Оптимизация промптов DeepSeek для обучения межкультурному письму на английском языке: практическое исследование компетенции переноса

Краткое содержание

В данном исследовании разработана многоуровневая система оптимизации промптов на базе DeepSeek для повышения компетенции в области переноса навыков письма на английском языке в кросс-культурных контекстах. В результате использования трехэтапной цепочки промптов и проведения квазиэксперимента с участием 60 студентов, специализирующихся на английском языке, было выявлено значительное улучшение показателей в экспериментальной группе по сравнению с контрольной.

Аннотация

Чтобы решить проблему ограниченности традиционного обучения письму на английском языке, при котором игнорируется систематическая разработка переноса языковых навыков, а существующие структуры промптов не соответствуют условиям классного обучения, в данном исследовании создана иерархическая система обучения переносу на базе модели DeepSeek, охватывающая четыре прогрессивных уровня задач: предложение, абзац, дискурс и культура, где все задачи определены в тройной форме. Создана пятимерная библиотека задач, охватывающая синтаксис, структуру, культуру, регистр и логику, а целевые промпты автоматически генерируются на основе реальных черновиков работ студентов. В сочетании с архитектурой Mixture of Experts (MoE) модели разработана вложенная цепочка промптов для разделения сложных заданий на три последовательных этапа: семантическая реорганизация, лингвистическая правка и культурная адаптация. Используя квазиэкспериментальный дизайн, в исследовании приняли участие 60 студентов второго курса специальности «английский язык» одного университета, которые были разделены на экспериментальную и контрольную группы по 30 человек каждая для проведения трехнедельного поэтапного вмешательства в течение трех раундов обучения. Результаты после эксперимента показали, что показатель культурного переноса в экспериментальной группе вырос с 2,8 до 4,5, в то время как в контрольной группе прирост составил всего 0,3; средний балл по оценке преподавателя в экспериментальной группе увеличился с 59,1 до 74,4, тогда как в контрольной группе — с 60,1 до 64,9. Большинство коэффициентов корреляции между оценками ИИ и оценками преподавателей превышают 0,8, а более 90% участников положительно оценили функции переписывания и структурной оптимизации с помощью ИИ. Несмотря на небольшой размер выборки в данном испытании, данный подход к оптимизации является осуществимым для внедрения в университетские курсы по письму на английском языке.

Введение

При обучении письму на английском языке в кросс-культурном контексте учащиеся, для которых английский не является родным, часто сталкиваются с проблемой недостаточной способности к переносу знаний при переходе от языковых знаний к их практическому применению^1,2. Несмотря на наличие определенной грамматической базы и словарного запаса, студенты с трудом эффективно преобразуют синтаксические конструкции, структуры и культурные выражения в реальный текст, что приводит к формализации языка и ограниченности мышления, что, в свою очередь, снижает общее качество письма³. Кроме того, кросс-культурные различия в структуре языка, логической организации и прагматических нормах еще больше усложняют процесс переноса навыков письма⁴. В последние годы большие языковые модели (LLM) обеспечили новую техническую поддержку в преподавании письма⁵. Интеллектуальные инструменты для письма, такие как DeepSeek, продемонстрировали высокие возможности в генерации и реконструкции языка. Однако в педагогической практике их использование в основном ограничивается поверхностной коррекцией языка; они еще не были глубоко интегрированы в учебный процесс, сосредоточенный на развитии способности к переносу знаний. Им не хватает ориентации на педагогические цели и управляемости процессом генерации^6,7. Распространенные приложения для письма с поддержкой ИИ в основном ограничивают свои функции поверхностным исправлением грамматических ошибок, а не развитием системной компетенции переноса, что приводит к плохому педагогическому контролю над результатами работы моделей.

Существующие исследования в области помощи при письме для изучающих английский язык как второй (ESL) подразделяются на три основные категории: традиционная обратная связь по письму на основе промптов, общее улучшение текста с помощью ИИ и ориентированное на ручной труд обучение переносу навыков. Во-первых, исследования в области общего промпт-инжиниринга отдают приоритет технической оптимизации ответов на вопросы и переписыванию текста без учета иерархических целей обучения переносу^8,9. Во-вторых, типичное репетиторство по ESL на базе ChatGPT фокусируется на общем повышении точности письма, а не на послойном развитии синтаксического, структурного и кросс-культурного переноса¹⁰. В-третьих, традиционная педагогика переноса, основанная на имитации и контрастивном письме, лишена замкнутого цикла обратной связи с поддержкой интеллектуальных инструментов¹¹. В отличие от предыдущих исследований, в данной работе разрабатываются специализированные иерархические промпты, ориентированные на перенос и согласованные с многоуровневыми целями обучения, а также создается рабочий процесс автоматической генерации промптов на основе образцов, что формирует уникальный механизм обучения с замкнутым циклом, сочетающий генерацию модели, обратную связь от преподавателя и правки студента.

В предыдущей литературе выдвигается гипотеза о потенциальной связи между лингвокультурными расхождениями, внутренними структурными ограничениями моделей и разрозненной классной практикой, однако такая причинно-следственная цепочка остается недостаточно подтвержденной в существующих эмпирических исследованиях и становится основной исследовательской гипотезой данной работы^12,13. Что касается внутренних характеристик DeepSeek, упомянутых в данной статье, то его открытый интерфейс инструкций и архитектура маршрутизации экспертов на базе MoE были описаны в существующих технических отчетах по модели и прикладных исследованиях языка. Опираясь на эти задокументированные особенности модели, в данном исследовании разработаны вложенные цепочки промптов для разделения сложных задач кросс-культурного переноса, а также созданы правила динамического планирования подмоделей для дифференцированного распределения заданий по переносу. Сосредоточив внимание на развитии структурированной способности к переносу, настоящая работа исследует целевую оптимизацию промптов DeepSeek с целью преобразования больших языковых моделей из универсальных инструментов редактирования текста в специализированные системы обучения переносу для преподавания английского письма в колледжах.

В области исследований по письму на втором языке феномен переноса давно является центральной темой^14,15. Традиционная теория языкового переноса в основном фокусируется на положительных и отрицательных эффектах влияния родного языка на процесс освоения целевого языка, уделяя особое внимание фонетике, лексике и синтаксису¹⁶. Mirzayev E отметил, что при обучении письму на английском как втором языке (ESL) отрицательный перенос из первого языка остается ключевым фактором, ограничивающим развитие навыков письма у студентов¹⁷. По мере расширения области исследований внимание научного сообщества постепенно сместилось на перенос структуры письма¹⁸. В текстах на интерязыке часто встречаются языковые ошибки и фоссилизация, обусловленные множеством факторов¹⁹. В то же время растущее внимание привлекает теория когнитивного переноса²⁰. Эта теория подчеркивает различия в когнитивной организации и моделях выражения в процессе письма. Например, западная традиция письма делает упор на линейные рассуждения и эксплицитную логику, тогда как китайская традиция отдает предпочтение спиральному подходу и семантической двусмысленности. Между этими двумя подходами существует значительное противоречие. Таким образом, языковой перенос включает в себя не только конверсию языковых единиц, но и адаптацию и трансформацию структур мышления и норм культурного выражения на более глубоком уровне, что представляет собой серьезную проблему в современном обучении письму на английском языке²¹.

При практике развития способности к переносу знаний в существующих исследованиях часто применяются такие стратегии, как имитационное письмо²², контрастивное письмо²³ и переводческое обучение²⁴, чтобы углубить понимание и улучшить применение механизмов переноса целевого языка учащимися. Имитационное письмо помогает сформировать базовые навыки дискурса, однако оно может привести к структурной ригидности; контрастивное письмо позволяет улучшить языковой стиль и культурную осведомленность, но в нем отсутствует систематическая стратификация заданий и персонализированная обратная связь; переводческое обучение способствует распознаванию культурных метафор, но без соответствующего руководства оно может привести к семантическим отклонениям или прагматической неуместности. Вышеперечисленные стратегии опираются преимущественно на ручную демонстрацию и эмпирическое руководство²⁵, в них отсутствует явное построение стратегий переноса и систематические механизмы обратной связи, а также затруднена адаптация к индивидуальным различиям в уровне владения языком и когнитивных стилях. Несмотря на то что в некоторых исследованиях предпринимались попытки расширить обучение переносу с помощью разнообразных письменных заданий^26,27, процесс обучения еще не сформировал замкнутый цикл «цель переноса — генерация языка — обратная связь по стратегии»; эффект интернализации стратегий переноса ограничен, а развитие способности учащихся к переносу в реальных задачах по письму остается недостаточным²⁸.

С развитием технологий больших языковых моделей их вспомогательный потенциал в преподавании языков привлекает все больше внимания²⁹. Инструменты генеративного ИИ, представленные ChatGPT (Chat Generative Pre-trained Transformer)³⁰ и DeepSeek³¹, широко используются в таких сценариях, как полировка текста, перефразирование и корректировка языка. Diasamidze и др. обнаружили, что студенты, изучающие английский как второй язык (ESL) с помощью ChatGPT, превосходят группу традиционного обучения с точки зрения грамматической точности, богатства словарного запаса и способности к организации текста³². Однако существующие приложения в основном ограничены поверхностной языковой обработкой и лишены систематического руководства по целям переноса. Ranade отметила, что проекты на основе промптов в современных образовательных сценариях в большинстве своем базируются на общих шаблонах, а генерируемый контент не обладает контекстной адаптивностью и спецификой конкретной задачи³³. Кроме того, обучение основных моделей опирается на открытые корпусы и не имеет глубокого моделирования различий в культурном выражении китайского и английского языков. В генерируемых текстах часто возникают культурная неуместность и неестественная прагматика^34,35, что ограничивает их глубокое применение в обучении переносу навыков межкультурного письма.

