2.1. 参与者与任务
参与者为中学生EFL学习者，此前没有正式使用ChatGPT等尖端聊天机器人的经验。研究通过iPad屏幕录制捕捉了他们与AI交互以完成指定写作任务的过程。这种方法提供了人机协作过程原始、未经修饰的视角。
目录
1. 引言
以ChatGPT为代表的尖端生成式AI聊天机器人的出现，为语言学习和写作支持带来了范式转变。与基于规则的早期工具不同，这些基于Transformer等神经网络架构构建的模型能够生成连贯且符合语境的文本。对于英语作为外语的学习者而言，这提供了一个强大但复杂的工具。本研究确定的核心挑战是提示工程——即设计有效指令以从AI中引出期望输出的技能。缺乏这项技能，用户（尤其是非技术背景的学生）将陷入令人沮丧的试错过程，从而限制了该工具的教学潜力。
本文调查了中学生EFL学习者首次使用ChatGPT完成写作任务时，其初期的提示工程行为。研究超越了理论探讨，通过实证性的定性案例研究，描绘了不同的用户交互路径。
2. 研究方法与数据收集
本研究采用定性案例研究方法，分析新手用户的真实交互数据。
2.2. 数据分析框架
对屏幕录制内容进行转录和分析，编码内容包括：
- 提示内容：每个学生查询的语言和指令组成部分（例如，任务描述、风格要求、约束条件）。
- 提示数量：完成任务所使用的提示数量。
- 交互模式：基于AI响应的后续提示的顺序和性质。
- 结果质量：最终AI生成文本对于指定任务的适用性。
基于此分析，识别出四种典型的用户路径，并发展为详细的案例研究。
3. 案例研究：四种提示工程路径
分析提炼出四种不同的行为模式，代表了提示工程熟练度的不同层次。
3.1. 路径A：极简主义者
这类学生使用的提示数量极少（例如1-2个）。初始提示通常是任务指令的简单直译（例如，“写一篇关于气候变化的文章”）。他们对AI的输出参与度极低，几乎不加修改地接受第一个结果。这条路径突显了一种工具即神谕的误解，即认为AI提供的是完整、最终的答案，而非协作伙伴。
3.2. 路径B：迭代优化者
这类学生使用中等数量的提示，呈线性、迭代的序列。他们从一个基本提示开始，审阅输出，然后发出后续指令以进行具体改进（例如，“写长一点”，“用更简单的词”）。这条路径表明了对AI响应指令的初步理解，但仍停留在基本的修订请求框架内。
3.3. 路径C：结构化询问者
这类学生使用更多数量的提示，并采取策略性的多阶段方法。他们可能首先要求AI“就X主题为文章构思三个想法”，然后选择一个，接着要求大纲，最后基于该大纲请求草稿。这条路径反映了一种更复杂的元认知策略，将写作过程分解，并在每个阶段利用AI提供结构化支持。
3.4. 路径D：试错探索者
这类学生使用大量提示，变化显著但缺乏明显策略。提示的重点和风格发生剧烈变化（例如，从正式到口语化，从宽泛到具体），没有清晰的进展。这条路径体现了新手体验中典型的非结构化实验，常常导致困惑和时间利用效率低下，尽管偶尔可能产生创造性结果。
4. 主要发现与分析
4.1. 提示质量与数量模式
研究发现，提示数量与最终输出质量之间没有简单的相关性。路径C（结构化询问者）通常能产生最符合任务要求的文本，这并非必然通过最多的提示实现，而是通过最具策略性和高质量的提示。质量由具体性、语境提供和任务分解程度来定义。一个精心设计的提示（例如，“为校刊写一篇300字的议论文，主张在校园内增设更多回收箱，使用两个统计数据和一个行动号召”）可能胜过十几个模糊的提示。
交互摘要
路径C（结构化） 产出的最终草稿经独立评估者评定始终得分最高，尽管其交互轮数并非总是最多。路径D（试错） 的结果质量方差最大。
4.2. AI素养的作用
这些路径鲜明地展示了不同层次的隐性AI素养。路径A和D的学生缺乏关于ChatGPT如何处理请求的功能性心智模型。相比之下，路径B和C的学生表现出对AI作为随机的、遵循指令的系统的初步理解。他们直觉地认识到，更清晰、更结构化的输入会带来更可预测和有用的输出。这一发现直接支持了如国际教育技术协会等组织提出的将AI素养基础知识融入K-12课程的呼吁。
5. 技术框架与分析
理解这些路径需要技术视角。ChatGPT及类似模型基于Transformer架构，本质上是下一个词元预测器。给定输入提示 $P$，生成特定输出序列 $O$ 的概率建模为： $$P(O|P) = \prod_{t=1}^{|O|} P(o_t | P, o_1, ..., o_{t-1})$$ 其中 $o_t$ 是位置 $t$ 的词元。学生的提示 $P$ 为输出设定了初始语境和概率分布。
分析框架示例： 我们可以将学生的提示工程会话建模为一个状态机。令状态 (S) 为对话的当前上下文窗口（最后 $k$ 个词元）。动作 (A) 是学生的下一个提示。奖励 (R) 是AI响应的感知有用性（例如，1-5分的主观评分）。学生的目标是学习一个策略 $\pi$，将状态映射到动作，以最大化累积奖励。这四种路径代表了人类用户面对这个强化学习问题时，所采取的不同且通常是次优的探索策略。
