces dopasowania uwzględniał takie czynniki jak typ transferu, cechy lingwistyczne oraz struktura tekstu. Na podstawie tych czynników system wybrał najodpowiedniejszy szablon i wygenerował wstępny prompt. System wspierał również strukturalne przetwarzanie wzmacniające. Adnotacje nauczycieli zostały przekształcone w znormalizowany format, który może być łatwo interpretowany przez model. Do promptu wbudowano odpowiednie wskazówki instruktażowe, aby pomóc modelowi dokładnie zrozumieć zarówno intencje nauczyciela, jak i pytania ucznia. Aby zwiększyć elastyczność i sterowalność instrukcji, system zawierał moduł wsparcia nauczyciela. Moduł ten pozwalał nauczycielom na dopracowywanie promptów poprzez modyfikację wytycznych instruktażowych, dostosowywanie ustawień kontekstowych oraz personalizację tonu i stylu. W rezultacie nauczyciele uzyskali większą kontrolę nad procesem generowania i mogli lepiej dostosować go do różnych scenariuszy dydaktycznych.

Mechanizm optymalizacji poleceń Deepseek

W oparciu o praktyczne potrzeby treningu transferu pisania w języku angielskim, w niniejszym badaniu opracowano pięć rodzajów szablonów promptów zorientowanych na transfer. Szablony te zostały zaprojektowane w celu naprowadzania i regulowania zachowania generatywnego modelu językowego. Szablon transferu strukturalnego skupiał się na organizacji akapitów i strukturze dyskursu. Pomagał on studentom reorganizować teksty poprzez stosowanie struktur takich jak wstęp–rozwinięcie–zakończenie oraz poprawę logicznego przepływu myśli. Szablon transferu składniowego kładł nacisk na złożoność na poziomie zdań. Zachęcał do stosowania zróżnicowanych struktur gramatycznych, w tym strony biernej, konstrukcji równoległych i zdań złożonych, aby zwiększyć wyrafinowanie formy pisemnej. Szablon transferu kulturowego odnosił się do stosowności kulturowej w pisaniu. Pomagał studentom w adaptacji sformułowań pod wpływem języka ojczystego i kultury do form bardziej naturalnych i akceptowalnych w kontekstach anglojęzycznych. Szablon transferu rejestru koncentrował się na adaptacji stylu i kontroli rejestru. Pomagał studentom dostosować język do różnych celów pisania, odbiorców i gatunków. Szablon transferu logicznego miał na celu wzmocnienie organizacji logicznej. Promował efektywne wykorzystanie relacji takich jak przyczyna i skutek, porównanie i kontrast oraz rozwój równoległy, poprawiając tym samym spójność i rygor argumentacji. Razem pięć tych szablonów objęło główne wymiary transferu pisania, zapewniając ustrukturyzowane wsparcie dydaktyczne zarówno dla projektowania zadań nauczania, jak i dla generowania tekstów w oparciu o model.

Każdy typ szablonu opierał się na ujednoliconym formacie, aby zapewnić jego uniwersalność i możliwość adaptacji w różnych sytuacjach dydaktycznych. Szablon zawierał cztery kluczowe elementy: pierwszym był cel instrukcji, który jasno określał wymagane zadanie transferu; drugim był przykładowy wprowadzany tekst (sample input), który dostarczał studentom autentycznych fragmentów językowych jako korpus stanowiący podstawę dla efektywności instrukcji; trzecim był oczekiwany wynik (target output), prezentujący standardowy styl idealnego produktu językowego po transferze, służący studentom do porównania i dostrajania modelu; czwartym była sugestia użycia, wyjaśniająca poziom językowy, typ tekstu oraz strategię stosowania właściwą dla danego szablonu, a także zawierająca regulowane podpowiedzi parametrów w celu zwiększenia kontroli nad generowaniem i poprawy efektu prowadzenia dydaktycznego.

