2.1. 參與者與任務
參與者係中學EFL學生，之前冇正式使用過ChatGPT呢類尖端聊天機械人嘅經驗。研究透過iPad屏幕錄影捕捉佢哋使用AI完成指定寫作任務嘅過程。呢種方法提供咗人機協作過程原始、未經篩選嘅視角。
目錄
1. 引言
ChatGPT呢類尖端（SOTA）生成式AI聊天機械人嘅出現，為語言學習同寫作支援帶來咗範式轉移。同以往基於規則嘅系統唔同，呢啲建基於Transformer等神經網絡架構嘅模型，能夠生成連貫且語境相關嘅文本。對於以英語為外語（EFL）嘅學習者嚟講，呢個係一個強大但複雜嘅工具。本研究指出嘅核心挑戰係提示工程——即係設計有效指令，從AI中引出期望輸出嘅技能。缺乏呢項技能，使用者（尤其係非技術背景嘅學生）就會陷入令人沮喪嘅試錯過程，限制咗工具嘅教學潛力。
本文研究咗中學EFL學生首次使用ChatGPT完成寫作任務時，新興嘅提示工程行為。研究超越理論討論，呈現咗實證性、定性嘅案例研究，描繪出唔同嘅使用者途徑。
2. 研究方法與數據收集
本研究採用定性案例研究方法，分析新手使用者嘅真實互動數據。
2.2. 數據分析框架
屏幕錄影被轉錄同分析，以編碼以下方面：
- 提示內容： 每個學生查詢嘅語言同指令組成部分（例如：任務描述、風格要求、限制條件）。
- 提示數量： 完成任務所用嘅提示數量。
- 互動模式： 基於AI回應嘅後續提示嘅順序同性質。
- 成果質量： AI生成嘅最終文本對於指定任務嘅適用性。
從呢個分析中，識別出四種典型嘅使用者途徑，並發展成詳細嘅案例研究。
3. 案例研究：四種提示工程途徑
分析結晶出四種截然不同嘅行為模式，代表咗提示工程熟練程度嘅一個光譜。
3.1. 途徑 A：極簡主義者
呢位學生使用嘅提示數量非常少（例如1-2個）。初始提示通常係對任務指令嘅簡單直接翻譯（例如：「寫一篇關於氣候變化嘅文章」）。佢哋對AI嘅輸出參與度極低，幾乎唔作修改就接受第一個結果。呢個途徑突顯咗一種工具即神諭嘅誤解，將AI視為提供完整最終答案嘅工具，而非協作夥伴。
3.2. 途徑 B：迭代優化者
呢位學生以線性、迭代嘅順序使用中等數量嘅提示。佢哋從一個基本提示開始，審視輸出，然後發出後續指令進行特定改進（例如：「寫長啲」、「用簡單啲嘅字」）。呢個途徑展示咗對AI指令回應性嘅初步理解，但仍處於基本嘅修訂請求框架內。
3.3. 途徑 C：結構化提問者
呢位學生採用更多提示，並使用策略性、多階段嘅方法。佢哋可能會先要求AI「就X主題為一篇文章構思三個點子」，然後選擇一個，再要求一個大綱，最後根據該大綱請求一份草稿。呢個途徑反映咗更複雜嘅元認知策略，將寫作過程分解，並喺每個階段使用AI提供結構化支援。
3.4. 途徑 D：試錯探索者
呢位學生使用大量提示，變化顯著但缺乏明顯策略。提示嘅焦點同風格急劇轉變（例如：從正式到口語化，從寬泛到狹窄），冇清晰嘅進展。呢個途徑體現咗無結構嘅實驗，係新手體驗嘅特徵，通常導致混亂同時間使用效率低下，雖然偶爾可能產生創意結果。
4. 主要發現與分析
4.1. 提示質量與數量模式
研究發現提示數量同最終輸出質量之間冇簡單嘅相關性。途徑C（結構化提問者）通常產生最適合任務嘅文本，唔一定係透過最多提示，而係透過最具策略性同高質量嘅提示。質量由具體性、語境提供同任務分解程度定義。一個精心設計嘅提示（例如：「為校刊寫一篇300字嘅說服性文章，主張校園增設更多回收箱，使用兩個統計數據同一個行動呼籲」）可以勝過十幾個模糊嘅提示。
互動摘要
途徑C（結構化） 持續獲得獨立評估員最高評分嘅最終草稿，儘管唔一定使用最多輪對話。途徑D（試錯） 嘅成果質量差異最大。
4.2. AI素養嘅角色
呢啲途徑鮮明地展示咗唔同層次嘅隱性AI素養。途徑A同D嘅學生缺乏對ChatGPT如何處理請求嘅功能性心智模型。相反，途徑B同C嘅學生展示咗對AI作為一個隨機性、遵循指令嘅系統嘅初步理解。佢哋直覺地掌握到，更清晰、更有結構嘅輸入會帶來更可預測同有用嘅輸出。呢個發現直接支持咗像國際教育科技協會（ISTE）等組織嘅呼籲，即將AI素養基礎知識融入K-12課程。
5. 技術框架與分析
