1. 引言
寫作係溝通同學術成功嘅基本技能。對於以英語為外語（EFL）嘅學生嚟講，創意寫作帶嚟獨特挑戰，尤其係喺構思階段。本研究探討人工智能（AI），特別係自然語言生成（NLG）工具，同EFL教學法嘅交集。NLG涉及電腦系統根據結構化數據或提示生成類人文本。研究問題圍繞EFL學生點樣策略性地運用NLG工具，為創意寫作任務生成、評估同選擇構思，呢個過程對語言學習者嚟講至關重要，但往往令佢哋感到吃力。
2. 研究方法
本研究採用質性個案研究方法，深入瞭解學生嘅策略。
2.1 參與者同工作坊設計
四位來自香港嘅中學生參與咗結構化工作坊。佢哋認識咗多種NLG工具（例如基於GPT-3等模型嘅工具），並獲指派任務，要撰寫融合自己文字同呢啲AI系統生成文本嘅短篇故事。工作坊設計促進咗實踐經驗同後續反思。
2.2 數據收集與分析
主要數據包括學生喺工作坊後嘅書面反思，佢哋喺入面回答咗關於其體驗嘅引導性問題。對呢啲質性數據應用主題分析，以識別有關使用NLG工具進行構思嘅重複模式、策略同態度。
3. 結果與發現
分析揭示咗EFL學生運用NLG進行創意寫作嘅幾個關鍵模式。
3.1 運用NLG工具嘅構思搜尋策略
學生並非以一片空白嘅狀態去接觸NLG工具。佢哋通常帶住已有嘅構思或主題方向進入互動。NLG工具隨後被用作擴展、完善或探索相關概念嘅催化劑，而唔係內容嘅唯一來源。
3.2 對NLG生成構思嘅評估
一個值得注意嘅發現係，學生對純粹由NLG工具產生嘅構思有明顯嘅厭惡或懷疑態度。學生會批判性地評估AI生成內容嘅相關性、原創性以及同佢哋預期敘事嘅連貫性，通常傾向於大幅修改或僅將其用作靈感，而非直接採用。
3.3 NLG工具嘅選擇
喺唔同NLG工具或提示之間進行選擇時，學生表現出偏好能夠產生更多輸出選項嘅工具。呢種「數量優先於初始質量」嘅方法為佢哋提供咗更廣泛嘅原材料集，從中策劃同綜合構思。
4. 討論與啟示
本研究強調咗學生使用AI寫作助手時所扮演嘅複雜、非被動角色。
4.1 教學啟示
研究結果表明，教育工作者應將NLG工具定位為學生創造力嘅「構思夥伴」，而非替代品。教學應側重於批判性評估技能、提示策略同綜合技巧，以有效融合人機生成內容。
4.2 研究限制與未來方向
細樣本量限制咗研究結果嘅普遍性。未來研究應涉及更大、更多元化嘅EFL學習者群體，並進行縱向研究，以觀察策略如何隨着接觸增多同技能提升而演變。
5. 技術分析與框架
核心洞察： 本文並非關於構建更好嘅NLG模型；而係一項關鍵嘅人機交互（HCI）研究，揭示咗AI輔助創造力中嘅「最後一哩問題」。真正嘅瓶頸並非AI生成文本嘅能力——現代Transformer模型如GPT-4已精於此道——而在於用戶策略性運用該能力嘅技巧。研究顯示，EFL學生本能地將NLG輸出視為低保真度嘅原材料，而非最終成品，呢種係一種複雜而正確嘅方法，但往往喺AI工具嘅市場推廣中缺失。
邏輯流程： 研究邏輯合理：觀察行為（工作坊）→ 捕捉理據（反思）→ 識別模式（主題分析）。佢正確地避開咗孤立衡量輸出「質量」嘅陷阱，轉而聚焦於過程（搜尋、評估、選擇）。呢點符合教育設計研究嘅最佳實踐，即喺提出解決方案之前，理解用戶旅程至關重要。
優點與不足： 其優點在於紮根於質性研究，聚焦於一個特定且服務不足嘅用戶群體（EFL學生）。其不足在於規模。N=4，佢係一個引人注目嘅個案研究，但並非決定性。佢錯失咗量化行為嘅機會——例如，NLG輸出通常有幾多百分比被使用？會進行幾多次提示迭代？將策略同基線（無AI輔助寫作）進行比較，本可以加強關於NLG影響嘅論點。研究亦未深入探討所用NLG工具嘅技術細節，呢個係一個錯失嘅機會。模型嘅選擇（例如，一個1750億參數模型對比一個60億參數模型）會顯著影響輸出質量同用戶體驗。正如Brown等人（2020）喺原始GPT-3論文中所指出，模型規模直接影響少樣本學習中嘅連貫性同創造力，呢點同本研究嘅情境高度相關。