Протокол

Этическое одобрение

Перед началом эксперимента авторы получили одобрение (номер одобрения: NBCC-ETH-2026-037) от колледжа и предоставили документы об информированном согласии всем студентам-участникам. Все студенты были четко проинформированы о целях исследования, процедурах эксперимента и правилах использования данных. Участие было добровольным, и участники могли выйти из исследования в любое время. Все персональные данные и письменные работы были анонимизированы для защиты конфиденциальности и использовались только для академического анализа. Все 60 участников подписали форму согласия перед принятием участия в исследовании. Участники были отобраны из двух параллельных курсов по английскому письму для студентов второго курса одного и того же высшего профессионального колледжа с использованием метода стихийной выборки. Критерии включения включали: успешную сдачу CET-6 с баллом > 425, отсутствие пропусков в текущем семестре и средние баллы по двум последним контрольным работам по письму. Критерии исключения включали: длительное использование коммерческого программного обеспечения на базе ИИ для написания текстов на английском языке вне занятий и тяжелую дислексию.

Вариабельность всех непрерывных переменных исхода была представлена как среднее значение ± стандартное отклонение (SD). Все анализы проводились с объемом выборки n = 30 участников в каждой группе (экспериментальная группа против контрольной группы), общее число N = 60. Для лонгитюдных данных с повторными измерениями использовался дисперсионный анализ с повторными измерениями (RM-ANOVA) для изучения основных эффектов группы и времени, а также взаимодействия группы и времени. T-критерии для независимых выборок использовались для апостериорных (post-hoc) попарных сравнений в отдельные моменты времени. Контрольная группа получала традиционное обучение письму с использованием общего бесплатного неспециализированного инструмента ИИ для написания текстов (без многоуровневых промптов и шаблонов, ориентированных на перенос навыков). Количество часов обучения, задания по письму, частота обратной связи и тексты для тренировки были идентичны экспериментальной группе, за исключением отсутствия вмешательства в виде специализированной цепочки вложенных промптов и библиотеки заданий пяти уровней, использованных в данном исследовании. Экспериментальная группа использовала инструкции на базе модели DeepSeek для оптимизации обучения письму, включая руководство по цепочкам вложенных промптов, выходные данные для кросс-культурной адаптации и механизм «генерация-рефлексия-регенерация». Контрольная группа, напротив, использовала традиционные методы обучения или неоптимизированные инструменты с поддержкой ИИ. Путем сравнения эффектов обучения в двух группах была подтверждена эффективность метода тренировки переноса на основе большой языковой модели в улучшении способности студентов к переносу навыков письма.

Общая идея исследования

Данное исследование было направлено на улучшение способности студентов к переносу навыков письменной речи на английском языке и разработку эффективных методов проектирования обучения с особым акцентом на адаптацию DeepSeek для образовательных целей. Во-первых, была предложена стратегия оптимизации инструкций для переработки промптов модели. Это позволило улучшить соответствие генерируемого результата нескольким целям переноса в обучении письму, включая синтаксическую структуру, логику построения абзацев и культурную экспрессию. Во-вторых, задания учителей по письму были преобразованы в структурированные и ориентированные на цель шаблоны промптов. Затем была установлена взаимосвязь между преподавательскими задачами и поведением модели. Это повысило управляемость модели и обеспечило педагогическую релевантность генерируемого контента. Наконец, в исследовании был разработан процесс тренировки переноса по замкнутому циклу: «генерация–рефлексия–переписывание–повторная генерация». Этот процесс побуждал студентов выявлять стратегии переноса и активно совершенствовать свои языковые выражения при поддержке модели. Благодаря повторяющимся итерациям способности студентов к кросс-лингвистическому и кросс-культурному переносу навыков письма последовательно укреплялись. Этапы трансформации структуры предложения показаны на Рисунке 1A–D.

Для уточнения полной логики работы системы обучения письму с помощью ИИ и повышения воспроизводимости результатов общая схема реализации представлена в Таблице 1; она охватывает основные этапы, включая исходные данные, вмешательства преподавателя, применение промптов, деятельность учащихся, конечные результаты и соответствующие критерии оценки.

Стратегия построения задач, ориентированных на перенос

Данное исследование было сосредоточено на развитии способности к переносу навыков в английском письме. Был разработан путь выполнения заданий на перенос, который прогрессирует от поверхностного к глубокому уровню, систематически направляя студентов в освоении и применении многоуровневых стратегий языкового переноса. Для описания структуры этого пути в целом он был определен как набор задач четырех уровней:

T = {T₁,T₂,T₃,T₄} (1)

T₁ представляет собой задачу переноса на уровне предложения, которая сосредоточена на базовых операциях с грамматической структурой, таких как расширение коротких предложений, изменение залога и замена придаточных предложений, чтобы помочь студентам освоить различные методы построения структуры предложения. T₂ — это задача переноса на уровне абзаца, которая направляет внимание студентов на организацию и связь информации внутри абзаца и обучает их улучшать структурную ясность и связность изложения абзаца путем выделения главного предложения и корректировки логики между предложениями. T₃ представляет собой задачу на уровне дискурса, которая распространяется на общую логическую компоновку и ритм аргументации главы и направляет студентов к созданию статьи на английском языке с полной системой аргументации путем корректировки порядка абзацев и оптимизации отношений структурного сопоставления. T₄ — это задача переноса на культурном уровне, которая требует от студентов выявлять скрытые характеристики культурного выражения в текстах на родном языке, такие как неявные формулировки и семантические намеки, и преобразовывать их в прямые выражения или логически эксплицитные формы, соответствующие культуре целевого языка. Процесс этой эволюции показан на Рисунке 2. Для повышения операбельности и оценки дизайна задач в данном исследовании каждый уровень задачи был дополнительно определен в виде тройки:

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

S_j представляет собой входной образец задачи, G_i — целевую операцию переноса, а E_i — соответствующие критерии оценки. Благодаря такому структурированному выражению было обеспечено, что каждый уровень задачи основывается на освоении стратегии предыдущего уровня и снабжен соответствующими образцами, описаниями целей и критериями эффективности, что создало механизм постепенного продвижения по пути переноса. В процессе построения системы тренировочного переноса, для достижения систематического охвата типов задач и эффективного управления учебными вызовами, в данном исследовании была создана структурированная библиотека задач, охватывающая пять типов целей переноса, основанная на общих измерениях языкового преобразования при переносе в письменной речи. Библиотека задач была формально выражена следующим образом:

M = {(D_j,T_Dj)∣_j = 1,2,3,4,5} (3)

D_j  соответствует пяти аспектам переноса: синтаксическому, структурному, культурному, регистровому и логическому переносу; набор заданий T_Dj , связанный с каждым аспектом, представляет собой соответствующий подмножество операций. В процессе разработки библиотеки заданий авторы сначала обобщили и классифицировали распространенные трудности переноса и типы языковых ошибок на основе большого количества реальных письменных работ студентов, а затем, исходя из фактических потребностей обучения и критериев оценки, разделили различные типы переноса по функциональным областям и определили основные цели обучения и режимы выполнения каждого задания. Каждое задание было абстрактно представлено в виде следующей тройной структуры:

T_i,j = (S_i,j,G_i,j,C_i,j) (4)

S_i,j представляет собой входной образец задания, G_i,j — описание целевого переноса задания, а C_i,j — измерение оценки и контроля задания. В рамках задачи синтаксического переноса в данном исследовании была разработана последовательность реорганизации предложений, идущая от простого к сложному и охватывающая соединение предложений, вложение придаточных предложений, преобразование в пассивный залог и смежные концепции с целью повышения способностей учащихся к расширению предложений и грамматическим трансформациям. Задача структурного переноса была сосредоточена на оптимизации логики абзацев, усилении организации информации и развитии способности к логическому построению путем переписывания основного предложения, сортировки вспомогательных предложений и реконструкции причинно-следственных и иллюстрирующих связей. Задача культурного переноса основывалась на кросс-культурном корпусе и была направлена на устранение прагматических отклонений, таких как имплицитные выражения и эвфемизмы. Были разработаны преобразования выражений, максимально приближенные к реальному контексту, для стимулирования развития культурной адаптивности. Задача переноса регистров направляла учащихся в преобразовании разговорных выражений в академический язык и освоении стратегий смены регистров. Задача логического переноса была сосредоточена на построении цепочек рассуждений и обеспечении ясности изложения при проведении обучения использованию союзов, экспликации логических связей и переходам между абзацами.

На основе реальных письменных работ учащихся в данном исследовании был разработан процесс генерации промптов, тесно связанный с учебными задачами, целью которого было повышение релевантности инструкций и практической значимости создаваемого контента. Процесс осуществлялся преподавателями, которые в ходе обучения отбирали репрезентативные фрагменты текстов учащихся, уделяя особое внимание типичным проблемам переноса, таким как избыточные предложения, хаотичная структура и неуместные культурные выражения. Затем они размечали образцы по типам переноса через интерфейс системы для уточнения целей обучения. После получения информации о разметке система автоматически активировала модуль идентификации задач по переносу. Затем вводимые данные сопоставлялись с предопределенной библиотекой задач и библиотекой шаблонов промптов. При сопоставлении учитывались такие факторы, как тип переноса, лингвистические особенности и структура текста. На основе этих факторов система выбирала наиболее подходящий шаблон и генерировала первичный промпт. Система также поддерживала структурированную обработку для улучшения качества. Аннотации преподавателей преобразовывались в стандартизированный формат, который легко интерпретируется моделью. В промпт встраивались соответствующие учебные подсказки, помогающие модели точно понять как намерения преподавателя, так и вопросы учащегося. Для повышения гибкости и управляемости инструкций в систему был включен модуль помощи преподавателю. Этот модуль позволял преподавателям совершенствовать промпты, изменяя методические указания, корректируя контекстные настройки, а также настраивая тон и стиль. В результате преподаватели получили больше контроля над процессом генерации и смогли лучше адаптировать его к различным учебным сценариям.

