1. 緒論
寫作是溝通與學術成就的基礎技能。對於以英語為外語的學生而言，創意寫作帶來獨特的挑戰，尤其是在構思階段。本研究探討人工智慧（特別是自然語言生成工具）與EFL教學法的交匯點。NLG涉及電腦系統從結構化資料或提示中產生類人文本。本研究核心問題在於EFL學生如何策略性地與NLG工具互動，為創意寫作任務生成、評估並選擇構思，這個過程對語言學習者至關重要卻又往往令人生畏。
2. 研究方法
本研究採用質性個案研究法，以深入瞭解學生的策略。
2.1 參與者與工作坊設計
四位來自香港的中學生參與了結構化的工作坊。他們接觸了各種NLG工具（例如基於GPT-3等模型的工具），並被要求撰寫短篇故事，將自己的文字與這些AI系統生成的文本結合。工作坊設計旨在促進實作經驗與後續反思。
2.2 資料收集與分析
主要資料來自學生在工作坊後填寫的書面反思，他們回答了關於其體驗的引導性問題。對這些質性資料進行主題分析，以識別關於使用NLG工具進行構思的重複模式、策略和態度。
3. 結果與發現
分析揭示了EFL學生運用NLG進行創意寫作的幾個關鍵模式。
3.1 運用NLG工具的構思搜尋策略
學生並非以一片空白的心態接觸NLG工具。他們通常帶著既有的想法或主題方向進入互動。NLG工具隨後被用作擴展、精煉或探索相關概念的催化劑，而非內容的唯一來源。
3.2 對NLG生成構思的評估
一個值得注意的發現是，學生對純粹由NLG工具產生的構思表現出明顯的排斥或懷疑態度。他們批判性地評估AI生成內容的相關性、原創性以及與其預期敘事的一致性，通常傾向於大幅修改或僅將其作為靈感來源，而非直接採用。
3.3 NLG工具的選擇
在選擇不同的NLG工具或提示時，學生表現出偏好能產生較多輸出選項的工具。這種「數量優先於初始品質」的策略為他們提供了更廣泛的原始素材集，以便從中策劃與綜合構思。
4. 討論與啟示
本研究強調了學生在使用AI寫作輔助工具時所扮演的複雜且非被動的角色。
4.1 教學啟示
研究結果表明，教育工作者應將NLG工具定位為學生的「構思夥伴」，而非其創造力的替代品。教學應著重於批判性評估技能、提示策略以及綜合技巧，以有效融合人機生成的內容。
4.2 研究限制與未來方向
小樣本量限制了結果的普遍性。未來研究應納入規模更大、更多樣化的EFL學習者群體，並進行縱向研究，以觀察策略如何隨著接觸增加與技能提升而演變。
5. 技術分析與框架
核心洞察：本文並非關於建構更好的NLG模型；它是一項關鍵的人機互動研究，揭示了AI輔助創造力中的「最後一哩路問題」。真正的瓶頸並非AI生成文本的能力——如GPT-4等現代Transformer模型已精於此道——而是使用者策略性駕馭該能力的水準。研究顯示，EFL學生本能地將NLG輸出視為低擬真度的原始素材，而非最終成品，這是一種複雜且正確的方法，卻常為AI工具行銷所忽略。
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）。它正確地避開了孤立衡量輸出「品質」的陷阱，轉而聚焦於過程（搜尋、評估、選擇）。這與教育設計研究的最佳實踐相符，即在提出解決方案前，理解使用者的歷程至關重要。
優點與缺陷：其優點在於紮根於質性研究，並聚焦於一個特定且服務不足的使用者群體（EFL學生）。其缺陷在於規模。僅有N=4，這是一個引人入勝的個案研究，但並非決定性的。它錯失了量化行為的機會——例如，NLG輸出通常有多少百分比被使用？提示進行了多少次迭代？若將策略與基準線（不使用AI的寫作）進行比較，將能強化NLG影響的主張。該研究也未深入探討所用NLG工具的技術細節，這是一個遺漏的機會。模型的選擇（例如，1750億參數模型與60億參數模型）會顯著影響輸出品質與使用者體驗。正如Brown等人（2020）在原始GPT-3論文中所指出的，模型規模直接影響少樣本學習中的連貫性與創造力，這與本研究情境高度相關。
