生成式人工智能辅助英语读后续写教学初探

引言

以大语言模型为代表的生成式人工智能技术具备创造文本、图像、音频和视频内容的能力，凭借其高智能交互、创新性生成和复杂数据处理等优势，为教育研究带来了新的变革（荆洲、杨启光，2024）。教育学界对于生成式人工智能的研究已涉及课堂教学中的有效运用和创新方法（胡壮麟，2023；焦建利，2023；黎加厚，2024）、教育应用的伦理问题和风险规避（王佑镁等，2023；何昌旺、熊和平，2024）及其对教师角色的影响（于银磊、饶辉，2023）等。

在外语教育方面，越来越多的中小学教师也开始关注生成式人工智能的教学应用价值。胡加圣、戚亚娟（2023）提出，生成式人工智能可帮助学生自我评估并识别改进领域，增强学习意识和自主学习能力。孔蕾（2024）重构了阅读教学模式，应用生成式人工智能辅助进行情感、主题、叙事多层次分析，有效增加阅读深度，培养学生的思维品质。余苏丹、赵杰（2024）利用生成式人工智能创设互动学习环境，生成多模态内容以促进词汇学习。徐晓艺、陆祎（2024）针对初中英语写作教学中教学资源有限和个性化教学不足的问题，引入生成式人工智能辅助写作过程的开展。然而，针对高中英语读后续写教学的新技术融合教学应用研究尚不多见。

生成式大模型支持的读后续写教学重构

读后续写作为近年高考英语写作任务新题型受到广泛关注。研究团队围绕读后续写日常教学，通过线上问卷、线下访谈等方式对全国范围内50所学校的327名高中英语教师进行了调研，分析总结出一线教师在开展读后续写教学过程中面临的三大难题：第一，日常教学目标模糊且备课耗时；第二，教师批改及讲评负担较重；第三，学生缺乏基于个人学情的写作辅导和学习素材。

从上述难题出发，研究团队测试了多个生成式大模型，利用它们的序列任务执行能力、对话情境理解能力、启发性内容生成能力（卢宇等，2023），进行读后续写教学的技术融入探索，发现生成式大模型可以在如下方面辅助教师的教学：第一，批改、润色学生作答；第二，创作多样续文情节；第三，生成个性化素材并辅助分层作业设计。本节聚焦教师如何利用生成式大模型设置教学内容和重构教学方式，以提高读后续写教学效能。

1. 教学内容

人工智能系统可使评价变得更加灵活和个性化，既为教师提供多维的教学参考，也为学生提供系统的学习反馈和个性化指导（刘建达，2023）。在生成式大模型的辅助下，教师的写作批阅效率大幅提高，且能获得多维学情报告，便于以学定教；学生可获得个性化的习作反馈，适于自主订正。

生成式大模型参与的外语教学设计应明确课上和课下教学内容的侧重点（孔蕾，2024）。原本教师在课堂上带领学生理解文章、解析基本词汇和语法知识等任务，均可提前安排学生于课下完成，不再作为课堂教学的重点。课堂教学转而聚焦于推动学生的策略运用、思辨能力提升和情感、态度、价值观培育。这种课内外相融合的教学方法既能满足学生个性化学习的需要，又能促进他们批判性思维和实践能力的发展，进而助力学生更好地应对未来挑战。

2. 教学组织方式

在合理应用生成式人工智能的课堂中，教师和学生可以实现知识的共创、共享和拓展，使学习环境更具活力和创意（黎加厚，2024）。研究团队根据“明确目标—进行教学设计—授课、观摩、研讨—修改教学设计—再次授课”的步骤，设计了读后续写研讨课，由2名教师分别展示。授课教师与同行及专家团队共同研讨，明晰了生成式大模型融入读后续写教学的组织方式：课前基于学情反馈，实施以学定教；课中立足深度互动，构建生成课堂；课后利用个性素材，设计分层作业。

