探究EFL学生如何利用自然语言生成工具进行创意写作构思

1. 引言

本研究旨在探究将英语作为外语（EFL）的学生如何利用自然语言生成（NLG）工具进行创意写作构思。写作是沟通和学术成功的基础技能，对EFL学习者而言尤其具有挑战性。创意写作具有独特的益处，包括个人知识建构和有意义见解的形成。人工智能驱动的NLG工具在教育领域的整合，带来了新的机遇与挑战。

本研究旨在填补一个重要空白：理解EFL学生在创意过程中如何与NLG工具互动，具体考察他们搜索、评估和选择这些工具生成构思的策略。

2. 研究方法

本研究采用定性研究设计，研究对象为香港四名中学生。参与者参加了工作坊，学习使用自己的语言和NLG生成的内容来创作故事。工作坊结束后，学生们完成了关于其体验的书面反思。

数据分析采用主题分析法，以识别学生与NLG工具互动中的模式和策略。研究重点集中在三个主要方面：搜索策略、评估方法和工具选择标准。

3. 结果与发现

4. 讨论

研究结果表明，EFL学生并非将NLG工具视为自主的构思创造者，而是将其作为协作伙伴或构思放大器。观察到的对纯AI生成内容的排斥，突显了学生在创意过程中保持能动性的重要性。这些见解对于寻求将AI工具有效整合到写作课程中的教育工作者至关重要，强调了需要制定教学策略，以教授对AI生成内容进行批判性评估和综合的能力。

本研究强调了NLG工具在降低第二语言构思认知负荷方面的潜力，可能有助于缓解写作障碍并提高参与度。

5. 技术框架与分析

核心见解：本文并非旨在构建更好的NLG模型；它是一项至关重要的人机交互（HCI）研究，揭示了教育AI中的“最后一公里问题”。真正的瓶颈并非AI生成文本的能力——像GPT-4这样的现代模型已精于此道。挑战在于用户，尤其是EFL学习者，有效提示、批判性评估并创造性整合AI输出的能力。研究表明，学生并非将NLG视为神谕，而是作为头脑风暴伙伴，偏爱那些能产生大量、低承诺度构思以供筛选的工具——这种行为类似于作家使用传统灵感板的方式。

逻辑脉络：研究逻辑合理但有限。它正确地指出了NLG能力与教学应用之间的差距。研究从观察行为（学生使用工具）推进到推断策略（引导式搜索、评估性排斥）。然而，它未能建立一个坚实的理论框架。它暗示了认知负荷理论（NLG降低第二语言构思的努力）和维果茨基的最近发展区（AI作为脚手架）等概念，但并未明确将研究发现植根于这些理论，错失了获得更深层解释力的机会。

优势与不足：优势在于其扎根的、定性的研究方法，在真实的学习情境中研究真实的学生——这在早期教育技术AI研究中是罕见的，该领域通常由技术概念验证主导。主要不足在于规模。仅有四名参与者，研究发现具有启发性，但无法推广。这是一项引人注目的试点研究，而非权威指南。此外，它将“NLG工具”视为一个整体，没有剖析基于模板的、提示驱动的或微调模型之间的差异，而这些差异会显著影响用户策略。与《CycleGAN》论文（Zhu等人，2017）等基础性工作相比，后者提出了一种具有清晰、可衡量结果的新颖技术架构，而本研究的贡献是社会学层面的，而非算法层面的。

可操作的见解：对于教育工作者：不要只是简单地将AI工具引入课堂。设计结构化的活动，教授“提示素养”——如何向AI提出富有成效的问题——以及“输出分诊”——如何批判性地评估并融合AI建议。对于开发者：为教育领域构建NLG工具时，设计支持迭代优化的界面（例如，“生成更多类似内容”、“简化语言”、“使其更暗”），并提供解释AI为何做出特定建议的元数据，超越黑箱生成。未来不在于更流畅的AI，而在于更具教学智慧的人机协作框架。

