Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

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

78 просмотров

⸱

DOI:

10.3791/71662

⸱

25 августа 2026 г.

1Ningbo City College of Vocational Technology

В этой статье

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 применению1,2. 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 генерации6,7. 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 переносу8,9. 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 работы12,13. 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 темой14,15. 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 заданий26,27, 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 прагматика34,35, что ограничивает их глубокое применение в обучении переносу навыков межкультурного письма.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

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:

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

Sj представляет собой входной образец задачи, Gi — целевую операцию переноса, а Ei — 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 = {(Dj,TDj)∣j = 1,2,3,4,5} (3)

Dj  соответствует пяти аспектам переноса: синтаксическому, структурному, культурному, регистровому и логическому переносу; набор заданий TDj , 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:

Ti,j = (Si,j,Gi,j,Ci,j) (4)

Si,j представляет собой входной образец задания, Gi,j — описание целевого переноса задания, а Ci,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.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

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...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

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 промпто...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют об отсутствии финансовых конфликтов интересов.

Благодарности

Данная работа была поддержана Проектом планирования образования провинции Чжэцзян 2026: «Исследование реконструкции структуры преподавательских компетенций и стратегий продвижения преподавателей высшего профессионального образования в условиях цифрового и интеллектуального расширения возможностей» (номер проекта: ZWT26024; номер одобрения: 2026SCG360).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Предобученная языковая модель BERTGooglehttps://github.com/google-research/bertПредставление текста, распознавание структуры абзацев, расчет семантического сходства и классификация текста поддерживают автоматизированную оценку содержания письменных работ.
CorefereeExplosion AIhttps://github.com/explosion/corefereeИдентифицируются референциальные связи в тексте и оценивается когерентность дискурсивных референций для помощи в автоматической оценке качества письма.
Большая языковая модель DeepSeekDeepSeek AIhttps://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.
spaCyExplosion AIhttps://github.com/explosion/spaCyАнализируется зависимая синтаксическая структура английского текста и извлекаются такие показатели, как средняя длина предложения и количество вложенных придаточных предложений, для количественной оценки синтаксической сложности.
SPSS 26.0IBMhttps://www.ibm.com/products/spss-statisticsПроведены 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).

Ссылки

  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.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Больше статей

Межкультурное письмоязыковая интерференцияиерархическая система обучениясмесь экспертовцепочка промптовкультурная адаптациялингвистическая правка
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.