具体而言，课前，教师可参考生成式大模型提供的多维证据来诊断班级学情、确定教学目标或课堂焦点。授课时，教师以支架理论强调的“最近发展区、师生互动、合作学习”为指导，采用小组学习形式组织学生对原文进行深度解读、赏析范文或学生习作等活动。教师可在课堂上引入与生成式大模型的交互活动。教师先示范如何使用精准的提示语来实现特定内容的生成，随后指导学生使用生成式大模型创设不同的情节。这一过程中，教师、学生及人工智能系统进行三者互动，相互启迪。学生在教师引导下，通过自身的独立思考和批判性思维获得对新技术的认知（黎加厚，2024）。课后，教师要求学生及时巩固课上学到的文本解读及习作优化策略。常见的读后续写教学做法是教师基于原文，人工“二次开发”巩固练习或布置背诵范文等作业任务。事实上，此类作业对学生来说往往缺乏针对性，“二次开发”对教师而言也耗时费力。生成式大模型的自动、快速生成高质量试题的能力（王蕾，2023）可辅助教师根据学情生成有着不同侧重点的课后任务，教师亦可依托生成式大模型的辅助及所提供的个性化素材，相对轻松地设计出分层作业。

生成式大模型在读后续写教学中的应用

本节以2022年英语新高考Ⅰ卷读后续写题“David’s Run”为例，选取并分析典型教学环节，展示如何运用生成式大模型辅助教师精准备课、开展课堂教学及设计作业，呈现如何引导学生进行人机互动，通过师生合作评价树立正确的人机协作理念。

1. 诊断学情精准备课，以学定教优化设计

在写作备课阶段，教师遇到的一大挑战是如何选择评价焦点（孙曙光，2017）。教师在读后续写阅卷中经常会发现学生习作中既有词汇、语法方面的问题，也有情节内容、细节描写、行文逻辑等方面的问题。因此，如何选择讲评重点以及如何分配教学活动时间是读后续写讲评课的常见难题。

国内一些较成熟的生成式人工智能教学应用系统已实现批量阅卷、精批润色、智能报告学情并归纳学生典型作答案例（如语法、情节、描写等），其批改效果相较传统的智能系统更符合读后续写的评价标准。为直观展示案例，研究者基于“讯飞星火认知大模型”进行说明。以“David’s Run”读后续写题为例，教师可将学生习作输入网页端对话入口，使用合适的提示语（prompt），获得相应的诊断性评价、润色示例和修改说明。如下文所示（有删节）。

学生习作（原文）：

... After a while， I asked him to join this running. I don’t think that was such a big question for him. Although he has a disease he could also running with others normally. He stared at my eyes. I hugged him， it worked. ...

大模型对学生习作的诊断性评价：

总评：故事情节基本合理，与原文基调一致。部分逻辑衔接不够流畅，如直接叙述“I asked him to join this running.”却未描写之前是如何鼓励他的。情感、动作、语言等细节描写不足，且存在语法错误，语言表达上有改善空间。

大模型基于诊断评价提供修改润色示例：

Sensing his unease， I gently reminded him of all the progress he had made during practices and how proud everyone would be to see him participate. “You know what？” I added with a reassuring smile， “I believe you’re going to have an amazing race.” Gradually， his gaze lifted to meet mine， eyes still glistening with tears， but now with a hint of determination.

修改说明：

增加了“我鼓励大卫”的情节，使逻辑衔接更顺畅；示范了动作、语言描写……

教师可基于学情分析更有针对性地备课，确定每个教学环节的焦点。例如，本班学情报告显示学生习作的主要问题有：（1）情节逻辑衔接不够流畅；（2）在情感、动作、语言描写等方面有所欠缺；（3）情节走向过于雷同。据此，教师可要求学生在讲评课前查看大模型针对个人习作的逐句批改反馈和篇章润色建议，对照原文完成初步的作文修订，理解修改意图和修改方式，提升对高质量写作的感知能力，积累语言表达的经验及策略，从而提高自主学习能力。而教师则可将有限的课堂时间侧重于更具有思维挑战的活动，引导学生开展深度语篇解读，与生成式大模型互动，进行故事情节创设或协同优化典型案例等活动。

