文章推介 | 大語言模型輔助反饋對二語概要寫作表現的影響研究——自我效能感的中介作用

大語言模型輔助反饋對二語概要寫作表現的影響研究——自我效能感的中介作用

孫波

中國科學技術大學本科生院外語教學中心

摘要

本研究聚焦大語言模型輔助反饋對二語概要寫作表現的影響及寫作自我效能感的中介作用，主要設計了先大模型反饋后教師反饋(LT組)、先教師反饋后大模型反饋(TL組)和大模型單獨反饋(LO組)3種反饋形式。研究發現：(1)LT組和TL組在內容、結構、總體寫作方面顯著優于LO組，而LT組和TL組無顯著性差異；(2)LT組和TL組的語篇整合效能感顯著強于LO組，但前兩組之間無顯著性差異；(3)語篇整合效能感在大模型反饋對寫作內容的影響中具有中介作用。二語概要寫作任務中，結合教師反饋的大模型反饋能更有效地提升學習者的寫作表現和寫作自我效能感，對寫作反饋和寫作教學實踐具有一定啟示意義。

關鍵詞：概要寫作;大模型;自我效能感;中介作用

01

引言

大語言模型(以下簡稱“大模型”)的動態交互等特性使其在二語寫作教學中得到更多應用，逐漸成為輔助二語寫作反饋的重要工具。大模型輔助反饋對寫作表現的影響已經引發學界關注，目前研究者大多聚焦議論文寫作(金檀等2025),并且通常采用先大模型反饋后教師反饋的形式。作為一種特殊的寫作任務類型，概要寫作要求學習者在充分理解原文的基礎上準確歸納提取主要內容，比一般性的議論文寫作更具復雜性(Liuet al. 2024)。因此，大模型輔助反饋形式對概要寫作表現的影響研究有助于深化對大模型輔助反饋的認識，提升反饋效果。二語寫作表現不僅涉及學習者語言知識的運用，還與認知因素尤其是自我效能感密切相關(Teng & Wang 2023),然而現有研究極少考察大模型輔助反饋與二語學習者寫作自我效能感之間的關系。本研究基于社會認知理論，旨在探討大模型輔助反饋如何影響英語學習者的概要寫作表現，并檢驗寫作自我效能感在二者關系之間的中介作用。

02

文獻綜述

2.1 大模型輔助寫作反饋研究

傳統的寫作反饋按照反饋來源，可分為教師反饋、同伴反饋和寫作自動評價(AWE)系統反饋(任偉等 2024)。這3種反饋各有優勢和不足，因此當前寫作反饋研究多采用融合式的多元反饋模式(如張亞，姜占好 2022)。隨著人工智能技術的發展，以ChatGPT為代表的大模型能夠高效提供寫作反饋，大模型輔助反饋已經成為學界關注的熱點。

研究者一般認為大模型輔助反饋有助于提升二語寫作表現。例如，Boudouaiaet al.(2024)采用ChatGPT-4為學習者提供議論文寫作反饋，發現實驗組在寫作內容、結構、詞匯和語法方面的表現均顯著優于對照組。然而，大模型輔助反饋的促學效應在概要寫作任務中可能并不始終存在。究其原因，與議論文寫作相比，概要寫作中學習者會表現出不同的語言特征。Cumminget al.(2005)發現學習者在概要寫作中表現出來的詞匯復雜度和句法復雜度均顯著高于議論文寫作。概要寫作與議論文寫作的評價標準也不盡相同，比如概要寫作的評價需考察寫作者識別和轉述原文主要內容的表現。大模型輔助反饋對概要寫作這些方面表現的影響尚未有明確結論。

在具體反饋實踐中，大模型輔助反饋可采用不同形式，但學界還未給予充分關注。Stevenson(2016)建議將自動反饋置于教師反饋之前，學習者根據自動反饋的結果自行修改語言問題，而教師反饋主要關注寫作內容、意義建構等層面。然而，大模型在反饋時可能會大幅改動學習者提交的文稿(Shin & Lee 2024),掩蓋學習者寫作的不足，因此將教師反饋置于大模型反饋之前也有其合理性。另外，有些研究者認為應將大模型視為教師助手而非替代者，但這些結論多源自觀點調查或訪談(如Asadiet al. 2025),缺乏學習實效的數據支撐。師機混合反饋和單獨大模型反饋對學習者概要寫作表現的影響差異有待考察。