Aby dalej zilustrować logikę projektowania i praktyczne zastosowanie szablonów promptów, poniżej przedstawiono reprezentatywne przykłady pięciu promptów zorientowanych na transfer. Wszystkie szablony były zgodne z jednolitym schematem, który składał się z celu instrukcji, przykładowego wejścia, docelowego wyjścia oraz sugestii dotyczących zastosowania. Studenci byli instruowani, aby rozbudowywać proste zdania, zmieniać strony czynną i bierną oraz wplatać zdania podrzędne w celu wzbogacenia różnorodności syntaktycznej. Na przykład, dla szkicu studenckiego „I study English writing. It is very important for cross-cultural communication”, zoptymalizowany wynik brzmi „Learning English writing plays a vital role in improving learners’ ability of cross-cultural communication”. Prompt ten był odpowiedni do treningu na poziomie zdań dla studentów drugiego roku filologii angielskiej na umiarkowanym poziomie trudności, koncentrując się na podstawowej rekonstrukcji syntaktycznej i transformacji strony. Inny typ promptu był skierowany na transfer kulturowy, mający na celu identyfikację sformułowań typu „Chinglish”, będących wynikiem wpływu rodzimego myślenia kulturowego, oraz przeredagowanie zdań na naturalne angielskie wyrażenia pragmatyczne, zgodne z zachodnimi normami kulturowymi. Przyjmując jako przykład zdanie studenckie „Many people think you must work hard if you want to succeed”, wersja poprawiona brzmiała „People generally believe that diligence is the key to success”. Prompt ten zastosowano w treningu transferu na poziomie kulturowym, skupiając się na eliminowaniu ukrytych chińskich schematów myślowych i promowaniu jawnej ekspresji w kontekście języka angielskiego.

W ramach niniejszego badania opracowano również trzystopniowy zagnieżdżony łańcuch promptów, który przyjmował szkice akapitów studentów jako jednolity wsad i działał w kolejnych fazach. Pierwsza faza polegała na reorganizacji semantycznej, w której prompt wymagał od uczestnika przeorganizowania zdań w danym akapicie, optymalizacji logicznego uporządkowania myśli oraz sformułowania pełnego akapitu z wyraźnymi zdaniami wprowadzającymi. Druga faza obejmowała rewizję językową, polegającą na przeredagowaniu poprawionego akapitu na formalny angielski akademicki, zastąpieniu słownictwa potocznego oraz odpowiednim zastosowaniu zdań złożonych i struktur biernych. Trzecia faza stanowiła adaptację kulturową, w której prompt kierował użytkowników do weryfikacji ekspresji kulturowo-pragmatycznych w tekście, usunięcia interferencji kulturowej języka ojczystego oraz dopracowania treści tak, aby odpowiadała angielskim konwencjom pisania międzykulturowego. Powyższe przykłady w pełni zademonstrowały tryby działania pojedynczych szablonów promptów oraz zagnieżdżonych łańcuchów promptów. Na tej podstawie w badaniu zaprojektowano kompletny etapowy łańcuch promptów połączony z architekturą MoE modelu DeepSeek.

Aby przezwyciężyć ograniczenia jednorazowych promptów w zakresie kontroli generowania i głębokości odpowiedzi na zadania, w niniejszym badaniu zaprojektowano strukturę zagnieżdżonego łańcucha promptów o charakterystyce fazowej i ciągłej, umożliwiającą hierarchiczne prowadzenie i stopniowe generowanie złożonych zadań translacyjnych. Mechanizm ten podzielił kompletne zadanie translacyjne na kilka podcelów, dla których zaprojektowano odpowiadające im szablony promptów; zostały one połączone szeregowo w logicznej kolejności: rekonstrukcja semantyczna, dostosowanie stylu językowego oraz adaptacja pragmatyki kulturowej, tworząc łańcuch generowania z zależnością kontekstową. W badaniu zaimplementowano optymalizację zagnieżdżonego łańcucha promptów dla DeepSeek poprzez jego standardowy otwarty interfejs API. Model DeepSeek natywnie wykorzystuje architekturę Mixture of Experts (MoE) wyposażoną w automatyczny backendowy system routingu ekspertów, który działa jako wewnętrzny moduł wnioskowania niezależny od zewnętrznych promptów. Dostosowane wieloetapowe prompty modyfikowały jedynie cechy treści danych wejściowych modelu. W odpowiedzi na wymogi semantyczne, stylistyczne i kulturowe zawarte w zoptymalizowanych danych wejściowych, natywny mechanizm routingu MoE modelu autonomicznie aktywował najodpowiedniejsze moduły eksperckie podczas generowania tekstu. Trzystopniowy projekt promptów, koncentrujący się na reorganizacji semantycznej, dostosowaniu stylu i adaptacji kulturowej, służył jedynie doprecyzowaniu tekstów wejściowych i nie ingerował w wewnętrzną logikę wyboru i alokacji ekspertów modelu.

