Kemunculan chatbot AI generatif tercanggih (SOTA) seperti ChatGPT telah mencipta anjakan paradigma dalam pembelajaran bahasa dan sokongan penulisan. Berbeza dengan pendahulu berasaskan peraturan, model-model ini, yang dibina di atas seni bina rangkaian neural seperti Transformer, mampu menjana teks yang koheren dan relevan dengan konteks. Bagi pelajar Bahasa Inggeris sebagai Bahasa Asing (EFL), ini merupakan alat yang berkuasa, namun kompleks. Cabaran utama yang dikenal pasti dalam kajian ini ialah kejuruteraan prompt—kemahiran merangka arahan yang berkesan untuk mendapatkan output yang diingini daripada AI. Tanpa kemahiran ini, pengguna, terutamanya pelajar bukan teknikal, terpaksa melalui proses cubaan-dan-ralat yang mengecewakan, seterusnya menghadkan potensi pedagogi alat tersebut.
Kertas kerja ini menyiasat tingkah laku kejuruteraan prompt yang baru muncul dalam kalangan pelajar sekolah menengah EFL yang menggunakan ChatGPT buat pertama kali untuk menyiapkan tugasan penulisan. Ia melangkaui perbincangan teori untuk membentangkan kajian kes empirikal dan kualitatif yang memetakan laluan pengguna yang berbeza.
Penyelidikan ini menggunakan pendekatan kajian kes kualitatif, menganalisis data interaksi dunia sebenar daripada pengguna baharu.
Peserta terdiri daripada pelajar sekolah menengah EFL yang tiada pengalaman formal terdahulu menggunakan chatbot SOTA seperti ChatGPT. Kajian ini merakam proses mereka melalui rakaman skrin iPad semasa mereka berinteraksi dengan AI untuk menyiapkan tugasan penulisan yang ditetapkan. Metodologi ini memberikan pandangan mentah dan tidak ditapis tentang proses kerjasama manusia-AI.
Rakaman skrin ditranskripsikan dan dianalisis untuk mengkodkan:
Daripada analisis ini, empat laluan pengguna arketip telah dikenal pasti dan dikembangkan menjadi kajian kes terperinci.
Analisis tersebut mengkristalkan empat corak tingkah laku yang berbeza, mewakili spektrum kecanggihan kejuruteraan prompt.
Pelajar ini menggunakan bilangan prompt yang sangat sedikit (cth., 1-2). Prompt awal selalunya merupakan terjemahan mudah dan langsung arahan tugasan (cth., "Tulis esei tentang perubahan iklim"). Mereka menunjukkan penglibatan yang minimum dengan output AI, menerima hasil pertama dengan sedikit atau tiada penyempurnaan. Laluan ini menonjolkan salah tanggapan alat-sebagai-orakel, di mana AI dilihat sebagai penyedia jawapan lengkap dan muktamad, bukannya rakan kerjasama.
Pelajar ini menggunakan bilangan prompt yang sederhana dalam urutan linear dan berulang. Mereka bermula dengan prompt asas, mengkaji semula output, dan mengeluarkan arahan susulan untuk penambahbaikan khusus (cth., "Jadikannya lebih panjang," "Guna perkataan yang lebih mudah"). Laluan ini menunjukkan pemahaman yang baru muncul tentang responsif AI terhadap arahan tetapi kekal dalam kerangka permintaan semakan asas.
Pelajar ini menggunakan bilangan prompt yang lebih tinggi dengan pendekatan berbilang peringkat yang strategik. Mereka mungkin mula-mula meminta AI untuk "mencetuskan tiga idea untuk esei tentang X," kemudian memilih satu, kemudian meminta rangka kerja, dan akhirnya meminta draf berdasarkan rangka kerja itu. Laluan ini mencerminkan strategi meta-kognitif yang lebih canggih, memecahkan proses penulisan dan menggunakan AI untuk sokongan berstruktur pada setiap peringkat.