2.2 寫作自我效能感的中介作用研究

自我效能感是指人們對于自己能否組織和執行特定行為從而取得特定成就的判斷(Bandura 1986)。相關研究發現寫作反饋能夠有效提升學習者的寫作自我效能感。Sari & Han(2024)指出，在AWE輔助反饋條件下，即時、個性化的自動反饋能夠幫助學習者積累成功寫作經驗，學習者在自行修改中減少了被評價的恐懼，增強了對于寫作的信心。

寫作自我效能感不僅受到反饋的影響，而且會影響寫作表現(Teng & Wang 2023)。現有研究主要聚焦寫作自我效能感在學習者個體因素影響寫作表現過程中的中介效應。Woodrow(2011)運用結構方程模型分析發現，焦慮并不直接影響寫作表現，而是通過削弱學習者的自我效能感間接影響寫作表現。Sarikaya & S?kmen(2025)發現自我調節可通過增強學習者的寫作信心來提升寫作表現。Zhang & Zhang(2025)將考察的個體因素從單一的心理或元認知維度擴展至包含學習者特質、認知、動機等的多元維度，發現寫作自我效能感在堅毅、詞匯學習能力、工作記憶和成就目標影響二語寫作表現的過程中具有中介作用。環境、個體和行為三者之間相互作用，環境會影響個體的認知，而個體的認知又會進一步影響行為表現(Bandura 1986)。在寫作情境中，反饋作為環境因素可能通過影響學習者的寫作自我效能感，進而影響寫作表現。然而，目前鮮有研究考察寫作自我效能感在大模型輔助反饋與寫作表現之間的中介作用。

03

研究設計

3.1 研究問題

本研究設計了3種大模型輔助反饋形式，即先大模型反饋后教師反饋(LT)、先教師反饋后大模型反饋(TL)、大模型單獨反饋(LO),聚焦大模型輔助反饋對二語概要寫作表現的影響，擬回答3個問題：

(1)接受大模型輔助反饋后，學習者概要寫作表現和寫作自我效能感的總體情況如何?(2)大模型輔助反饋如何影響學習者的概要寫作表現?(3)寫作自我效能感是否在大模型輔助反饋形式對學習者概要寫作表現的影響中起中介作用?

3.2 研究被試

我國中部地區某理工科大學179名一年級本科生作為被試參與了本研究的前測和后測。研究者剔除了6名未認真填寫量表的被試，最終納入數據分析的被試為173名。被試主要來自物理、數學和電子信息等理工科專業。所有被試均簽署了研究知情同意書。

3.3 研究工具

本研究中的寫作任務為基于閱讀的概要寫作。前測中，閱讀文章的主題是大學生無薪實習，共437詞，弗萊士易讀度為50.1;后測中閱讀文章的主題為人工智能帶給人類的生存危機，共433詞，弗萊士易讀度為44.9。兩個文本的篇幅和易讀性大致相當。被試在閱讀文本之后，需獨立完成一篇100詞左右的概要寫作任務，時間為20分鐘。

概要寫作表現評價使用Yang & Plakans(2012)的概要寫作分析性評分量表。該量表包含內容、結構、語言使用、轉述4個維度，每個維度得分在0—5分之間。本研究采用“讀—寫型”概要寫作任務，因此刪除了聽力材料相關的描述語。

寫作自我效能感測量采用Zhanget al.(2022)的L2 RWSE量表。該量表包含自我調節效能感(SRE)、語篇整合效能感(DSS)和寫作規范效能感(WCS)3個維度，共19題，每題分值在0—10分之間。本研究中的寫作任務為概要寫作，無需被試發表個人觀點，因此與之相關的3個題項(DSS2、DSS6和DSS7)刪除。研究者根據先導研究數據，運用Mplus 8.3對L2 RWSE量表進行驗證性因子分析。根據模型修正提示，剔除了SRE2、SRE6、WCS1共3個題項后，模型擬合度良好，各指標結果為：χ2/df=1.944,p<0.001,RMSEA=0.074,CFI=0.924,TLI=0.905,SRMR=0.056。量表3個構面的組成信度(0.780—0.851)均大于0.7,收斂效度(0.472—0.588)均大于0.35,表明修正后含13個題項的L2 RWSE量表具有良好的信效度。

結合研究主題，訪談提綱參照Chen & Pan(2022)的研究包含4個方面：(1)被試對大模型反饋的感受；(2)LT組和TL組被試對教師反饋的感受；(3)被試在實驗前后對概要寫作任務的自我效能感變化；(4)被試關于有效使用大模型的建議。