Pod względem procesu operacyjnego system otrzymywał teksty uczniów przesłane przez nauczycieli, przekazywał adnotacje docelowe i automatycznie określał, czy włączyć zagnieżdżoną strukturę łańcuchową. W przypadku jej włączenia system realizował kolejno trzy etapy: pierwszym etapem była reorganizacja semantyczna, polegająca na wywołaniu szablonu transferu struktury w celu optymalizacji organizacji akapitów i wskazówek logicznych; drugim etapem była korekta stylu językowego, wykorzystująca szablon językowy do przekształcenia wyrażeń potocznych w akademicki język pisany; trzecim etapem była adaptacja kulturowa, polegająca na wywołaniu szablonu transferu kulturowego w celu identyfikacji i zastąpienia wyrażeń niezgodnych z kulturą języka docelowego, co pozwalało na wygenerowanie bardziej autentycznego tekstu.

Każda runda generowania wykorzystywała wynik z poprzedniej rundy jako dane wejściowe oraz zachowywała pamięć podręczną wektora kontekstu, aby zapewnić spójność semantyczną. Nauczyciele dostosowywali strukturę łańcucha promptów w interfejsie systemu, w tym wybór szablonu, modyfikację instrukcji oraz korektę sekwencji. System obsługiwał również funkcję „pakietu kombinacji szablonów”, która umożliwiała nauczycielom wygodne ponowne wykorzystanie lub przypisywanie zadań w partiach. Dodatkowo system posiadał wbudowany dynamiczny mechanizm przerywania i sprzężenia zwrotnego, który dostarczał wyniki pośrednie po każdym generowaniu. Nauczyciele naniesiali adnotacje lub korygowali kolejne instrukcje w czasie rzeczywistym, tworząc zamkniętą pętlę dydaktyczną „generowanie-korekta-regenerowanie”.

Generowanie i ewaluacja modelu

W procesie generowania i oceny tekstów w oparciu o model DeepSeek, w niniejszym badaniu skonstruowano wielowymiarowy mechanizm automatycznego punktowania w celu systematycznej analizy i ilościowej oceny wygenerowanego tekstu w trzech aspektach: złożoności składniowej, standaryzacji strukturalnej oraz spójności dyskursu. W badaniu wykorzystano parser zależności spaCy oraz moduł rozszerzający do rozwiązywania koreferencji Coreferee w celu ekstrakcji cech tekstu i automatycznej oceny. Parser zależności spaCy analizował strukturę składniową angielskiego tekstu, wyodrębniając kluczowe wskaźniki, takie jak średnia długość zdania i liczba zdań wtrąconych, co umożliwiło ilościową analizę złożoności składniowej. Moduł rozszerzający Coreferee do rozwiązywania koreferencji, działający w ramach frameworka spaCy, służył przede wszystkim do identyfikacji wewnętrznych relacji referencyjnych w tekście i oceny referencyjnej spójności dyskursu, zapewniając wsparcie techniczne dla automatycznego punktowania jakości pisania. Ze względu na ograniczenia sieciowe, wspomniane zagraniczne strony z otwartym kodem źródłowym były niedostępne.