Механизм оптимизации команд Deepseek

Исходя из практических потребностей в обучении переносу навыков англоязычного письма, в данном исследовании были разработаны пять типов шаблонов промптов, ориентированных на перенос. Эти шаблоны были предназначены для направления и регулирования процесса генерации текста большой языковой моделью. Шаблон структурного переноса был сосредоточен на организации абзацев и структуре дискурса; он помогал студентам реорганизовывать тексты, используя такие структуры, как «введение — основная часть — заключение», и улучшая логическую последовательность идей. Шаблон синтаксического переноса акцентировал внимание на сложности предложений; он стимулировал использование разнообразных грамматических конструкций, включая пассивный залог, параллельные конструкции и сложные придаточные предложения, для повышения изощренности письменного выражения. Шаблон культурного переноса касался культурной уместности письма; он помогал студентам адаптировать выражения, подверженные влиянию их родного языка и культуры, к формам, которые были бы более естественными и приемлемыми в англоязычной среде. Шаблон регистрового переноса был направлен на адаптацию стиля и контроль регистра; он помогал студентам корректировать использование языка в соответствии с различными целями письма, аудиторией и жанрами. Шаблон логического переноса был призван усилить логическую организацию; он способствовал эффективному использованию таких связей, как причина и следствие, сравнение и противопоставление, а также параллельное развитие, тем самым повышая связность и аргументированную строгость текста. В совокупности эти пять шаблонов охватили основные аспекты переноса навыков письма, обеспечивая структурированную методическую поддержку как для разработки учебных заданий, так и для генерации текстов на основе модели.

Каждый тип шаблона был составлен по единому формату для обеспечения его универсальности и адаптивности к различным ситуациям обучения. Шаблон содержал четыре основных элемента: первый — целевое указание, которое четко определяло необходимую задачу по переносу; второй — пример входных данных, предоставлявший студентам реальные языковые фрагменты в качестве корпусной основы для обеспечения эффективности обучения; третий — целевой результат, демонстрировавший стандартный стиль идеального языкового вывода после переноса, который студенты могли использовать для сравнения и настройки модели; четвертый — рекомендации по использованию, в которых пояснялись уровень владения языком, тип текста и стратегия использования, применимые к данному шаблону, а также приводились подсказки по настраиваемым параметрам для улучшения контроля генерации и эффективности педагогического руководства.

Для дальнейшего пояснения логики построения и практического применения шаблонов промптов ниже представлены репрезентативные примеры пяти промптов, ориентированных на перенос навыков. Все шаблоны соответствовали единой структуре, состоящей из целевой инструкции, примера входных данных, целевого результата и рекомендаций по использованию. Студенты получали указания по расширению простых предложений, изменению залога и внедрению придаточных предложений для обогащения синтаксического разнообразия. Например, при наличии черновика студента "I study English writing. It is very important for cross-cultural communication", оптимизированный результат выглядел так: "Learning English writing plays a vital role in improving learners’ ability of cross-cultural communication". Данный промпт подходил для тренировки на уровне предложений для студентов второго курса факультетов английского языка со средним уровнем сложности, с упором на базовую синтаксическую реконструкцию и трансформацию залога. Другой тип промптов был направлен на культурный перенос, имея целью выявление выражений на «чинглише» (Chinglish), возникших под влиянием особенностей нативного культурного мышления, и переписывание предложений в естественные английские прагматические выражения, соответствующие западным культурным нормам. В качестве примера взято предложение студента "Many people think you must work hard if you want to succeed", исправленная версия которого выглядела так: "People generally believe that diligence is the key to success". Этот промпт применялся для тренировки переноса на культурном уровне, фокусируясь на устранении скрытых китайских паттернов мышления и формировании эксплицитного выражения мыслей в англоязычном контексте.

В данном исследовании также была разработана трехэтапная вложенная цепочка промптов, которая принимала черновики абзацев студентов в качестве единого входного сигнала и выполнялась последовательными фазами. Первая фаза представляла собой семантическую реорганизацию; промпт требовал от участника перестроить предложения данного абзаца, оптимизировать логический порядок изложения идей и сформировать полноценный абзац с четко выраженными тематическими предложениями. Вторая фаза заключалась в лингвистической правке, в ходе которой требовалось переписать исправленный абзац на формальном академическом английском языке, заменить разговорные слова, а также надлежащим образом использовать сложные предложения и пассивные конструкции. Третья фаза была посвящена культурной адаптации: соответствующий промпт направлял пользователей проверять текст на наличие культурно-прагматических выражений, устранять влияние родного языка и дорабатывать содержание в соответствии с конвенциями англоязычного кросс-культурного письма. Приведенные выше примеры полностью продемонстрировали режимы работы шаблонов с одним промптом и вложенных цепочек промптов. На этой основе в исследовании была спроектирована полная фазовая цепочка промптов в сочетании с архитектурой MoE модели DeepSeek.

Чтобы преодолеть ограничения одноэтапных промптов с точки зрения контроля генерации и глубины отклика на задачу, в данном исследовании была разработана структура вложенной цепочки промптов с поэтапным и непрерывным характером, обеспечивающая иерархическое руководство и постепенную генерацию сложных задач перевода. Этот механизм разбил полную задачу перевода на несколько подцелей, для каждой из которых были разработаны соответствующие шаблоны промптов; они были соединены последовательно в логическом порядке семантической реконструкции, корректировки стиля языка и культурно-прагматической адаптации, формируя цепочку генерации с контекстной зависимостью. В данной работе была реализована оптимизация вложенной цепочки промптов для DeepSeek через его стандартный открытый API. Модель DeepSeek изначально основана на архитектуре Mixture of Experts (MoE), оснащенной автоматической системой маршрутизации экспертов на бэкенде, которая функционирует как внутренний модуль рассуждений, независимый от внешних промптов. Специализированные многоэтапные промпты корректировали только содержательные характеристики входных данных модели. В соответствии с семантическими, стилистическими и культурными требованиями, заложенными в оптимизированные входные данные, встроенный механизм маршрутизации MoE модели автономно активировал наиболее подходящие экспертные модули в процессе генерации текста. Трехэтапный дизайн промптов, ориентированный на семантическую реорганизацию, стилистическую корректировку и культурную адаптацию, лишь уточнял входные тексты и не вмешивался в внутреннюю логику выбора и распределения экспертов модели.

Что касается операционного процесса, система принимала тексты учащихся, загруженные преподавателями, переносила целевые аннотации и автоматически определяла, следует ли активировать вложенную цепочечную структуру. В случае активации система последовательно выполняла три этапа: на первом этапе происходила семантическая реорганизация с использованием шаблона переноса структуры для оптимизации организации абзацев и логических связей; на втором этапе осуществлялась корректировка стиля языка с применением языкового шаблона для преобразования разговорных выражений в академический письменный стиль; на третьем этапе проводилась культурная адаптация с помощью шаблона культурного переноса для выявления и замены выражений, не соответствующих культуре целевого языка, что позволяло генерировать более аутентичный текст.

Каждый раунд генерации использовал результат предыдущего раунда в качестве входных данных и сохранял кеш векторов контекста для обеспечения семантической связности. Преподаватели настраивали структуру цепочки промптов в интерфейсе системы, включая выбор шаблона, изменение инструкций и корректировку последовательности. Система также поддерживала функцию «пакета комбинирования шаблонов», что позволяло преподавателям удобно повторно использовать задачи или назначать их группами. Кроме того, в систему был встроен механизм динамического прерывания и обратной связи, который предоставлял промежуточные результаты после каждой генерации. Преподаватели аннотировали или корректировали последующие инструкции в режиме реального времени, формируя замкнутый цикл обучения «генерация — корректировка — регенерация».

Создание и оценка модели

В процессе генерации и оценки текстов на основе модели DeepSeek в данном исследовании был разработан многомерный механизм автоматического скоринга для систематического анализа и количественной оценки сгенерированного текста по трем аспектам: синтаксическая сложность, структурная стандартизация и когерентность дискурса. Для извлечения признаков текста и автоматизированной оценки в исследовании использовались синтаксический анализатор зависимостей spaCy и модуль расширения для разрешения кореференции Coreferee. Синтаксический анализатор spaCy анализировал структуру английского текста, извлекая такие ключевые показатели, как средняя длина предложения и количество вложенных придаточных предложений, что позволило провести количественный анализ синтаксической сложности. Модуль разрешения кореференции Coreferee, работающий в рамках среды spaCy, главным образом определял внутренние референциальные связи в тексте и оценивал референциальную когерентность дискурса, обеспечивая техническую поддержку автоматического определения качества письма. Из-за сетевых ограничений доступ к вышеупомянутым зарубежным открытым веб-сайтам был невозможен.

