专业写作的教学机制：Scaffolded Annotation 与 ChatGPT 的比较

文献标题

Instructional Mechanisms for Professional Writing: A Comparison of Scaffolded Annotation and ChatGPT

出版信息

• 研究领域: 专业写作指导与数字工具评估
• 关键词: 分层注释、专业写作、Lettersmith、ChatGPT、认知过程、写作质量、教学机制、生成式人工智能、数字写作工具、求职信

背景与问题

• 问题与挑战: 许多学生缺乏足够的指导来发展专业写作技能，而现有工具如 ChatGPT 通常无法有效支持写作所需的认知过程。此前关于 Lettersmith 的研究已证明其有效性，但尚未探讨其具体教学机制或与生成式人工智能工具的比较。
• 重要性: 专业写作对于获得就业机会至关重要，但许多学生难以达到雇主的期望。特别是对于缺乏经验的初学者，亟需有效的教学工具来弥合这一差距。
• 动机与相关研究: 先前研究表明，Lettersmith 中的分层注释有助于提高写作质量和理解能力。然而，其教学机制的单独贡献以及与 ChatGPT 等工具的比较效果尚未被深入研究。

解决方案

• 提出的方法: 本研究评估了 Lettersmith 中分层注释的教学机制，并将其与 ChatGPT 的非结构化使用进行比较，以改善专业写作中的认知过程和写作质量。
• 创新点:
  1. 对分层注释中的单个教学机制（如清单、注释示例、标记）进行实证评估。
  2. 比较 Lettersmith 中的分层注释与 ChatGPT 的非结构化使用。
  3. 深入了解初学者如何使用 ChatGPT 等生成式人工智能工具。
  4. 确定最有效的教学机制以提高写作质量。
• 研究步骤与关键技术:
  1. 对 146 名大一学生进行实验，任务是撰写和修改求职信。
  2. 将参与者分为六种条件组，每组使用不同的教学机制或 ChatGPT 的非结构化使用。
  3. 通过调查和对求职信的编码，测量认知过程和写作质量的变化。
  4. 分析参与者与 ChatGPT 交互的定性主题。

结果

• 具体发现:
  • Lettersmith 的完整分层注释（清单、注释示例、标记）在帮助学生理解高质量求职信的构成方面效果最佳。
  • 将清单与其他机制（如示例或标记）结合使用，比单独使用清单或示例更能提高写作质量。
  • ChatGPT 的非结构化使用在写作质量和认知过程改善方面效果最差。
  • 没有求职信经验的初学者从分层注释中受益最多。
• 相较基线的优势:
  • Lettersmith 在改善认知过程和写作质量方面均优于 ChatGPT。
  • 清单被认为是最具影响力的单一机制，尤其是在与其他功能结合使用时。
• 实验与评估:
  • 参与者在六种条件下撰写和修改求职信：清单、非注释示例、清单+示例、清单+标记、完整 Lettersmith 和非结构化 ChatGPT。
  • 根据求职信的九个关键组成部分评估写作质量，并通过前后调查测量认知过程。
• 局限性与未来工作:
  • 研究对象为大一学生，结果可能无法推广至有经验的写作者。
  • 实验室环境可能无法完全反映真实写作场景。
  • 未来研究可探索 ChatGPT 的结构化使用、生成式人工智能与分层注释的结合，以及在课堂或就业中心的现场实验。

总结

本研究评估了 Lettersmith 中分层注释的教学机制，并与 ChatGPT 的非结构化使用进行了比较，以指导专业写作。结果表明，将清单、注释示例和标记等机制结合使用显著提高了学生对高质量求职信的理解和执行能力，尤其对初学者效果显著。相比之下，ChatGPT 的非结构化使用未能超越分层注释。这些发现强调了数字写作工具中结构化指导的重要性，并建议将生成式人工智能与教学支架相结合，以进一步提升专业写作指导效果。