Otimização de Prompts do DeepSeek para o Ensino de Escrita em Inglês Intercultural: Um Estudo Prático de Competência de Transferência

Resumo

Este estudo desenvolve um framework em camadas para a otimização de prompts baseado no DeepSeek, com o objetivo de aprimorar a competência de transferência na escrita em inglês em contextos interculturais. Por meio de uma cadeia de prompts em três estágios e um experimento quase-experimental com 60 estudantes de inglês, os resultados demonstraram uma melhoria significativa no grupo experimental em comparação com o grupo controle.

Resumo

Para superar a limitação de que o ensino tradicional de escrita em inglês negligencia o cultivo sistemático da transferência linguística e de que as estruturas de prompts existentes não se adequam ao ensino em sala de aula, este estudo constrói um sistema hierárquico de treinamento em transferência baseado no modelo DeepSeek, abrangendo quatro níveis progressivos de tarefas: frase, parágrafo, discurso e cultura, com todas as tarefas definidas em formato triplo. É criada uma biblioteca de tarefas em cinco dimensões — sintaxe, estrutura, cultura, registro e lógica — e prompts direcionados são gerados automaticamente a partir dos textos escritos autênticos dos alunos. Integrado à arquitetura Mixture of Experts (MoE) do modelo, desenvolve-se uma cadeia aninhada de prompts para dividir tarefas complexas em três fases sequenciais: reorganização semântica, revisão linguística e adaptação cultural. Adotando um delineamento quase-experimental, esta pesquisa recruta 60 alunos do segundo ano de Letras Inglês de uma universidade, divididos em grupo experimental e grupo controle, com 30 estudantes cada, submetidos a uma intervenção em etapas durante três rodadas de treinamento ao longo de três semanas. Os resultados pós-experimento revelam que a pontuação do grupo experimental em transferência cultural aumenta de 2,8 para 4,5, comparada a um mero aumento de 0,3 no grupo controle; sua pontuação média avaliada por professores melhora de 59,1 para 74,4, enquanto o grupo controle apresenta aumento de 60,1 para 64,9. A maioria dos coeficientes de correlação entre a pontuação da IA e a avaliação docente excede 0,8, e mais de 90% dos participantes aprovam as funções de reescrita por IA e de otimização estrutural. Devido ao tamanho reduzido da amostra neste estudo, verifica-se que essa abordagem de otimização é viável para implementação em aulas universitárias de escrita em inglês.

Introdução

No ensino da escrita em inglês em um contexto intercultural, alunos não nativos frequentemente enfrentam o desafio de uma capacidade insuficiente de transferência ao passar do conhecimento linguístico para a aplicação prática^1,2. Embora os alunos possuam certa base gramatical e vocabular, eles têm dificuldade em converter efetivamente padrões de frases, estruturas e expressões culturais em escrita real, resultando em uma produção linguística formalizada e pensamento limitado, o que afeta negativamente a qualidade geral da escrita³. Além disso, as diferenças interculturais na estrutura linguística, na organização lógica e nas normas pragmáticas agravam ainda mais a complexidade da transferência na escrita⁴. Nos últimos anos, modelos linguísticos grandes (LLMs) têm fornecido novo suporte técnico para o ensino da escrita⁵. Ferramentas inteligentes de escrita, como o DeepSeek, demonstraram fortes capacidades em geração e reconstrução linguística. No entanto, na prática pedagógica, elas geralmente se limitam à correção superficial da linguagem e ainda não foram profundamente integradas ao processo de ensino, centrado no desenvolvimento da capacidade de transferência. Falta-lhes orientação em relação aos objetivos pedagógicos e controle sobre o comportamento de geração^6,7. As principais aplicações de escrita assistida por IA restringem suas funções principalmente à correção de erros gramaticais superficiais, em vez de visar o desenvolvimento de competência sistemática de transferência, resultando em um controle fraco, voltado ao ensino, sobre as saídas do modelo.

A pesquisa existente sobre assistência à escrita em LE cai em três categorias principais: feedback convencional para escrita baseado em estímulos, intervenção genérica de aprimoramento por IA e treinamento manual centrado na transferência. Primeiro, a pesquisa geral sobre engenharia de estímulos prioriza a otimização técnica de respostas a perguntas e reescrita de textos, sem alinhar os objetivos pedagógicos hierárquicos de transferência^8,9. Segundo, o ensino típico de LE baseado no ChatGPT foca na melhoria geral da precisão da escrita, em vez do desenvolvimento escalonado da transferência sintática, estrutural e intercultural¹⁰. Terceiro, a pedagogia tradicional de transferência, que depende da imitação e da escrita contrastiva, carece de feedback em circuito fechado apoiado por ferramentas inteligentes¹¹. Diferentemente dos estudos anteriores, esta pesquisa personaliza estímulos hierárquicos orientados à transferência, alinhados a objetivos pedagógicos multiníveis, e constrói um fluxo de trabalho de geração automática de estímulos baseado em exemplos, formando um mecanismo de treinamento único em circuito fechado que combina geração por modelo, feedback do professor e revisão do aluno.

A literatura anterior hipotetiza uma possível ligação entre a divergência cultural linguística, as limitações estruturais inerentes aos modelos e práticas pedagógicas desconexas em sala de aula, mas essa cadeia causal ainda não foi suficientemente verificada empiricamente nos estudos existentes e torna-se a hipótese central de pesquisa a ser examinada neste artigo^12,13. Quanto às características inerentes do DeepSeek citadas neste artigo, sua interface aberta de instruções e seu design baseado em roteamento de especialistas em arquitetura MoE já foram documentados em relatórios técnicos existentes sobre modelos e em pesquisas aplicadas de linguagem. Com base nessas características documentadas do modelo, este estudo elabora cadeias aninhadas de prompts para desmembrar tarefas complexas de transferência intercultural e desenvolve regras dinâmicas de agendamento de submodelos para atribuições diferenciadas de transferência. Voltado para o desenvolvimento estruturado da capacidade de transferência, o presente trabalho explora a otimização direcionada de prompts no DeepSeek, com o objetivo de transformar modelos de linguagem grandes de ferramentas universais de edição de texto em sistemas especializados de treinamento de transferência para o ensino de redação em inglês no ensino superior.

No campo da pesquisa em escrita em segunda língua, o fenômeno da transferência tem sido há muito tempo um tema central^14,15. A teoria tradicional de transferência linguística concentra-se principalmente nos efeitos de transferência positiva e negativa da língua materna no processo de aquisição da língua-alvo, com ênfase particular em fonética, vocabulário e sintaxe¹⁶. Mirzayev E destacou que, no ensino da escrita em inglês como segunda língua (ESL), a transferência negativa da língua materna continua sendo um fator-chave que limita o desenvolvimento das habilidades de escrita dos alunos¹⁷. À medida que o escopo da pesquisa se amplia, a comunidade acadêmica tem gradualmente expandido seu foco para a transferência da estrutura textual¹⁸. A escrita interlinguística frequentemente apresenta erros linguísticos e fossilização devido a múltiplos fatores¹⁹. Ao mesmo tempo, a teoria da transferência cognitiva também tem recebido crescente atenção²⁰. Essa teoria enfatiza as diferenças na organização cognitiva e nos padrões de expressão no processo de escrita. Por exemplo, a escrita ocidental valoriza o raciocínio linear e a lógica explícita, enquanto a tradição chinesa prefere uma abordagem em espiral e a ambiguidade semântica. Existe uma tensão significativa entre os dois modelos. Assim, a transferência linguística envolve não apenas a conversão de unidades linguísticas, mas também a adaptação e transformação de estruturas de pensamento e normas culturais de expressão em um nível mais profundo, o que constitui um desafio importante no ensino atual da escrita em inglês²¹.

Na prática do cultivo da habilidade de transferência, estudos existentes frequentemente empregam estratégias como escrita imitativa²², escrita contrastiva²³ e treinamento em tradução²⁴ para aprimorar a compreensão e aplicação pelos alunos do mecanismo de transferência da língua-alvo. A escrita imitativa ajuda a desenvolver a capacidade básica de discurso, mas pode facilmente levar à rigidez estrutural; a escrita contrastiva pode melhorar o estilo linguístico e a consciência cultural, mas carece de estratificação sistemática de tarefas e feedback personalizado; o treinamento em tradução pode promover o reconhecimento de metáforas culturais, mas, sem orientação, pode facilmente resultar em desvios semânticos ou inadequações pragmáticas. As estratégias mencionadas dependem principalmente de demonstração manual e orientação baseada em experiência²⁵, não possuem construção explícita de estratégias de transferência nem mecanismos sistemáticos de feedback, e apresentam dificuldades para se adaptar às diferenças individuais no nível de proficiência linguística e nos estilos cognitivos. Embora algumas pesquisas tenham tentado ampliar o treinamento de transferência por meio de tarefas diversificadas de escrita^26,27, o processo de ensino ainda não formou um ciclo fechado de "meta de transferência-geração da linguagem-feedback de estratégia"; o efeito de internalização das estratégias de transferência é limitado, e o desenvolvimento da habilidade de transferência dos alunos em tarefas reais de escrita ainda é insuficiente²⁸.

Com o desenvolvimento da tecnologia de modelos de linguagem grandes, seu potencial auxiliar no ensino de línguas tem recebido atenção crescente²⁹. Ferramentas de IA generativa representadas pelo ChatGPT (Chat Generative Pre-trained Transformer)³⁰ e DeepSeek³¹ têm sido amplamente utilizadas em cenários como revisão de textos, reescrita linguística e ajuste de linguagem. Diasamidze et al. descobriram que estudantes de ESL que usaram o ChatGPT superaram o grupo com ensino tradicional em termos de precisão gramatical, riqueza vocabular e capacidade de organização textual³². No entanto, as aplicações existentes limitam-se principalmente ao processamento linguístico superficial e carecem de orientação sistemática sobre objetivos de transferência. Ranade observou que projetos baseados em prompts nos cenários educacionais atuais baseiam-se principalmente em modelos genéricos, e o conteúdo gerado carece de adaptabilidade contextual e especificidade da tarefa³³. Além disso, o treinamento dos modelos dominantes depende de um corpus aberto e não inclui modelagem aprofundada das diferenças nas expressões culturais entre chinês e inglês. Inadequações culturais e pragmática não natural tendem a ocorrer no texto gerado^34,35, o que limita sua aplicação aprofundada no ensino de transferência escrita intercultural.