Во-первых, система оценила синтаксическую сложность. Были извлечены такие признаки, как средняя длина предложения, глубина вложения придаточных предложений и разнообразие синтаксических структур. Эти признаки были получены с помощью синтаксического анализа зависимостей и моделирования глубоких синтаксических деревьев. На основании полученных результатов система определила, удалось ли студентам успешно перейти от простых моделей предложений к более сложным структурам. Во-вторых, система оценила организацию абзацев. Текстовые представления на основе BERT были объединены с моделями классификации для идентификации ключевых элементов абзаца, включая тематические, поддерживающие и заключительные предложения. Затем была построена карта структуры абзаца, чтобы определить, соответствует ли организация текста канонам английского академического письма. В-третьих, система оценила текстовую связность. Были проанализированы использование логических связок, семантическая последовательность между предложениями и качество референциальных связей по всему тексту. Эти показатели использовались для оценки ясности логического развития и плавности изложения идей. Для измерения тематической согласованности система рассчитала семантическое сходство с использованием векторных представлений. Референциальная связность оценивалась с помощью методов разрешения кореференции, что помогло сократить семантические разрывы и устранить неоднозначные ссылки. Наконец, баллы по всем измерениям были интегрированы в единый вектор оценки. Результаты были стандартизированы для создания комплексной системы оценки, обеспечивающей надежное сравнение различных образцов письменных работ.

На этапе ручной оценки в данном исследовании была разработана трехмерная система оценивания тренировки переноса навыков письма, охватывающая очевидность переносного поведения, естественность выражения и культурную адаптивность, чтобы повысить релевантность оценки преподавателя и эффективность педагогической обратной связи. Система объединила свои вспомогательные функции для достижения органического сочетания количественной оценки и качественных комментариев. В аспекте переносного поведения преподаватели оценивали использование студентами стратегий переноса при переписывании текстов на основе заданных целей задания. Система предоставляла режим параллельного сравнения исходного текста и созданного варианта, чтобы помочь преподавателям определить, отражают ли такие операции, как корректировка предложений и структурная реконструкция, требуемый тип переноса.

Оценка естественности выражения была сосредоточена на беглости и аутентичности языкового вывода. Преподаватели использовали языковые индикаторы, созданные системой, чтобы определить, соответствуют ли предложения привычкам речи носителей английского языка, и оценить, являются ли грамматическая структура, сочетаемость слов и ритм предложения естественными и подходящими. Они также указывали на проблемы и предлагали альтернативные варианты выражения с помощью аннотаций. Измерение культурной адаптивности было сосредоточено на уместности кросс-культурной прагматики. Преподавателям необходимо было определить, содержит ли текст неуместные выражения, возникшие в результате влияния культуры исходного языка, такие как семантическая двусмысленность, риторические конфликты или расплывчатые ценностные суждения. Система предоставляла примеры распространенных слов с культурным отклонением и позволяла преподавателям объяснять в комментариях основания для корректировки и требования к культурному контексту, помогая студентам повышать осведомленность о культурном переносе и точность выражения. Каждый параметр оценивался по 5-балльной шкале и включал модули для свободных аннотаций и предлагаемых вариантов заполнения. Конечные результаты оценки представлялись в виде лепестковой диаграммы.

Для повышения эффективности оценки и обеспечения практического применения в учебном процессе в данном исследовании был разработан механизм совместной оценки, сочетающий автоматический скоринг на базе ИИ с экспертной оценкой преподавателя. Система сначала проводила многомерный анализ текста, сгенерированного DeepSeek. С помощью модуля автоматического скоринга оценивались такие ключевые аспекты, как синтаксическая сложность, организация абзацев и текстовая связность. Результаты скоринга отображались в режиме реального времени в интерфейсе преподавателя. Преподаватели изучали подробные баллы по каждому параметру и при необходимости корректировали их, основываясь на профессиональном суждении и понимании качества переноса навыков учащимися. Они также добавляли адресные комментарии непосредственно к тексту, чтобы предоставить обратную связь и методические рекомендации, которые могли быть не учтены при автоматическом скоринге. Для каждого параметра оценки использовалась пятибалльная шкала. Интерфейс также включал модули свободного текстового аннотирования и рекомендаций для облегчения персонализированной обратной связи. Результаты оценки визуализировались с помощью лепестковой диаграммы, что позволяло преподавателям быстро определить сильные и слабые стороны учащихся по различным параметрам переноса.

Кроме того, система позволяла преподавателям корректировать веса отдельных параметров или общие баллы в соответствии с учебными целями. Эта функция обеспечивала более точное отражение фактической успеваемости и образовательных потребностей учащихся в итоговой оценке. После завершения ручной проверки система автоматически объединяла данные оценки, созданные машиной и преподавателем. Затем формировался визуальный отчет с обратной связью. Отчет включал лепестковую диаграмму переноса компетенций и график отслеживания версий. Эти визуализации наглядно демонстрировали изменения в способностях учащихся к переносу навыков на протяжении нескольких раундов генерации и редактирования текста, что позволяло осуществлять непрерывный мониторинг прогресса в обучении.

Процесс переносного обучения

В данном исследовании был разработан полный процесс обучения переносу навыков. Сначала преподаватель назначал конкретные задания по письму на английском языке, исходя из целей обучения и фактического уровня студентов, а также определял тип переноса и фокус обучения. Затем система автоматически генерировала соответствующие инструкции-подсказки на основе заданий, установленных преподавателем, и вызывала модель DeepSeek для создания первого черновика работы, который служил базовым материалом для переработки текста студентами и обучения переносу. Получив первый черновик, студенты должны были активно выявлять отраженные в тексте признаки переноса и целенаправленно переписывать содержимое, используя изученные стратегии переноса для повышения уместности синтаксической структуры, организации абзацев и культурного выражения. После завершения переработки текста преподаватель проводил детальный анализ представленной работы студента, отмечая эффективность стратегии переноса и предлагая конкретные рекомендации по улучшению и руководства по письму. На основе обратной связи от преподавателя модель DeepSeek вызывалась повторно для создания оптимизированной версии, что дополнительно помогало студентам дорабатывать свои тексты и углублять практику применения стратегий переноса. В завершение студент сдавал окончательный вариант работы, заполнял таблицу когнитивного переноса, проводил самооценку, обобщал методы переноса и их результаты, что способствовало развитию метакогнитивных способностей и интернализации навыков переноса в письме. Таблица когнитивного переноса, разработанная для данного исследования, представлена в Таблице 2.

Для всех пунктов была принята шкала оценивания от 1 до 5, где 1 означает «отсутствие навыка», а 5 — «полное овладение». Данные самооценки собирались после трех раундов последовательного обучения; контрольные показатели оценки основаны на заранее определенных стандартах операций переноса в пятимерной библиотеке задач.

Результаты

Обучение планированию эксперимента

В данном исследовании использовалась базовая версия DeepSeek с открытым исходным кодом, причем вызовы программы осуществлялись через открытый интерфейс API платформы. Полный набор из пяти текстов шаблонов промптов, примеры заданий четырех уровней, теги категорий переносной аннотации и правила сопоставления шаблонов ошибок письма приведены в дополнительном приложении. Система имела фиксированные параметры вызова: коэффициент температуры 0,7, а длина генерируемого текста динамически ограничивалась в зависимости от типа вопроса по письму. Процесс строго следовал фиксированной последовательности: семантическая реконструкция > стилистическая корректировка > культурная адаптация, реализуя вложенные вызовы цепочек промптов. Выходные данные модели отбирались преподавателем вручную для использования эффективных текстов в классном обучении.

В данном исследовании для проведения ручного оценивания были приглашены три штатных преподавателя английского письма университетского уровня со стажем работы более 5 лет. Перед началом официального оценивания все эксперты прошли стандартизированное обучение, в ходе которого они ознакомились с аспектами оценки, 5-балльной системой оценивания, вопросами культурного трансфера, синтаксиса, дискурса и другими деталями оценивания, а также прошли предварительную калибровку. Все эссе студентов оценивались двумя преподавателями независимо в слепом двойном режиме. Если разница между баллами двух экспертов превышала 1 балл (из 5), в оценивание вмешивался третий старший преподаватель в качестве арбитра, и среднее значение двух достоверных баллов принималось за итоговый ручной балл для данного образца. На этапе оценки для различных исследовательских целей были задействованы две группы экспертов. Три штатных преподавателя английского письма в университете со стажем преподавания более 5 лет провели слепое двойное оценивание всех образцов студенческих работ в основном эксперименте, а третий старший преподаватель выступал в роли арбитра, если расхождения в оценках по 5-балльной шкале превышали 1 балл. В свою очередь, пять экспертов приняли участие в тесте на межэкспертную надежность с использованием коэффициента внутриклассовой корреляции (ICC), который проводился отдельно для проверки согласованности стандартов оценки между разными экспертами. Разница в количестве экспертов обусловлена различными функциональными требованиями: три основных преподавателя обеспечивали практическое оценивание экспериментальных данных, в то время как расширенная группа из пяти экспертов предоставила более надежные доказательства достоверности всей системы оценивания.

Синтаксическая сложность, оценка структуры текста BERT и семантическая схожесть оцениваются по шкале от 0 до 5 баллов. Веса для каждого измерения были установлены в соответствии со стандартами преподавания и исследований в области иноязычного письма: синтаксис — 0,35, структура текста — 0,35, логика и культура — 0,3. Значения весов были основаны на отработанных системах количественной оценки письменных работ в данной области. Модуль автоматического оценивания ИИ был откалиброван с использованием пороговых значений на основе 15 предварительно классифицированных образцовых эссе. Оценка человеком проводилась по единой пятибалльной шкале. Машинное оценивание и человеческая калибровка были совмещены для верификации в ходе предварительного эксперимента перед основной оценкой.

