【周二见·AI+教育论文解读】点亮火花:大语言模型如何赋能资源不足的中国高中生重新想象英语写作

在一所资源吃紧的高中，当学校引入一个能随时调用的 AI 工具，来补上老师做不过来的写作反馈，学生身上会发生什么变化。

论文把出发点定在教育公平上。中国县域高中的英语写作教学，长期面临一个具体困难：写作需要密集的、针对每篇作文的个别化反馈，而一个老师要带好几个班、还要处理行政事务，这部分作业的评价反馈很难稳定给到每位学生。作者引用反馈研究里一条被反复验证的结论——学生拿到针对具体错误的反馈后，会做出有针对性的修改，写作质量可测量地提升。也就是说，反馈量本身直接影响教学效果。

研究者发现既有 AI 写作反馈研究的实证基础，几乎全部来自大学环境。县域高中的学生英语基础更弱、AI 素养近乎空白、教师负担更重，AI 在那里还能不能起作用，没人验证过。论文提出三个研究空白：中学阶段尤其是资源不足地区缺少实证；反馈供给增加之后学习过程如何变化少有追踪；引入 AI 后学生会不会因为反馈太容易反而放弃深入思考。

作者没有把问题设成“AI 反馈和教师反馈哪个更好”。他们更关注：当AI补上评价反馈的缺口之后，学生的行为、心理、元认知三个层面各自发生了什么变化，哪些旧问题被缓解，哪些新问题冒出来。

研究在东北一所三年制县域高中进行。当地经济总量位居全国末位，财政能力有限。参与的是两个完整建制的高二班，由同一名英语教师任教，期中考写作分数没有显著差异。

两个班通过程序脚本随机分配：实验组 22 人（8 名男生、14 名女生，平均年龄 18.86），对照组 24 人（7 名男生、17 名女生，平均年龄 18.33）。随机分配加上同师同教材，是为了排除教师差异带来的干扰。

干预持续九周。第 1 周填基线问卷并收集期中考写作分数作为前测；第 2 至 7 周是两个“写作—反馈—修改”循环，每个循环学生在规定时间内独立完成约 150 词的作文，模拟考场条件；第 8 周期末考，后测写作没有反馈可用；第 9 周访谈 10 名实验组学生。

写作任务全部取自此前已学过的教材单元，主题包括“健康生活方式”“城市规划”。这样安排是为了排除话题不熟悉这个干扰项——学生具备完成所需的背景知识与词汇，这样测的才是评价反馈本身的作用。

两组的反馈机制不同。实验组在机房由教师监督访问 DeepSeek，输入草稿拿实时反馈。生成反馈的首条提示词由研究者设计，要求从内容、组织、语言使用三个维度给建议，用中文书写，并且不直接给修改后的范文。用中文给反馈有三条理由：学生英语水平有限，全英文反馈他们用不了；第一语言反馈是他们本地教学的标准做法；有研究支持 L1 反馈有助这一水平的学习者理解复杂的修改点。首轮交互限制学生改参数，保证起点一致，之后解除限制。

对照组由两位教师给反馈，其中一位教同一学段超过五年。两位教师知道研究里有两种反馈条件，但不知道实验组用了什么工具和怎么操作，为的是避免偏差。他们先各自独立审阅初稿，再讨论达成共识后给出最终评语，评语同样覆盖内容、组织、语言三个方面。不使用统一模板，是为了保留反馈的自然性；两人协作，是为了保证非标准化反馈的可靠性。

反馈之后，两组都在课堂上用 Word 的修订功能改自己的作文。所有学生必须提交修改后的电子版。写作练习在期末总评中占比不到 10%——这样设计是为了不让参与度和成绩挂钩，学生不会为了分数去应付修改。

  图一　研究设计：两个班，九周，三层追踪

数字来自三处。反馈采纳的编码覆盖两个班全部修改后的作文（其中 6 篇先用于编码练习）；写作表现、写作自我效能感、写作自我调节三项，用的是第 8 周期末考后的后测数据，前测分数作为协变量做协方差分析；访谈数据来自实验组 10 名学生。

反馈量上，DeepSeek 生成的可执行反馈单元中位数是 10（极差 8–15），教师反馈是 8（极差 6–10），差异显著（z = −4.258，p < 0.001）。成功采纳的次数中位数 5 次对 2.5 次（z = −4.148，p < 0.001）。

