目錄
1. 引言
ChatGPT，一個最先進嘅生成式AI聊天機械人，因為有潛力改變教育，特別係英文作為外語寫作，而大受歡迎。不過，要同ChatGPT有效合作，學生需要掌握提示工程——即係精準設計指令嚟得到想要嘅輸出嘅技巧。呢篇論文探討EFL中學生第一次用ChatGPT完成寫作任務時，佢哋提示嘅內容同模式。透過四個唔同路徑嘅案例分析，作者展示咗學生經歷嘅試錯過程，並強調喺EFL課堂入面需要有明確嘅提示工程教育。
2. 文獻回顧
2.1 教育領域嘅提示工程
提示工程係一個關鍵嘅AI素養技能（Long & Magerko, 2020）。非技術用戶成日喺設計有效提示方面遇到困難，導致試錯循環。研究顯示，結構化指導可以改善提示質量同輸出相關性（Zamfirescu-Pereira et al., 2023）。
2.2 用聊天機械人寫作英文作為外語
好似ChatGPT呢類聊天機械人可以支援EFL寫作，提供即時反饋、諗橋同示範語言結構。不過，學生要學識反覆改良提示，令佢哋符合任務目標（Guo et al., 2023）。
3. 研究方法
3.1 參與者同環境
參與者係20位香港中學嘅EFL學生，年齡14至16歲，英文程度中等。佢哋第一次用iPad嘅ChatGPT嚟完成一篇300字嘅議論文。
3.2 數據收集
數據係透過iPad屏幕錄影收集，記錄晒所有提示同ChatGPT嘅回應。研究人員仲做咗任務後訪問，了解學生嘅諗法。
3.3 分析框架
分析採用紮根理論方法，按內容（例如指令、背景、格式）同數量（每個任務嘅提示數目）將提示分類。數據入面浮現咗四條唔同嘅路徑。
4. 結果：四種提示工程路徑
4.1 路徑A：極簡迭代
學生用咗2至3個短提示（例如「寫一篇關於污染嘅文章」）。佢哋好少根據ChatGPT嘅輸出修改提示，結果得到嘅係一般性嘅回應。呢條路徑反映咗對提示工程嘅投入度低。
4.2 路徑B：支架式改良
學生由一個廣泛嘅提示開始，然後加入具體限制（例如「包括三個論點同一個反論點」）。佢哋用咗4至6個提示，顯示輸出質量有逐步改善。
4.3 路徑C：發散探索
學生嘗試咗唔同嘅提示風格（例如角色扮演、格式改變）。佢哋用咗7至10個提示，但係冇清晰策略，導致輸出唔一致。
4.4 路徑D：策略分解
學生將任務拆分成子任務（例如「先整大綱，然後寫引言」）。佢哋用咗8至12個提示，而且好具體，最終得到最連貫同相關嘅文章。
5. 討論
5.1 核心見解
呢個研究揭示咗EFL學生嘅提示工程差異好大。策略分解（路徑D）帶嚟最好嘅結果，但係大部分學生都係用極簡或者發散嘅方法。呢個情況凸顯咗AI素養教育入面一個重要嘅缺口。
5.2 邏輯流程
由路徑A去到D嘅進展顯示提示嘅精細程度同輸出質量有明顯嘅相關性。不過，因為缺乏明確指導，學生好少喺冇引導嘅情況下達到路徑D。
5.3 優點同缺點
優點：呢個研究提供咗真實課堂環境入面豐富嘅質性數據，對學生行為有真實嘅見解。缺點：樣本細（n=20），限制咗普遍性。研究亦冇控制學生之前接觸AI嘅經驗。
5.4 可行建議
教育工作者應該將提示工程融入EFL課程，教學生分解任務、使用具體限制同反覆改良提示。學校應該提供結構化支架，例如提示模板同同儕審查提示。
6. 原始分析
呢個研究通過實證方式繪製咗新手EFL用戶點樣同ChatGPT互動，作出咗及時嘅貢獻。四條路徑同人機互動研究嘅發現一致，用戶成日陷入「滿足」行為（Simon, 1956）——接受第一個可以接受嘅輸出，而唔係追求最佳。策略分解路徑同「思維鏈提示」（Wei et al., 2022）嘅概念一致，呢個概念改善咗大型語言模型嘅推理能力。不過，呢個研究依賴單一寫作任務同細樣本，限制咗佢嘅外部效度。未來研究應該探討長期干預，將提示工程作為後設認知技能嚟教。作者正確咁呼籲將AI素養融入EFL課程，但係冇提供具體嘅教學框架。一個更可行嘅方法係開發一個「提示工程評分量表」，由基本策略逐步引導學生到進階策略。此外，呢個研究冇處理道德問題，例如過度依賴AI或者抄襲，呢啲喺教育環境入面好重要。儘管有呢啲限制，呢個工作係了解學生點樣學識同生成式AI合作嘅寶貴第一步。
