1. 引言
写作是沟通和学术成功的基本技能。对于英语作为外语（EFL）的学生而言，创意写作带来了独特的挑战，尤其是在构思阶段。本研究探讨了人工智能（AI），特别是自然语言生成（NLG）工具与EFL教学法的交叉点。NLG涉及计算机系统根据结构化数据或提示生成类人文本。研究的核心问题是EFL学生如何策略性地与NLG工具互动，为创意写作任务生成、评估和选择构思，这一过程对语言学习者至关重要，但也常常令人生畏。
2. 研究方法
本研究采用定性案例研究方法，以深入了解学生的策略。
2.1 参与者与工作坊设计
四名来自香港的中学生参与了结构化工作坊。他们被介绍了各种NLG工具（例如，基于GPT-3等模型的工具），并承担了撰写短篇故事的任务，这些故事需要将他们自己的文字与这些AI系统生成的文本相结合。工作坊的设计促进了实践体验和后续反思。
2.2 数据收集与分析
主要数据包括学生在工作坊后撰写的书面反思，他们回答了关于其体验的引导性问题。对这些定性数据应用了主题分析，以识别关于使用NLG工具进行构思的重复模式、策略和态度。
3. 结果与发现
分析揭示了EFL学生使用NLG进行创意写作的几个关键模式。
3.1 使用NLG工具的构思搜索策略
学生并非带着一片空白去接触NLG工具。他们通常带着已有的想法或主题方向进入互动。NLG工具随后被用作扩展、完善或探索相关概念的催化剂，而非内容的唯一来源。
3.2 对NLG生成构思的评估
一个值得注意的发现是，学生对完全由NLG工具产生的想法表现出明显的厌恶或怀疑态度。他们批判性地评估AI生成内容的相关性、原创性以及与预期叙事的一致性，通常更倾向于大幅修改或仅将其作为灵感来源，而非直接采用。
3.3 NLG工具的选择
在选择不同的NLG工具或提示时，学生表现出对能产生更多输出选项的工具的偏好。这种“数量优于初始质量”的方法为他们提供了更广泛的原始材料集，以便从中筛选和综合构思。
4. 讨论与启示
本研究强调了学生在使用AI写作助手时所扮演的复杂、非被动的角色。
4.1 教学启示
研究结果表明，教育者应将NLG工具定位为学生创造力的“构思伙伴”，而非替代品。教学应侧重于批判性评估技能、提示策略和综合技巧，以有效融合人机生成的内容。
4.2 局限性与未来研究
小样本量限制了研究的普适性。未来的研究应涉及规模更大、更多样化的EFL学习者群体，并进行纵向研究，以观察策略如何随着接触和技能的增加而演变。
5. 技术分析与框架
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AI辅助创造力中的“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Transformer模型已精于此道——而是用户策略性利用这种能力的能力。研究表明，EFL学生本能地将NLG输出视为低保真度的原始材料，而非最终成品，这是一种复杂且正确的做法，而这在AI工具的市场宣传中常常缺失。
逻辑脉络：研究逻辑合理：观察行为（工作坊）→ 捕捉原理（反思）→ 识别模式（主题分析）。它正确地避开了孤立衡量输出“质量”的陷阱，转而聚焦于过程（搜索、评估、选择）。这与教育设计研究的最佳实践相符，即在提出解决方案之前，理解用户的旅程至关重要。
优势与不足：其优势在于对特定、服务不足的用户群体（EFL学生）进行了扎实的定性聚焦。其不足在于规模。N=4使其成为一个引人注目的案例研究，但并非定论。它错过了量化行为的机会——例如，NLG输出通常有多大比例被使用？提示迭代发生了多少次？将策略与基线（不使用AI的写作）进行比较本可以强化关于NLG影响的论断。该研究也未深入探讨所用NLG工具的技术细节，这是一个错失的机会。模型的选择（例如，1750亿参数模型与60亿参数模型）会显著影响输出质量和用户体验。正如Brown等人（2020）在原始GPT-3论文中指出的，模型规模直接影响小样本学习中的连贯性和创造性，这与本研究背景高度相关。
可操作的见解：对于教育科技开发者：构建支持筛选而不仅仅是生成的工具。设想“构思管理面板”，为NLG输出提供标记、聚类和合并功能。对于教育者：设计将“提示工程”作为核心素养技能来教授的任务。超越“使用工具”，走向“审问工具”。对于研究者：下一步是开发一个形式化的NLG辅助构思框架。我们需要一个学生策略的分类法，或许可以可视化为决策树或一组启发式规则。一个潜在的分析模型可以基于AI生成构思 $I_{AI}$ 的感知效用 $U$、与其自身心智模型 $M$ 的一致性以及整合的认知成本 $C$ 来形式化学生决定使用或修改该构思的行为：$P(\text{使用 } I_{AI}) = f(U(I_{AI}, M), C(I_{AI}))$。此外，将AI视为“协作者”而非工具的概念，呼应了其他领域人机协作研究的发现，例如Amershi等人（2019）关于人机交互指南的工作，该工作强调了“共享控制”和“情境完整性”等原则。