W pierwszej kolejności system ocenił złożoność składniową. Wyekstrahowano cechy takie jak średnia długość zdania, głębokość osadzania zdań podrzędnych oraz zróżnicowanie zdań. Cechy te uzyskano za pomocą analizy zależności oraz modelowania głębokich drzew składniowych. Na podstawie wyników system ocenił, czy studenci pomyślnie przeszli od prostych wzorców zdań do struktur bardziej złożonych. Po drugie, system ocenił organizację akapitów. Połączono reprezentacje tekstowe oparte na modelu BERT z modelami klasyfikacyjnymi w celu zidentyfikowania kluczowych elementów akapitu, w tym zdań wprowadzających temat, zdań pomocniczych i zdań podsumowujących. Następnie sporządzono mapę struktury akapitu, aby ustalić, czy organizacja tekstu jest zgodna z konwencjami angielskiego pisarstwa akademickiego. Po trzecie, system ocenił spójność tekstu. Zbadano użycie spójników logicznych, spójność semantyczną między zdaniami oraz jakość powiązań referencyjnych w całym tekście. Wskaźniki te posłużyły do oceny przejrzystości rozwoju logicznego i płynności wywodu. Aby zmierzyć spójność tematyczną, system obliczył podobieństwo semantyczne przy użyciu reprezentacji wektorowych. Spójność referencyjną oceniono za pomocą technik rozstrzygania koreferencji, co pomogło zredukować luki semantyczne i wieloznaczne odniesienia. Na koniec wyniki ze wszystkich wymiarów zostały zintegrowane w jednolity wektor punktowy. Wyniki zostały zestandaryzowane w celu stworzenia kompleksowego systemu oceny, umożliwiającego wiarygodne porównywanie różnych próbek tekstowych.

W fazie oceny manualnej w niniejszym badaniu opracowano trójwymiarowy system punktacji dla treningu transferu pisania, obejmujący oczywistość zachowań transferowych, naturalność wypowiedzi oraz adaptację kulturową, aby zwiększyć trafność oceny nauczycielskiej i skuteczność informacji zwrotnych w procesie nauczania. System ten łączył funkcje pomocnicze w celu organicznego powiązania punktacji ilościowej z komentarzami jakościowymi. W wymiarze zachowań transferowych nauczyciele oceniali wykorzystanie przez uczniów strategii transferu podczas przeredagowania tekstów w oparciu o określone cele zadań. System zapewniał widok porównawczy tekstu oryginalnego i wersji wygenerowanej, co pomogło nauczycielom zidentyfikować, czy operacje takie jak korekta zdań i rekonstrukcja strukturalna skutecznie odzwierciedlały wymagany typ transferu.

Ocena naturalności wypowiedzi koncentrowała się na płynności i autentyczności generowanego języka. Nauczyciele wykorzystywali wskaźniki językowe generowane przez system, aby ocenić, czy zdania były zgodne z nawykami językowymi rodzimych użytkowników języka angielskiego oraz by ocenić, czy struktura gramatyczna, kolokacje wyrazowe i rytm zdania były naturalne i odpowiednie. Wskazywali oni również problemy i sugerowali alternatywne sformułowania za pomocą adnotacji. Wymiar adaptacji kulturowej skupiał się na stosowności pragmatyki międzykulturowej. Nauczyciele musieli zidentyfikować, czy tekst zawiera niewłaściwe sformułowania wynikające z interferencji kultury języka źródłowego, takie jak wieloznaczność semantyczna, konflikty retoryczne lub niejasne oceny wartości. System dostarczał przykłady częstych błędów wynikających z odchyleń kulturowych oraz umożliwiał nauczycielom wyjaśnienie podstaw wprowadzenia poprawek i wymogów kontekstu kulturowego w komentarzach, prowadząc uczniów do zwiększenia świadomości transferu kulturowego i dokładności wypowiedzi. Każdy wymiar był oceniany w skali 5-stopniowej i obejmował wolne adnotacje oraz moduły z sugerowanymi odpowiedziami. Końcowe wyniki oceny przedstawiono w formie wykresu radarowego.