Учебная задача была реализована с учетом трех уровней целей переноса: «синтаксис — структура — культура», и включала три раунда обучения, каждый из которых длился одну неделю. Первый раунд был посвящен перефразированию на уровне предложений для повышения синтаксического разнообразия и точности выражения; второй раунд предполагал структурную реконструкцию на уровне абзацев для улучшения организации текста и логической связности; третий раунд включал перенос на культурном уровне для усиления межкультурной прагматической осведомленности и адаптивности выражения. Поскольку данные собирались путем повторных измерений у одних и тех же участников во время предварительного тестирования, трех последовательных раундов обучения итогового тестирования, в качестве основного статистического метода был использован дисперсионный анализ с повторными измерениями (RM-ANOVA) для изучения основных эффектов группы (экспериментальная и контрольная), основных эффектов времени тестирования, а также эффекта взаимодействия «группа × время», который отражал, различались ли изменения показателей в процессе обучения между двумя когортами. Предположение о сферичности было проверено с помощью критерия Мокли; в случае нарушения сферичности применялась поправка Гринхауза — Гейссера. t-критерий для независимых выборок использовался исключительно для апостериорных попарных межгрупповых сравнений в отдельные моменты времени, в то время как корреляция Пирсона и d-критерий Коэна применялись соответственно для оценки согласованности баллов и количественного определения размера эффекта.

Все статистические анализы были определены заранее, до начала сбора данных. Для сравнения показателей письма до и после обучения между двумя группами применялись t-критерии для независимых выборок; при этом основная нулевая гипотеза предполагала отсутствие межгрупповых различий в эффективности переноса навыков письма. Для количественной оценки линейной связи между автоматическим оцениванием с помощью ИИ и ручными оценками преподавателей использовался корреляционный анализ Пирсона, а для межгрупповых сравнений в качестве стандартизированного размера эффекта рассчитывался d-индекс Коэна. Порог значимости для всех проверок гипотез был установлен на уровне α = 0.05; совместно со всеми тестовыми статистиками рассчитывались 95% доверительные интервалы. Все статистические расчеты проводились с использованием SPSS 26.0. Пропусков в данных тестовых баллов учащихся и наборах данных анкет не было, так как все участники прошли полный трехэтапный курс обучения и соответствующие оценки; следовательно, импутация или удаление случаев с пропущенными значениями не потребовались.

Построение системы показателей оценки

Для комплексной оценки успехов студентов в обучении переносу навыков английского письменного письма в данном исследовании была разработана многомерная система оценивания, охватывающая трехступенчатые цели переноса «синтаксис-структура-культура», объединяющая языковые способности, реакцию на модель, обратную связь по преподаванию и самопознание, а также включающая шесть основных показателей. Во-первых, «индекс переноса письма» представлял собой комплексный показатель оценки, охватывающий синтаксическое разнообразие, структурную ясность и культурную адаптивность, сочетающий автоматическое оценивание системы и ручное оценивание преподавателем для количественного анализа. «Балл синтаксической сложности» определялся с помощью технологии обработки естественного языка для извлечения таких признаков, как средняя длина предложения, количество уровней вложенности придаточных предложений и частота использования глагольных фраз, с целью оценки богатства и сложности предложений студентов. Анализ «соответствия академическому стилю» на основе модели NLP (Natural Language Processing) изучал долю использования пассивного залога и долю формальной лексики, чтобы определить, соответствует ли текст стилистическим нормам английского академического письма. Кроме того, в исследование было введено измерение субъективной оценки: с помощью анкет для преподавателей собирались отзывы о приемлемости и практичности предложений, сгенерированных моделью, для оценки фактического влияния обучения с помощью ИИ. «Изменение баллов преподавательской проверки» отражало влияние обучения с помощью ИИ на улучшение качества письма путем сравнения оценок преподавателей за эссе студентов до и после эксперимента. Наконец, «Самооценка студентами способности к переносу» с использованием таблицы когнитивного переноса помогала студентам самостоятельно оценивать степень освоения структуры, синтаксиса, культуры и других аспектов, тем самым повышая их метакогнитивную осведомленность и способность к рефлексии. Подробные описания и источники данных для каждого показателя приведены в Таблице 3.

Синтаксические и стилистические показатели были рассчитаны автоматически с помощью синтаксического анализа зависимостей и классификации на основе BERT; нормализованные значения варьировались от 0 до 5, а для ручной оценки использовалась 5-балльная шкала. В формулах расчета синтаксической сложности в качестве основного знаменателя использовалось отношение общего количества слов к количеству придаточных предложений. Источник необработанных данных: письменные работы всех 60 зачисленных студентов, выполненные до и после тестирования.

Экспериментальные результаты и анализ

Для наглядного представления комплексных различий в успеваемости учащихся по трем аспектам — синтаксическому, структурному и культурному переносу — на Рисунке 3 сравниваются средние показатели индекса переноса навыков письма у учащихся экспериментальной и контрольной групп до и после эксперимента: Рисунок 3 демонстрирует разницу в средних баллах между экспериментальной и контрольной группами по трем аспектам: синтаксическому, структурному и культурному переносу. В экспериментальной группе после проведения эксперимента наблюдалось значительное улучшение способности к переносу в каждом аспекте, при этом внешний круг лепестковой диаграммы существенно больше внутреннего. Это указывает на то, что метод оптимизации инструкций на базе модели DeepSeek оказывает положительное влияние на развитие способности учащихся к переносу навыков английского письма. Напротив, различные показатели способности к переносу в контрольной группе остались относительно неизменными до и после эксперимента. Общее улучшение было ограниченным, что свидетельствует о том, что традиционные методы обучения или инструменты с поддержкой ИИ без оптимизированных системных инструкций играют ограниченную роль в тренировке переноса навыков. Оказалось затруднительно эффективно стимулировать обучающий потенциал студентов в многомерном языковом переносе.

Средние индексы письменного переноса в экспериментальной группе по параметрам синтаксического, структурного и культурного переноса до начала эксперимента составляли 3,0, 2,9 и 2,8 соответственно; после эксперимента эти показатели увеличились до 4,3, 4,1 и 4,5, при этом прирост составил 1,3, 1,2 и 1,7 соответственно, что свидетельствует о положительном эффекте применения данного метода обучения на разных уровнях переноса. Показатели контрольной группы до эксперимента составляли 3,0, 3,0 и 2,9. После эксперимента значения увеличились до 3,4, 3,3 и 3,2 соответственно, что существенно ниже показателей экспериментальной группы. Особого внимания заслуживает параметр культурного переноса, по которому в экспериментальной группе наблюдалось наиболее значительное улучшение: показатель вырос с 2,8 до 4,5 (прирост на 1,7 балла), что значительно превышает прирост в 0,3 балла в контрольной группе. Этот результат говорит о том, что предложенный метод обучения играет важную роль в том, чтобы помочь студентам выявлять и адаптироваться к нормам культурного выражения английского языка. Это отразилось не только в корректировке языковых форм, но и в повышении кросс-культурной прагматической осведомленности студентов и глубины их понимания привычек культурного выражения в целевом языке. Языковой перенос проявлялся прежде всего в синтаксической сложности, адаптации стиля языка и других аспектах. В исследовании использовались технологии автоматической обработки естественного языка (NLP) для углубленного анализа письменных текстов студентов, извлечения ключевых языковых признаков и сопоставления с оценками преподавателей для систематической оценки изменений в способности студентов к языковому переносу на протяжении трех раундов заданий.

Синтаксическая сложность и лингвистический стиль

С точки зрения синтаксической сложности, в исследовании фиксировались средняя длина предложения и количество уровней вложенности придаточных предложений в текстах, написанных студентами после выполнения заданного письменного задания в каждом раунде. Эти два показателя широко используются для измерения сложности языкового выражения. Они эффективно отражают уровень развития студентов в плане разнообразия предложений и способности к структурной организации, как показано на рисунке 4.

В ходе лонгитюдного анализа эволюции синтаксического усложнения в экспериментальной группе наблюдалась отчетливая тенденция к росту на протяжении трех раундов заданий, что отражает эффективность трансферного обучения в развитии способности учащихся структурировать свою речь. С точки зрения средней длины предложения, в экспериментальной группе этот показатель увеличился с 12,5 слов в Задании 1 до 16,1 слов в Задании 3, что составило прирост в 3,6 слова; это значение существенно выше прироста в контрольной группе, который за тот же период составил всего 0,9 слова (с 12,4 до 13,3). Аналогично, в аспекте структурной сложности, измеряемой количеством уровней вложенности придаточных предложений, показатели экспериментальной группы выросли с 1,8 до 2,7 уровней, в то время как в контрольной группе наблюдался относительно медленный рост — с 1,7 до 1,9 уровней. Чтобы дополнительно проверить, является ли разница в синтаксической сложности между двумя группами студентов статистически значимой, в исследовании применялись t-критерии для независимых выборок с целью анализа средней длины предложения и количества уровней вложенности придаточных предложений на трех этапах выполнения заданий. Результаты показали наличие значимой разницы между экспериментальной и контрольной группами по средней длине предложения: t(58) = 4.23, p < 0.01, Cohen’s d = 0.98; также была выявлена значимая разница в количестве уровней вложенности придаточных предложений: t(58) = 3.15, p = 0.02, Cohen’s d = 0.78. Данное сравнение показало, что систематическое трансферное обучение не только улучшило способность студентов строить сложные предложения, но и укрепило их навыки владения стратегиями грамматической организации. В частности, на третьем этапе выполнения заданий студенты экспериментальной группы продемонстрировали большую гибкость в использовании многоуровневых придаточных и сложных синтаксических структур. Это отразило заметный переход их языкового трансфера с «функционального» уровня на более «стратегический». Ориентированный на трансфер путь обучения способствовал постоянному совершенствованию навыков синтаксического переноса, эффективно преодолевая ограничения, связанные с написанием простых предложений и фиксированными шаблонами выражения, которые часто встречаются при традиционном обучении. В части адаптации языкового стиля в исследовании были проанализированы тексты учащихся до и после эксперимента. С помощью модели NLP были определены доля формальной лексики и частота использования пассивного залога в качестве основных показателей для оценки соответствия академическому стилю языка. Эти показатели отражали, обладают ли студенты языковой осознанностью и способностью к выражению, необходимыми для адаптации к целевому стилю в английском письме. Соответствующие результаты представлены на Рисунке 5.

