目錄
1. 引言
ChatGPT，作為最先進的生成式AI聊天機器人，因其在改變教育（特別是在英語作為外語寫作方面）的潛力而廣受歡迎。然而，要與ChatGPT有效協作，學生必須掌握提示工程——即精心設計精確指令以獲得期望輸出的技能。本文探討了中學英語作為外語學生首次使用ChatGPT完成寫作任務時，其提示詞的內容與模式。透過對四種不同路徑的案例研究，作者闡明了學生經歷的試誤過程，並強調在英語作為外語課堂中進行明確提示工程教育的必要性。
2. 文獻回顧
2.1 教育中的提示工程
提示工程是一項關鍵的AI素養技能（Long & Magerko, 2020）。非技術使用者經常難以設計有效的提示詞，導致反覆試誤。研究顯示，結構化的引導可以提升提示詞的品質與輸出的相關性（Zamfirescu-Pereira et al., 2023）。
2.2 使用聊天機器人進行英語作為外語寫作
像ChatGPT這樣的聊天機器人可以透過提供即時回饋、激發想法以及示範語言結構來支援英語作為外語寫作。然而，學生必須學習反覆精煉提示詞，以符合任務目標（Guo et al., 2023）。
3. 研究方法
3.1 參與者與研究場域
參與者為20名香港中學英語作為外語學生，年齡介於14至16歲，英語程度為中級。他們首次在iPad上使用ChatGPT來完成一篇300字的論說文寫作。
3.2 資料收集
資料透過iPad螢幕錄影收集，記錄了所有提示詞與ChatGPT的回應。研究人員也在任務後進行訪談，以了解學生的思考過程。
3.3 分析架構
分析採用紮根理論方法，根據內容（例如：指令、情境、格式）與數量（每項任務的提示詞數量）對提示詞進行分類。從資料中浮現出四種不同的路徑。
4. 研究結果：四種提示工程路徑
4.1 路徑A：極簡迭代
學生使用2到3個簡短的提示詞（例如：「寫一篇關於污染的作文」）。他們很少根據ChatGPT的輸出修改提示詞，導致產出內容較為籠統。此路徑反映出對提示工程的投入程度較低。
4.2 路徑B：鷹架式精煉
學生從一個廣泛的提示詞開始，然後加入具體的限制條件（例如：「包含三個論點和一個反論點」）。他們使用了4到6個提示詞，顯示出輸出品質的逐步改善。
4.3 路徑C：發散探索
學生嘗試不同的提示風格（例如：角色扮演、格式變換）。他們使用了7到10個提示詞，但缺乏明確策略，導致輸出內容不一致。
4.4 路徑D：策略性分解
學生將任務分解為子任務（例如：「先產生大綱，然後寫引言」）。他們使用了8到12個高度具體的提示詞，最終產出最連貫且相關的作文。
5. 討論
5.1 核心見解
本研究揭示，英語作為外語學生的提示工程能力差異極大。策略性分解（路徑D）能產生最佳結果，但多數學生傾向於採用極簡或發散的方法。這凸顯了AI素養教育中的一個關鍵缺口。
5.2 邏輯脈絡
從路徑A到路徑D的進展顯示，提示詞的複雜度與輸出品質之間存在明確的關聯。然而，由於缺乏明確指導，學生若無引導，很少能達到路徑D的程度。
5.3 優勢與限制
優勢：本研究提供了來自真實課堂環境的豐富質性資料，對學生行為提供了真實的洞察。限制：樣本數較小（n=20），限制了結果的普遍性。此外，研究未控制學生先前接觸AI的經驗。
5.4 可行建議
教育工作者應將提示工程納入英語作為外語課程，教導學生分解任務、使用具體限制條件，並反覆精煉提示詞。學校應提供結構化的鷹架支持，例如提示詞模板與同儕互評提示詞。
6. 原始分析
本研究透過實證方式，繪製了英語作為外語初學者如何與ChatGPT互動的圖譜，是一項及時的貢獻。這四種路徑呼應了人機互動研究中的發現，使用者經常陷入「滿意即可」的行為模式（Simon, 1956）——接受第一個可接受的輸出，而非追求最佳化。策略性分解路徑與「思維鏈提示」（Wei et al., 2022）的概念一致，該方法能改善大型語言模型的推理能力。然而，本研究僅依賴單一寫作任務且樣本數較小，限制了其外部效度。未來研究應探討長期的介入措施，將提示工程作為後設認知技能來教學。作者正確地呼籲將AI素養融入英語作為外語課程，但未能提供具體的教學架構。更具可行性的做法是開發一套「提示工程評分量規」，引導學生從基礎策略進階到高級策略。此外，本研究未觸及倫理議題，例如過度依賴AI或抄襲，這些在教育環境中至關重要。儘管有這些限制，這項工作仍是理解學生如何學習與生成式AI協作的重要第一步。
7. 技術細節與數學公式
提示工程可以形式化為一個最佳化問題。令 $P$ 為所有可能提示詞的集合，$O$ 為給定提示詞 $p \in P$ 時ChatGPT的輸出。學生的目標是找到 $p^*$，在滿足任務限制條件 $C$ 的情況下最大化輸出品質 $Q(O)$：
$$p^* = \arg\max_{p \in P} Q(\text{ChatGPT}(p)) \quad \text{s.t.} \quad C(p) \leq \epsilon$$
在實務上，學生進行貪婪搜尋，迭代更新 $p_{t+1} = p_t + \Delta_t$，其中 $\Delta_t$ 是根據先前輸出所做的修改。這四種路徑代表了不同的搜尋策略：路徑A使用較小的 $\Delta_t$，路徑B使用結構化的 $\Delta_t$，路徑C使用隨機的 $\Delta_t$，而路徑D則使用階層式分解。
8. 實驗結果與圖表說明
圖1：提示工程路徑總覽
一個流程圖，從標示為「寫作任務」的中心節點分出四個分支。每個分支代表一條路徑（A、B、C、D），箭頭表示提示詞的迭代。路徑D顯示了用於產生大綱、引言、主體段落和結論的子迴圈。圖表使用顏色編碼：紅色代表路徑A（極簡）、藍色代表路徑B（鷹架式）、綠色代表路徑C（發散）、金色代表路徑D（策略性）。
表1：各路徑關鍵指標
| 路徑 | 平均提示詞數量 | 輸出品質（1-5分） | 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達到了最高的輸出品質，但需要更多的時間和提示詞，顯示出效率與效果之間的取捨。
9. 分析架構範例
案例：學生S7（路徑D）
提示詞1：「為一篇關於學校制服的論說文產生一個三點大綱。」
提示詞2：「根據大綱撰寫引言段落。使用一個鉤子和一個清晰的論點陳述。」
提示詞3：「擴充第一個主體段落。包含主題句、證據和解釋。」
提示詞4：「加入一個反論點段落並予以反駁。」
提示詞5：「撰寫結論，總結主要觀點並重申論點。」
這種分解策略反映了英語作為外語課堂中教授的寫作過程，展示了提示工程如何與教學最佳實踐相結合。
10. 未來應用與發展方向
研究結果指出了幾個未來方向：(1) 開發明確教授提示詞分解與反覆精煉的AI素養課程。(2) 將提示工程納入師資培訓計畫。(3) 設計能針對提示詞品質提供即時回饋的適性化教學系統。(4) 進行縱向研究，追蹤學生提示工程技能的長期發展。(5) 探討確保在教育中負責任使用AI的倫理架構。隨著生成式AI變得無所不在，提示工程將成為一項基礎技能，類似於1990年代的數位素養。
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.