個案研究：EFL中學生運用ChatGPT進行寫作任務的提示工程路徑

1. 緒論

ChatGPT等尖端生成式AI聊天機器人的出現，為教育領域（特別是語言學習）帶來了機遇與挑戰。本文探討英語為外語的中學生，作為新手使用者，如何運用提示工程——即為AI設計指令的技能——來完成一項寫作任務。核心問題在於，與ChatGPT進行有效協作並非直覺性的；它需要一種後天習得的技能，而許多學生缺乏此技能，導致了低效的試錯過程。本研究旨在描繪學生採取的各種路徑，分析其提示的內容、品質與演變，為將AI素養融入EFL寫作課堂的教學策略提供參考。

2. 研究方法

本研究採用質性個案研究法。資料收集自香港中學EFL學生首次使用ChatGPT及類似尖端聊天機器人完成標準化寫作任務時的iPad螢幕錄影。分析重點在於詳細檢視學生生成的提示、其序列（路徑）以及相應的AI輸出。根據互動模式、提示的複雜程度及策略方法，本研究識別出四種不同的原型路徑。

3. 個案研究：四種提示工程路徑

分析揭示了四種主要的互動模式，代表了不同程度的投入與策略性思維。

4. 結果與分析

5. 討論：對AI素養教育的啟示

本研究強調，有效使用ChatGPT是一項後天習得的技能，而非與生俱來的能力。新手普遍採用極簡主義和低效的迭代路徑，顯示當前教育存在關鍵缺口。作者主張應將明確的提示工程教育融入EFL課程。這將使學生超越試錯階段，賦予他們制定清晰指令、指派角色、指定格式及迭代精煉輸出的框架——將AI從一個黑箱預言機轉變為協作工具。

6. 技術框架與分析

從技術角度來看，提示工程與底層語言模型的機率函數相互作用。一個精心設計的提示 $P$ 能引導模型 $M$ 在給定上下文 $C$ 下，從其輸出分佈 $D$ 中採樣出一個更受約束且更理想的區域。此過程可抽象地表示為最大化期望輸出序列 $O$ 的條件機率：

$O^* = \arg\max_{O} P(O | C, P, M)$

其中，模糊的提示會增加 $D$ 的熵，導致通用輸出；而帶有限制條件（角色、格式、風格）的具體提示則會降低熵，引導 $M$ 朝向更精準的 $O^*$。學生的路徑有效地代表了透過自然語言指令來操控此條件機率的不同策略。

分析框架範例

情境： 一名學生希望ChatGPT協助撰寫一段關於回收的勸說性段落。

• 弱提示（高熵）：「寫關於回收。」
  分析： 模型受到的約束極少，很可能產生廣泛、百科全書式的概述。
• 強提示（低熵）：「扮演一位環保倡議者。撰寫一段針對青少年、旨在說服他們回收寶特瓶的80字勸說性段落。使用直接且緊迫的語氣，並包含一項統計數據。」
  分析： 此提示明確指定了角色（倡議者）、受眾（青少年）、目標（說服）、內容焦點（寶特瓶）、長度（80字）、語氣（直接、緊迫）和元素（統計數據）。它大幅縮小了模型的輸出分佈。

7. 未來應用與研究方向

研究結果為未來工作開闢了多個方向：

• 自適應提示輔導系統： 開發AI驅動的輔導系統，分析學生的提示並提供即時回饋以改進提示（例如：「嘗試指定你的受眾」）。
• 縱向研究： 追蹤學生在有無正式教學的情況下，其提示工程技能隨時間的演變。
• 跨文化與語言比較： 調查提示工程策略在不同語言和文化教育背景下是否存在差異。
• 與寫作教學法的整合： 研究如何將提示工程框架融入現有的寫作過程模型（寫前、起草、修改）。
• 倫理與批判性層面： 將AI素養從效率層面擴展至包含對AI輸出的批判性評估、偏見檢測及倫理使用。

8. 參考文獻

1. 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.
2. Caldarini, G., Jaf, S., & McGarry, K. (2022). A Literature Survey of Recent Advances in Chatbots. Information, 13(1), 41.
3. 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.
4. OpenAI. (2023). GPT-4 Technical Report. arXiv preprint arXiv:2303.08774.
5. Zhao, W. X., et al. (2023). A Survey of Large Language Models. arXiv preprint arXiv:2303.18223.
6. The Stanford Center for AI Safety. (n.d.). AI Literacy. Retrieved from https://aisafety.stanford.edu/ai-literacy