Protocolo

Aprovação ética

Antes do experimento, os autores obtiveram aprovação (Número de Aprovação: NBCC-ETH-2026-037) da faculdade e distribuíram documentos de consentimento informado a todos os estudantes participantes. Todos os estudantes foram devidamente informados sobre os objetivos da pesquisa, os procedimentos experimentais e as normas de uso dos dados. A participação foi voluntária, e os participantes podiam se retirar do estudo a qualquer momento. Todos os dados pessoais e trabalhos escritos foram anonimizados para proteger a privacidade e foram utilizados apenas para análise acadêmica. Os 60 participantes assinaram o termo de consentimento antes de participar da pesquisa. Os participantes foram selecionados de duas turmas paralelas de escrita em inglês do segundo ano da mesma faculdade profissionalizante, recrutados por amostragem intencional. Os critérios de inclusão incluíam: aprovação no CET-6 com nota > 425, nenhuma ausência neste semestre e notas médias nos últimos dois testes escritos das unidades. Os critérios de exclusão incluíam: uso prolongado de softwares comerciais de escrita em inglês com IA fora da sala de aula e dislexia grave.

A variabilidade de todas as variáveis contínuas de desfecho foi relatada como média ± desvio padrão (DP). Todas as análises foram realizadas com um tamanho amostral de n = 30 participantes por grupo (grupo experimental versus grupo controle), totalizando N = 60. Para dados longitudinais de medidas repetidas, foi utilizada uma análise de variância de medidas repetidas (RM-ANOVA) para examinar os efeitos principais de grupo e tempo, bem como a interação grupo por tempo. Testes t para amostras independentes foram utilizados para comparações pareadas pós-hoc em pontos temporais individuais. O grupo controle recebeu instrução tradicional de escrita, além de uma ferramenta de escrita com IA genérica, gratuita e não personalizada (sem estímulos em níveis, sem modelos orientados à transferência). As horas de instrução, tarefas de escrita, frequência de feedback e textos de treinamento foram idênticas às do grupo experimental, exceto pela ausência da cadeia de estímulos aninhados personalizados e da intervenção com biblioteca de tarefas em cinco níveis utilizada neste estudo. O grupo experimental utilizou instruções baseadas no modelo DeepSeek para otimizar o ensino da escrita, incluindo orientação por cadeia de estímulos aninhados, saída adaptada à cultura cruzada e o mecanismo de "geração-reflexão-regeneração". O grupo controle, em contraste, empregou métodos tradicionais de ensino ou ferramentas assistidas por IA não otimizadas. Ao comparar os efeitos de ensino dos dois grupos, verificou-se a eficácia do método de treinamento de transferência baseado no modelo de linguagem de grande porte no aprimoramento da capacidade de transferência escrita dos alunos.

Idéia geral da pesquisa

Este estudo teve como objetivo aprimorar a capacidade de transferência na escrita em inglês dos alunos e desenvolver métodos eficazes de design instrucional, com foco especial na adaptação do DeepSeek para uso educacional. Primeiramente, foi proposta uma estratégia de otimização de instruções para reestruturar os estímulos do modelo. Isso melhorou a aderência da saída gerada a múltiplos objetivos de transferência no ensino da escrita, incluindo estrutura sintática, lógica do parágrafo e expressão cultural. Em segundo lugar, as tarefas de escrita dos professores foram convertidas em modelos de estímulo estruturados e orientados a objetivos. Em seguida, foi estabelecida uma relação de mapeamento entre as tarefas de ensino e os comportamentos do modelo. Isso aumentou o controle sobre o modelo e garantiu que o conteúdo gerado fosse pedagogicamente relevante. Por fim, o estudo desenvolveu um processo de treinamento por transferência em circuito fechado, “geração–reflexão–reescrita–regeneração”. Esse processo incentivou os alunos a identificar estratégias de transferência e a refinar ativamente sua expressão linguística com o apoio do modelo. Por meio de iterações repetidas, as habilidades dos alunos em transferência escrita interlinguística e intercultural foram continuamente fortalecidas. Os passos para a transformação da estrutura das frases são mostrados na Figura 1A–D.

Para esclarecer a lógica completa de operação do sistema de treinamento de escrita assistido por IA e melhorar a reprodutibilidade, o fluxo geral de implementação é resumido na Tabela 1, abrangendo os elos principais, incluindo entrada bruta, intervenções do professor, aplicação de instruções, atividades dos alunos, saídas finais e critérios de avaliação correspondentes.

Estratégia de construção de tarefas orientada à transferência

Este estudo concentrou-se em desenvolver a capacidade de transferência na escrita em inglês. Ele elaborou um percurso de tarefas de transferência que avança do superficial ao profundo, orientando sistematicamente os alunos no domínio e na prática de estratégias de transferência linguística em múltiplos níveis. Para descrever a estrutura do percurso como um todo, definiu-se um conjunto de quatro níveis de tarefas:

T = {T₁,T₂,T₃,T₄} (1)

T₁ representa a tarefa de transferência em nível de frase, que se concentra em operações básicas de estrutura gramatical, como expansão de frases curtas, mudança de voz e substituição de orações, para ajudar os alunos a dominar diversos métodos de estruturação de frases. T₂ é a tarefa de transferência em nível de parágrafo, que orienta os alunos a prestar atenção à organização e à conexão das informações dentro do parágrafo, e os treina para melhorar a clareza estrutural e a coerência expressiva do parágrafo por meio da extração da frase principal e do ajuste da lógica entre as orações. T₃ representa a tarefa em nível de discurso, que se estende ainda mais ao layout lógico geral e ao ritmo argumentativo do capítulo, e orienta os alunos a construir um texto em inglês com um sistema argumentativo completo mediante o ajuste da ordem dos parágrafos e a otimização da relação de justaposição estrutural. T₄ é a tarefa de transferência em nível cultural, que exige que os alunos identifiquem características implícitas de expressão cultural na escrita na língua materna, como formulações implícitas e sugestões semânticas, e as transformem em expressões diretas ou formas logicamente explícitas compatíveis com a cultura da língua de destino. Seu processo de evolução é apresentado na Figura 2. Para aumentar a operacionalidade e a avaliação do desenho da tarefa, este estudo definiu ainda cada nível de tarefa como uma forma tripla:

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

S_j representa a amostra de entrada da tarefa, G_i representa a operação de transferência alvo e E_i representa os critérios de avaliação de apoio. Por meio dessa expressão estruturada, garantiu-se que cada nível da tarefa fosse construído com base na dominação da estratégia do nível anterior e estivesse equipado com amostras correspondentes, descrições de objetivos e critérios de desempenho, fornecendo um mecanismo para o avanço contínuo do percurso de transferência. No processo de construção do sistema de treinamento de transferência, para alcançar a cobertura sistemática dos tipos de tarefas e a gestão eficiente das chamadas pedagógicas, este estudo elaborou uma biblioteca estruturada de tarefas que abrange cinco tipos de objetivos de transferência, com base nas dimensões comuns de conversão linguística na transferência escrita. A biblioteca de tarefas foi formalmente expressa como:

M = {(D_j,T_Dj)∣_j = 1,2,3,4,5} (3)

D_j  corresponde a cinco dimensões de transferência: transferência sintática, transferência estrutural, transferência cultural, transferência de registro e transferência lógica; o conjunto de tarefas T_Dj  associado a cada dimensão representa seu subconjunto de operações. No processo de desenvolvimento da biblioteca de tarefas, primeiramente, os autores resumiram e classificaram as dificuldades comuns de transferência e os tipos de erros linguísticos com base em um grande número de amostras reais de textos escritos por alunos, combinando com as necessidades reais de ensino e os critérios de avaliação, dividiram os diferentes tipos de transferência em áreas funcionais e estabeleceram os objetivos centrais de treinamento e os modos de operação de cada tarefa. Cada tarefa foi representada de forma abstrata pela seguinte estrutura tripla:

T_i,j = (S_i,j,G_i,j,C_i,j) (4)

S_i,j representa a amostra de entrada da tarefa, G_i,j é a descrição do alvo de transferência da tarefa e C_i,j é a dimensão de avaliação e controle da tarefa. Na tarefa de transferência sintática, este estudo projetou uma sequência de reorganização de frases que avança do simples ao difícil, abrangendo conexão de frases, aninhamento de orações, conversão para voz passiva e conceitos relacionados, com o objetivo de aprimorar as habilidades dos alunos em expansão de frases e transformação gramatical. A tarefa de transferência estrutural concentrou-se na otimização da lógica do parágrafo, no fortalecimento da organização de informações e no aperfeiçoamento da capacidade de construção lógica por meio da reescrita da frase principal, ordenação de frases de apoio e reconstrução das relações de causa e efeito e de exemplos. A tarefa de transferência cultural baseou-se em um corpus intercultural e visa desvios pragmáticos, como expressões implícitas e eufemismos. Projetou conversões de expressão próximas ao contexto real para promover o desenvolvimento da adaptabilidade cultural. A tarefa de transferência de registro orientou os alunos na transformação de expressões orais em linguagem acadêmica e no domínio de estratégias de mudança de registro. A tarefa de transferência lógica focou-se na construção de cadeias de raciocínio e na garantia da clareza da expressão, realizando treinamento sobre o uso de conjunções, explicitação de relações lógicas e transições entre parágrafos.

Com base em amostras reais de escrita dos alunos, este estudo desenvolveu um processo de geração de instruções estreitamente vinculado às tarefas de ensino, com o objetivo de aumentar a relevância das orientações e a praticidade do conteúdo gerado. O processo foi conduzido por professores, que selecionaram fragmentos representativos dos textos dos alunos durante o processo de ensino, concentrando-se em problemas típicos de transferência, como frases redundantes, estruturas caóticas e expressões culturais inadequadas. Em seguida, eles anotaram as amostras com os tipos de transferência por meio da interface do sistema, para esclarecer os objetivos de treinamento. Após receber as informações de anotação, o sistema ativou automaticamente o módulo de identificação de tarefas de transferência. Em seguida, ele associou a entrada com a biblioteca predefinida de tarefas e a biblioteca de modelos de instruções. O processo de correspondência considerou fatores como tipo de transferência, características linguísticas e estrutura do texto. Com base nesses fatores, o sistema selecionou o modelo mais apropriado e gerou uma instrução inicial. O sistema também suportou o processamento estruturado de aprimoramento. As anotações dos professores foram convertidas em um formato padronizado que pode ser facilmente interpretado pelo modelo. Dicas instrucionais relevantes foram incorporadas à instrução para ajudar o modelo a compreender com precisão tanto as intenções do professor quanto as dúvidas do aluno. Para melhorar a flexibilidade e o controle sobre as instruções, o sistema incluiu um módulo de assistência ao professor. Este módulo permitiu que os professores aprimorassem as instruções modificando as orientações instrucionais, ajustando as configurações contextuais e personalizando o tom e o estilo. Como resultado, os professores obtiveram maior controle sobre o processo de geração e puderam adaptá-lo melhor a diferentes cenários de ensino.

