理解EFL學生運用NLG工具進行創意寫作的構思策略

1. 緒論

本研究探討以英語為外語的學生如何運用自然語言生成工具進行創意寫作的構思。寫作是溝通與學術成就的基礎技能，對EFL學習者而言尤其具有挑戰性。創意寫作具有獨特益處，包括個人知識建構與意義深刻的見解發展。整合人工智慧驅動的NLG工具，為教育情境帶來了新的機遇與挑戰。

本研究旨在彌補一個重要的認知缺口：理解EFL學生在創意過程中如何與NLG工具互動，特別是檢視他們搜尋、評估及選擇這些工具所生成構思的策略。

2. 研究方法

本研究採用質性研究設計，對象為四名香港中學生。參與者參加了工作坊，學習如何運用自身語言及NLG生成的內容撰寫故事。工作坊結束後，學生們完成了關於其體驗的書面反思。

資料分析採用主題分析法，以識別學生與NLG工具互動中的模式與策略。分析重點聚焦於三個主要領域：搜尋策略、評估方法及工具選擇標準。

3. 結果與發現

4. 討論

研究結果顯示，EFL學生並非將NLG工具視為自主的構思創造者，而是作為協作夥伴或構思放大器。觀察到的對純AI生成內容的排斥，突顯了學生在創意過程中主體能動性的重要性。這些見解對於尋求將AI工具有效整合到寫作課程中的教育工作者至關重要，強調了需要教學策略來教導學生批判性評估與綜合AI生成內容。

本研究強調了NLG工具在降低第二語言構思相關認知負荷方面的潛力，可能減少寫作障礙並提高參與度。

5. 技術框架與分析

核心洞見：本文並非關於建構更好的NLG模型；它是一項關鍵的人機互動研究，揭示了教育AI中的「最後一哩路問題」。真正的瓶頸並非AI生成文字的能力——像GPT-4這樣的現代模型已精於此道。挑戰在於使用者，特別是EFL學習者，有效提示、批判性評估及創意整合該輸出的能力。研究顯示，學生並非將NLG視為神諭，而是作為腦力激盪夥伴，偏好能產生大量、低承諾構思的工具，以便他們篩選——這種行為反映了作家如何使用傳統靈感板。

邏輯流程：研究邏輯合理但有限。它正確地指出了NLG能力與教學應用之間的差距。它從觀察行為（學生使用工具）推論到策略（引導式搜尋、評估性排斥）。然而，它缺乏一個穩健的理論框架。它暗示了認知負荷理論（NLG降低第二語言構思的努力）和維高斯基的潛在發展區（AI作為鷹架）等概念，但並未明確將發現植基於這些理論，錯失了更深層解釋力的機會。

優點與缺陷：其優點在於其紮根的質性方法，在真實學習情境中研究真實學生——這在早期教育科技AI研究中（通常由技術概念驗證主導）是罕見的。主要缺陷在於規模。僅有四名參與者，其發現僅具提示性，無法推論。這是一項引人注目的先導研究，而非確定性指南。此外，它將「NLG工具」視為一個整體，未剖析基於模板、提示驅動或微調模型之間的差異，而這些差異會顯著影響使用者策略。相較於如《CycleGAN》論文（Zhu等人，2017）這類基礎著作，其貢獻是社會學性的而非演算法性的，後者提出了一個具有清晰、可衡量結果的新穎技術架構。

可行建議：對教育工作者而言：不要只是將AI工具丟進教室。設計結構化活動，教導「提示素養」——如何向AI提出有成效的問題——以及「輸出分檢」——如何批判性評估並融合AI建議。對開發者而言：為教育打造NLG工具時，介面應支援迭代精煉（例如：「產生更多類似的」、「簡化語言」、「讓它更陰暗」），並提供解釋AI為何做出特定建議的後設資料，超越黑箱生成。未來不在於更流暢的AI，而在於更具教學智慧的人機協作框架。

