Jadual Kandungan
1. Pengenalan
ChatGPT, chatbot AI generatif terkini (SOTA), telah mendapat populariti yang besar kerana potensinya untuk mengubah pendidikan, terutamanya dalam konteks penulisan Bahasa Inggeris sebagai Bahasa Asing (EFL). Walau bagaimanapun, kerjasama yang berkesan dengan ChatGPT memerlukan pelajar menguasai kejuruteraan prompt—kemahiran merangka arahan yang tepat untuk mendapatkan output yang diingini. Kertas kerja ini meneliti kandungan dan corak prompt pelajar menengah EFL semasa menyelesaikan tugasan penulisan dengan ChatGPT buat kali pertama. Melalui kajian kes terhadap empat laluan yang berbeza, penulis menggambarkan proses percubaan-dan-ralat dan menekankan keperluan untuk pendidikan kejuruteraan prompt yang eksplisit di dalam bilik darjah EFL.
2. Sorotan Literatur
2.1 ChatGPT dalam Penulisan EFL
ChatGPT boleh membantu pelajar EFL dengan menjana idea, memberikan cadangan kosa kata, dan menawarkan pembetulan tatabahasa. Walau bagaimanapun, tanpa prompt yang betul, output mungkin tidak relevan atau tidak membantu. Penyelidikan oleh Guo et al. (2023) menunjukkan bahawa pelajar sering sukar untuk merumuskan prompt yang berkesan, yang membawa kepada interaksi yang kurang optimum.
2.2 Kejuruteraan Prompt sebagai Kemahiran
Kejuruteraan prompt melibatkan pemahaman tentang keupayaan dan batasan model. Ia memerlukan penghalusan berulang, kekhususan, dan kesedaran kontekstual. Kajian (contohnya, Woo et al., 2023) menunjukkan bahawa pengguna bukan teknikal, termasuk pelajar EFL, biasanya terlibat dalam percubaan-dan-ralat tanpa strategi yang sistematik.
3. Metodologi
3.1 Peserta dan Tetapan
Peserta adalah 12 pelajar sekolah menengah EFL (berumur 15-16 tahun) dari Hong Kong. Mereka menggunakan ChatGPT pada iPad buat kali pertama untuk menyelesaikan tugasan penulisan deskriptif: "Terangkan tempat kegemaran anda dan jelaskan mengapa ia istimewa bagi anda."
3.2 Pengumpulan Data
Data dikumpul melalui rakaman skrin iPad, menangkap setiap prompt yang ditaip dan respons ChatGPT. Penyelidik juga menjalankan temu bual selepas tugasan untuk memahami pemikiran pelajar.
3.3 Rangka Kerja Analitis
Analisis mengkategorikan prompt mengikut kandungan (contohnya, permintaan untuk idea, bantuan tatabahasa, semakan) dan kuantiti (bilangan prompt setiap pelajar). Empat laluan yang berbeza muncul daripada data.
4. Dapatan: Empat Laluan Kejuruteraan Prompt
4.1 Laluan A: Arahan Langsung
Pelajar mengeluarkan satu prompt yang komprehensif (contohnya, "Tulis perenggan 200 patah perkataan tentang pantai kegemaran saya, termasuk butiran deria"). Laluan ini menghasilkan keputusan yang boleh diterima tetapi mengehadkan penglibatan pelajar dengan proses penulisan.
4.2 Laluan B: Penghalusan Berulang
Pelajar bermula dengan prompt yang luas (contohnya, "Bantu saya menulis tentang tempat kegemaran saya") dan memperhalusinya berdasarkan output ChatGPT (contohnya, "Tambah lebih banyak butiran tentang bunyi ombak"). Laluan ini menunjukkan pembelajaran melalui maklum balas.
4.3 Laluan C: Penguraian Berperancah
Pelajar memecahkan tugasan kepada sub-tugasan: mula-mula meminta rangka, kemudian meminta kosa kata, dan akhirnya meminta draf penuh. Pendekatan berstruktur ini menghasilkan output berkualiti tinggi dan pemahaman yang lebih mendalam.