Aby zwiększyć efektywność oceny i wesprzeć praktyczne zastosowanie w klasie, w niniejszym badaniu opracowano mechanizm wspólnej oceny, łączący punktację opartą na AI z oceną nauczyciela. System przeprowadzał w pierwszej kolejności wielowymiarową ocenę tekstu wygenerowanego przez DeepSeek. Za pomocą modułu automatycznego punktowania oceniano kluczowe aspekty, takie jak złożoność składniowa, organizacja akapitów oraz spójność tekstu. Wyniki punktacji były następnie wyświetlane w czasie rzeczywistym w interfejsie nauczyciela. Nauczyciele analizowali szczegółowe oceny dla każdego wymiaru i dostosowywali je w razie potrzeby, opierając się na swojej wiedzy merytorycznej oraz rozumieniu wyników transferu uczniów. Dodawali oni również ukierunkowane komentarze bezpośrednio w tekście, aby przekazać informacje zwrotne i sugestie dydaktyczne, których automatyczna punktacja mogła nie uchwycić. W każdym wymiarze oceny zastosowano pięciostopniową skalę ocen. Interfejs zawierał również moduły adnotacji tekstowych i rekomendacji, aby ułatwić personalizację informacji zwrotnych. Wyniki oceny wizualizowano za pomocą wykresu radarowego, co pozwalało nauczycielom na szybką identyfikację mocnych i słabych stron uczniów w różnych wymiarach transferu.

Dodatkowo system umożliwiał nauczycielom dostosowanie wag poszczególnych wymiarów lub wyników ogólnych w celu ich dopasowania do celów dydaktycznych. Funkcja ta zapewniła, że końcowa ocena dokładniej odzwierciedlała rzeczywiste osiągnięcia i potrzeby edukacyjne uczniów. Po zakończeniu ręcznego przeglądu system automatycznie zintegrował dane oceniające wygenerowane przez maszynę oraz przez nauczyciela. Następnie wygenerowano wizualny raport z informacją zwrotną. Raport zawierał wykres radarowy wydajności transferu oraz wykres śledzenia wersji. Wizualizacje te w przejrzysty sposób ilustrowały zmiany w zdolnościach transferowych uczniów na przestrzeni wielu rund generowania i poprawiania tekstów, umożliwiając ciągłe monitorowanie postępów w nauce.

Proces uczenia transferowego

W niniejszym badaniu zaprojektowano kompletny proces treningu transferu. W pierwszej kolejności nauczyciel wyznaczał konkretne zadania z pisania w języku angielskim w oparciu o cele dydaktyczne oraz rzeczywisty poziom uczniów, określając typ transferu i główny punkt treningu. Następnie system automatycznie generował odpowiednie instrukcje promptów na podstawie zadań wyznaczonych przez nauczyciela i wywoływał model DeepSeek w celu przygotowania pierwszej wersji tekstu, która służyła jako materiał bazowy do przeredagowania i treningu transferu przez uczniów. Po otrzymaniu pierwszej wersji tekstu uczniowie musieli aktywnie zidentyfikować cechy transferu odzwierciedlone w tekście i w ukierunkowany sposób przeredagować treść, wykorzystując poznane strategie transferu w celu poprawy poprawności struktury składniowej, organizacji akapitów oraz ekspresji kulturowej. Po zakończeniu przeredagowania nauczyciel przeprowadził szczegółowy przegląd przesłanego tekstu, podkreślając skuteczność strategii transferu i oferując konkretne sugestie dotyczące poprawy oraz wskazówki pisarskie. Na podstawie informacji zwrotnych od nauczyciela ponownie wywołano model DeepSeek w celu wygenerowania wersji zoptymalizowanej, co dodatkowo wsparło uczniów w dopracowaniu tekstów i pogłębieniu praktyki stosowania strategii transferu. Na koniec uczeń przesyłał ostateczną wersję tekstu, wypełniał tabelę poznawczą transferu, dokonywał samooceny oraz podsumowywał metody transferu i ich efekty, co sprzyjało poprawie zdolności metapoznawczych i internalizacji umiejętności transferu pisania. Zaprojektowana na potrzeby tego badania tabela poznawcza transferu przedstawiona jest w Tabeli 2.