技術細節與數學表述

核心過程可以抽象化。令學生的內部構思狀態表示為向量 I_s。一個NLG工具，基於提示 p，生成一組構思變體 {I_ai,1, I_ai,2, ..., I_ai,n}。學生的評估與選擇函數 f_eval 作用於這些變體，通常尋求最小化距離度量 d(I_s, I_ai) 同時最大化新穎性度量 N(I_ai)。最終採納的構思是一個融合：I_final = g(I_s, I_ai,selected)，其中 g 是學生特定的組合函數。

本研究關於數量偏好的發現表明，學生正在優化以找到一個 I_ai 的更高機率，其中 d(I_s, I_ai) < θ（個人閾值），因此偏好具有更大 n 的工具。

分析框架範例案例

情境： 一名EFL學生想寫一個關於「森林中迷路的機器人」的故事。

無結構化框架：
學生提示NLG：「寫一個關於機器人在森林中迷路的故事。」得到一個冗長、通用的故事。學生感到不知所措或缺乏靈感，不喜歡AI的語氣。

具教學框架（基於本研究）：
1. 構思擴展： 學生提示取得組成部分：「為一個未來主義森林生成10個描述性詞彙」及「列出迷路機器人的5種情緒狀態。」（利用數量偏好）。
2. 評估與選擇： 學生從清單A中選擇3個詞彙（「生物發光的」、「蔓生的」、「寂靜的」）並從清單B中選擇2種狀態（「好奇的」、「孤獨的」）。（應用批判性分檢）。
3. 融合： 學生寫道：「在寂靜、生物發光的森林裡，機器人感到一種深深的孤獨，混合著好奇。」（將AI輸出與個人句法及敘事控制融合）。
此框架將研究中觀察到的有效行為系統化。

實驗結果與圖表描述

質性資料顯示了行為模式，可在更大規模的研究中量化。一個假設的長條圖將顯示：
- Y軸： 策略使用頻率。
- X軸： 策略類別：「引導式搜尋（帶有預先想法）」、「開放探索」、「偏好高數量輸出」、「對AI構思表示懷疑」、「融合AI與自身想法」。
- 結果： 「引導式搜尋」、「偏好高數量輸出」和「融合AI與自身想法」的長條將顯著高於「開放探索」，表明學生對NLG作為增強工具而非替代品所採用的主導性、實用主義方法。

主要的「結果」是從學生反思中得出的主題圖，識別了對創意協助的渴望與對作者所有權需求之間的核心張力。

6. 未來應用與方向

短期（1-3年）： 為Google Docs或Word等平台開發專門的教育用NLG外掛程式，提供鷹架式提示（例如：「腦力激盪角色」、「運用感官描述一個場景」），並與形成性評量工具整合，為人機協作撰寫文本的創意性與連貫性提供回饋。

中期（3-5年）： 「自適應構思夥伴」——學習個別學生創意檔案、偏好文體及語言能力水平的AI系統，以動態調整構思建議與詞彙支援，擔任個人化寫作導師。

長期（5年以上）： 與沉浸式技術融合。運用NLG結合多模態AI，在VR/AR環境中生成動態故事世界，其中敘事根據學生的書寫選擇而調整，為練習敘事建構與描述性語言創造深度參與的回饋循環。

關鍵的研究方向是進行縱貫性研究，探討持續使用NLG工具如何影響EFL學習者原創性創意思維與寫作能力的發展，確保這些工具是增強而非削弱基礎技能。

7. 參考文獻

1. Woo, D. J., Wang, Y., Susanto, H., & Guo, K. (2023). Understanding EFL Students’ Idea Generation Strategies for Creative Writing with NLG Tools. Manuscript in preparation.
2. Graham, S., & Perin, D. (2007). A meta-analysis of writing instruction for adolescent students. Journal of Educational Psychology, 99(3), 445–476.
3. 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.
4. Dawson, P. (2005). Creative Writing and the New Humanities. Routledge.
5. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV).
6. OpenAI. (2023). GPT-4 Technical Report. arXiv preprint arXiv:2303.08774.
7. Swanson, H. L., & Berninger, V. W. (1996). Individual differences in children's working memory and writing skill. Journal of Experimental Child Psychology, 63(2), 358–385. (For cognitive load theory context).