Mecanismo de otimização de comando Deepseek

Com base nas necessidades práticas do treinamento de transferência de escrita em inglês, este estudo desenvolveu cinco tipos de modelos de prompts orientados à transferência. Esses modelos foram projetados para orientar e regular o comportamento de geração do modelo de linguagem grande. O modelo de transferência estrutural concentrou-se na organização de parágrafos e na estrutura do discurso. Ele ajudou os alunos a reorganizar textos adotando estruturas como introdução–desenvolvimento–conclusão e melhorando o fluxo lógico das ideias. O modelo de transferência sintática enfatizou a complexidade no nível da frase. Incentivou o uso de estruturas gramaticais variadas, incluindo voz passiva, construções paralelas e orações complexas, para aprimorar a sofisticação da expressão escrita. O modelo de transferência cultural abordou a adequação cultural na escrita. Orientou os alunos a adaptar expressões influenciadas por sua língua materna e cultura para formas mais naturais e aceitáveis em contextos anglófonos. O modelo de transferência de registro focou-se na adaptação de estilo e no controle de registro. Auxiliou os alunos a ajustar o uso da linguagem de acordo com diferentes propósitos de escrita, públicos e gêneros. O modelo de transferência lógica visava fortalecer a organização lógica. Promoveu o uso eficaz de relações como causa e efeito, comparação e contraste, e desenvolvimento paralelo, melhorando assim a coerência e o rigor argumentativo. Juntos, esses cinco modelos abrangeram as principais dimensões da transferência de escrita. Eles ofereceram suporte instrucional estruturado tanto para o design de tarefas de ensino quanto para a geração de textos baseada em modelos.

Cada tipo de modelo seguiu um formato unificado para garantir sua universalidade e adaptabilidade em diferentes situações de ensino. O modelo continha quatro elementos principais: o primeiro era o objetivo da instrução, que indicava claramente a tarefa de transferência exigida; o segundo era a entrada de exemplo, que fornecia aos alunos fragmentos reais de linguagem como base do corpus para a eficácia da instrução; o terceiro era a saída desejada, que mostrava o estilo padrão da produção linguística ideal após a transferência, para que os alunos pudessem comparar e utilizar na calibragem do modelo; o quarto era a sugestão de uso, que explicava o nível linguístico, o tipo de texto e a estratégia de aplicação adequados ao modelo, além de fornecer orientações com parâmetros ajustáveis para aprimorar o controle da geração e o efeito orientador no ensino.

Para ilustrar melhor a lógica de projeto e a aplicação prática dos modelos de prompts, apresentam-se abaixo exemplos representativos de cinco prompts orientados à transferência. Todos os modelos seguiram o mesmo framework unificado, composto por um objetivo de instrução, entrada de exemplo, saída esperada e sugestão de uso. Os alunos foram orientados a expandir frases simples, converter vozes verbais e inserir orações subordinadas para enriquecer a diversidade sintática. Por exemplo, dada a redação inicial do aluno: "I study English writing. It is very important for cross-cultural communication", a versão otimizada é: "Learning English writing plays a vital role in improving learners’ ability of cross-cultural communication". Esse prompt era adequado para treinamento em nível frasal, destinado a alunos do segundo ano de Letras Inglês, com dificuldade moderada, focando na reconstrução sintática básica e na transformação de voz verbal. Outro tipo de prompt visava a transferência cultural, com o objetivo de identificar expressões em Chinglish influenciadas pelo pensamento cultural nativo e reescrever as frases em expressões pragmáticas naturais em inglês, de acordo com as normas culturais ocidentais. Tomando como exemplo a frase do aluno: "Many people think you must work hard if you want to succeed", a versão revisada foi: "People generally believe that diligence is the key to success". Esse prompt foi aplicado no treinamento de transferência em nível cultural, com foco na eliminação de padrões implícitos de pensamento chinês e no desenvolvimento de expressões explícitas no contexto em inglês.

Este estudo também desenvolveu uma cadeia de prompts aninhada em três estágios que utilizava os rascunhos de parágrafos dos alunos como entrada unificada e operava em fases sequenciais. A primeira fase era a reorganização semântica, na qual o prompt exigia que o participante reorganizasse as frases do parágrafo fornecido, otimizasse a ordem lógica das ideias e formasse um parágrafo completo com frases temáticas claras. A segunda fase era a revisão linguística, que solicitava a reescrita do parágrafo revisado em inglês acadêmico formal, a substituição de palavras coloquiais e o uso adequado de orações complexas e estruturas passivas. A terceira fase era a adaptação cultural, cujo prompt orientava os usuários a verificar a presença de expressões cultural-pragmáticas no texto, eliminar interferências culturais da língua nativa e aprimorar o conteúdo para adequá-lo às convenções de escrita intercultural em inglês. Os exemplos acima demonstraram plenamente os modos operacionais de modelos de prompts únicos e cadeias de prompts aninhadas. Com base nisso, o estudo projetou uma cadeia de prompts completa e em fases, combinada com a arquitetura MoE do DeepSeek.

Para superar as limitações dos prompts de rodada única em termos de controle de geração e profundidade de resposta a tarefas, este estudo projetou uma estrutura de cadeia de prompts aninhada com características faseadas e contínuas, permitindo orientação hierárquica e geração gradual de tarefas complexas de transferência. Esse mecanismo dividiu uma tarefa completa de transferência em diversos subobjetivos e projetou modelos de prompts correspondentes para cada subobjetivo, conectados em série na ordem lógica de reconstrução semântica, ajuste de estilo linguístico e adaptação pragmática cultural, formando uma cadeia de geração com dependência de contexto. Este estudo implementou a otimização da cadeia de prompts aninhada para o DeepSeek por meio de sua API aberta padrão. O modelo DeepSeek adotou nativamente uma arquitetura Mixture of Experts (MoE) equipada com um sistema automático de roteamento de especialistas no back-end, que atua como um módulo interno de raciocínio inerente, independente de prompts externos. Os prompts personalizados de múltiplos estágios apenas ajustaram as características de conteúdo das entradas do modelo. Correspondendo aos requisitos semânticos, estilísticos e culturais incorporados nas entradas otimizadas, o mecanismo nativo de roteamento MoE do modelo ativou autonomamente os módulos de especialistas mais adequados durante a geração de texto. O design de prompts em três estágios, focado na reorganização semântica, ajuste estilístico e adaptação cultural, simplesmente refinou os textos de entrada e não interferiu na lógica interna de seleção e alocação de especialistas do modelo.

Em termos do processo operacional, o sistema recebia textos de estudantes enviados por professores, transferia as anotações-alvo e determinava automaticamente se deveria ativar a estrutura de cadeia aninhada. Se ativada, o sistema executava três etapas em sequência: a primeira etapa era a reorganização semântica, acionando o modelo de transferência de estrutura para otimizar a organização dos parágrafos e as pistas lógicas; a segunda etapa era o ajuste do estilo linguístico, utilizando o modelo linguístico para converter expressões coloquiais em linguagem escrita acadêmica; a terceira etapa era a adaptação cultural, acionando o modelo de transferência cultural para identificar e substituir expressões que não estivessem de acordo com a cultura da língua de destino, gerando um texto mais autêntico.

Cada rodada de geração utilizava a saída da rodada anterior como entrada e mantinha o cache do vetor de contexto para garantir coerência semântica. Os professores personalizavam a estrutura da cadeia de prompts na interface do sistema, incluindo seleção de modelos, modificação de instruções e ajuste de sequência. O sistema também oferecia a função de "pacote de combinação de modelos", o que facilitava aos professores reutilizar ou atribuir tarefas em lotes. Além disso, o sistema possuía um mecanismo dinâmico embutido de interrupção e feedback que fornecia resultados intermediários após cada geração. Os professores faziam anotações ou ajustavam as instruções subsequentes em tempo real, formando um ciclo fechado de ensino do tipo "geração-ajuste-regeração".

Geração e avaliação do modelo

No processo de geração e avaliação de texto baseado no modelo DeepSeek, este estudo construiu um mecanismo de pontuação automática multidimensional para analisar e avaliar quantitativamente o texto gerado em três aspectos: complexidade sintática, padronização estrutural e coerência discursiva. Este estudo utilizou o analisador sintático de dependência spaCy e o módulo de extensão Coreferee para resolução de coreferência na extração de características do texto e avaliação automatizada. O analisador sintático de dependência spaCy analisou a estrutura sintática do texto em inglês, extraindo indicadores-chave como comprimento médio das frases e número de orações aninhadas, permitindo a análise quantitativa da complexidade sintática. O módulo de extensão Coreferee para resolução de coreferência, operando dentro do framework spaCy, identificou principalmente as relações referenciais internas no texto e avaliou a coerência referencial discursiva, fornecendo suporte técnico para a pontuação automatizada da qualidade da escrita. Devido a limitações de rede, os referidos sites abertos estrangeiros eram inacessíveis.

Primeiro, o sistema avaliou a complexidade sintática. Ele extraiu características como comprimento médio das frases, profundidade do aninhamento de cláusulas e variedade de frases. Essas características foram obtidas por meio de análise de dependência e modelagem de árvores sintáticas profundas. Com base nos resultados, o sistema avaliou se os alunos progrediram com sucesso de padrões de frases simples para estruturas mais complexas. Segundo, o sistema avaliou a organização dos parágrafos. Ele combinou representações de texto baseadas em BERT com modelos de classificação para identificar elementos-chave dos parágrafos, incluindo frases temáticas, de apoio e conclusivas. Um mapa de estrutura de parágrafo foi então construído para determinar se a organização estava de acordo com as convenções da escrita acadêmica em inglês. Terceiro, o sistema avaliou a coerência textual. Ele examinou o uso de conectivos lógicos, a consistência semântica entre frases e a qualidade dos vínculos referenciais ao longo do texto. Esses indicadores foram utilizados para avaliar a clareza do desenvolvimento lógico e a progressão suave das ideias. Para medir a consistência temática, o sistema calculou a similaridade semântica utilizando representações baseadas em vetores. A coerência referencial foi avaliada por meio de técnicas de resolução de co-referência, que ajudaram a reduzir lacunas semânticas e referências ambíguas. Por fim, as pontuações de todas as dimensões foram integradas em um vetor de pontuação unificado. Os resultados foram padronizados para formar um sistema de avaliação abrangente, permitindo comparações confiáveis entre diferentes amostras de escrita.