Рисунок 5 демонстрирует изменения в соответствии академическому стилю в экспериментальной и контрольной группах до и после выполнения задания, с основным акцентом на двух ключевых показателях: доле формальной лексики и частоте использования пассивного залога. В целом, после прохождения трансферного обучения на базе модели DeepSeek способность экспериментальной группы к адаптации академического стиля значительно улучшилась, что подтверждает эффективность данного метода обучения в формировании у студентов осознания языковых норм и умения адаптироваться к академическому стилю. Что касается доли формальной лексики, в экспериментальной группе этот показатель увеличился с 0,42 до выполнения задания до 0,56 после него, что является достаточно значительным ростом. Напротив, в контрольной группе наблюдался лишь незначительный рост — с 0,43 до 0,48, что свидетельствует об ограниченном улучшении. Этот результат показал, что после систематического руководства с помощью промптов и получения обратной связи от модели студенты экспериментальной группы стали чаще использовать формальную лексику, соответствующую требованиям академического стиля в процессе письма, и их языковой стиль постепенно приблизился к стандартам английского академического письма. С точки зрения частоты использования пассивного залога, в экспериментальной группе произошел значительный рост с 0,18 до выполнения задания до 0,27 после него, что составляет увеличение на 0,09; в то же время в контрольной группе рост составил всего 0,02.

Для дальнейшей проверки статистической значимости вышеуказанных изменений в исследовании был проведен t-критерий для независимых выборок по данным до и после выполнения задания. Результаты показали, что в экспериментальной группе наблюдалось значимое увеличение доли формальной лексики, t(58) = 3.89, p < 0.01, d Коэна = 0.92; увеличение частоты использования пассивного залога также было значимым, t(58) = 4.56, p < 0.01, d Коэна = 1.05. Это свидетельствует о том, что студенты экспериментальной группы достигли существенного прогресса в адаптации стиля языка, и этот прогресс не был случайным, а стал результатом комбинированного воздействия систематического руководства с помощью подсказок и обратной связи по модели.

Статистическая проверка

Кроме того, для дальнейшей проверки надежности контента, созданного ИИ, в преподавательской практике в исследовании сравнивались средние баллы контента, созданного ИИ, и контента, созданного преподавателем, при различных типах промптов. Согласованность между ними оценивалась путем расчета коэффициента корреляции Пирсона. Соответствующие результаты сравнения представлены в таблице 4. В таблице 4 показана согласованность контента, созданного ИИ, и оценок преподавателей для пяти типов промптов, ориентированных на перенос навыков. С точки зрения среднего балла, оценка ИИ в целом была немного ниже оценки преподавателя. Тем не менее, в большинстве типов заданий разрыв находился в разумных пределах, что указывает на высокую стабильность и справочную ценность модели DeepSeek при оценке задач на перенос навыков письма. При использовании промпта на синтаксический перенос средний балл преподавателя составил 4,1, а балл ИИ — 4,0, при этом разница между ними составила всего 0,1. В промптах на структурный и логический перенос балл ИИ был всего на 0,1 ниже балла преподавателя, что свидетельствует о способности модели лучше имитировать критерии оценки преподавателя в этих задачах, характеризующихся высокой степенью структурированности языка и четкими правилами. Напротив, отклонения в оценках при промптах на культурный и регистровый перенос более заметны: баллы ИИ составили 3,6 и 3,7 соответственно, что на 0,2 ниже баллов преподавателей; это отражает тот факт, что ИИ все еще имеет определенные ограничения при работе с задачами, обладающими высокой степенью субъективности, такими как семантические подтексты и культурная прагматика. Межэкспертная надежность оценивалась с помощью ICC (n = 5 экспертов). Общий показатель ICC для ручной оценки составил 0,86, а показатели ICC для каждого измерения варьировались от 0,82 до 0,89, что указывает на удовлетворительное согласие между экспертами.

Дальнейший анализ коэффициента корреляции Пирсона показал, что согласованность оценок при использовании различных промптов находилась на высоком уровне; это свидетельствует о том, что оценка ИИ не только была близка к суждению преподавателя по значению, но и демонстрировала хорошую линейную зависимость в тенденциях оценивания. Среди них коэффициент согласованности для промпта на синтаксический перенос был самым высоким и составил 0.87, а для промптов на структурный и логический перенос он составил 0.83 и 0.85 соответственно, что указывает на высокую степень соответствия результатов оценки ИИ с суждениями преподавателя в отношении синтаксической сложности, организации абзацев и логической связности. Вероятно, это объясняется тем, что данные задачи имеют четкие цели и количественно определяемые языковые признаки, что способствовало более точному распознаванию и стабильному суждению модели. Коэффициент корреляции для промпта на доменный перенос составил 0.81. Несмотря на небольшое снижение, он все еще демонстрировал высокую оценочную способность, указывая на то, что ИИ обладает определенной степенью суждения на уровне стилистической адаптации. Однако коэффициент согласованности для промпта на культурный перенос составил всего 0.79, что ниже, чем для других типов, но все еще находится в пределах допустимого диапазона.

Для изучения применимости различных типов промптов в преподавательской практике и степени их принятия учителями был разработан опросник удовлетворенности ответами на промпты. Пятерым учителям английского языка (обозначенным как T1–T5) было предложено оценить варианты генерации для пяти типов промптов по пятибалльной шкале (от «очень недоволен» до «очень доволен»), как показано на Рисунке 6: оценки пяти учителей по пяти типам промптов несколько различаются, но в целом уровень признания был высоким. Среди них промпты для «синтаксического переноса» и «культурного переноса» получили самые высокие баллы со средним значением 4,0, что отражает их высокую практичность и адаптивность в преподавании. Напротив, промпты для «переноса регистра» получили относительно низкие оценки, в среднем лишь 2,4, при этом некоторые учителя, такие как T4 и T5, поставили самые низкие баллы, что указывает на необходимость дальнейшего совершенствования их руководящей функции и адаптивности при применении в преподавании.

На индивидуальном уровне наблюдались явные различия в тенденциях оценивания учителей. Общий балл T1 был положительным, что указывает на высокую степень принятия письма с помощью ИИ, в то время как баллы T5 были низкими по нескольким параметрам промптов, особенно в категориях «перенос регистра» и «перенос логики». Это различие может быть связано с педагогическим опытом учителей, языковыми предпочтениями или степенью знакомства с инструментами ИИ, что говорит о необходимости разработки механизмов персонализированной адаптации в будущих промптах для повышения принятия технологий различными группами педагогов. Чтобы дополнительно проверить фактический эффект обучения с помощью ИИ на улучшение качества письменных работ учащихся, в исследовании сравнивались изменения общих баллов экспериментальной и контрольной групп, оцененные учителями до и после эксперимента. Результаты сравнения представлены на рисунке 7.

Как показано на рисунке 7, общие баллы экспериментальной и контрольной групп, выставленные учителями до и после эксперимента, продемонстрировали значительные различия. В целом, после применения методики оптимизации обучения на основе модели DeepSeek общие баллы экспериментальной группы показали выраженную тенденцию к росту. Напротив, изменение баллов в контрольной группе было относительно незначительным. Средний балл экспериментальной группы по оценке учителей до начала эксперимента составлял 59,1 балла, а после эксперимента средний балл значительно вырос до 74,4 баллов, что соответствует увеличению на 15,3 балла. Это свидетельствует о положительном влиянии обучения с помощью ИИ на качество письменных работ учащихся. На диаграмме размаха (боксплоте) видно, что диапазон распределения баллов экспериментальной группы также расширился. В частности, «ящик» баллов после эксперимента находится значительно выше, чем до него, а верхний максимум и нижний минимум увеличились, что указывает на существенное повышение общего уровня учащихся. В отличие от них, изменения баллов в контрольной группе были относительно ограниченными. До эксперимента средний балл контрольной группы составлял 60,1 балла, а после эксперимента — 64,9 балла, что представляет собой прирост в 4,8 балла. Этот прирост был намного ниже, чем в экспериментальной группе, а «ящик» баллов контрольной группы практически не изменился до и после эксперимента; это указывает на то, что традиционные методы обучения или неоптимизированные инструменты с поддержкой ИИ имеют ограниченный эффект в улучшении качества письма.

