案例研究：EFL中学生使用ChatGPT完成写作任务的提示工程路径

1. 引言

以ChatGPT为代表的尖端生成式人工智能聊天机器人的出现，为教育领域，特别是语言学习，带来了机遇与挑战。本文研究了英语作为外语的中学生，作为新手用户，如何运用提示工程——即为人AI工智能设计指令的技能——来完成一项写作任务。核心问题在于，与ChatGPT进行有效协作并非直觉性的；它需要一种习得的技能，而许多学生缺乏这种技能，导致低效的试错过程。本研究旨在描绘学生采取的不同路径，分析其提示词的内容、质量及演变过程，从而为将人工智能素养融入EFL写作课堂的教学策略提供参考。

2. 研究方法

本研究采用定性案例研究方法。数据收集自香港中学生首次使用ChatGPT及类似尖端聊天机器人完成一项标准化写作任务时的iPad屏幕录像。分析重点在于详细检查学生生成的提示词、其序列（路径）以及相应的人工智能输出。研究根据交互模式、提示词复杂度和策略方法，识别出四种不同的典型路径。

3. 案例研究：四种提示工程路径

分析揭示了四种主要的交互模式，代表了不同层次的参与度和策略性思维。

4. 结果与分析

5. 讨论：对人工智能素养教育的启示

本研究强调，有效使用ChatGPT是一种习得的技能，而非与生俱来的能力。新手普遍采用极简主义和低效的迭代路径，这表明当前教育存在一个关键缺口。作者主张将明确的提示工程教育纳入EFL课程体系。这将使学生超越试错阶段，掌握制定清晰指令、分配角色、指定格式以及迭代优化输出的框架——从而将人工智能从一个“黑箱”预言机转变为一个协作工具。

6. 技术框架与分析

从技术角度看，提示工程与底层语言模型的概率函数相互作用。一个精心设计的提示词 $P$ 引导模型 $M$ 在给定上下文 $C$ 下，从其输出分布 $D$ 中采样一个更受约束且更理想的区域。该过程可以抽象地表示为最大化期望输出序列 $O$ 的条件概率：

$O^* = \arg\max_{O} P(O | C, P, M)$

其中，模糊的提示词会增加 $D$ 的熵，导致通用输出；而带有约束（角色、格式、风格）的具体提示词会降低熵，引导 $M$ 朝向更具针对性的 $O^*$。学生的路径有效地代表了通过自然语言指令操纵这种条件概率的不同策略。

分析框架示例

场景： 一名学生希望ChatGPT帮助写一段关于回收利用的说服性段落。

• 弱提示词（高熵）： “写关于回收利用。”
  分析： 模型受到的约束极小，很可能生成一个宽泛的、百科全书式的概述。
• 强提示词（低熵）： “扮演一位环保倡导者。写一段针对青少年的、说服他们回收塑料瓶的80词说服性段落。使用直接且紧迫的语气，并包含一个统计数据。”
  分析： 此提示词明确了角色（倡导者）、受众（青少年）、目标（说服）、内容焦点（塑料瓶）、长度（80词）、语气（直接、紧迫）和元素（统计数据）。它极大地缩小了模型的输出分布。

7. 未来应用与研究展望

研究结果为未来的工作开辟了若干方向：

• 自适应提示辅导系统： 开发能够分析学生提示词并提供实时改进反馈（例如，“尝试指定你的受众”）的人工智能辅导系统。
• 纵向研究： 追踪学生在有或没有正式指导的情况下，其提示工程技能如何随时间演变。
• 跨文化与语言比较： 调查不同语言和文化教育背景下，提示工程策略是否存在差异。
• 与写作教学法的整合： 研究如何将提示工程框架融入现有的写作过程模型（预写、起草、修改）。
• 伦理与批判性维度： 将人工智能素养从效率层面扩展到包括对人工智能输出的批判性评估、偏见检测和伦理使用。

8. 参考文献

1. 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.
2. Caldarini, G., Jaf, S., & McGarry, K. (2022). A Literature Survey of Recent Advances in Chatbots. Information, 13(1), 41.
3. 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.
4. OpenAI. (2023). GPT-4 Technical Report. arXiv preprint arXiv:2303.08774.
5. Zhao, W. X., et al. (2023). A Survey of Large Language Models. arXiv preprint arXiv:2303.18223.
6. The Stanford Center for AI Safety. (n.d.). AI Literacy. Retrieved from https://aisafety.stanford.edu/ai-literacy