3.4 實驗過程

本研究的實驗持續12周，被試每兩周參加一次英語讀寫課程，在第1次、第6次課分別參加前測和后測。測試結束后，被試即刻填寫L2 RWSE量表。第2—5次課期間，被試需當堂完成一項概要寫作任務。所有被試均由同一位教師授課，教材、講解內容和配套練習均保持一致。實驗之前，所有被試均接受了大模型使用培訓，通過隨機抽樣被試按班級分別接受LT(55人)、TL(78人)和LO(40人)反饋。

本研究采用的大模型系統為訊飛星火認知大模型。按照任偉等(2024)對反饋方式的分類，大模型為3組學習者提供明確糾正型反饋，直接指出并更正寫作錯誤。被試當堂提交初稿后，LT組需在課后根據大模型的反饋修改作文。研究者要求被試首先利用大模型生成一篇范文，比對范文與初稿，并在內容維度上做出修改。然后，被試參考Atlas(2023)建議的提示詞，由大模型在語法、標點、簡潔性、用詞、銜接與連貫等方面給出反饋。被試修改后將修改稿提交給授課教師，授課教師對概要中的問題給出元語言評論，指出問題所在，但不給出修改的參考樣例。另外，教師對于概要中的優點給出直接評論予以鼓勵。被試收到教師反饋后，再次進行修改，并提交終稿。LO組接受大模型反饋的步驟與LT組相同，但作文修改完成后即為終稿。對于TL組，授課教師在被試提交初稿當天便完成反饋，反饋方式與LT組相同。被試根據教師反饋意見，結合大模型反饋進行修改后，提交終稿。

半結構式訪談在后測結束后進行。研究者根據后測寫作成績，將被試劃分為高、中、低3個水平組，隨后從每組隨機邀請3名被試參加訪談，每次訪談時長約30分鐘。經被試明確同意，研究者對訪談過程進行了錄音，錄音再轉寫成文本。

3.5 數據分析

兩位大學英語教師對概要文本進行評分。兩位教師先共同研讀評分量表，通過討論確保對描述語理解一致后開始評分。最終得分取兩位評分員的平均分。如果單個維度相差超過2分或總分相差超過3分，兩位評分員進行協商，縮小評分差距后再取平均值。

研究者和一名助手根據Braun&Clarke(2006)的建議對訪談數據進行主題分析。第一步，兩人通讀訪談的轉寫文本，充分了解訪談內容。第二步，兩人分別對每份訪談文本進行初始編碼。第三步，兩人比較所有訪談文本中的編碼，通過共同討論總結主題。第四步，兩人從所有主題中歸納提煉出中心主題。第五步，兩人基于達成的共識，對確定的中心主題進行命名和定義。

04

結果與討論

4.1 學習者概要寫作表現和寫作自我效能感的總體情況

描述性統計分析結果(見表1)顯示，前測中LO組(13.475)、LT組(13.736)和TL組(13.410)的概要寫作表現處于中等水平，3組的寫作自我效能感也處于中等水平(依次為89.750、87.036、89.103)。后測中3組的概要寫作表現均有所提升(依次為14.575、15.409、15.269),而在寫作自我效能感方面，LO組略有下降(89.400),LT組(90.364)和TL組(91.833)則有所提升。各變量的峰度和偏度均在-2至2之間，符合正態分布。大模型輔助反饋有助于提升學習者寫作表現(Boudouaiaet al. 2024),這種促學效應在概要寫作中同樣存在。

4.2 大模型輔助反饋對概要寫作表現的影響

對不同組別前測和后測概要寫作表現的單因素方差分析結果顯示，前測中3組在總分及各分項分方面均不存在顯著性差異，后測中3組在語言使用、轉述方面不存在顯著性差異，但在內容(F=5.919,p=0.003)、結構(F=5.197,p=0.006)和總分(F=3.848,p=0.023)方面存在顯著性差異。Tuckey HSD事后檢驗結果顯示，LT組和TL組在內容、結構、總分方面均不存在顯著性差異，而LO組與TL組的均值差分別為-0.371(p=0.003)、-0.337(p=0.008)和-0.694(p=0.054),LO組與LT組的均值差分別為-0.300(p=0.030)、-0.325(p=0.019)和-0.834(p=0.026)。