理解呢啲途徑需要一個技術視角。ChatGPT同類似模型基於Transformer架構，本質上係下一個詞元預測器。給定輸入提示$P$，生成特定輸出序列$O$嘅概率建模為： $$P(O|P) = \prod_{t=1}^{|O|} P(o_t | P, o_1, ..., o_{t-1})$$ 其中$o_t$係位置$t$嘅詞元。學生嘅提示$P$為輸出設定咗初始語境同概率分佈。
分析框架示例： 我哋可以將學生嘅提示工程會話建模為一個狀態機。令狀態（S）為對話嘅當前語境窗口（最後$k$個詞元）。動作（A）係學生嘅下一個提示。獎勵（R）係AI回應嘅感知有用性（例如：1-5分嘅主觀評分）。學生嘅目標係學習一個策略$\pi$，將狀態映射到動作，以最大化累積獎勵。呢四種途徑代表咗人類使用者面對呢個強化學習問題時，唔同（通常係次優）嘅探索策略。
圖表描述： 一個概念圖表會將提示具體性（X軸）對比任務分解程度（Y軸）。途徑A（極簡主義者）會聚集喺低-低象限。途徑D（試錯探索者）會喺圖表上顯示一個分散嘅雲點。途徑B（迭代優化者）會顯示向右嘅水平移動（增加具體性）。途徑C（結構化提問者）會佔據高-高象限，展示其提示中嘅高具體性同高任務分解使用率。
6. 教育啟示與未來方向
核心啟示： 任由學生透過試錯去發現提示工程，喺教學上係低效同唔公平嘅。佢有利於自然發展出策略性思維（途徑C）嘅學生，而對其他學生不利。
可行策略： 必須將明確、有支架嘅提示工程教學融入EFL寫作教學法。包括：
- 教授「角色-目標-格式-限制」提示框架。
- 示範迭代優化（例如：策略性使用ChatGPT嘅「重新生成」或「繼續」功能）。
- 批判性評估AI輸出嘅偏見、準確性同風格。
未來研究與發展：
- 自適應學習介面： 未來嘅AI寫作助手可以檢測使用者嘅途徑（例如：檢測到極簡提示），並提供情境提示或教程，引導佢哋走向更有效嘅策略。
- 提示庫與模板： 為常見嘅EFL寫作任務（例如：「比較與對比文章生成器」）開發精選、適合程度嘅提示模板。
- 縱向研究： 追蹤學生嘅提示工程途徑如何隨教學同經驗而演變。
- 跨語言與文化研究： 調查提示工程策略喺唔同語言同教育文化中係咪存在顯著差異。
7. 參考文獻
- 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. 分析師觀點：解構人機寫作之舞
核心洞見： 呢項研究其實唔係關於ChatGPT；佢係對人機反饋循環中未做好準備嘅人類嘅一個鮮明揭示。工具嘅能力遠遠超過使用者引導佢嘅能力。呢四種途徑唔單止係行為；佢哋係一種新形式數碼文盲嘅診斷標記。真正嘅產品缺口唔係一個更好嘅LLM，而係一個更好嘅人機介面層，能夠實時教授互動策略。
邏輯流程： 本文正確地識別咗問題（試錯係默認狀態），並透過途徑分類法提供咗優雅嘅實證證據。佢作出嘅邏輯飛躍——呢點好關鍵——係呢啲新手行為唔係一個暫時階段。如果冇干預，極簡主義者同試錯探索者途徑可能會固化為永久、次優嘅使用模式，鞏固一種權力不對稱，令使用者被工具嘅默認設定牽引，而非主導工具。呢點同人機互動研究中更廣泛嘅關注點一致，例如關於高度輔助系統中「自動化偏見」同「技能衰退」嘅討論。
優點與不足： 優點在於其紮根、觀察性嘅研究方法。屏幕錄影唔會說謊。主要不足（文中隱含承認）係規模問題。從有限樣本得出嘅四種途徑係引人注目嘅原型，唔係確定性嘅類別。研究亦迴避咗房間裡嘅大象：評估。如果一個極簡主義者用AI生成嘅文章從工作繁重嘅老師嗰度得到合格分數，佢有乜嘢動力去學習提示工程？本文嘅教育建議依賴於一個重視過程多於成果嘅系統，而目前大多數教育評估框架都唔係咁樣。
可行見解： 對於教育科技投資者同開發者，結論好清晰：下一波價值創造在於提示工程支架。想像一下提示嘅Grammarly——一個覆蓋層，分析學生最初模糊嘅指令並建議：「試下加返目標受眾同字數要求。撳呢度睇例子。」對於學校管理層，任務係資助專業發展，唔單止係使用AI，仲要教授與AI互動嘅教學法。呢項研究提供咗完美證據去爭取呢筆預算。最後，對於研究人員，途徑框架係一個可複製嘅視角。將佢應用於專業人士使用AI進行編程（GitHub Copilot）、設計或法律研究。我預測你會發現同樣嘅四種原型，證明呢個係一個基本嘅人機互動挑戰，唔單止係EFL問題。