2. 师生共筑智慧课堂，协同生成动态教学

（1）人机协同创作，生成多样情节

教师在读后续写教学中，常期望引导学生基于原文情节和逻辑续写出“一个故事，多种结尾；一个情境，多向发展”（凌勇，2016）的续写内容。但学生在写作中易出现情节过于聚焦或忽视原文线索及伏笔而进行不当发散等问题。对此，教师可以尝试设计“人机协同创作”类课堂活动，通过与生成式大模型互动解决。例如，教师可按表1示例的多轮提示语来引导学生与生成式大模型共创续作内容，通过人机协同生成情节与描写、探究更多可能的结尾等，避免续写考试后仅让学生参看、背记一两篇范文的教学局限。

表1. 生成式大模型的提示语示例

此类将人类智慧与机器智慧相结合的学习方式（黎加厚，2024）可为激活学生创意写作提供有益示范，也更契合读后续写题型倡导的创新思维的培养。

（2）师生合作评价，发展批判思维

沈书生、祝智庭（2023）认为教育者需要进一步完善新型学习生态，引导学生从单纯的外部输入向兼顾外部输出转变，以促进学习个体构建与时俱进的学习力。课堂教学中，学生在教师的指导下，瞄准要完成的任务，与生成式大模型对话互动，在思维链式的交流中关注并发展批判性思维，在学习记录单上记录自己的提问过程、生成式大模型的回应及评价等。

该过程可让学生学习并实践如何与生成式大模型有效互动，获得期望结果，进而形成方法论。当发现生成式大模型的回答不符合预期时，教师亦可引导学生现场讨论，如：生成式大模型产出的内容有什么特点？生成式大模型产出哪一类内容的效果更好？对于哪一类结果我们需要辩证看待？总之，该过程使学生通过“练习—评价反馈—巩固迁移”逐步形成自我学习的监控策略，既能认识到生成式人工智能的作用，也能批判地看待所生成的信息。

3. 定制素材赋能作业，创新设计提升效果

（1）围绕续写语篇原文，生成多样描写素材

生成式大模型可按教师指令定制素材，赋能创新作业设计，提升命题效率和作业质量。再以“David’s Run”读后续写题为例，要求生成式大模型围绕指定主题，生成动作描写、心理描写、语言描写、环境描写等素材。

教师输入提示语：

原文：It was the day of the big cross-country run…

假如你是一名高中英语老师，请你阅读以上原文，根据所提供的两个段首句，进行动作描写、心理描写、语言描写和环境描写这四类细节描写，每类细节描写要写两句话，英文句子要使用较为复杂的表达。展示形式须跟所提供样例一致。

根据教师的提示语，生成式大模型能输出语言地道的描写素材，如下文所示（有删节）：

① 动作描写

I gently placed my hand on David’s trembling shoulder， offering a reassuring pat to convey my firm support.

② 心理描写

A wave of empathy washed over me as I realized the immense courage it took for David to even consider participating in the race.

教师还可细化提示语，要求素材包含高中必修课程要求学习和掌握的语法项目，如“动词-ing形式做状语”“as引导的时间状语从句”“it作形式主语”等。然后，教师可基于多样化的素材分类创编句子练习题，用于相关专题教学的辅助训练。

（2）生成相同话题语篇，设计微型写作任务

教师输入提示语：

根据所给首句合理续写，描述小男孩参加跑步比赛的情形，侧重动作描写和神态描写（100词左右）。

大模型根据提示语生成了一个微语篇，如下文所示，其中下划线部分显示大模型所生成的内容精准响应了教师的提示语要求。教师可将此语篇改编成适当的微写作任务，以满足不同层次学生的技能巩固需要。

首句：Tom will never forget the event which happened one morning when he was only ten years old.

续写：Tom’s legs felt heavy as he stood at the starting line， surrounded by taller， more confident runners. His heart thumped in his chest， but he clenched his small fists and took a deep breath. As the whistle blew， he pushed off with all his might， his sneakers slapping against the track. His face was a mask of determination， eyes fixed on the distant finish line. With each stride， his body leaned forward， arms pumping in rhythm with his quickening breaths. Despite the burning in his lungs and the stitch in his side， Tom’s gaze never wavered. He was not going to let this challenge defeat him.