Na fase de avaliação manual, este estudo desenvolveu um sistema tridimensional de pontuação para o treinamento de transferência escrita, abrangendo a evidência do comportamento de transferência, a naturalidade da expressão e a adaptabilidade cultural, com o objetivo de aumentar a relevância da avaliação docente e a eficácia do feedback pedagógico. O sistema combinou suas funções auxiliares para alcançar uma combinação orgânica entre pontuação quantitativa e comentários qualitativos. Na dimensão do comportamento de transferência, os professores avaliaram o uso de estratégias de transferência pelos alunos ao reescrever textos, com base em objetivos pré-definidos. O sistema forneceu uma visualização comparativa lado a lado entre o texto original e a versão gerada, auxiliando os professores a identificar se operações como ajuste de frases e reconstrução estrutural refletiram efetivamente o tipo de transferência exigido.

A avaliação da expressão natural concentrou-se na fluidez e autenticidade da produção linguística. Os professores utilizaram os indicadores linguísticos gerados pelo sistema para avaliar se as frases estavam de acordo com os hábitos expressivos de falantes nativos de inglês e para julgar se a estrutura gramatical, a colocação lexical e o ritmo da frase eram naturais e apropriados. Eles também apontaram problemas e sugeriram expressões alternativas por meio de anotações. A dimensão da adaptabilidade cultural concentrou-se na adequação da pragmática intercultural. Os professores precisavam identificar se o texto continha expressões inadequadas resultantes da interferência da cultura da língua de origem, como ambiguidade semântica, conflitos retóricos ou julgamentos de valor vagos. O sistema forneceu exemplos comuns de palavras com desvios culturais e permitiu que os professores explicassem, nos comentários, a base para a modificação e os requisitos de contexto cultural, orientando os alunos a aprimorar a consciência de transferência cultural e a precisão da expressão. Cada dimensão foi pontuada em uma escala de 5 pontos e incluiu anotações livres e módulos sugeridos de preenchimento. Os resultados finais da avaliação foram apresentados em um gráfico de radar.

Para melhorar a eficiência da avaliação e apoiar o uso prático em sala de aula, este estudo desenvolveu um mecanismo colaborativo de avaliação que combina pontuação baseada em IA com a avaliação docente. O sistema realizou inicialmente uma avaliação multidimensional do texto gerado pelo DeepSeek. Ele avaliou aspectos-chave, como complexidade sintática, organização dos parágrafos e coerência textual, por meio do módulo de pontuação automática. Os resultados da pontuação foram então exibidos em tempo real na interface do professor. Os professores analisaram as pontuações detalhadas para cada dimensão e as ajustaram quando necessário, com base em seu julgamento profissional e na compreensão do desempenho dos alunos em tarefas de transferência. Eles também adicionaram comentários direcionados diretamente ao texto, fornecendo feedback e sugestões pedagógicas que poderiam não ser capturadas pela pontuação automática. Cada dimensão de avaliação adotou uma escala de pontuação de cinco pontos. A interface também incluía módulos de anotação em texto livre e de recomendações para facilitar o feedback personalizado. Os resultados da avaliação foram visualizados por meio de um gráfico de radar, permitindo que os professores identificassem rapidamente os pontos fortes e fracos dos alunos nas diferentes dimensões de transferência.

Além disso, o sistema permitiu que os professores ajustassem o peso de dimensões específicas ou das pontuações gerais para alinhar com os objetivos instrucionais. Esse recurso garantiu que a avaliação final refletisse com maior precisão o desempenho real dos alunos e suas necessidades de aprendizagem. Após a conclusão da revisão manual, o sistema integrou automaticamente os dados de avaliação gerados pela máquina e pelos professores. Em seguida, gerou um relatório visual de feedback. O relatório incluía um gráfico de radar de desempenho de transferência e um gráfico de rastreamento de versões. Essas visualizações ilustraram claramente as mudanças nas habilidades de transferência dos alunos ao longo de várias rodadas de geração e revisão de textos, permitindo o monitoramento contínuo do progresso de aprendizagem.

Processo de treinamento de transferência

Este estudo projetou um processo completo de treinamento em transferência. Primeiro, o professor atribuiu tarefas específicas de escrita em inglês com base nos objetivos de ensino e no nível real dos alunos, e esclareceu o tipo e o foco da transferência do treinamento. Em seguida, o sistema gerou automaticamente instruções de prompt correspondentes com base nas tarefas definidas pelo professor e acionou o modelo DeepSeek para gerar um primeiro rascunho da escrita, servindo como material básico para a reescrita e o treinamento em transferência pelos alunos. Após receber o primeiro rascunho, os alunos precisavam identificar ativamente as características de transferência refletidas no texto e reescrever o conteúdo de forma direcionada, utilizando as estratégias de transferência que haviam aprendido para aprimorar a adequação da estrutura sintática, da organização dos parágrafos e da expressão cultural. Após concluir a reescrita, o professor realizou uma análise detalhada do texto submetido pelo aluno, destacando a eficácia da estratégia de transferência e oferecendo sugestões específicas de melhoria e orientações para a escrita. Com base no feedback do professor, o modelo DeepSeek foi reativado para gerar uma versão otimizada, apoiando ainda mais os alunos no aprimoramento de seus textos e aprofundando a prática das estratégias de transferência. Por fim, o aluno concluiu o envio da versão final, preencheu a tabela de cognição de transferência, realizou uma autoavaliação e resumiu os métodos de transferência e seus efeitos, promovendo a melhoria da capacidade metacognitiva e a internalização das habilidades de transferência na escrita. A tabela de cognição de transferência elaborada para este estudo é apresentada na Tabela 2.

Todos os itens adotaram uma escala de classificação de 1 a 5, variando de 1 (nenhum domínio) a 5 (domínio completo). Os dados de autoavaliação foram coletados após três rodadas de treinamento sequencial; os critérios de pontuação referem-se a padrões pré-definidos de operação de transferência na biblioteca de tarefas de cinco dimensões.

Resultados

Ensino do planejamento de experimentos

Este estudo utilizou a versão básica de código aberto do DeepSeek, baseando-se na interface de API aberta da plataforma para chamadas de programa. O conjunto completo de cinco modelos de texto de prompt, quatro níveis de entradas de exemplo de tarefa, etiquetas de categoria de anotação de transferência e regras de mapeamento de correspondência de modelos de erros de escrita foram compilados no apêndice suplementar. O sistema possuía parâmetros de chamada fixos: um coeficiente de temperatura de 0,7, e o comprimento gerado era limitado dinamicamente com base no tipo de questão de escrita. Seguia rigorosamente uma sequência fixa de reconstrução semântica > ajuste estilístico > adaptação cultural, executando chamadas em cadeia aninhadas de prompts. A saída do modelo era selecionada manualmente pelo instrutor para textos eficazes no ensino em sala de aula.

Este estudo convidou três professores universitários de redação em inglês em regime integral, com mais de cinco anos de experiência, para participar da correção manual. Todos os corretores receberam treinamento padronizado antes da correção oficial, familiarizando-se com as dimensões de avaliação, o sistema de pontuação de 5 pontos, transferência cultural, sintaxe, discurso e outros detalhes da correção, além de concluírem uma calibração prévia. Todas as redações dos alunos foram corrigidas independentemente por dois professores em um modo de correção cega dupla. Caso a diferença entre as notas dos dois corretores excedesse 1 ponto (em uma escala de 5), um terceiro professor sênior atuaria como árbitro na correção, e a média das duas notas válidas seria considerada a pontuação final manual para aquela amostra. Duas equipes de avaliadores participaram da fase de avaliação com diferentes objetivos de pesquisa. Três professores universitários de redação em inglês em regime integral, com mais de cinco anos de experiência docente, realizaram a dupla correção cega de todas as amostras de redação dos alunos no experimento formal, e um terceiro professor sênior atuou como árbitro sempre que as discrepâncias nas notas excedessem 1 ponto na escala de 5 pontos. Em contraste, cinco avaliadores participaram do teste de confiabilidade interavaliadores utilizando o Coeficiente de Correlação Intraclasse (ICC), realizado separadamente para verificar a consistência dos critérios de avaliação entre os avaliadores. A diferença no número de avaliadores decorre de requisitos funcionais distintos: três professores principais garantiram a correção prática dos dados experimentais, enquanto o grupo ampliado de cinco avaliadores forneceu evidências mais robustas sobre a confiabilidade de todo o sistema de avaliação.

A complexidade sintática, a pontuação da estrutura textual pelo BERT e a similaridade semântica são todas pontuadas em uma escala de 0 a 5 pontos. Os pesos para cada dimensão foram definidos de acordo com padrões de ensino e pesquisa em escrita de línguas estrangeiras: sintaxe 0,35, estrutura textual 0,35 e lógica e cultura 0,3. Os valores dos pesos basearam-se em sistemas quantitativos maduros de avaliação de escrita na mesma área. O módulo de pontuação automática por IA foi calibrado utilizando limiares com base em 15 redações modelo previamente classificadas. A correção humana seguiu uma escala de classificação unificada de cinco pontos. A pontuação por máquina e a calibração humana foram combinadas para uma verificação pré-experimental antes da avaliação formal.