可行建議： 對於教育科技開發者：建構支援策展而不僅僅是生成的工具。設想「構思管理儀表板」，具備對NLG輸出進行標記、聚類與合併的功能。對於教育工作者：設計將「提示工程」作為核心素養技能來教授的作業。超越「使用工具」邁向「審視工具」。對於研究者：下一步是為NLG輔助構思發展一個正式化的框架。我們需要一套學生策略的分類法，或許可視化為決策樹或一組啟發式規則。一個潛在的分析模型可以將學生決定使用或修改AI生成構思 $I_{AI}$ 的決策，基於其感知效用 $U$、與自身心智模型 $M$ 的契合度，以及整合的認知成本 $C$ 來形式化表示：$P(\text{使用 } I_{AI}) = f(U(I_{AI}, M), C(I_{AI}))$。此外，將AI視為「協作者」而非工具的概念，呼應了其他領域人機協作研究的發現，例如Amershi等人（2019）關於人機互動準則的研究，該研究強調了「共享控制」與「情境完整性」等原則。
分析框架範例（非程式碼）： 設想一位學生正在撰寫關於「森林中迷路的機器人」的故事。從本研究衍生出的框架可能會引導他們經歷一個結構化的構思循環：
- 種子： 從你的核心構思開始（迷路的機器人）。
- 提示與生成： 使用NLG並搭配特定提示（例如：「生成5個機器人面臨的情感挑戰」、「列出3個它遇到的奇特森林生物」）。
- 評估與篩選： 批判性地評估每個生成的項目。它符合故事基調嗎？具有原創性嗎？將其標記為「使用」、「改編」或「捨棄」。
- 綜合： 將最佳的AI生成構思與你原有的情節結合，解決矛盾之處。
- 迭代： 使用新的綜合結果，為下一個故事元素（例如：「現在根據選定的挑戰，生成機器人與一隻憤世嫉俗的松鼠之間的對話」）創建更精煉的提示。
實驗結果與圖表描述： 雖然原始研究呈現了質性主題，但可以設想一項後續研究量化這些行為。一個假設的長條圖可以顯示：「每個故事元素評估的NLG輸出平均數量」。X軸將列出故事元素（角色、場景、衝突、解決方案），Y軸則顯示數量。我們可能會看到「角色」和「場景」的數量較高，表明學生最常使用NLG來腦力激盪基礎元素。另一張圖可以是堆疊長條圖，顯示「NLG生成構思的處置方式」，區分為「直接使用」、「大幅修改」和「捨棄」，揭示出由排斥性發現所暗示的高修改率。
6. 未來應用與發展方向
此處的發展軌跡指向高度個人化、自適應的寫作輔助工具。未來用於教育的NLG工具可以：
- 基於熟練度提供鷹架： 根據學習者的語言水準（CEFR A1-C2）調整輸出複雜度與指導。
- 融入多模態構思： 不僅生成文本，還能生成情緒板、角色圖像或情節圖，以刺激不同的認知路徑。
- 後設認知回饋： 分析學生的提示與選擇模式，提供如下的回饋：「你傾向捨棄與內心衝突相關的構思。嘗試探索關於角色恐懼的提示。」
- 跨語言構思： 對於EFL學習者，允許以其母語進行構思生成，並提供無縫翻譯與改編支援，降低以外語進行構思的認知負荷。
- 與學習分析整合： 正如史丹佛大學教育學院等機構在其關於教育中AI的研究中所提出的，這些工具可以將資料輸入儀表板，幫助教師識別在創意構思特定方面遇到困難的學生。
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].