分析框架示例（非代码）：假设一名学生正在写一个关于“森林中迷路的机器人”的故事。从本研究中得出的框架可能会引导他们经历一个结构化的构思循环：
- 种子：从你的核心想法（迷路的机器人）开始。
- 提示与生成：使用NLG并配合具体提示（例如，“生成机器人面临的5个情感挑战”，“列出它遇到的3种不寻常的森林生物”）。
- 评估与筛选：批判性地评估每个生成的条目。它符合故事基调吗？它有原创性吗？将它们标记为“使用”、“改编”或“丢弃”。
- 综合：将最佳的AI生成构思与你原有的情节相结合，解决矛盾之处。
- 迭代：使用新的综合结果，为下一个故事元素创建更精细的提示（例如，“现在基于选定的挑战，生成机器人与一只愤世嫉俗的松鼠之间的对话”）。
实验结果与图表描述：虽然原始研究呈现了定性主题，但可以设想一项后续研究对这些行为进行量化。一个假设的条形图可以显示：“每个故事元素评估的NLG输出平均数量”。x轴将列出故事元素（角色、场景、冲突、结局），y轴将显示数量。我们可能会看到“角色”和“场景”的数量很高，表明学生最常使用NLG来头脑风暴基础元素。另一个图表可以是一个堆叠条形图，显示“NLG生成构思的处理方式”，分段为“直接使用”、“大幅修改”和“丢弃”，揭示出由厌恶发现所暗示的高修改率。
6. 未来应用与方向
此处的轨迹指向高度个性化、自适应的写作助手。未来用于教育的NLG工具可以：
- 基于熟练度提供支架：根据学习者的语言水平（CEFR A1-C2）调整输出复杂度和指导。
- 融入多模态构思：不仅生成文本，还生成情绪板、角色图像或情节图，以刺激不同的认知路径。
- 元认知反馈：分析学生的提示和选择模式，提供诸如“你倾向于丢弃与内心冲突相关的想法。尝试探索关于角色恐惧的提示。”之类的反馈。
- 跨语言构思：对于EFL学习者，允许用其母语进行构思生成，并提供无缝翻译和适配支持，降低用外语构思的认知负荷。
- 与学习分析整合：正如斯坦福大学教育学院等机构在其关于教育中AI的工作中所提出的，这些工具可以将数据输入仪表板，帮助教师识别在创意构思特定方面遇到困难的学生。
7. 参考文献
- Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., ... & Amodei, D. (2020). Language models are few-shot learners. Advances in neural information processing systems, 33, 1877-1901.
- Amershi, S., Weld, D., Vorvoreanu, M., Fourney, A., Nushi, B., Collisson, P., ... & Horvitz, E. (2019). Guidelines for human-AI interaction. Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, 1-13.
- Graham, S., & Perin, D. (2007). A meta-analysis of writing instruction for adolescent students. Journal of Educational Psychology, 99(3), 445.
- 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.
- Dawson, P. (2005). Creative writing and the new humanities. Routledge.
- Woo, D. J., Wang, Y., Susanto, H., & Guo, K. (2023). Understanding EFL Students’ Idea Generation Strategies for Creative Writing with NLG Tools. [期刊名称].