為考察納入前測寫作表現后分組因素是否仍然顯著影響后測寫作表現，研究者以LO組為參照組，以前測中的寫作表現為協變量進行回歸分析。表2分析結果顯示，分組因素依然具有顯著預測效應。表2中的LT組和TL組為啞變量，對應的回歸系數為正數，說明在控制3組前測內容、結構和總分后，LT組和TL組后測中的相應寫作表現優于LO組。

本研究中，在控制前測內容得分之后，分組因素對后測寫作內容具有顯著預測作用，LT組和TL組的內容得分顯著高于LO組。這一結果可能與大模型在寫作內容方面的反饋特點有關。主題分析顯示，大模型反饋存在精準的偏差這一看似矛盾的特點。一方面，受訪者認同大模型能準確理解原文內容。但另一方面，在原文主要內容的判斷上，學習者和大模型有時會存在分歧。受訪者S5認為：“大模型雖然能給我提供一篇概要范文，但是否是主要內容我有時不太確定，需要比對老師給我的反饋。”這說明，大模型生成的范文中可能納入了非主要內容或者缺失了部分主要內容。

大模型在寫作反饋中存在虛構事實的風險(Loet al. 2024)。本研究拓展了已有結論，發現概要寫作任務中大模型基于原文提供的內容反饋未出現虛構原文信息的情況，但在原文主要內容的判斷上可能存在缺陷。主題分析顯示，大模型提供的反饋內容存在較為明顯的隨機性。當大模型就同一提示詞進行多次反饋時，反饋之間會存在內容不一致的情況。這說明大模型并不能真正理解文本，而更多是利用了基于概率的算法(蘇祺 2024)。

以上種種不足影響了大模型反饋的促學效果，而教師反饋則有助于學習者準確、全面把握原文主要內容。Graham(2018)認為寫作者與教師、讀者、評論者等共同構成寫作共同體，而寫作文本是共同體中各成員認知能力以及各種資源相互作用的結果。本研究中，學習者提交的概要終稿是學習者與原文、教師、大模型互動的產物。LT組和TL組學習者除與原文以及大模型互動，還與教師互動。由于教師主要采用元語言評論的方式進行反饋，并不直接提供修改樣例，這為學習者修改文稿提供了必要支架，使得學習者可根據教師反饋意見有針對性地查閱原文，并在與原文的不斷互動中加深對原文的理解。相比之下，LO組僅接受大模型反饋，被試難以確定反饋中是否包含了所有主要內容。

此外，主題分析表明教師反饋有助于學習者與大模型進行有效互動。雖然TL組和LT組在寫作各維度和總分上均不存在顯著性差異，但將教師反饋置于大模型反饋之前，有助于學習者提升提示詞的精準程度，進而提升大模型的反饋質量。受訪者S1表示：“如果沒有老師反饋這個提示進去的話，它會生成一大堆沒什么用的東西。”這表明提示詞越精準，大模型的反饋越具有針對性(徐林林等 2024)。若將大模型反饋置于教師反饋之前，大模型通常會在被試概要的基礎上重新生成一篇新的概要，而并非對被試概要進行修改，導致被試并不清楚自己概要中的優缺點，無法知曉應如何修改，從而降低了被試的學習收獲感。受訪者S4反映道：“它不能直接找出我文章里面有問題的這個點，然后只修改那個點。”本研究中被試雖然接受了大模型使用培訓，但仍需在實踐中不斷摸索大模型使用，積累大模型使用經驗。教師反饋可指導學生在具體任務中與大模型交互，提升數智素養。

4.3 自我效能感的中介作用

單因素方差分析結果顯示，前測中3組在總體自我效能感及各組成構念上均不存在顯著性差異，后測中3組只在語篇整合效能感方面表現出顯著性差異(F=8.309,p<0.001)。Tuckey HSD事后檢驗結果顯示，LO組的語篇整合效能感顯著低于LT組(MD=-3.582,p=0.005)和TL組(MD=-4.190,p<0.001),但LT組和TL組無顯著性差異。