可行建議： 對於教育科技開發者：構建支持策展而不僅僅係生成嘅工具。構思「構思管理儀表板」，具備為NLG輸出添加標籤、聚類同合併嘅功能。對於教育工作者：設計將「提示工程」作為核心素養技能教授嘅作業。超越「使用工具」，邁向「審視工具」。對於研究人員：下一步係為NLG輔助構思開發一個正式框架。我哋需要一個學生策略嘅分類法，或許可以視覺化為決策樹或一組啟發式規則。一個潛在嘅分析模型可以將學生使用或修改AI生成構思 $I_{AI}$ 嘅決定，基於其感知效用 $U$、與自身心智模型 $M$ 嘅一致性，以及整合嘅認知成本 $C$ 進行形式化表達：$P(\text{使用 } I_{AI}) = f(U(I_{AI}, M), C(I_{AI}))$。此外，將AI視為「協作者」而非工具嘅概念，呼應咗其他領域人機協作研究嘅發現，例如Amershi等人（2019）關於人機交互指南嘅研究，該研究強調「共享控制」同「情境完整性」等原則。
分析框架示例（非代碼）： 考慮一個學生撰寫關於「森林中迷失嘅機械人」嘅故事。從本研究衍生出嘅框架可能會引導佢哋經歷一個結構化嘅構思循環：
- 種子： 從你嘅核心構思開始（迷失嘅機械人）。
- 提示與生成： 使用NLG配合特定提示（例如，「生成機械人面臨嘅5個情感挑戰」，「列出佢遇到嘅3種奇特森林生物」）。
- 評估與篩選： 批判性評估每個生成項目。佢符合故事基調嗎？有原創性嗎？將佢哋標記為「使用」、「改編」或「棄用」。
- 綜合： 將最佳嘅AI生成構思同你嘅原始情節結合，解決矛盾之處。
- 迭代： 使用新嘅綜合結果，為下一個故事元素創建更精煉嘅提示（例如，「而家根據選定嘅挑戰，生成機械人同一隻憤世嫉俗嘅松鼠之間嘅對話」）。
實驗結果與圖表描述： 雖然原始研究呈現咗質性主題，但可以想像一項後續研究量化呢啲行為。一個假設嘅柱狀圖可以顯示：「每個故事元素評估嘅NLG輸出平均數量」。X軸會列出故事元素（角色、場景、衝突、解決方案），Y軸會顯示數量。我哋可能會喺「角色」同「場景」上見到較高數字，表明學生最常用NLG嚟頭腦風暴基礎元素。另一張圖可以係一個堆疊柱狀圖，顯示「NLG生成構思嘅處置方式」，分段為「直接使用」、「大幅修改」同「棄用」，揭示由厭惡發現所暗示嘅高修改率。
6. 未來應用與方向
呢度嘅發展軌跡指向高度個性化、自適應嘅寫作助手。未來用於教育嘅NLG工具可以：
- 根據熟練程度提供支架： 根據學習者嘅語言水平（CEFR A1-C2）調整輸出複雜性同指導。
- 融入多模態構思： 不僅生成文本，仲生成情緒板、角色圖像或情節圖，以刺激唔同嘅認知途徑。
- 元認知反饋： 分析學生嘅提示同選擇模式，提供類似以下嘅反饋：「你傾向棄用同內心衝突相關嘅構思。嘗試探索關於角色恐懼嘅提示。」
- 跨語言構思： 對於EFL學習者，允許以其母語進行構思生成，並提供無縫翻譯同改編支持，降低用外語構思嘅認知負荷。
- 與學習分析整合： 正如史丹福大學教育學院等機構喺其關於教育中AI嘅工作中所提出，呢啲工具可以將數據輸入儀表板，幫助教師識別喺創意構思特定方面遇到困難嘅學生。
7. 參考文獻
- 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. [期刊名稱].