Pelajar ini menggunakan jumlah prompt yang tinggi dengan variasi yang ketara tetapi strategi yang kurang jelas. Prompt berubah secara mendadak dari segi fokus dan gaya (cth., daripada formal kepada kolokial, daripada luas kepada sempit) tanpa perkembangan yang jelas. Laluan ini mewakili eksperimen tidak berstruktur yang menjadi ciri pengalaman pemula, selalunya mengakibatkan kekeliruan dan penggunaan masa yang tidak cekap, walaupun kadangkala boleh menghasilkan hasil yang kreatif.
Kajian mendapati tiada korelasi mudah antara bilangan prompt dan kualiti output akhir. Laluan C (Pemerhati Berstruktur) selalunya menghasilkan teks yang paling sesuai dengan tugasan, bukan semestinya melalui prompt terbanyak, tetapi melalui prompt yang paling strategik dan berkualiti tinggi. Kualiti ditakrifkan oleh kekhususan, penyediaan konteks, dan penguraian tugasan. Satu prompt yang direka dengan baik (cth., "Tulis esei persuasif 300 patah perkataan untuk majalah sekolah yang memperjuangkan lebih banyak tong kitar semula di kampus, menggunakan dua statistik dan seruan untuk bertindak") boleh mengatasi puluhan prompt yang kabur.
Laluan C (Berstruktur) secara konsisten menghasilkan draf akhir yang dinilai tertinggi oleh penilai bebas, walaupun tidak selalu menggunakan pusingan terbanyak. Laluan D (Cubaan-dan-Ralat) mempunyai varians tertinggi dalam kualiti hasil.
Laluan-laluan ini dengan jelas menggambarkan pelbagai tahap literasi AI tersirat. Pelajar dalam Laluan A dan D kekurangan model mental berfungsi tentang bagaimana ChatGPT memproses permintaan. Sebaliknya, pelajar dalam Laluan B dan C menunjukkan pemahaman yang baru tumbuh tentang AI sebagai sistem stokastik yang mengikut arahan. Mereka secara intuitif memahami bahawa input yang lebih jelas dan berstruktur membawa kepada output yang lebih boleh diramal dan berguna. Penemuan ini secara langsung menyokong seruan daripada organisasi seperti International Society for Technology in Education (ISTE) untuk mengintegrasikan asas literasi AI ke dalam kurikulum K-12.
Memahami laluan-laluan ini memerlukan lensa teknikal. ChatGPT dan model serupa adalah berdasarkan seni bina Transformer dan pada asasnya merupakan peramal token seterusnya. Kebarangkalian untuk menjana jujukan output tertentu $O$ diberi prompt input $P dimodelkan sebagai: $$P(O|P) = \prod_{t=1}^{|O|} P(o_t | P, o_1, ..., o_{t-1})$$ di mana $o_t$ ialah token pada kedudukan $t$. Prompt pelajar $P$ menetapkan konteks awal dan taburan kebarangkalian untuk output.
Contoh Kerangka Analisis: Kita boleh memodelkan sesi kejuruteraan prompt pelajar sebagai mesin keadaan. Biarkan Keadaan (S) menjadi tetingkap konteks semasa perbualan (token $k$ terakhir). Tindakan (A) ialah prompt seterusnya pelajar. Ganjaran (R) ialah kegunaan respons AI yang dirasakan (cth., skor subjektif dari 1-5). Matlamat pelajar adalah untuk mempelajari polisi $\pi$ yang memetakan keadaan kepada tindakan untuk memaksimumkan ganjaran terkumpul. Empat laluan mewakili polisi penerokaan yang berbeza, selalunya tidak optimum, untuk masalah pembelajaran pengukuhan ini yang dihadapi oleh pengguna manusia.
Penerangan Carta: Satu carta konseptual akan memplot Kekhususan Prompt (Paksi-X) melawan Penguraian Tugasan (Paksi-Y). Laluan A (Minimalis) akan berkelompok dalam kuadran rendah-rendah. Laluan D (Cubaan-dan-Ralat) akan menunjukkan awan bertaburan di seluruh graf. Laluan B (Penyempurna Berulang) akan menunjukkan pergerakan mendatar ke kanan (peningkatan kekhususan). Laluan C (Pemerhati Berstruktur) akan menduduki kuadran tinggi-tinggi, menunjukkan kedua-dua kekhususan tinggi dan penggunaan penguraian tugasan yang tinggi dalam prompt mereka.