A tarefa de ensino foi realizada com base nos objetivos de transferência de três níveis: "sintaxe-estrutura-cultura", com três rodadas de treinamento, cada uma com duração de uma semana. A primeira rodada envolveu reescrita em nível de frase para melhorar a diversidade sintática e a precisão da expressão; a segunda rodada incluiu a reconstrução estrutural em nível de parágrafo para aprimorar a organização do parágrafo e a coerência lógica; a terceira rodada envolveu transferência em nível cultural para fortalecer a consciência pragmática intercultural e a adaptabilidade da expressão. Considerando as medidas repetidas coletadas dos mesmos participantes entre o pré-teste, as três rodadas sequenciais de treinamento e o pós-teste, adotou-se a análise de variância com medidas repetidas (RM-ANOVA) como abordagem estatística principal para examinar os efeitos principais do grupo (experimental versus controle), os efeitos principais do momento da avaliação, bem como o efeito da interação grupo × tempo, o qual indicou se as mudanças nas pontuações durante o treinamento diferiram entre os dois grupos. A suposição de esfericidade foi verificada por meio do teste de Mauchly; a correção de Greenhouse–Geisser foi aplicada caso a esfericidade fosse violada. Testes t para amostras independentes foram utilizados apenas para comparações post hoc entre grupos aos pontos individuais de tempo, enquanto a correlação de Pearson e o d de Cohen foram mantidos para quantificação da consistência das pontuações e do tamanho do efeito, respectivamente.

Todas as análises estatísticas foram especificadas previamente à coleta de dados. Testes t para amostras independentes foram utilizados para comparar os indicadores de escrita pré e pós-teste entre dois grupos, com a hipótese nula principal assumindo ausência de diferenças entre grupos no desempenho de transferência da escrita. A análise de correlação de Pearson foi empregada para quantificar a associação linear entre a pontuação automática por IA e as avaliações manuais dos professores, e o d de Cohen foi calculado como o tamanho do efeito padronizado para comparações entre grupos. O limiar de significância foi estabelecido em α = 0,05 para todos os testes de hipóteses, e intervalos de confiança de 95% foram calculados juntamente com todas as estatísticas de teste. O SPSS 26.0 foi utilizado para realizar todos os cálculos estatísticos. Não houve dados ausentes nos conjuntos de dados de provas dos alunos e questionários, já que todos os participantes concluíram o treinamento completo de três rodadas e as avaliações pertinentes; portanto, não foi necessária imputação ou exclusão de casos para valores ausentes.

Construção do sistema de índice de avaliação

Para avaliar de forma abrangente o desempenho dos alunos no treinamento de transferência de escrita em inglês, este estudo construiu um sistema de avaliação multidimensional que abrangeu os objetivos de transferência em três níveis: "sintaxe-estrutura-cultura", integrou a capacidade linguística, a resposta do modelo, o feedback docente e a autorreflexão, e estabeleceu seis indicadores principais. Primeiramente, o "índice de transferência na escrita" foi um indicador de avaliação abrangente que contemplou diversidade sintática, clareza estrutural e adaptabilidade cultural, combinando a pontuação automática do sistema e a correção manual do professor para análise quantitativa. A "pontuação de complexidade sintática" utilizou tecnologia de processamento de linguagem natural para extrair características como comprimento médio das frases, número de níveis de subordinação de orações e frequência de uso de locuções verbais, a fim de avaliar a riqueza e complexidade das frases dos alunos. A análise de "adequação ao estilo acadêmico" examinou a proporção de uso da voz passiva e a proporção de vocabulário formal, com base em um modelo de PLN (Processamento de Linguagem Natural), para determinar se o texto seguia as normas estilísticas da escrita acadêmica em inglês. Além disso, o estudo introduziu uma dimensão de avaliação subjetiva, coletando, por meio de questionários aplicados aos professores, feedback sobre a aceitação e a praticidade das sugestões geradas pelo modelo, a fim de avaliar o impacto real do ensino assistido por IA. As "mudanças nas notas de correção dos professores" refletiram o impacto do ensino assistido por IA na melhoria da qualidade da escrita, comparando-se as notas atribuídas pelos professores às redações dos alunos antes e após o experimento. Por fim, a "autoavaliação dos alunos quanto à capacidade de transferência" utilizou a tabela de cognição de transferência para orientar os alunos na autoravaliação de seu domínio em dimensões como estrutura, sintaxe e cultura, promovendo, assim, o aumento da consciência metacognitiva e das habilidades de reflexão. As descrições específicas e as fontes de dados para cada indicador estão apresentadas na Tabela 3.

Indicadores sintáticos e estilísticos foram calculados automaticamente por meio de análise de dependência e classificação baseada em BERT, com escores normalizados variando de 0 a 5; a avaliação manual utiliza uma escala de 5 pontos. As fórmulas de cálculo para complexidade sintática utilizaram o número total de palavras dividido pelo número de orações como denominador principal. Fonte dos dados brutos: composições escritas do pré-teste e pós-teste de todos os 60 estudantes inscritos.

Resultados experimentais e análise

Para apresentar intuitivamente as diferenças abrangentes no desempenho dos alunos nas três dimensões de transferência sintática, transferência estrutural e transferência cultural, Figura 3 comparou o índice médio de transferência escrita dos alunos do grupo experimental e do grupo de controle antes e após o experimento: Figura 3 mostrou a diferença nas pontuações médias entre o grupo experimental e o grupo de controle nas três dimensões de transferência sintática, transferência estrutural e transferência cultural. O grupo experimental apresentou uma melhoria significativa na capacidade de transferência em cada dimensão após o experimento, e o círculo externo do gráfico de radar é significativamente maior que o círculo interno, indicando que o método de otimização do ensino baseado no modelo DeepSeek tem um efeito positivo na promoção do desenvolvimento da capacidade de transferência escrita em inglês dos alunos. Em contraste, os diversos indicadores de capacidade de transferência do grupo de controle permaneceram relativamente inalterados antes e após o experimento. A melhoria geral foi limitada, indicando que métodos tradicionais de ensino ou ferramentas assistidas por IA que não otimizaram as instruções do sistema têm um papel limitado no treinamento de transferência. Foi difícil estimular efetivamente o potencial de aprendizagem dos alunos na transferência linguística multidimensional.

Os índices médios de transferência escrita do grupo experimental nas dimensões de transferência sintática, transferência estrutural e transferência cultural antes do experimento foram 3,0, 2,9 e 2,8, respectivamente, aumentando para 4,3, 4,1 e 4,5 após o experimento, com incrementos de 1,3, 1,2 e 1,7, respectivamente, indicando que o método de ensino teve um bom efeito de intervenção em diferentes níveis de transferência. As pontuações do grupo controle antes do experimento foram 3,0, 3,0 e 2,9. Após o experimento, os valores aumentaram para 3,4, 3,3 e 3,2, respectivamente, o que é significativamente menor do que os do grupo experimental. É particularmente notável que, na dimensão de transferência cultural, o grupo experimental apresentou a melhoria mais significativa, passando de 2,8 para 4,5, um aumento de 1,7 ponto, substancialmente superior ao aumento de 0,3 ponto do grupo controle. Esse resultado sugere que o método de ensino proposto desempenha um papel importante na ajuda aos alunos a identificar e adaptar-se às normas de expressão cultural em inglês. Isso refletiu-se não apenas nos ajustes na forma linguística, mas também no aprimoramento da consciência pragmática intercultural dos alunos e na profundidade de sua compreensão dos hábitos de expressão cultural da língua-alvo. A transferência linguística manifestou-se principalmente na complexidade sintática, adaptação de estilo linguístico e outros aspectos. O estudo utilizou tecnologia automatizada de PLN para realizar uma análise aprofundada dos textos escritos pelos alunos, extrair características linguísticas-chave e, combinando com as avaliações dos professores, avaliar sistematicamente as mudanças na capacidade de transferência linguística dos alunos ao longo de três rodadas de tarefas.

Complexidade sintática e estilo linguístico

Em termos de complexidade sintática, o estudo registrou o comprimento médio das frases e o número de níveis de aninhamento de orações no texto produzido pelos alunos após a conclusão da tarefa de escrita designada em cada rodada de atividades. Esses dois indicadores foram amplamente utilizados para medir a complexidade da expressão linguística. Eles refletiram efetivamente o nível de desenvolvimento dos alunos em diversidade de frases e capacidade de organização estrutural, conforme mostrado na Figura 4.

Na evolução longitudinal da complexidade sintática, o grupo experimental exibiu uma tendência clara de aumento nas três rodadas de tarefas, refletindo a promoção eficaz do treinamento de transferência na capacidade dos alunos de expressar sua estrutura linguística. Do ponto de vista do comprimento médio das frases, o grupo experimental aumentou de 12,5 palavras na Tarefa 1 para 16,1 palavras na Tarefa 3, representando um aumento de 3,6 palavras, significativamente maior do que o aumento de apenas 0,9 palavras observado no grupo controle no mesmo período (de 12,4 para 13,3). Da mesma forma, sob a perspectiva da dimensão de complexidade estrutural, medida pelo número de camadas de aninhamento de orações, o grupo experimental aumentou de 1,8 para 2,7 camadas, enquanto o grupo controle passou de 1,7 para 1,9 camadas, com um aumento relativamente lento. Para verificar mais aprofundadamente se a diferença na complexidade sintática entre os dois grupos de alunos é estatisticamente significativa, o estudo utilizou testes t para amostras independentes para analisar o comprimento médio das frases e o número de níveis de aninhamento de orações nas três fases da tarefa. Os resultados mostraram que há uma diferença significativa entre o grupo experimental e o grupo controle quanto ao comprimento médio das frases, t(58) = 4,23, p < 0,001, d de Cohen = 0,98; também houve uma diferença significativa no número de níveis de aninhamento de orações, t(58) = 3,15, p = 0,002, d de Cohen = 0,78. Essa comparação indicou que o treinamento sistemático de transferência não apenas melhorou a capacidade dos alunos de construir frases complexas, mas também fortaleceu seu domínio de estratégias de organização gramatical. Em particular, na terceira fase da tarefa, os alunos do grupo experimental demonstraram maior flexibilidade no uso de orações com múltiplas camadas e estruturas de frases complexas. Isso refletiu uma mudança notável em sua transferência linguística, de um nível “funcional” para um nível mais “estratégico”. O caminho de treinamento orientado à transferência aprimorou continuamente as habilidades de transferência sintática dos alunos, superando efetivamente as limitações da escrita de frases isoladas e dos padrões fixos de expressão frequentemente observados no ensino tradicional. Em termos de adaptação ao estilo linguístico, o estudo extraiu os textos escritos pelos alunos antes e depois do experimento. Utilizou-se um modelo de PLN para determinar a proporção de vocabulário formal e a frequência de uso da voz passiva como indicadores principais para avaliar a adequação ao estilo linguístico acadêmico. Esses indicadores refletiram se os alunos possuem a consciência linguística e a capacidade de expressão necessárias para adaptar-se ao estilo alvo na escrita em inglês. Os resultados relevantes estão apresentados na Figura 5.