Кроме того, в данном исследовании использовалась таблица когнитивного переноса, чтобы помочь студентам пройти три раунда самооценки развития их способностей в области структурной корректировки, трансформации предложений и культурного выражения, помимо других областей, для отражения динамики развития метакогнитивной осведомленности студентов и их владения стратегиями переноса. Результаты представлены на Рисунке 8. Согласно данным лепестковой диаграммы самооценки студентов в области способностей к переносу, показанным на Рисунке 8, показатели самооценки студентов по пяти измерениям — структурный перенос, синтаксический перенос, культурный перенос, перенос регистра и логический перенос — в течение трех раундов заданий демонстрировали тенденцию к непрерывному росту. Это указывает на то, что в результате применения оптимизированного обучения на основе модели DeepSeek способность студентов использовать стратегии переноса значительно улучшилась. В первом раунде заданий баллы самооценки студентов в целом были низкими. Среди пяти измерений «структурный перенос» и «логический перенос» получили 3,2 и 3,0 балла соответственно, в то время как «культурный перенос» и «перенос регистра» — 2,5 и 2,7, что свидетельствует о том, что студенты еще недостаточно умели выявлять и использовать стратегии переноса. Ко второму раунду заданий баллы по каждому пункту улучшились: «структурный перенос» вырос до 3,8, «синтаксический перенос» — до 3,5, а «логический перенос» — до 3,7. Это показало, что при руководстве преподавателей и поддержке обратной связи от модели студенты постепенно освоили ключевые моменты базовых операций переноса и начали применять их в реальном письме. В третьем раунде заданий баллы самооценки студентов значительно выросли: «структурный перенос» и «логический перенос» достигли 4,5 и 4,3 соответственно, а показатели по остальным измерениям также стабилизировались выше 4,0 баллов, что демонстрирует устойчивый эффект многократных раундов обучения переносу в улучшении контроля языковой формы и способности студентов к построению текста. На этом этапе у студентов сформировался базовый когнитивный замкнутый цикл между пониманием, исполнением и рефлексией стратегий переноса. Помимо обратной связи от преподавателей, в рамках исследования всем студентам экспериментальной группы был разослан опросник удовлетворенности функцией письма с помощью ИИ, в результате чего было собрано 30 заполненных анкет. В опроснике оценивалась работа ИИ в трех функциональных модулях: предложения по перефразированию, структурная оптимизация и культурные подсказки; студентам предлагалось выбрать варианты ответов в соответствии с пятибалльной шкалой. Результаты представлены в Таблице 5.

Согласно результатам опроса об удовлетворенности студентов функциями письма с помощью ИИ, представленным в Table 5, студенты экспериментальной группы в целом дали положительные отзывы о работе ИИ в трех функциональных модулях: предложения по перефразированию, оптимизация структуры и культурные подсказки, что демонстрирует хорошие перспективы применения систем письма с поддержкой ИИ для повышения эффективности обучения письму и качества педагогической поддержки. В целом, более 90% студентов выразили «высокую степень удовлетворенности» или «удовлетворенность» двумя функциональными пунктами — «предложения по перефразированию» и «оптимизация структуры», при этом наивысший уровень удовлетворенности был отмечен для «предложений по перефразированию» (91%), что указывает на высокую степень признания студентами способностей ИИ в области синтаксической реконструкции и стилистической правки языка. Для сравнения, удовлетворенность функцией «культурные подсказки» была относительно ниже. Тем не менее она достигла 83%, что свидетельствует о том, что, несмотря на определенную сложность и субъективность ИИ при руководстве межкультурным выражением, его роль в оказании помощи студентам в выявлении и корректировке влияния культурных особенностей родного языка была признана большинством опрошенных. Что касается неудовлетворенности, доля студентов, выбравших варианты «не удовлетворен» или «совсем не удовлетворен» по трем функциям, составила менее 5%, что указывает на хорошую юзабилити и приемлемость функций с поддержкой ИИ в большинстве сценариев применения. Стоит отметить, что доля студентов, оценивших пункт «культурные подсказки» как «средний», была относительно высокой; это позволяет предположить, что текущий ИИ может не полностью отвечать ожиданиям студентов при решении вопросов культурной адаптации, и здесь все еще остается пространство для совершенствования. Комплексный анализ показывает, что метод оптимизации инструкций на базе DeepSeek получил широкое признание студентов, особенно в части поддержки языковой формы.

RM-ANOVA (дисперсионный анализ с повторными измерениями)

Для изучения влияния группы (межгрупповой фактор: экспериментальная группа против контрольной группы) и времени (внутригрупповой фактор: претест, Задание 1, Задание 2, Задание 3, посттест), а также их взаимодействия на результаты переноса навыков письма на английском языке у студентов был проведен двухфакторный дисперсионный анализ с повторными измерениями (RM-ANOVA). Тест Мокли показал нарушение допущения о сферичности (p < 0.05), поэтому для корректировки степеней свободы для внутригрупповых эффектов была применена поправка Гринхауза–Гайссера. Все анализы были проведены на выборке n = 30 участников в каждой группе. Результаты представлены в Таблице 6:

Результаты дисперсионного анализа с повторными измерениями (ANOVA) с поправкой Гринхауза–Гейссера показали значимые основные эффекты Группы, Времени и взаимодействия Группа × Время по всем измеряемым параметрам (p < 0.01). Для общего индекса переноса (Overall Transfer Index) наблюдался значимый эффект Группы (F(1,58) = 76.32), наряду со значимым эффектом Времени (F(2.14,124.12) = 92.75) и значимым взаимодействием Группа × Время (F(2.14,124.12) = 68.49), что свидетельствует о том, что изменения общих показателей переноса с течением времени значительно различались между группами.

Аналогично, синтаксический перенос продемонстрировал значимые эффекты группы (F(1,58) = 52,18), времени (F(2.1,12.38) = 71,26) и взаимодействия группы и времени (F(2.11,12.38) = 45,73), что указывает на различные закономерности развития способности к синтаксическому переносу в разных группах и в разные моменты измерения. Для структурного переноса также были выявлены значимые эффекты группы (F(1,58)=48,65), времени (F(2.09,121.2) = 67,81) и их взаимодействия (F(2.09,121.22) = 41,36), что отражает стабильное улучшение с траекториями, зависящими от группы. Примечательно, что культурный перенос продемонстрировал наиболее сильные эффекты: значимый эффект группы (F(1,58) = 81,44), выраженный эффект времени (F(2.07,19.96) = 98,52) и устойчивое взаимодействие группы и времени (F(2.07,19.96) = 79,27), что свидетельствует о наиболее существенном и дифференцированном паттерне роста в этом измерении. В целом, все показатели демонстрируют статистически значимые эффекты, подтверждая, что вмешательство оказало стабильное и дифференцированное воздействие на развитие переноса с течением времени.

ДОСТУПНОСТЬ ДАННЫХ:

Все данные, полученные или проанализированные в ходе данного исследования, представлены в этой статье. Исходные данные оценки приведены в Дополнительной таблице 1.

Рисунок 1Этапы преобразования структуры предложения. (A) Стратегии объединения и усиления глаголов для улучшения структуры предложения.B) Альтернативные трансформации подлежащего, включая герундий, инфинитив и номинализированные подлежащие. (C) Использование неопределенных оборотов для повышения разнообразия и лаконичности предложений. (DПримеры окончательных доработанных версий, демонстрирующих улучшенный академический стиль и кросскультурное англоязычное выражение. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 2Диаграмма дерева эволюции задач. В данной работе представлена прогрессивная структура четырехуровневых заданий на перенос, охватывающая уровни предложения, абзаца, дискурса и культуры. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 3Сравнение способности к переносу навыков письма до и после эксперимента. На лепестковой диаграмме представлены результаты предварительного и последующего тестирования экспериментальной и контрольной групп в синтаксическом, структурном и культурном аспектах переноса. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 4График тренда синтаксической сложности. Представлены изменения средней длины предложения и уровней вложенности придаточных предложений в трех тренировочных заданиях. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 5Сопоставление академической терминологии. На этом рисунке показаны изменения в доле официально-деловой лексики и частоте использования пассивного залога до и после вмешательства. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 6Тепловая карта удовлетворенности ответами на промпты. Здесь представлены обобщенные данные о рейтингах пяти типов шаблонов промптов, предоставленные участвующими преподавателями. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 7Диаграмма размаха изменений оценок преподавателей. Диаграмма размаха демонстрирует распределение и общие изменения баллов за письменные работы, выставленных преподавателями для двух групп до и после эксперимента. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 8Лепестковая диаграмма самооценки студентами способности к переносу знаний. На графике представлены результаты самооценки студентов по пяти измерениям переноса знаний в трех раундах обучения. Пожалуйста, нажмите здесь, чтобы просмотреть этот рисунок в более крупном масштабе.

Пожалуйста, предоставьте исходный текст для перевода.	Действия преподавателя	Тип подсказки	Действия студента	Результат	Критерии оценки
Оригинальные черновики работ студентов (предложения/абзацы/эссе)	1. Определите типы переноса меток и уровни задач 2. При необходимости скорректируйте параметры промпта	Одиночный промпт для переноса / Трехэтапная цепочка вложенных промптов	1. Изучите стратегии переноса навыков 2. Доработайте черновики с учетом отзывов ИИ 3. Пройдите самооценку	Текст, пересмотренный ИИ + финальный вариант черновика, пересмотренный студентом	Синтаксическая сложность, структурная рациональность, культурная адекватность, логическая связность, стандартизация регистра (шкала 0–5)

Таблица 1: Сводная таблица рабочего процесса. В этой таблице обобщен полный операционный рабочий процесс обучения переводу англоязычного письма с помощью ИИ, включая исходные материалы, действия преподавателя и студента, типы промптов, конечные результаты и соответствующие критерии оценки.

Категория проекта	Содержание
Понимание целей миссии	Пожалуйста, кратко опишите цели миграции данного цикла задач по написанию текста, такие как структурная корректировка, культурная адаптация и язывое преобразование.
Используемая стратегия миграции	Пожалуйста, укажите использованные вами стратегии миграции (допускается несколько вариантов ответа):
	Структурная корректировка
	Трансформация предложений
	Переключение языка
	Культурное проявление
	Укрепление логической связи
	Другое: _______
Перепишите примеры и инструкции	Выберите 1–2 пересмотренных предложения, представьте варианты до и после правки, а также объясните причины изменений и поставленные цели по адаптации текста.
Возникшие трудности и сомнения	Опишите любые трудности, с которыми вы столкнулись в процессе миграции, или вопросы, возникшие у вас относительно конкретных выражений.
Балл самооценки (из 5 баллов)	Пожалуйста, оцените переработку вашего текста по следующим трем аспектам:
	• Точность применения стратегии (/5)
	• Естественность выражения (/5)
	• Культурное соответствие (/5)
Цели по совершенствованию навыков письма в будущем	Кратко опишите аспекты переносимости (трансферабельности), которые вы хотели бы усилить или оптимизировать в следующем раунде обучения

Таблица 2: Таблица переноса когнитивных навыков. Для самооценки студентами стратегий переноса навыков письма используется шкала от 1 до 5 (1 = отсутствие владения, 5 = полное владение).