Implikasi Teras: Membiarkan pelajar menemui kejuruteraan prompt melalui cubaan-dan-ralat adalah tidak cekap dan tidak adil dari segi pedagogi. Ia memihak kepada pelajar yang secara semula jadi membangunkan pemikiran strategik (Laluan C) dan merugikan yang lain.
Strategi Boleh Tindak: Pengajaran kejuruteraan prompt yang eksplisit dan berbingkai mesti diintegrasikan ke dalam pedagogi penulisan EFL. Ini termasuk:
Penyelidikan & Pembangunan Masa Depan:
Wawasan Teras: Kajian ini bukanlah tentang ChatGPT; ia adalah pendedahan nyata tentang manusia yang tidak bersedia dalam gelung maklum balas manusia-AI. Alat ini jauh lebih berkemampuan daripada keupayaan pengguna untuk mengarahkannya. Empat laluan itu bukan sekadar tingkah laku; ia adalah penanda diagnostik untuk bentuk baharu buta huruf digital. Jurang produk sebenar bukanlah LLM yang lebih baik, tetapi lapisan antara muka manusia yang lebih baik yang mengajar strategi interaksi secara masa nyata.
Aliran Logik: Kertas kerja ini betul mengenal pasti masalah (cubaan-dan-ralat adalah lalai) dan menyediakan bukti empirikal yang elegan melalui taksonomi laluan. Lompatan logik yang dibuatnya—dan ini penting—ialah bahawa tingkah laku pemula ini bukan fasa sementara. Tanpa campur tangan, laluan Minimalis dan Peneroka Cubaan-dan-Ralat boleh mengeras menjadi corak penggunaan suboptimum yang kekal, mengukuhkan asimetri kuasa di mana pengguna dipimpin oleh lalai alat dan bukannya mengarahkannya. Ini selaras dengan kebimbangan yang lebih luas dalam penyelidikan HCI, seperti yang dibincangkan dalam karya tentang "bias automasi" dan "kemerosotan kemahiran" dalam sistem yang sangat dibantu.
Kekuatan & Kelemahan: Kekuatannya ialah metodologi pemerhatian yang berasas. Rakaman skrin tidak berbohong. Kelemahan utama, yang diakui secara tersirat, ialah skala. Empat laluan daripada sampel terhad adalah arketip yang menarik, bukan kategori muktamad. Kajian ini juga mengelak gajah dalam bilik: penilaian. Jika seorang Minimalis mendapat gred lulus daripada guru yang terlalu sibuk menggunakan esei yang dijana AI, apakah insentif mereka untuk mempelajari kejuruteraan prompt? Cadangan pendidikan kertas kerja ini bergantung pada sistem yang menghargai proses berbanding produk, yang kebanyakan kerangka penilaian pendidikan semasa tidak lakukan.
Wawasan Boleh Tindak: Bagi pelabur dan pemaju EdTech, pengambilannya jelas: gelombang penciptaan nilai seterusnya adalah dalam perancah kejuruteraan prompt. Fikirkan Grammarly untuk prompt—lapisan tambahan yang menganalisis arahan kabur awal pelajar dan mencadangkan, "Cuba tambah khalayak sasaran dan kiraan perkataan. Klik di sini untuk melihat contoh." Bagi pentadbir sekolah, mandatnya adalah untuk membiayai pembangunan profesional bukan sahaja tentang menggunakan AI, tetapi tentang mengajar pedagogi berinteraksi dengan AI. Kajian ini menyediakan bukti sempurna untuk memperjuangkan baris belanjawan itu. Akhirnya, bagi penyelidik, kerangka laluan adalah lensa yang boleh direplikasi. Gunakannya pada profesional yang menggunakan AI untuk pengkodan (GitHub Copilot), reka bentuk, atau penyelidikan undang-undang. Saya meramalkan anda akan menemui empat arketip yang sama, membuktikan ini adalah cabaran interaksi manusia-komputer asas, bukan sekadar isu EFL.