2.1. 參與者與任務
參與者為中學EFL學生，先前沒有使用ChatGPT等頂尖聊天機器人的正式經驗。研究透過iPad螢幕錄影捕捉他們與AI互動以完成指定寫作任務的過程。此方法提供了人機協作過程原始、未經篩選的視角。
目錄
1. 緒論
ChatGPT等頂尖生成式AI聊天機器人的出現，為語言學習與寫作輔助帶來了典範轉移。與基於規則的前代技術不同，這些建構於Transformer等神經網路架構的模型，能夠生成連貫且符合語境的文本。對於以英語為外語的學習者而言，這提供了一個強大卻也複雜的工具。本研究指出的核心挑戰是提示工程——即設計有效指令以從AI引導出期望輸出的技能。缺乏此技能，使用者（尤其是非技術背景的學生）將淪於令人沮喪的試誤過程，限制了該工具的教學潛力。
本文探討中學EFL學生首次使用ChatGPT完成寫作任務時，新興的提示工程行為。它超越理論討論，呈現了描繪不同使用者路徑的實證性、質性個案研究。
2. 研究方法與資料收集
本研究採用質性個案研究法，分析來自新手使用者的真實互動資料。
2.2. 資料分析框架
螢幕錄影被轉錄並分析，針對以下項目進行編碼：
- 提示內容： 每位學生查詢的語言與指令組成部分（例如：任務描述、風格要求、限制條件）。
- 提示數量： 完成任務所使用的提示數量。
- 互動模式： 基於AI回應所產生的後續提示之順序與性質。
- 成果品質： AI生成的最終文本對於指定任務的適用性。
從此分析中，識別出四種典型的使用者路徑，並發展為詳細的個案研究。
3. 個案研究：四種提示工程路徑
分析結果具體呈現了四種不同的行為模式，代表了提示工程熟練度的光譜。
3.1. 路徑 A：極簡主義者
此類學生使用極少的提示數量（例如：1-2個）。初始提示通常是對任務指令的簡單、直接翻譯（例如：「寫一篇關於氣候變遷的文章」）。他們對AI的輸出表現出極低的參與度，幾乎不加修改地接受第一個結果。此路徑凸顯了工具即神諭的誤解，即視AI為提供完整最終答案的來源，而非協作夥伴。
3.2. 路徑 B：迭代精煉者
此類學生以線性、迭代的序列使用中等數量的提示。他們從基本提示開始，檢視輸出，並針對特定改進發出後續指令（例如：「寫長一點」、「用更簡單的詞彙」）。此路徑顯示了對AI回應指令的初步理解，但仍停留在基本的修訂請求框架內。
3.3. 路徑 C：結構化詢問者
此類學生採用策略性、多階段的方法，使用較多的提示。他們可能先要求AI「針對X主題腦力激盪三個文章點子」，然後選擇一個，接著要求大綱，最後根據該大綱請求草稿。此路徑反映了更為複雜的後設認知策略，將寫作過程分解，並在每個階段使用AI提供結構化支援。
3.4. 路徑 D：試誤探索者
此類學生使用大量提示，變化顯著但缺乏明顯策略。提示的重點和風格劇烈轉變（例如：從正式到口語，從廣泛到狹窄），沒有清晰的進展。此路徑體現了新手經驗特徵的非結構化實驗，常導致混淆和時間使用效率低下，儘管偶爾可能產生創意結果。
4. 主要發現與分析
4.1. 提示品質與數量模式
研究發現提示數量與最終輸出品質之間沒有簡單的相關性。路徑C（結構化詢問者）通常產出最符合任務需求的文本，這並非必然透過最多的提示，而是透過最具策略性且高品質的提示。品質由具體性、上下文提供以及任務分解來定義。一個精心設計的單一提示（例如：「為校刊撰寫一篇300字的說服性文章，主張在校園增設更多回收桶，使用兩個統計數據和一個行動呼籲」）可能勝過十幾個模糊的提示。
互動摘要
路徑C（結構化） 在獨立評估者評分中，持續產出評分最高的最終草稿，儘管並非總是使用最多的對話回合。路徑D（試誤） 的成果品質變異性最高。
4.2. AI素養的角色
這些路徑鮮明地展示了不同程度的隱性AI素養。路徑A和D的學生缺乏關於ChatGPT如何處理請求的功能性心智模型。相比之下，路徑B和C的學生展現了對AI作為隨機性、遵循指令的系統的初步理解。他們直覺地領悟到，更清晰、更有結構的輸入會帶來更可預測且有用的輸出。此發現直接支持了如國際教育科技學會等組織的呼籲，即將AI素養基礎整合到K-12課程中。
5. 技術框架與分析