4.4 Laluan D: Percubaan-dan-Ralat Eksploratori
Pelajar bereksperimen dengan pelbagai prompt tanpa strategi yang jelas (contohnya, "Beri saya idea", kemudian "Jadikan ia lebih panjang", kemudian "Tukar nada"). Laluan ini tidak cekap dan sering membawa kepada kekecewaan.
5. Perbincangan
5.1 Pandangan Teras
Kajian ini mendedahkan bahawa kebanyakan pelajar EFL menggunakan prompt percubaan-dan-ralat secara lalai, tanpa strategi yang sistematik. Hanya sebilangan kecil (Laluan C) menunjukkan penguraian yang berkesan, yang selaras dengan prinsip perancahan metakognitif (Flavell, 1979).
5.2 Aliran Logik
Perkembangan daripada Laluan A ke D menunjukkan spektrum agensi pelajar dan kedalaman strategik. Laluan yang paling berkesan (C) mencerminkan amalan kejuruteraan prompt pakar: penguraian tugas, penghalusan berulang, dan kekhususan kontekstual.
5.3 Kekuatan & Kelemahan
Kekuatan: Kajian ini menyediakan data kualitatif yang kaya melalui rakaman skrin, menangkap tingkah laku pelajar yang tulen. Tipologi empat laluan adalah intuitif dan boleh diambil tindakan untuk pendidik.
Kelemahan: Saiz sampel yang kecil (n=12) mengehadkan kebolehgeneralisasian. Kajian ini tidak mengukur peningkatan kualiti penulisan secara kuantitatif. Selain itu, kesan kebaharuan penggunaan ChatGPT kali pertama mungkin mempengaruhi tingkah laku.
5.4 Pandangan Boleh Tindak
Pendidik harus mengajar secara eksplisit strategi kejuruteraan prompt, seperti:
- Penguraian tugas: Pecahkan tugasan penulisan yang kompleks kepada sub-prompt yang lebih kecil.
- Penghalusan berulang: Gunakan output ChatGPT sebagai maklum balas untuk menambah baik prompt.
- Penyediaan konteks: Sertakan peranan, khalayak, dan format dalam prompt (contohnya, "Anda adalah penulis blog pelancongan yang menulis untuk remaja").
6. Butiran Teknikal & Perumusan Matematik
Kejuruteraan prompt boleh dimodelkan sebagai masalah pengoptimuman. Biarkan $P$ menjadi ruang prompt, $O$ ruang output, dan $f: P \rightarrow O$ fungsi ChatGPT. Matlamatnya adalah untuk mencari $p^*$ supaya:
$$p^* = \arg\max_{p \in P} \, \text{Relevansi}(f(p), T)$$
di mana $T$ adalah tugasan penulisan sasaran. Fungsi relevansi boleh dianggarkan oleh persamaan kosinus antara pembenaman output dan pembenaman sasaran dalam ruang semantik (contohnya, Sentence-BERT). Dalam amalan, pelajar mengemas kini $p$ secara berulang berdasarkan $f(p)$ yang diperhatikan:
$$p_{t+1} = p_t + \alpha \cdot \nabla \text{Skor}(f(p_t), T)$$
di mana $\alpha$ adalah kadar pembelajaran dan Skor adalah metrik kualiti heuristik. Ini mencerminkan kenaikan kecerunan dalam ruang terpendam, walaupun pelajar melakukannya secara intuitif.
7. Keputusan Eksperimen & Penerangan Rajah
Rajah 1: Taburan Laluan
Carta bar yang menunjukkan kekerapan setiap laluan: Laluan A (3 pelajar), Laluan B (4), Laluan C (2), Laluan D (3). Carta menunjukkan bahawa penghalusan berulang (B) adalah yang paling biasa, manakala penguraian berperancah (C) adalah yang paling jarang tetapi paling berkesan.
Rajah 2: Purata Bilangan Prompt setiap Laluan
Graf garis: Laluan A (1.0 prompt), B (4.5), C (6.0), D (8.3). Graf menunjukkan bahawa lebih banyak prompt tidak semestinya berkorelasi dengan hasil yang lebih baik; Laluan C menggunakan lebih sedikit prompt daripada D tetapi mencapai kualiti penulisan yang lebih tinggi (dinilai oleh dua guru EFL pada skala 1-5: purata C 4.2, purata D 2.8).