為控制前測語篇整合效能感可能的影響，研究者進行了層次回歸分析。表3分析結果顯示，分組因素仍然具有顯著的預測效應，LT組、TL組比LO組具有更強的語篇整合效能感。

本研究中，LT組和TL組的語篇整合效能感顯著強于LO組。Bandura(1986)認為，成功經驗有助于增強學習者的自我效能感。教師反饋采用元語言評論指出被試文稿中存在的問題，有助于促進被試的反思(Wu & Schunn 2023)。對于評論中的內容部分，LT組和TL組被試需根據反饋，查看原文后做出修改，從而體驗到文稿質量的提升，獲得成功經驗。主題分析表明教師反饋具有啟發性。受訪者S2表示：“(老師提示)我文章后面的點沒有抓住，然后(我)仔細去看那個part, 再看一遍的時候，我會有新的理解。”

被試在自我調節效能感和寫作規范效能感方面不存在顯著性差異，原因可能有二。其一，被試的寫作規范效能感的初始水平較高，每個題項的平均值為7.325。其二，被試在高中階段接受過大量讀后續寫訓練，概要寫作和讀后續寫都是基于閱讀的寫作任務，在自我調節效能感和寫作規范效能感方面存在一定相通之處，因而被試可將自己在讀后續寫中掌握的寫作技能遷移至概要寫作。但是，由于讀后續寫并不過多涉及原文主要觀點的判斷與整合，語篇整合效能感也就缺乏遷移的基礎。

研究者以語篇整合效能感的前后測變化情況為中介變量，以分組因素為自變量，前測寫作成績為協變量，后測寫作成績為因變量，采用Bootstrap方法，重復抽樣5 000次，使用Mplus 8.3軟件進行中介效應分析。表4分析結果顯示，只有以后測內容成績為因變量的2個中介效應模型顯著，這表明相對于LO組，無論LT組還是TL組，語篇整合效能感在分組因素對后測寫作內容的影響中均有顯著的中介作用。

以上結果表明，結合教師反饋的大模型輔助反饋不僅能直接提升二語學習者概要寫作的內容表現，還能通過提升學習者的語篇整合效能感間接提升內容表現，間接效應分別占總效應的53.85%(LT組)和35.34%(TL組)。這一發現證實了寫作自我效能感是影響寫作表現的重要因素之一(Teng & Wang 2023)。與教師反饋互動的學習者強化或修正了對原文內容的理解，比只接受大模型反饋的學習者更能感受到自身進步。自我效能感的中介效應也驗證了Bandura(1986)的社會認知理論中關于環境、個體與行為之間動態交互的觀點。結合教師反饋的大模型輔助反饋為學習者構建了一種通過師生機互動提供支架支持的學習環境，增強了學習者的語篇整合效能感，進而提升其概要寫作的內容表現，部分揭示了大模型輔助教師反饋產生促學效應的內在機制。此外，結合教師反饋的大模型輔助反饋同樣有助于提升學習者的寫作自我效能感與寫作表現(Sari & Han 2024)。

與以往研究(如Asadiet al. 2025)不同的是，本研究通過學習者的寫作學習實效表明盡管大模型能夠高效提供寫作反饋，教師反饋仍然具有不可替代的作用。自我效能感的中介效應表明，大模型為二語教師減輕反饋負擔后，教師可在反饋中注重給予學習者更多的啟發和引導。這不僅能為學習者創造更好的促學環境，還能通過促進學習者情感層面的發展，提升整體育人效果。

05

結語

本研究探討了大模型輔助反饋的不同形式對二語學習者概要寫作表現的影響，發現與大模型單獨反饋相比，結合教師反饋的大模型輔助反饋能夠顯著提升學習者在寫作內容和組織結構方面的表現，增強學習者的語篇整合效能感，并且語篇整合效能感在大模型輔助反饋對寫作內容表現的影響中具有顯著的中介作用。

本研究能為二語寫作教學提供一定啟示。其一，在反饋設計上，教師可依循“教師主導、大模型執行”的人機協同反饋原則。教師聚焦診斷學情和指明修改方向，措辭潤色、語法糾錯等高耗時反饋任務可交由大模型完成。這既能使教師專注于更高層次的寫作引導，也能充分發揮大模型反饋的高效優勢。其二，在反饋流程上，教師可采用“先教師反饋后大模型反饋”。學習者可根據教師反饋意見，向大模型尋求具體的修改方案與范例。這有助于學習者更有針對性地與大模型互動，優化大模型生成內容的質量，提升寫作水平。

當然，本研究也存在不足之處。被試來源于一所高校，后續研究可將不同高校英語水平更加多元的學習者作為被試。研究中的個體因素僅考察了自我效能感，今后可納入自我調節等其他因素，深入考察大模型輔助反饋對于二語寫作教學的作用機制與實效。

文章來源：外語界