理解這些路徑需要技術視角。ChatGPT及類似模型基於Transformer架構，本質上是下一個詞元預測器。給定輸入提示 $P$，生成特定輸出序列 $O$ 的機率建模為： $$P(O|P) = \prod_{t=1}^{|O|} P(o_t | P, o_1, ..., o_{t-1})$$ 其中 $o_t$ 是位置 $t$ 的詞元。學生的提示 $P$ 為輸出設定了初始上下文和機率分佈。
分析框架範例： 我們可以將學生的提示工程過程建模為一個狀態機。令狀態 (S) 為對話當前的上下文視窗（最後 $k$ 個詞元）。動作 (A) 是學生的下一個提示。獎勵 (R) 是對AI回應感知有用性（例如：1-5分的主觀評分）。學生的目標是學習一個策略 $\pi$，將狀態映射到動作，以最大化累積獎勵。這四種路徑代表了人類使用者面對此強化學習問題時，不同且通常是次優的探索策略。
圖表描述： 一個概念性圖表會將提示具體性 (X軸) 對比任務分解 (Y軸)。路徑A（極簡主義者）會聚集在低-低象限。路徑D（試誤探索者）會在圖上呈現分散的雲點。路徑B（迭代精煉者）會顯示向右的水平移動（增加具體性）。路徑C（結構化詢問者）會佔據高-高象限，在其提示中同時展現高具體性和高任務分解使用率。
6. 教育意涵與未來方向
核心意涵： 讓學生透過試誤自行發現提示工程，在教學上是低效且不公平的。它有利於自然發展策略性思維的學生（路徑C），而使其他學生處於劣勢。
可行策略： 必須將明確的、有架構的提示工程教學整合到EFL寫作教學法中。這包括：
- 教授「角色-目標-格式-限制」提示框架。
- 示範迭代精煉（例如：策略性使用ChatGPT的「重新生成」或「繼續」功能）。
- 批判性評估AI輸出的偏見、準確性和風格。
未來研究與發展：
- 自適應學習介面： 未來的AI寫作助手可以偵測使用者的路徑（例如：偵測到極簡提示），並提供情境提示或教學，引導他們走向更有效的策略。
- 提示庫與範本： 為常見的EFL寫作任務開發精選的、適合程度的提示範本（例如：「比較與對比文章生成器」）。
- 縱貫性研究： 追蹤學生的提示工程路徑如何隨著教學和經驗而演變。
- 跨語言與文化研究： 調查提示工程策略在不同語言和教育文化中是否存在顯著差異。
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： 這項研究並非真正關於ChatGPT；它是對人機回饋循環中未做好準備的人類的鮮明揭示。工具的能力遠超過使用者引導它的能力。這四種路徑不僅是行為；它們是一種新型數位文盲的診斷標記。真正的產品缺口不在於更好的LLM，而在於一個更好的人機介面層，能夠即時教授互動策略。
邏輯脈絡： 本文正確地指出了問題（試誤是預設模式），並透過路徑分類法提供了優雅、實證的證據。它所做出的邏輯飛躍——這點至關重要——在於這些新手行為並非暫時階段。若無干預，極簡主義者和試誤探索者路徑可能固化為永久、次優的使用模式，鞏固一種權力不對稱，即使用者被工具的預設值引導，而非主導它。這與人機互動研究中更廣泛的擔憂相符，例如關於高度輔助系統中「自動化偏誤」和「技能衰退」的討論。
優點與缺陷： 其優點在於紮根、觀察性的方法論。螢幕錄影不會說謊。主要的缺陷（文中隱含承認）是規模問題。來自有限樣本的四種路徑是引人注目的原型，而非確定的類別。該研究也迴避了房間裡的大象：評量。如果一個極簡主義者使用AI生成的文章從工作繁重的教師那裡獲得及格分數，他們有什麼動機去學習提示工程？本文的教育建議依賴於一個重視過程而非結果的系統，而目前大多數教育評量框架並非如此。
可行洞見： 對於教育科技投資者與開發者而言，結論很明確：下一波價值創造在於提示工程架構。想像一下提示的Grammarly——一個覆蓋層，分析學生初始的模糊指令並建議：「試著加入目標受眾和字數要求。點擊此處查看範例。」對於學校管理者而言，任務是資助專業發展，不僅是關於使用AI，更是關於教授與AI互動的教學法。本研究為爭取該預算項目提供了完美的證據。最後，對於研究者而言，路徑框架是一個可複製的視角。將其應用於使用AI進行編碼（GitHub Copilot）、設計或法律研究的專業人士。我預測你會發現相同的四種原型，證明這是一個基本的人機互動挑戰，而不僅僅是EFL問題。