8. Contoh Kes Rangka Kerja Analitis
Kes: Pelajar S7 (Laluan C - Penguraian Berperancah)
- Prompt 1: "Berikan saya rangka untuk perenggan tentang perpustakaan kegemaran saya. Sertakan pengenalan, butiran deria, dan mengapa ia istimewa."
- Output ChatGPT: Menyediakan rangka 3 perkara.
- Prompt 2: "Kembangkan perkara 2 (butiran deria) menjadi 3 ayat menggunakan perkataan seperti 'bisikan', 'berdebu', 'hangat'."
- Output ChatGPT: Menjana ayat deskriptif.
- Prompt 3: "Gabungkan rangka dan ayat-ayat tersebut menjadi perenggan yang koheren. Gunakan nada formal."
- Output Akhir: Perenggan yang tersusun dengan baik mendapat skor 4.5/5.
Kes ini menunjukkan penguraian tugas yang berkesan dan kekhususan kontekstual.
9. Aplikasi & Hala Tuju Masa Depan
Penyelidikan masa depan harus meneroka:
- Bimbingan prompt automatik: Alat AI yang menyediakan maklum balas masa nyata tentang kualiti prompt (contohnya, "Prompt anda terlalu kabur. Cuba nyatakan nada.")
- Kejuruteraan prompt silang bahasa: Bagaimana strategi berbeza untuk penutur EFL berbanding penutur asli.
- Kajian longitudinal: Menjejaki bagaimana kemahiran kejuruteraan prompt pelajar berkembang dari semasa ke semasa.
- Integrasi dengan kurikulum penulisan: Membangunkan rancangan pengajaran yang mengajar kejuruteraan prompt bersama kemahiran penulisan tradisional.
10. Analisis Asal
Kajian ini memberikan sumbangan tepat pada masanya dengan memetakan secara empirik bagaimana pengguna EFL baru berinteraksi dengan ChatGPT, mendedahkan jurang kritikal antara percubaan-dan-ralat intuitif dan kejuruteraan prompt strategik. Rangka kerja empat laluan adalah alat pedagogi yang bernilai, tetapi saiz sampel yang kecil dan kekurangan kawalan untuk pendedahan AI sebelumnya mengehadkan kebolehgeneralisasiannya. Dapatan bahawa penguraian berperancah (Laluan C) menghasilkan hasil yang unggul selaras dengan teori beban kognitif (Sweller, 1988), yang menyatakan bahawa memecahkan tugas yang kompleks kepada bahagian yang lebih kecil mengurangkan beban kognitif dan meningkatkan pembelajaran. Walau bagaimanapun, kajian ini tidak menangani dimensi etika: pelajar yang bergantung pada ChatGPT untuk penjanaan idea mungkin secara tidak sengaja melakukan plagiarisme atau kehilangan suara mereka sendiri. Kerja masa depan harus mengintegrasikan latihan etika digital ke dalam kurikulum kejuruteraan prompt. Tambahan pula, perumusan matematik pengoptimuman prompt (Bahagian 6) menyediakan lensa yang ketat, tetapi kebolehgunaannya secara praktikal dalam tetapan bilik darjah masih belum disahkan. Untuk bergerak ke hadapan, pendidik harus memperlakukan kejuruteraan prompt bukan sebagai tambahan teknikal tetapi sebagai kemahiran literasi teras, sama seperti literasi enjin carian (Head & Eisenberg, 2010). Hanya dengan itu pelajar dapat memanfaatkan AI sebagai rakan kolaboratif dan bukannya sebagai tongkat.
11. Rujukan
- Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive–developmental inquiry. American Psychologist, 34(10), 906–911.
- Guo, K., Woo, D. J., & Susanto, H. (2023). Exploring EFL students' prompt engineering strategies with ChatGPT. Computers & Education: Artificial Intelligence, 5, 100156.
- Head, A. J., & Eisenberg, M. B. (2010). How today's college students use the Web for research. Project Information Literacy Progress Report.
- Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285.
- Woo, D. J., Guo, K., & Susanto, H. (2023). Cases of EFL secondary students' prompt engineering pathways to complete a writing task with ChatGPT. Journal of Educational Computing Research, 61(4), 789–812.