两组反馈量不同，所以按比例看更有信息量。成功采纳的中位比例，实验组 0.481 对照组 0.333（z = −3.099，p < 0.001）；未成功采纳 0.000 对 0.125（z = −2.384，p < 0.05）；未尝试采纳 0.375 对 0.500（z = −2.814，p < 0.01）。部分采纳的比例两组没有显著差异（z = −1.321）——这是四类采纳行为中唯一没有出现组间差异的一类。

 图二　学生实际采纳了反馈的多少

图二把这四类放在一起看。成功采纳一栏两组差距最明显，未尝试采纳一栏则是对照组更高。两个数字方向相反：实验组的学生动手改的次数没少，未成功采纳的比例也降到 0.000，改对的比例随之升上去。

后测写作满分 100 分，实验组调整后均值 89.388 分，对照组 85.686 分，相差约 3.7 分（F = 20.072，p < 0.001，偏效应量 0.318）。写作自我效能感是 6 级李克特量表，实验组调整后均值 4.712 分，对照组 3.573 分，差 1.14 分，接近一个等级差（F = 38.319，p < 0.001，偏效应量 0.417）。写作自我调节同样是 6 级量表，实验组调整后均值 4.875 分，对照组 3.268 分，差 1.61 分（F = 59.159，p < 0.001，偏效应量 0.579）。偏效应量的取值范围是 0 至 1，0.14 是学界惯用的大效应分界，这三项都超过它，写作自我调节的 0.579 最强。三项前测基线均无显著差异。

图三　三个后测结果：调整后均值

图三里效应量的排序是自我调节最高、自我效能感次之、写作表现最低。三个指标的口径不同：写作分是百分制，实验组调整后均值已到 89.388 分，接近上限；两个自我效能量表是 6 级，实验组分别是 4.712 和 4.875，都还在量程中段。论文没有解释这一排序，成稿也不替它解释。

论文把机制定位到反馈的形态上。基线课堂里老师给的评语常是“润色这一段”“把论证再展开些”这类高推断性说法，教学法上没错，但学生得自己判断到底要改什么、怎么改，对写作水平有限的学生就是一道坎。AI 生成的反馈更具体、更能直接执行——给出具体的替换词、句子层面的重组方案。论文由此提出一个更窄的判断：资源不足课堂的问题不只是反馈少，而是给出的反馈对最需要它的学生来说更没法执行。

访谈里学生自述的交互过程是“提问—追问—采纳”：遇到不懂的建议就反复问，问到懂了再改。有一位学生说，DeepSeek 本质上是个“资源库”，以前查词得翻词典再搜范文，那些材料不解释，最后还是得自己总结。

还有几个问题没有被解决。AI 补上的那部分反馈天然偏向表层语言问题，深层结构反馈——让学生重新思考论证、重组推理——仍主要靠老师。资源差距被缩小了，但远未弥合。写作增益能否在撤走工具后持续、自我效能感能否内化成独立能力，都是开放问题。

论文自述了四条局限。没有延迟后测，现有发现主要反映即时增益，长期保持性有待证实；两个条件在反馈量、覆盖深度、认知复杂度上本就存在差异，作者承认这在统计上可以视为混淆变量，反馈质量的净效应难以与高可得性完全剥离；样本来自单一地区且工具新颖，无法排除霍桑效应；访谈还发现部分学生在时间压力下跳过主动思考直接采纳建议，可能削弱自我监控。

论文给研究者留的方向包括：用控制反馈量与认知复杂度的设计，隔离出 AI 反馈质量本身的净效应；探索人机协同模型；从公平视角看，研究应优先以资源不足情境为中心，用更大规模的跨区域样本并纳入纵向追踪。

给实践者的起点有两个。一是把“反馈是否可执行”做成一节自评：拿到一条学生改不动的反馈，先判断是内容没讲清还是学生不知道从哪下手。二是用四类采纳编码做一次抽样回看，20 篇作文足够看出反馈的落点集中在哪一层。

在一个反馈长期给不够的高中，AI 补上的主要是数量和表层语言问题，写作分数、写作信心和自我调节能力都随之上升，但深度反馈和独立判断仍然留在老师手里。