Figura 5 mostra as alterações no ajuste ao estilo acadêmico do grupo experimental e do grupo de controle antes e após a tarefa, concentrando-se principalmente em dois indicadores centrais: a proporção de vocabulário formal e a frequência de uso da voz passiva. De modo geral, após a conclusão do treinamento de transferência baseado no modelo DeepSeek, a capacidade de adaptação ao estilo acadêmico do grupo experimental foi significativamente aprimorada, demonstrando a eficácia desse método de ensino no desenvolvimento da consciência dos alunos sobre as normas linguísticas e na sua habilidade de adaptação a estilos acadêmicos. Em relação à proporção de vocabulário formal, o grupo experimental aumentou de 0,42 antes da tarefa para 0,56 após a tarefa, um aumento relativamente significativo. Em contraste, o grupo de controle aumentou apenas ligeiramente, de 0,43 para 0,48, o que sugere uma melhoria limitada. Esse resultado indicou que, após receber orientação sistemática por meio de prompts e feedback do modelo, os alunos do grupo experimental tenderam mais a utilizar vocabulário formal compatível com os requisitos do estilo acadêmico durante o processo de escrita, e seu estilo linguístico aproximou-se progressivamente dos padrões da escrita acadêmica em inglês. Quanto à frequência de uso da voz passiva, o grupo experimental aumentou significativamente de 0,18 antes da tarefa para 0,27 após a tarefa, representando um aumento de 0,09; em contrapartida, o grupo de controle aumentou apenas 0,02.

Para verificar mais a fundo se as alterações acima são estatisticamente significativas, o estudo realizou um teste t para amostras independentes nos dados antes e depois da tarefa. Os resultados mostraram que o grupo experimental apresentou uma melhoria significativa na proporção de vocabulário formal, t(58) = 3,89, p < 0,001, d de Cohen = 0,92; o aumento na frequência de uso da voz passiva também foi significativo, t(58) = 4,56, p < 0,001, d de Cohen = 1,05. Isso indicou que os alunos do grupo experimental haviam progredido substancialmente na adaptação do estilo linguístico, e esse progresso não foi casual, mas sim resultado do efeito combinado da orientação sistemática por meio de instruções e do feedback do modelo.

Verificação estatística

Além disso, para verificar ainda mais a confiabilidade do conteúdo gerado por IA na prática de ensino, o estudo também comparou as pontuações médias do conteúdo gerado por IA e do conteúdo gerado por professores sob diferentes tipos de instruções. A consistência entre os dois foi avaliada mediante o cálculo do coeficiente de correlação de Pearson. Os resultados comparativos relevantes são apresentados na Tabela 4. A Tabela 4 mostra a consistência entre o conteúdo gerado por IA e as pontuações dos professores em cinco tipos de instruções orientadas à transferência. Do ponto de vista da pontuação média, a pontuação da IA foi ligeiramente inferior à dos professores no geral. Contudo, a diferença estava dentro de uma faixa razoável na maioria dos tipos de tarefas, indicando que o modelo DeepSeek possui alta estabilidade e valor de referência na avaliação de tarefas de transferência escrita. Na instrução de transferência sintática, a pontuação média dos professores foi 4,1 e a da IA foi 4,0, com uma diferença de apenas 0,1 entre ambas. Nas instruções de transferência estrutural e lógica, a pontuação da IA foi apenas 0,1 ponto inferior à dos professores, indicando que o modelo consegue simular melhor os critérios de avaliação docente nessas tarefas, que envolvem alto grau de estrutura linguística e regras claras. Em contraste, os desvios nas pontuações nas instruções de transferência cultural e de transferência de registro são relativamente evidentes, com pontuações da IA de 3,6 e 3,7, respectivamente, 0,2 pontos abaixo das pontuações dos professores, refletindo que a IA ainda apresenta certas limitações ao lidar com tarefas de alto grau de subjetividade, como implicações semânticas e pragmática cultural. A confiabilidade interavaliadores foi avaliada por meio do ICC (n = 5 avaliadores). O ICC geral para a correção manual foi de 0,86, e os ICCs para cada dimensão variaram de 0,82 a 0,89, indicando concordância interavaliadores satisfatória.

A análise adicional do coeficiente de correlação de Pearson revelou que a consistência das pontuações sob diferentes estímulos estava em um nível elevado, indicando que a pontuação da IA não era apenas próxima ao julgamento do professor em termos de valor, mas também exibia uma boa relação linear em sua tendência de pontuação. Dentre eles, o coeficiente de consistência do estímulo de transferência sintática foi o mais alto, com 0,87, e os estímulos de transferência estrutural e transferência lógica foram também de 0,83 e 0,85, respectivamente, indicando que os resultados de avaliação da IA em termos de complexidade sintática, organização de parágrafos e coerência lógica são altamente consistentes com o julgamento do professor. Isso pode ocorrer porque essas tarefas possuem objetivos claros e características linguísticas quantificáveis, o que facilitou o reconhecimento pelo modelo e um julgamento estável. O coeficiente de correlação do estímulo de transferência de domínio é de 0,81. Embora tenha diminuído ligeiramente, ainda demonstra uma forte capacidade de avaliação, indicando que a IA possui certo grau de julgamento no nível de adaptação de estilo. No entanto, o coeficiente de consistência do estímulo de transferência cultural foi de apenas 0,79, o que é inferior aos demais tipos, mas ainda dentro de uma faixa aceitável.

Para examinar a aplicabilidade de diferentes tipos de estímulos na prática de ensino e o grau de aceitação pelos professores, foi elaborado um questionário de satisfação com as respostas aos estímulos. Cinco professores de inglês (numerados de T1 a T5) foram convidados a avaliar as sugestões geradas por cinco tipos de estímulos utilizando uma escala de cinco níveis (muito insatisfeito a muito satisfeito), conforme mostrado na Figura 6: as pontuações dos cinco professores para os cinco tipos de estímulos variam um pouco, mas o reconhecimento geral foi alto. Dentre eles, os estímulos de "transferência sintática" e "transferência cultural" obtiveram as pontuações mais altas, com média de 4,0, refletindo alta praticidade e adaptabilidade no ensino. Em contraste, o estímulo de "transferência de registro" obteve pontuações relativamente baixas, com média de apenas 2,4, e alguns professores, como T4 e T5, atribuíram as notas mais baixas, indicando que sua orientação e adaptabilidade nas aplicações didáticas ainda precisam ser aprimoradas.

Em nível individual, havia diferenças evidentes nas tendências de pontuação dos professores. A pontuação geral de T1 foi positiva, indicando um alto grau de aceitação da escrita assistida por IA, enquanto as pontuações de T5 foram baixas em múltiplas dimensões do Prompt, especialmente em "transferência de registro" e "transferência lógica". Essa diferença pode estar relacionada à experiência docente, preferência linguística ou familiaridade dos professores com ferramentas de IA, sugerindo que o design futuro do Prompt precisa considerar mecanismos de adaptação personalizados para aumentar a aceitação por diferentes grupos de professores. Para verificar mais a fundo o efeito real do ensino assistido por IA na melhoria da qualidade da escrita dos alunos, o estudo comparou as alterações nas pontuações gerais do grupo experimental e do grupo controle, conforme avaliado pelos professores, antes e após o experimento. Os resultados da comparação são apresentados na Figura 7.

Conforme mostrado na Figura 7, as pontuações gerais do grupo experimental e do grupo controle, avaliadas por professores antes e depois do experimento, apresentaram diferenças significativas. De modo geral, após a intervenção pedagógica com otimização do ensino baseada no modelo DeepSeek, a pontuação geral do grupo experimental mostrou uma tendência claramente ascendente. Em contraste, a alteração na pontuação do grupo controle foi relativamente suave. A pontuação média atribuída pelos professores ao grupo experimental antes do experimento foi de 59,1 pontos, e a pontuação média após o experimento aumentou significativamente para 74,4 pontos, representando um aumento de 15,3 pontos. Isso indicou que o ensino assistido por IA teve um impacto positivo na qualidade da escrita dos alunos. A partir do gráfico de caixas, observou-se que a amplitude da distribuição das pontuações do grupo experimental também se ampliou. Em particular, a caixa de pontuações após o experimento está significativamente mais alta do que antes, e os valores máximo superior e mínimo inferior aumentaram, indicando que o nível geral dos alunos melhorou significativamente. Em contraste, as alterações nas pontuações do grupo controle foram relativamente limitadas. Antes do experimento, a pontuação média do grupo controle foi de 60,1 pontos, e após o experimento, foi de 64,9 pontos, representando um aumento de 4,8 pontos. Esse aumento foi muito menor do que o do grupo experimental, e a caixa de pontuações do grupo controle não mudou muito antes e depois do experimento, indicando que métodos de ensino tradicionais ou ferramentas assistidas por IA não otimizadas têm um efeito limitado na melhoria da qualidade da escrita.