技术细节与数学表述

核心过程可以抽象化。设学生内部的构思状态表示为向量 I_s。一个NLG工具，基于提示 p，生成一组构思变体 {I_ai,1, I_ai,2, ..., I_ai,n}。学生的评估和选择函数 f_eval 作用于这些变体，通常寻求最小化距离度量 d(I_s, I_ai)，同时最大化新颖性度量 N(I_ai)。最终采纳的构思是融合的结果：I_final = g(I_s, I_ai,selected)，其中 g 是学生特定的组合函数。

研究中关于数量偏好的发现表明，学生正在优化，以提高找到满足 d(I_s, I_ai) < θ（个人阈值）的 I_ai 的概率，因此偏爱能产生更大 n 的工具。

分析框架示例案例

场景： 一名EFL学生想写一个关于“森林中迷路的机器人”的故事。

无结构化框架：
学生提示NLG：“写一个关于机器人在森林中迷路的故事。”得到一个冗长、通用的故事。学生感到不知所措或缺乏灵感，不喜欢AI的叙事口吻。

采用教学框架（基于本研究）：
1. 构思扩展： 学生提示获取组件：“生成10个描述未来主义森林的词语”和“列出迷路机器人的5种情绪状态。”（利用数量偏好）。
2. 评估与选择： 学生从列表A中选择3个词（“生物发光的”、“过度生长的”、“寂静的”），从列表B中选择2种状态（“好奇的”、“孤独的”）。（应用批判性分诊）。
3. 融合： 学生写道：“在寂静的、生物发光的森林里，机器人感到一种深深的孤独，夹杂着好奇。”（将AI输出与个人句法及叙事控制相融合）。
此框架将研究中观察到的有效行为系统化。

实验结果与图表描述

定性数据暗示了在更大规模研究中可量化的行为模式。一个假设的条形图将显示：
- Y轴： 策略使用频率。
- X轴： 策略类别：“引导式搜索（有预设构思）”、“开放式探索”、“偏爱高数量输出”、“对AI构思表示怀疑”、“融合AI与自身构思”。
- 结果： “引导式搜索”、“偏爱高数量输出”和“融合AI与自身构思”的条形将显著高于“开放式探索”，表明学生将NLG作为增强工具而非替代品所采取的主导性、实用主义方法。

主要的“结果”是源自学生反思的主题图，它揭示了寻求创意辅助与保持作者主导权之间的核心矛盾。

6. 未来应用与方向

短期（1-3年）： 为Google Docs或Word等平台开发专门的教育NLG插件，提供支架式提示（例如，“头脑风暴角色”、“用感官描述一个场景”），并与形成性评估工具集成，为人机协作撰写的文本的创造性和连贯性提供反馈。

中期（3-5年）： “自适应构思伙伴”——能够学习个体学生创意偏好、喜爱体裁和语言能力水平的AI系统，动态调整构思建议和词汇支持，充当个性化写作导师。

长期（5年以上）： 与沉浸式技术融合。利用NLG结合多模态AI，在VR/AR环境中生成动态故事世界，其中叙事根据学生的写作选择而调整，为练习叙事构建和描述性语言创造一个深度参与的反馈循环。

关键的研究方向是进行纵向研究，探讨持续使用NLG工具如何影响EFL学习者原创性思维和写作能力的发展，确保这些工具是增强而非削弱其基础技能。

7. 参考文献

1. Woo, D. J., Wang, Y., Susanto, H., & Guo, K. (2023). Understanding EFL Students’ Idea Generation Strategies for Creative Writing with NLG Tools. Manuscript in preparation.
2. Graham, S., & Perin, D. (2007). A meta-analysis of writing instruction for adolescent students. Journal of Educational Psychology, 99(3), 445–476.
3. Kaufman, J. C., & Beghetto, R. A. (2009). Beyond big and little: The four c model of creativity. Review of General Psychology, 13(1), 1–12.
4. Dawson, P. (2005). Creative Writing and the New Humanities. Routledge.
5. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV).
6. OpenAI. (2023). GPT-4 Technical Report. arXiv preprint arXiv:2303.08774.
7. Swanson, H. L., & Berninger, V. W. (1996). Individual differences in children's working memory and writing skill. Journal of Experimental Child Psychology, 63(2), 358–385. (For cognitive load theory context).