Название показателя	Описание	Источник данных
Индекс переноса навыков письма (0–5)	Количественный показатель, комплексно измеряющий способность к языковому переносу, охватывающий три уровня: синтаксис, структуру и культуру.	Автоматическая оценка системой + ручная оценка преподавателей
Показатель синтаксической сложности	Включает среднюю длину предложения, количество вложенных придаточных предложений, богатство глагольных фраз и т. д.	Автоматический анализ NLP
Соответствие академическому стилю	Соответствует ли текст стандартам английского академического письма?	Оценка модели обработки естественного языка
Удовлетворенность ответом на промпт	Принятие и практическая оценка преподавателями предложений, сгенерированных моделью	Анкетирование преподавателей
Изменение оценок при проверке преподавателем	Сравнение оценок преподавателей до и после эксперимента для отражения улучшения качества письма	Записи об оценках преподавателей
Самооценка студентов по способности к переносу	Студенты самостоятельно оценивают степень своего владения различными аспектами переноса	Заполнение формы осознания переноса навыков

Таблица 3: Сводка показателей оценки, их описаний и источников данных. В этой таблице разъясняются определения, методы измерения и первоначальные источники данных для каждого основного показателя оценки в данном исследовании.

Тип подсказки	Средний рейтинг преподавателей	Средний балл ИИ	Коэффициент корреляции Пирсона
Структурный перенос	4	3.9	0.83
Синтаксический перенос	4.1	4	0.87
Культурный перенос	3.8	3.6	0.79
Перенос регистров	3.9	3.7	0.81
Логический перенос	4.2	4.1	0.85

Таблица 4: Сравнение согласованности между контентом, созданным ИИ, и оценками преподавателей. Результаты демонстрируют согласованность между контентом, созданным ИИ, и оценками преподавателей для различных типов промптов.

Функциональные элементы	Полностью удовлетворен	Удовлетворен	В целом	Неудовлетворенность	Крайне неудовлетворен
Предложение по переработке	66%	25%	7%	1.50%	0.50%
Структурная оптимизация	60%	30%	7%	2%	1%
Культуральные рекомендации	55%	28%	12%	3.50%	1.50%

Таблица 5: Статистика опроса об удовлетворенности студентов функциями с поддержкой ИИ. Статистические данные демонстрируют распределение степени удовлетворенности студентов функциями перефразирования с помощью ИИ, структурной оптимизации и культурного промптинга.

Измерить	Группа F(df)	Время F(df)Г	Группа × Время F(df)Г	p
Общий индекс переноса	76.32 (1, 58)	92.75 (2.14, 124.12)	68.49 (2.14, 124.12)	<0.001
Синтаксический перенос	52.18 (1, 58)	71.26 (2.11, 122.38)	45.73 (2.11, 122.38)	<0.001
Структурный перенос	48.65 (1, 58)	67.81 (2.09, 121.22)	41.36 (2.09, 121.22)	<0.001
Культурный перенос	81.44 (1, 58)	98.52 (2.07, 119.96)	79.27 (2.07, 119.96)	<0.001

Таблица 6: Сводка результатов ANOVA с повторными измерениями. В ней представлены результаты двухфакторного ANOVA с повторными измерениями для общего показателя переноса навыков письма и трех его подизмерений, включая основные эффекты группы, времени и взаимодействие группы и времени. Сокращения: GG = поправка Гринхауза–Гайссера.

Дополнительная таблица 1: Оценка исходных данных. Включает исходные данные, использованные во всех анализах в данном исследовании.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

В данном исследовании разрабатывается многоуровневая структура оптимизации инструкций на основе архитектуры MoE DeepSeek для обучения переносу навыков англоязычного письма в кросс-культурном контексте. В центре работы находятся четыре уровня прогрессивных заданий — от уровня предложения до культурного измерения — и стандартизированная библиотека заданий из пяти категорий; исследование реализует автоматическую генерацию промптов на основе реальных образцов студенческих работ и создает трехэтапные вложенные цепочки промптов для разложения сложных адаптивных кросс-культурных задач. В отличие от традиционного общего дизайна промптов, ограниченного полировкой текста, предлагаемое решение тесно связывает компиляцию промптов с целями обучения языковому переносу и выстраивает замкнутый педагогический цикл, включающий генерацию моделью, аннотирование преподавателем и итеративную правку студентом. С точки зрения развития дисциплины, данная работа расширяет практические границы промпт-инжиниринга в освоении второго языка, предлагая количественный шаблон построения для объединения параметрических характеристик больших языковых моделей с целевым обучением в классах EFL. Она также дополняет эмпирическую базу исследований кросс-культурного прагматического переноса в среде с использованием ИИ-вспоможения, расширяя существующие результаты исследований, сосредоточенные исключительно на синтаксических ошибках отрицательного переноса^36,37.

Данные эмпирического квазиэксперимента подтверждают, что в экспериментальной группе наблюдалось явное улучшение показателей синтаксического, структурного и культурного переноса, однако ряд внутренних ограничений сужает возможность обобщения результатов исследования. В силу условий исследования в работе использовалось нерандомизированное распределение по группам без ослепления экспертов, а все выборки были сформированы из студентов одной специальности «Английский язык» одного университета, что затрудняет исключение влияния индивидуальной мотивации учащихся к самостоятельному обучению и долгосрочных привычек преподавателей при изменении показателей. Кроме того, данное вмешательство длилось всего три недели, что представляет собой краткосрочную программу обучения. В сочетании с одноцентровым дизайном выборки, при котором все участники были набраны в одном профессиональном колледже, наблюдаемые положительные эффекты могут оказаться недостаточно стабильными в долгосрочной преподавательской практике. Следовательно, результаты исследования следует интерпретировать с осторожностью, и было бы некорректно напрямую распространять данные выводы на другие типы колледжей, более длительные циклы обучения или группы студентов с иным уровнем владения языком.

При практическом применении в учебном процессе текущая система оптимизации промптов в сочетании с моделью DeepSeek демонстрирует заметные ограничения и типичные случаи сбоев. В задачах переноса культурных особенностей и регистров модель иногда генерирует прагматически некорректные выражения или дает слишком жесткие результаты преобразования стиля при обработке текстов с тонкими культурными коннотациями и контекстно-зависимыми стилистическими требованиями^38,39; она также не всегда точно определяет скрытое нативное культурное мышление в длинных и сложных абзацах, что приводит к неполному исправлению выражений на «чинглише». При автоматическом оценивании согласованность выводов ИИ значительно снижается для высокосубъективных пунктов культурной прагматики, и модель не может эффективно различать тонкие нюансы риторического выражения и кросс-культурных смыслов. Кроме того, трехэтапная вложенная цепочка промптов склонна к семантическому отклонению при многораундовой итеративной генерации, когда ошибки первого этапа семантической реорганизации наследуются и усиливаются на последующих этапах лингвистической правки и культурной адаптации^40,41.

Что касается тенденций дальнейшей разработки, возможны улучшения по трем практическим направлениям. Во-первых, расширение масштаба библиотеки заданий путем сбора корпуса письменных работ студентов, не специализирующихся на английском языке, а также учащихся с разным уровнем владения языком, чтобы повысить совместимость шаблонов для различных групп учащихся. Во-вторых, сочетание непрерывной тонкой настройки облегченных субмодулей DeepSeek для уменьшения отклонений в оценке культурного переноса ИИ, которая, согласно текущей статистике, оказалась менее согласованной по сравнению с оценками преподавателей. В-третьих, внедрение всей системы оптимизации промптов в традиционные онлайн-платформы для изучения иностранных языков с целью автоматического долгосрочного накопления данных для непрерывной итеративной оптимизации правил промптов. Ожидается, что по мере дальнейшего обогащения ресурсов кросс-лингвистических культурных корпусов предложенная техническая база в последующих исследованиях найдет применение в преподавании двуязычного перевода и курсах межкультурной коммуникации.

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Предобученная языковая модель BERT	Google	https://github.com/google-research/bert	Представление текста, распознавание структуры абзацев, расчет семантического сходства и классификация текста поддерживают автоматизированную оценку содержания письменных работ.
Coreferee	Explosion AI	https://github.com/explosion/coreferee	Идентифицируются референциальные связи в тексте и оценивается когерентность дискурсивных референций для помощи в автоматической оценке качества письма.
Большая языковая модель DeepSeek	DeepSeek AI	https://chat.deepseek.com/	На основе архитектуры модели MoE была проведена оптимизация инструкций и разработка цепочек промптов. Модель использует фиксированные параметры: коэффициент температуры 0.7, а длина генерируемого текста динамически ограничивается в зависимости от типа вопроса.
spaCy	Explosion AI	https://github.com/explosion/spaCy	Анализируется зависимая синтаксическая структура английского текста и извлекаются такие показатели, как средняя длина предложения и количество вложенных придаточных предложений, для количественной оценки синтаксической сложности.
SPSS 26.0	IBM	https://www.ibm.com/products/spss-statistics	Проведены статистические анализы, такие как дисперсионный анализ с повторными измерениями (RM-ANOVA), t-критерий для независимых выборок, корреляционный анализ Пирсона, расчет величины эффекта (d Коэна’) и тест на надежность (ICC).