É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de investigação

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

78 visualizações

⸱

DOI:

10.3791/71662

⸱

25 de agosto de 2026

1Ningbo City College of Vocational Technology

Neste artigo

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 prática1,2. 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 geração6,7. 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 transferência8,9. 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 artigo12,13. 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 central14,15. 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 escrita26,27, 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 gerado34,35, o que limita sua aplicação aprofundada no ensino de transferência escrita intercultural.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

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:

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

Sj representa a amostra de entrada da tarefa, Gi representa a operação de transferência alvo e Ei 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 = {(Dj,TDj)∣j = 1,2,3,4,5} (3)

Dj  corresponde a cinco dimensões de transferência: transferência sintática, transferência estrutural, transferência cultural, transferência de registro e transferência lógica; o conjunto de tarefas TDj  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:

Ti,j = (Si,j,Gi,j,Ci,j) (4)

Si,j representa a amostra de entrada da tarefa, Gi,j é a descrição do alvo de transferência da tarefa e Ci,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.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

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 parâm...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

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...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores declaram que não têm conflitos financeiros de interesse.

Agradecimentos

Este trabalho foi apoiado pelo Projeto de Planejamento Educacional da Província de Zhejiang 2026: Pesquisa sobre a Reconstrução do Quadro de Competências Docentes e Estratégias de Promoção de Professores do Ensino Superior Profissional no Contexto do Fortalecimento Digital e Inteligente (Número do Projeto: ZWT26024; Número de Aprovação: 2026SCG360).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Modelo de Linguagem Pré-treinado BERTGooglehttps://github.com/google-research/bertO 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.
CorefereeExplosion AIhttps://github.com/explosion/corefereeIdentifica 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 DeepSeekDeepSeek AIhttps://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.
spaCyExplosion AIhttps://github.com/explosion/spaCyAnalisa 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 26.0IBMhttps://www.ibm.com/products/spss-statisticsForam 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).

Referências

  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.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Explorar mais artigos

Escrita InterculturalTransferência LinguísticaSistema de Treinamento HierárquicoMixture of ExpertsCadeia de PromptsAdaptação CulturalRevisão Linguística
Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.