图表描述： 一个概念性图表将以提示具体性（X轴）对比任务分解度（Y轴）。路径A（极简主义者）将聚集在低-低象限。路径D（试错探索者）将在图表上呈现分散的点云。路径B（迭代优化者）将显示向右的水平移动（具体性增加）。路径C（结构化询问者）将占据高-高象限，表明其提示既具有高具体性，又高度运用了任务分解。
6. 教育启示与未来方向
核心启示： 让学生通过试错自行发现提示工程，在教学上是低效且不公平的。这有利于天生具备策略性思维（路径C）的学生，而使其他学生处于劣势。
可操作策略： 必须将明确、有支架的提示工程教学整合到EFL写作教学中。这包括：
- 教授“角色-目标-格式-约束”提示框架。
- 演示迭代优化（例如，策略性地使用ChatGPT的“重新生成”或“继续”功能）。
- 批判性地评估AI输出的偏见、准确性和风格。
未来研究与开发：
- 自适应学习界面： 未来的AI写作助手可以检测用户的路径（例如，检测到极简提示），并提供情境提示或教程，引导他们采用更有效的策略。
- 提示库与模板： 为常见的EFL写作任务开发精选的、适合水平的提示模板（例如，“比较与对比文章生成器”）。
- 纵向研究： 追踪学生的提示工程路径如何随着教学和经验而演变。
- 跨语言与文化研究： 调查提示工程策略在不同语言和教育文化中是否存在显著差异。
7. 参考文献
- Woo, D. J., Guo, K., & Susanto, H. (2023). Cases of EFL Secondary Students’ Prompt Engineering Pathways to Complete a Writing Task with ChatGPT. Manuscript in preparation.
- Caldarini, G., Jaf, S., & McGarry, K. (2022). A Literature Survey of Recent Advances in Chatbots. Information, 13(1), 41.
- Long, D., & Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–16.
- Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NIPS 2017).
- International Society for Technology in Education (ISTE). (2023). AI Explorations for Educators. Retrieved from iste.org.
- Zhao, W. X., et al. (2023). A Survey of Large Language Models. arXiv preprint arXiv:2303.18223.
8. 分析师视角：解构人机协作的写作之舞
核心洞见： 这项研究并非真正关于ChatGPT；它是对人机反馈循环中未做好准备的人类的鲜明揭示。该工具的能力远超用户引导它的能力。这四种路径不仅仅是行为；它们是一种新型数字素养缺失的诊断标志。真正的产品差距不在于更好的大语言模型，而在于一个更好的人机交互界面层，能够实时教授交互策略。
逻辑脉络： 本文正确地识别了问题（试错是默认模式），并通过路径分类法提供了优雅的实证证据。它做出的逻辑飞跃——这一点至关重要——在于这些新手行为并非一个短暂阶段。若无干预，“极简主义者”和“试错探索者”路径可能固化为永久性的、次优的使用模式，强化一种权力不对称，即用户被工具的默认设置所引导，而非主导工具。这与HCI研究中更广泛的关切相符，例如关于高度辅助系统中“自动化偏见”和“技能衰退”的讨论。
优势与不足： 其优势在于其扎根的、观察性的研究方法。屏幕录制不会说谎。主要的不足（文中已隐含承认）是规模问题。从有限样本中得出的四种路径是引人注目的原型，而非确定的类别。该研究也回避了房间里的大象：评估。如果一个“极简主义者”使用AI生成的文章从工作繁重的老师那里获得了及格分数，他们还有什么动力去学习提示工程？本文的教育建议依赖于一个重视过程而非结果的系统，而当前大多数教育评估框架并非如此。
可操作的见解： 对于教育科技投资者和开发者而言，结论很明确：下一波价值创造在于提示工程支架。想象一下提示的“Grammarly”——一个覆盖层，分析学生初始的模糊指令并建议：“尝试添加目标受众和字数要求。点击此处查看示例。”对于学校管理者而言，任务是资助专业发展，不仅限于使用AI，还包括教授与AI交互的教学法。本研究为争取这项预算提供了完美的证据。最后，对于研究者而言，路径框架是一个可复制的视角。将其应用于专业人士使用AI进行编码（GitHub Copilot）、设计或法律研究。我预测你会发现同样的四种原型，证明这是一个根本性的人机交互挑战，而不仅仅是EFL领域的问题。