结语

本研究基于读后续写教学的实际需要，以新课程的评价理念为指导，尝试构建“教师+学生+大模型”协同互动的读后续写讲评课新模式。该模式在课上和课下有效整合了生成式大模型的促学、促教能力，助力因材施教和师生合作评价的落实，引导学生从“完成任务接受评价”转换成“主动学会评价”，进而主动尝试利用大模型优化作文。在此过程中，学生既可以积累并调用使用生成式大模型所需要的技巧，也可以学会辩证看待技术产出的结果，最终促进学习能力和高阶思维的发展。

展望未来，生成式人工智能在教育领域的应用将日益深化。为了更加高效地利用生成式人工智能，一线教师应不断积极尝试各类生成式技术，明确其应用优势和适用界限，深入探索技术与学科教学的融合策略。如此，教师才能更好地成为学生能力发展的促进者、技术应用的指导者、学习成长的助推者。

* 本文系上海外国语大学中国外语战略研究中心2023年度“世界语言与文化研究”课题“‘教师+大模型’混合反馈对二语综合写作表现的影响研究”（项目编号：WYZL2023AH00）、2023年度安徽省教育信息技术研究课题“信息技术与高中英语群文阅读教学深度融合应用研究”（项目编号：AH2023005）、2022年度安徽省教学科学研究项目“基于AI技术的高中英语OMO阅读课程资源开发研究”（项目编号：JK22058）的研究成果。

参考文献

何昌旺， 熊和平. 2024. ChatGPT类生成式人工智能教育伦理危机及其应对[J]. 中国教育信息化， （2）： 81—90.

胡加圣， 戚亚娟. 2023. ChatGPT时代的中国外语教育： 求变与应变[J]. 外语电化教学， （1）： 3—6.

胡壮麟. 2023. ChatGPT谈外语教学[J]. 中国外语， （3）： 12—15.

焦建利. 2023. ChatGPT： 学校教育的朋友还是敌人？[J].现代教育技术， （4）： 5—15.

荆洲， 杨启光. 2024. 生成式人工智能赋能教育研究范式变革： 机理、风险与对策[J]. 中国电化教育， （3）： 68—75.

孔蕾. 2024. 生成式人工智能在外语专业教学中的应用： 以《大学思辨英语教程·精读》教学为例[J]. 外语教育研究前沿， （1）： 11—18.

黎加厚. 2024. 生成式人工智能时代的课堂教学创新[J]. 中小学信息技术教育， （Z1）： 6—10.

凌勇. 2016. 读后续写的教学策略[J]. 中小学外语教学（中学篇）， （5）： 31—35.

刘建达. 2023. 基础教育阶段英语教学中的以评促学[J]. 英语学习， （9）： 23—27.

卢宇， 余京蕾， 陈鹏鹤， 等. 2023. 生成式人工智能的教育应用与展望——以ChatGPT系统为例[J]. 中国远程教育， （4）： 24—31.

沈书生， 祝智庭. 2023. ChatGPT类产品： 内在机制及其对学习评价的影响[J]. 中国远程教育， （4）： 8—15.

孙曙光. 2017. “师生合作评价”课堂反思性实践研究[J]. 现代外语， （3）： 397—406.

王蕾. 2023. 人工智能生成内容技术在教育考试中应用探析[J].中国考试， （8）： 19—27.

王佑镁， 王旦， 梁炜怡， 等. 2023. “阿拉丁神灯”还是“潘多拉魔盒”：ChatGPT教育应用的潜能与风险[J]. 现代远程教育研究， （2）： 48—56.

徐晓艺， 陆祎. 2024. 生成式人工智能助力初中英语写作教学的实践探究[J]. 中小学英语教学与研究， （4）： 49—53.

余苏丹， 赵杰. 2024. 生成式人工智能在英语词汇学习中的应用[J]. 英语学习， （1）： 12—18.

于银磊， 饶辉. 2023. 智能时代大学外语教师的角色危机与身份重塑[J]. 外语电化教学， （3）： 79—85.

作者简介

张静 认知智能全国重点实验室成员，中国科学技术大学硕士。

赵杰 安徽省教育科学研究院英语教研员，安徽师范大学硕士生导师，正高级教师。

王鹏 安徽省合肥市教育科学研究院英语教研员，安徽师范大学特聘教授，中学高级教师。