7. 技術細節同數學公式
提示工程可以形式化為一個最佳化問題。設 $P$ 為所有可能提示嘅集合，而 $O$ 係畀定提示 $p \in P$ 下ChatGPT嘅輸出。學生嘅目標係要搵到 $p^*$，令輸出質量 $Q(O)$ 喺任務限制 $C$ 下最大化：
$$p^* = \arg\max_{p \in P} Q(\text{ChatGPT}(p)) \quad \text{s.t.} \quad C(p) \leq \epsilon$$
實際上，學生進行貪婪搜索，反覆更新 $p_{t+1} = p_t + \Delta_t$，其中 $\Delta_t$ 係基於之前輸出嘅修改。四條路徑代表唔同嘅搜索策略：路徑A用細 $\Delta_t$，路徑B用結構化 $\Delta_t$，路徑C用隨機 $\Delta_t$，而路徑D用層次分解。
8. 實驗結果同圖表描述
圖1：提示工程路徑概覽
一個流程圖，顯示由一個標示「寫作任務」嘅中央節點分出四條分支。每條分支代表一條路徑（A、B、C、D），箭嘴表示提示迭代。路徑D顯示用於大綱、引言、主體同結論生成嘅子循環。圖表用顏色編碼：紅色代表路徑A（極簡）、藍色代表B（支架式）、綠色代表C（發散）、金色代表D（策略）。
表1：各路徑嘅關鍵指標
| 路徑 | 平均提示數 | 輸出質量（1-5） | 時間（分鐘） |
|---|---|---|---|
| A | 2.5 | 2.1 | 8 |
| B | 5.0 | 3.4 | 15 |
| C | 8.5 | 2.8 | 22 |
| D | 10.0 | 4.2 | 28 |
路徑D達到最高嘅輸出質量，但係需要更多時間同提示，顯示效率同效能之間嘅取捨。
9. 分析框架示例
案例：學生S7（路徑D）
提示1：「為一篇關於校服嘅議論文生成一個三點大綱。」
提示2：「根據大綱寫一段引言。用一個鉤子同一個清晰嘅論點陳述。」
提示3：「擴展第一個主體段落。包括主題句、證據同解釋。」
提示4：「加一段反論點段落並反駁佢。」
提示5：「寫一個結論，總結主要觀點並重申論點。」
呢個分解策略反映咗EFL課堂入面教嘅寫作過程，展示咗提示工程點樣可以同教學最佳實踐對齊。
10. 未來應用同方向
呢啲發現指向幾個未來方向：(1) 開發明確教授提示分解同反覆改良嘅AI素養課程。(2) 將提示工程融入教師培訓計劃。(3) 設計提供即時提示質量反饋嘅自適應輔導系統。(4) 長期研究追蹤學生提示工程技能隨時間嘅演變。(5) 探索道德框架以確保AI喺教育入面嘅負責任使用。隨住生成式AI變得無處不在，提示工程將會係一個基礎技能，就好似1990年代嘅數碼素養咁。
11. 參考文獻
- Guo, K., et al. (2023). Second language writing and AI chatbots. Computers & Education, 198, 104789.
- Long, D., & Magerko, B. (2020). What is AI literacy? Proceedings of the 2020 CHI Conference, 1-13.
- Simon, H. A. (1956). Rational choice and the structure of the environment. Psychological Review, 63(2), 129-138.
- Wei, J., et al. (2022). Chain-of-thought prompting elicits reasoning in large language models. NeurIPS 2022.
- Zamfirescu-Pereira, J. D., et al. (2023). Why Johnny can't prompt. Communications of the ACM, 66(8), 64-73.