Wszystkie elementy oceniano w skali od 1 do 5, gdzie 1 oznacza brak biegłości, a 5 pełną biegłość. Dane z samooceny zebrano po trzech rundach sekwencyjnego szkolenia; punkty odniesienia oceny odnoszą się do zdefiniowanych wcześniej standardów operacji transferu w pięciowymiarowej bibliotece zadań.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Nauczanie projektowania eksperymentów

W niniejszym badaniu wykorzystano podstawową wersję open-source DeepSeek, opierając się na otwartym interfejsie API platformy do wywołań programistycznych. Pełny zestaw pięciu tekstów szablonów promptów, cztery poziomy wpisów przykładów zadań, tagi kategorii adnotacji transferowych oraz reguły mapowania dopasowań błędów pisarskich do szablonów zostały zestawione w dodatkowym aneksie. System posiadał stałe parametry wywołań: współczynnik te...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Niniejsza praca konstruuje wielopoziomowe ramy optymalizacji instrukcji, oparte na architekturze MoE modelu DeepSeek, przeznaczone do nauczania transferu pisania w języku angielskim w kontekście międzykulturowym. Koncentrując się na czteropoziomowych zadaniach progresywnych – od poziomu zdania po wymiar kulturowy – oraz pięciokategorycznej zestandaryzowanej bibliotece zadań, badanie realizuje automatyczne generowanie promptów w oparciu o rzeczywiste próbki prac pisemnych uczniów i ustanawia trzystopniowe zagnieżdżone łań...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy oświadczają, że nie mają żadnych finansowych konfliktów interesów.

Podziękowania

Niniejsza praca była wspierana przez Projekt Planowania Edukacji Prowincji Zhejiang 2026: Badania nad rekonstrukcją ram kompetencji dydaktycznych i strategiami promocji nauczycieli szkół wyższych w warunkach cyfrowego i inteligentnego upodmiotowienia (nr projektu: ZWT26024; nr zatwierdzenia: 2026SCG360).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Wstępnie wytrenowany model językowy BERTGooglehttps://github.com/google-research/bertReprezentacja tekstu, rozpoznawanie struktury akapitów, obliczanie podobieństwa semantycznego oraz klasyfikacja tekstu wspierają automatyczną ocenę treści pisemnych.
CorefereeExplosion AIhttps://github.com/explosion/corefereeIdentyfikowane są relacje referencyjne w tekście oraz oceniana jest spójność referencyjna dyskursu, aby wspomóc automatyczną ocenę jakości pisania.
Duży model językowy DeepSeekDeepSeek AIhttps://chat.deepseek.com/W oparciu o architekturę modelu MoE przeprowadzono optymalizację instrukcji i projektowanie łańcucha słów promptu. Model wykorzystuje stałe parametry: współczynnik temperatury 0,7, a generowana długość jest dynamicznie ograniczana w zależności od typu pytania.
spaCyExplosion AIhttps://github.com/explosion/spaCyAnalizowana jest zależna struktura składniowa tekstu angielskiego, a wskaźniki takie jak średnia długość zdania i liczba zdań podrzędnych są ekstrahowane w celu ilościowej oceny złożoności składniowej.
SPSS 26.0IBMhttps://www.ibm.com/products/spss-statisticsPrzeprowadzono analizy statystyczne, takie jak ANOVA dla pomiarów powtarzanych (RM-ANOVA), test t dla próbek niezależnych, analiza korelacji Pearsona, obliczenie wielkości efektu (d Cohena’) oraz test niezawodności (ICC).

Bibliografia

  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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Przeglądaj więcej artykułów

pisanie międzykulturowetransfer językowyhierarchiczny system szkoleniaMixture Of Expertsłańcuch promptówadaptacja kulturowarewizja językowa
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.