Além disso, este estudo utilizou a tabela de cognição transferível para orientar os alunos em três rodadas de autoavaliação sobre o desenvolvimento de suas habilidades em ajuste estrutural, transformação de frases e expressão cultural, entre outras áreas, com o objetivo de refletir a tendência de mudança da consciência metacognitiva dos alunos e do domínio das estratégias de transferência. Os resultados são apresentados em Figura 8. De acordo com os dados do gráfico de radar da autoavaliação dos alunos sobre a capacidade de transferência mostrados em Figura 8, a autoavaliação dos estudantes nas cinco dimensões de transferência estrutural, transferência sintática, transferência cultural, transferência de registro e transferência lógica nas três rodadas de tarefas mostrou uma tendência crescente contínua, indicando que, sob a intervenção pedagógica de otimização instrucional baseada no modelo DeepSeek, a capacidade dos estudantes de utilizar estratégias de transferência foi significativamente aprimorada. Na primeira rodada de tarefas, as pontuações de autoavaliação dos estudantes foram geralmente baixas. Dentre as cinco dimensões, a "transferência estrutural" e a "transferência lógica" obtiveram pontuações de 3,2 e 3,0, respectivamente, enquanto a "transferência cultural" e a "transferência de registro" obtiveram 2,5 e 2,7, indicando que os estudantes ainda estavam pouco desenvolvidos na identificação e no uso de estratégias de transferência. Na segunda rodada de tarefas, as pontuações de cada item melhoraram, com a "transferência estrutural" subindo para 3,8, a "transferência sintática" para 3,5 e a "transferência lógica" para 3,7. Isso demonstrou que, com a orientação dos professores e o suporte do feedback do modelo, os estudantes foram gradativamente dominando os pontos-chave das operações básicas de transferência e começaram a aplicá-los à escrita prática. Na terceira rodada de tarefas, as pontuações de autoavaliação dos estudantes aumentaram significativamente, com a "transferência estrutural" e a "transferência lógica" atingindo 4,5 e 4,3, respectivamente, e as demais dimensões também se estabilizando acima de 4,0 pontos, evidenciando o efeito sustentado de múltiplas rodadas de treinamento em transferência no aprimoramento do controle das formas linguísticas e da capacidade de construção textual dos estudantes. Nesta fase, os estudantes já haviam formado um ciclo cognitivo básico fechado entre compreensão, execução e reflexão das estratégias de transferência. Além do feedback dos professores, o estudo também distribuiu um questionário de satisfação sobre a função de escrita assistida por IA a todos os estudantes do grupo experimental, coletando-se um total de 30 questionários válidos. O questionário avaliou o desempenho da IA em três módulos funcionais: sugestões de reescrita, otimização estrutural e estímulos culturais, exigindo que os estudantes selecionassem opções de acordo com cinco níveis de critérios. Os resultados são apresentados em Tabela 5.

De acordo com os resultados da pesquisa de satisfação dos alunos sobre as funções de escrita assistida por IA apresentados na Tabela 5, os alunos do grupo experimental deram, em geral, comentários positivos sobre o desempenho da IA nos três módulos funcionais de sugestões de reescrita, otimização estrutural e estímulos culturais, demonstrando as boas perspectivas de aplicação dos sistemas de escrita assistida por IA na melhoria da eficiência do treinamento de escrita e da qualidade do suporte ao ensino. No geral, mais de 90% dos alunos se declararam "muito satisfeitos" ou "satisfeitos" nos dois itens funcionais de "sugestões de reescrita" e "otimização estrutural", sendo que o item "sugestões de reescrita" obteve a maior taxa de satisfação, atingindo 91%, o que indica um alto grau de reconhecimento da capacidade da IA na reconstrução sintática e no aprimoramento linguístico. Em comparação, a satisfação com a função de "estímulos culturais" foi relativamente menor, ainda assim alcançando 83%, o que indica que, embora a IA enfrente certa complexidade e subjetividade ao orientar expressões interculturais, seu papel no auxílio aos alunos na identificação e ajuste de interferências culturais da língua materna ainda foi reconhecido pela maioria dos estudantes. Em termos de insatisfação, a porcentagem de alunos que escolheram "insatisfeito" ou "muito insatisfeito" nas três funções foi inferior a 5%, indicando que as funções assistidas por IA apresentaram boa usabilidade e aceitação na maioria dos cenários de aplicação. Vale destacar que a proporção de alunos que avaliaram como "regular" no item "estímulos culturais" foi relativamente alta, sugerindo que a IA atual pode não estar plenamente atendendo às expectativas dos alunos ao lidar com questões de adaptação cultural, havendo ainda espaço para aprimoramento. Uma análise abrangente revela que o método de otimização de instruções baseado no DeepSeek tem sido amplamente reconhecido pelos alunos, especialmente pelo seu suporte à forma linguística.

ANOVA de medidas repetidas

Uma análise de variância de medidas repetidas de dois fatores (RM-ANOVA) foi realizada para examinar os efeitos do grupo (fator entre sujeitos: grupo experimental versus grupo controle) e do tempo (fator intra-sujeitos: pré-teste, Tarefa 1, Tarefa 2, Tarefa 3, pós-teste), bem como a interação entre eles no desempenho de transferência da escrita em inglês dos alunos. O teste de Mauchly indicou uma violação da suposição de esfericidade (p < 0,05), portanto, a correção de Greenhouse–Geisser foi aplicada para ajustar os graus de liberdade dos efeitos intra-sujeitos. Todas as análises foram baseadas em n = 30 participantes por grupo. Os resultados são apresentados na Tabela 6:

Os resultados da ANOVA de medidas repetidas com correção de Greenhouse–Geisser indicaram efeitos principais significativos de Grupo, Tempo e interação Grupo × Tempo em todas as dimensões medidas (p < 0,001). Para o Índice Geral de Transferência, observou-se um efeito significativo de Grupo (F(1,58) = 76,32), juntamente com um efeito significativo de Tempo (F(2,14,124,12) = 92,75) e uma interação significativa Grupo × Tempo (F(2,14,124,12) = 68,49), sugerindo que as mudanças no desempenho geral de transferência ao longo do tempo diferiram significativamente entre os grupos.

Da mesma forma, a transferência sintática mostrou efeitos significativos de Grupo (F(1,58) = 52,18), Tempo (F(2,11,122,38) = 71,26) e interação Grupo × Tempo (F(2,11,122,38) = 45,73), indicando padrões de desenvolvimento diferenciados na habilidade de transferência sintática entre os grupos e pontos de medição. Para a Transferência Estrutural, efeitos significativos de Grupo (F(1,58)=48,65), Tempo (F(2,09,121,22) = 67,81) e interação (F(2,09,121,22) = 41,36) também foram identificados, refletindo melhorias consistentes com trajetórias dependentes do grupo. Notavelmente, a Transferência Cultural exibiu os efeitos mais fortes, com um efeito significativo de Grupo (F(1,58) = 81,44), um efeito acentuado de Tempo (F(2,07,119,96) = 98,52) e uma interação robusta Grupo × Tempo (F(2,07,119,96) = 79,27), sugerindo o padrão de crescimento mais acentuado e diferenciado nesta dimensão. De modo geral, todos os índices demonstram efeitos estatisticamente significativos, confirmando que a intervenção exerceu um impacto estável e diferenciado no desenvolvimento da transferência ao longo do tempo.

DISPONIBILIDADE DE DADOS:

Todos os dados gerados ou analisados durante este estudo estão incluídos neste artigo. Os dados brutos de avaliação estão fornecidos na Tabela Suplementar 1.

Figura 1: Etapas para a transformação da estrutura da frase. (A) Estratégias para combinar e fortalecer verbos a fim de melhorar a estrutura da frase. (B) Transformações alternativas de sujeito, incluindo sujeitos gerúndio, infinitivo e nominalizados. (C) Uso de frases não finitas para aumentar a variedade e a concisão da frase. (D) Exemplos de versões finais aprimoradas que demonstram estilo acadêmico aprimorado e expressão em inglês intercultural. Clique aqui para visualizar uma versão maior desta figura.

Figura 2: Diagrama da árvore evolutiva da tarefa. Apresenta a estrutura progressiva de tarefas de transferência em quatro níveis, que variam da frase, parágrafo, discurso até o nível cultural. Clique aqui para visualizar uma versão maior desta figura.

Figura 3: Comparação da capacidade de transferência escrita antes e após o experimento. O gráfico de radar mostra as pontuações do pré-teste e pós-teste dos grupos experimental e controle nas dimensões de transferência sintática, estrutural e cultural. Clique aqui para visualizar uma versão maior desta figura.

Figura 4: Gráfico de linha de tendência da complexidade sintática. São exibidas as alterações no comprimento médio das frases e nas camadas de aninhamento de orações ao longo de três tarefas de treinamento. Clique aqui para visualizar uma versão maior desta figura.

Figura 5: Correspondência de terminologia acadêmica. Esta figura mostra as variações na proporção de vocabulário formal e na frequência de voz passiva antes e depois da intervenção. Clique aqui para visualizar uma versão maior desta figura.

Figura 6: Mapa de calor da satisfação com as respostas aos estímulos. Aqui são resumidas as classificações de cinco tipos de modelos de estímulos fornecidas pelos professores participantes. Clique aqui para visualizar uma versão maior desta figura.

Figura 7: Gráfico de caixa das alterações nas avaliações dos professores. O gráfico de caixa demonstra a distribuição e as alterações gerais dos escores de escrita avaliados pelos professores para dois grupos antes e após o experimento. Clique aqui para visualizar uma versão maior desta figura.

Figura 8: Gráfico de radar da capacidade de transferência autoavaliada pelos estudantes. Mostra as pontuações de autoavaliação dos estudantes em cinco dimensões de transferência ao longo de três rodadas de treinamento. Clique aqui para visualizar uma versão maior desta figura.

Entrada	Atuação do professor	Tipo de estímulo	Atuação do aluno	Saída	Critérios de avaliação
Rascunhos originais dos alunos (frases/parágrafos/redações)	1. Identificar os tipos de transferência e níveis da tarefa 2. Ajustar os parâmetros do estímulo, se necessário	Estímulo único de transferência / Cadeia de estímulos aninhados em três etapas	1. Aprender estratégias de transferência 2. Revisar rascunhos com base no feedback da IA 3. Realizar autoavaliação	Texto revisado pela IA + Rascunho final revisado pelo aluno	Complexidade sintática, racionalidade estrutural, adequação cultural, coerência lógica, padronização de registro (escala de 0 a 5)

Tabela 1: Tabela Resumo do Fluxo de Trabalho. Esta tabela resume todo o fluxo de trabalho operacional do treinamento de transferência de escrita em inglês assistido por IA, abrangendo materiais de entrada, operações do professor e do aluno, tipos de instruções, resultados finais e critérios de avaliação correspondentes.

Categoria do Projeto	Conteúdo
Compreensão dos objetivos da missão	Descreva brevemente as metas de migração desta rodada de tarefas de escrita, como ajuste estrutural, adaptação cultural e conversão linguística.
Estratégia de migração utilizada	Liste as estratégias de migração que adotou (múltiplas seleções permitidas):
	Ajuste Estrutural
	Transformação de Frase
	Alternância de Língua
	Manifestação Cultural
	Fortalecimento da Conexão Lógica
	Outro: _______
Exemplos e instruções reescritos	Selecione 1–2 frases reescritas, apresente as versões antes e depois da reescrita e explique os motivos das alterações e as metas desejadas de transferência.
Dificuldades e dúvidas encontradas	Descreva quaisquer desafios enfrentados durante a migração ou dúvidas que teve sobre uma expressão específica.
Pontuação de autoavaliação (de um total de 5 pontos)	Avalie sua reescrita textual com base nos seguintes três aspectos:
	• Precisão na aplicação da estratégia (/5)
	• Fluência natural da expressão (/5)
	• Adequação cultural (/5)
Metas futuras de aprimoramento na escrita	Descreva brevemente a transferibilidade que gostaria de fortalecer ou otimizar na próxima rodada de treinamento

Tabela 2: Tabela de cognição da transferência. Uma escala de classificação de 1 a 5 (1 = nenhuma proficiência, 5 = proficiência total) é adotada para a autoavaliação dos alunos sobre estratégias de transferência na escrita.

Nome do indicador	Descrição	Fonte de dados
Índice de transferência de escrita (0–5)	Um indicador quantitativo que mede de forma abrangente a capacidade de transferência linguística, abrangendo três níveis: sintaxe, estrutura e cultura.	Correção automática pelo sistema + correção manual pelos professores
Pontuação de complexidade sintática	Inclui comprimento médio das frases, número de inserções de orações, riqueza da locução verbal, etc.	Análise automática de PLN
Conformidade com estilo acadêmico	Está de acordo com os padrões de escrita acadêmica em inglês?	Avaliação por modelo de processamento de linguagem natural
Satisfação com a resposta ao estímulo	Aceitação e avaliação prática pelos professores das sugestões geradas pelo modelo	Questionário aplicado aos professores
Mudanças nas notas atribuídas pelos professores	Comparação das notas dadas pelos professores antes e depois do experimento, refletindo a melhoria na qualidade da escrita	Registros de avaliação pelos professores
Capacidade de transferência autoavaliada pelos alunos	Os alunos autoavaliam seu domínio em diferentes dimensões de transferência	Preenchimento do formulário de conscientização sobre migração

Tabela 3: Resumo dos indicadores de avaliação, descrições e fontes de dados. Esta tabela esclarece as definições, métodos de mensuração e fontes originais dos dados para cada indicador central de avaliação neste estudo.

Tipo de prompt	Média da avaliação dos professores	Média da pontuação da IA	Coeficiente de correlação de Pearson
Transferência estrutural	4	3,9	0,83
Transferência sintática	4,1	4	0,87
Transferência cultural	3,8	3,6	0,79
Transferência de registro	3,9	3,7	0,81
Transferência lógica	4,2	4,1	0,85

Tabela 4: Comparação da consistência entre o conteúdo gerado por IA e as avaliações dos professores. Os resultados demonstram a consistência entre o conteúdo gerado por IA e as avaliações dos professores em diferentes tipos de instruções.

Itens de função	Muito satisfeito	Satisfeito	Regularmente	Insatisfeito	Muito insatisfeito
Sugestão de reescrita	66%	25%	7%	1.50%	0.50%
Otimização estrutural	60%	30%	7%	2%	1%
Dicas culturais	55%	28%	12%	3.50%	1.50%

Tabela 5: Estatísticas da pesquisa sobre a satisfação dos alunos com funções assistidas por IA. As estatísticas mostram a distribuição da satisfação dos alunos em relação às funções de reescrita por IA, otimização estrutural e prompts culturais.

Medida	Grupo F(gl)	Tempo F(gl)GG	Grupo × Tempo F(gl)GG	p
Índice Geral de Transferência	76,32 (1, 58)	92,75 (2,14, 124,12)	68,49 (2,14, 124,12)	<0,001
Transferência Sintática	52,18 (1, 58)	71,26 (2,11, 122,38)	45,73 (2,11, 122,38)	<0,001
Transferência Estrutural	48,65 (1, 58)	67,81 (2,09, 121,22)	41,36 (2,09, 121,22)	<0,001
Transferência Cultural	81,44 (1, 58)	98,52 (2,07, 119,96)	79,27 (2,07, 119,96)	<0,001

Tabela 6: Resumo dos resultados da ANOVA de medidas repetidas. Apresenta os resultados da ANOVA de medidas repetidas com dois fatores para o desempenho geral na transferência de escrita e suas três subdimensões, incluindo os efeitos principais de grupo, tempo e a interação grupo por tempo. Abreviações: GG = correção de Greenhouse–Geisser.

Tabela Suplementar 1: Avaliação dos dados brutos. Inclui os dados brutos utilizados em todas as análises deste estudo.Clique aqui para baixar este arquivo.

Discussão

Esta pesquisa constrói um framework de otimização de instruções multinível baseado na arquitetura MoE do DeepSeek para o ensino de transferência em escrita inglesa intercultural. Com foco em quatro níveis progressivos de tarefas, que vão da frase à dimensão cultural, e em uma biblioteca padronizada de tarefas com cinco categorias, a pesquisa realiza a geração automática de prompts com base em exemplos reais de escrita dos alunos e estabelece cadeias de prompts aninhadas em três estágios para decompor tarefas complexas de adaptação intercultural. Diferentemente do design convencional de prompts genéricos, limitado ao aprimoramento textual, a solução proposta vincula a elaboração de prompts diretamente aos objetivos do ensino de transferência linguística e cria um fluxo de ensino em circuito fechado composto por geração do modelo, anotação pelo professor e revisão iterativa pelos alunos. Do ponto de vista do avanço disciplinar, este trabalho amplia os limites práticos da engenharia de prompts na aquisição de segunda língua, fornecendo um caminho quantificável para a construção de modelos que integram características paramétricas de grandes modelos linguísticos ao treinamento direcionado em salas de aula de LE. Além disso, enriquece as evidências empíricas para pesquisas sobre transferência pragmática intercultural em ambientes com auxílio de IA, complementando achados existentes que se concentram apenas em erros de transferência negativa sintática^36,37.

Dados empíricos de quase-experimentos confirmam que o grupo experimental obteve promoção evidente nos indicadores de transferência sintática, estrutural e cultural, ainda que diversas limitações inerentes restrinjam a generalização dos resultados da pesquisa. Limitado pelas condições da pesquisa, o estudo adotou agrupamento de turmas não randomizado sem arranjo de ocultação do avaliador, e todas as amostras foram selecionadas de estudantes de inglês de uma única universidade, o que dificulta excluir a interferência da motivação autônoma dos alunos para aprendizagem e dos hábitos de ensino de longo prazo dos professores durante a variação das notas. Além disso, essa intervenção durou apenas três semanas, representando um programa de treinamento de curto prazo. Combinado com o desenho amostral monocêntrico, no qual todos os participantes foram recrutados de um único colégio vocacional, os efeitos positivos observados podem não ser totalmente estáveis na prática docente de longo prazo. Portanto, os achados da pesquisa devem ser interpretados com cautela, e não é apropriado generalizar diretamente as conclusões para diferentes tipos de instituições de ensino, ciclos de ensino mais longos ou grupos de estudantes com proficiência linguística variada.

Na aplicação prática no ensino, o sistema atual de otimização de prompts combinado ao modelo DeepSeek apresenta limitações evidentes e casos típicos de falha. Em tarefas de transferência cultural e de registro, o modelo ocasionalmente produz expressões pragmaticamente inadequadas ou resultados de conversão de estilo rígidos ao processar textos com conotações culturais sutis e demandas estilísticas dependentes do contexto^38,39; também falha em identificar com precisão o pensamento cultural nativo implícito em parágrafos longos e complexos, levando à revisão incompleta de expressões em chinglês. Na correção automática, a consistência da avaliação por IA diminui significativamente em itens pragmáticos culturais altamente subjetivos, e não consegue distinguir eficazmente as diferenças sutis em expressões retóricas e implicações interculturais. Além disso, a cadeia de prompts aninhada em três etapas é propensa a desvios semânticos na geração iterativa múltipla, em que erros da primeira etapa de reorganização semântica são herdados e amplificados nas etapas subsequentes de revisão linguística e adaptação cultural^40,41.

Em termos de tendência de desenvolvimento futuro, podem ser realizadas melhorias adicionais em três dimensões práticas. Primeiro, ampliar a escala da biblioteca de tarefas coletando um corpus de escrita de estudantes não especializados em língua inglesa e com diferentes níveis de proficiência linguística, a fim de fortalecer a compatibilidade dos modelos com grupos diversos de aprendizes. Segundo, combinar o ajuste fino contínuo de submódulos leves do DeepSeek para reduzir o desvio existente na pontuação de transferência cultural por IA, que, nas estatísticas atuais, demonstrou ser menos consistente em comparação com a avaliação feita por professores. Terceiro, incorporar todo o sistema de otimização de prompts em plataformas convencionais de aprendizagem online de línguas estrangeiras, para viabilizar o acúmulo automático de dados a longo prazo e a otimização iterativa contínua das regras de prompts. Com o enriquecimento contínuo de recursos de corpus culturais interlinguísticos, espera-se que a estrutura técnica proposta possa expandir sua aplicação para o ensino de tradução bilíngue e cursos de comunicação intercultural em pesquisas futuras.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Modelo de Linguagem Pré-treinado BERT	Google	https://github.com/google-research/bert	O modelo oferece suporte à pontuação automatizada do conteúdo escrito por meio da representação de texto, reconhecimento da estrutura de parágrafos, cálculo de similaridade semântica e classificação de texto.
Coreferee	Explosion AI	https://github.com/explosion/coreferee	Identifica relações referenciais no texto e avalia a coerência referencial do discurso para auxiliar na pontuação automática da qualidade da escrita.
Modelo de Linguagem de Grande Porte DeepSeek	DeepSeek AI	https://chat.deepseek.com/	Com base na arquitetura de modelo MoE, foram realizadas otimização de instruções e design de cadeia de palavras de prompt. O modelo utiliza parâmetros fixos: coeficiente de temperatura de 0,7, e o comprimento gerado é limitado dinamicamente de acordo com o tipo de pergunta.
spaCy	Explosion AI	https://github.com/explosion/spaCy	Analisa a estrutura sintática de dependência de textos em inglês e extrai indicadores como comprimento médio das frases e número de orações subordinadas, a fim de quantificar a complexidade sintática.
SPSS 26.0	IBM	https://www.ibm.com/products/spss-statistics	Foram realizadas análises estatísticas, tais como ANOVA de medidas repetidas (RM-ANOVA), teste t para amostras independentes, análise de correlação de Pearson, cálculo do tamanho do efeito (d de Cohen’s) e teste de confiabilidade (ICC).