感谢您关注“永大英语”！

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

孔 蕾

提要：本研究探讨以大语言模型（large language models，LLMs）为代表的生成式人工智能在外语专业教学中的应用。研究以《大学思辨英语教程·精读》教学为例，考察生成式人工智能的普及应用对教学内容和教学模式产生的影响；研究还通过典型案例，展示LLMs在教学中的应用场景，探讨其潜在应用价值。研究认为，大语言模型作为教师和学生之外的智能实体参与外语教学，正潜在地改变着教育格局。外语教育需要与时俱进，建构多种智能技术支持的新型教育框架。

关键词：大语言模型；外语教学；教学内容与教学组织方式；应用场景

1. 引言

生成式人工智能（generative artificial intelligence，GAI）， 尤其是以大语言模型（large language models，LLMs）为代表的生成式人工智能技术，正深刻影响着人类活动的各个领域。在外语教育领域，其影响更为直接，已成为推动外语教育变革最具潜力的力量。得益于大数据支撑和不断创新的算法驱动，LLMs执行复杂语言处理任务的能力不断增强，知识生产的质量不断提高，智能分析和推理能力也在加速提升。不断迭代更新的大语言模型正在对教育教学，特别是语言教学产生革命性影响。

2. 相关研究

自OpenAI于2022年11月发布GPT-3.5以来，国内外教育界关于生成式人工智能对教育影响的讨论日渐热烈。国外研究主要聚焦ChatGPT的介入可能带来的风险和问题（Akinwalere & Ivanov 2022；Firat 2023）、学习者和教师应用GAI的潜在方式（Hong 2023；Kohnke et al. 2023），以及应用GAI的伦理规范（Nguyen et al. 2023）等。我国外语教育领域对生成式人工智能的探讨也在不断增加，涉及ChatGPT对外语教学实践、教学模式、教学方法的影响（胡壮麟 2023；秦颖 2023；杨港、顾世民 2023），对自主学习的促进作用（张震宇、洪化清 2023）以及对教师角色的影响（于银磊、饶辉 2023）等。

以上研究揭示了生成式人工智能在教育领域的潜在价值、面临的现实挑战以及未来可能带来的影响，为在教育领域有效应用这一技术提供了重要启示。但这些研究主要聚焦于宏观层面，对实际应用层面的探究相对不足。随着生成式人工智能技术的日益普及，它在教学中的应用潜力亟待开发。本研究聚焦大语言模型在外语专业课程《大学思辨英语教程·精读》中的应用，探讨LLMs介入对外语教学内容设置和教学组织方式的影响，并通过案例展示它在教学中的潜在应用价值。

3. LLMs支持的教学重构

大语言模型在多种自然语言处理任务上表现突出，如翻译、写作、句法—语义解析等。当大多数学习任务都能通过人工智能迅速完成，教师和学生均掌握并使用相同的数字化资源时，传统课堂上的讲授行为将面临巨大挑战。外语教学需要评估哪些层面可能被AI 替代，并相应调整教学内容和教学方法。本节聚焦这一问题，探讨LLMs支持下的教学内容和教学组织方式的重构。

3.1 教学内容

在LLMs的智能辅助下，普通的信息查询、基本的词汇和语法知识以及浅层思维问题都可由学生通过与AI的交互在课外完成，不应再视为课堂教学的重点内容。课堂教学的核心应转向解决复杂的高阶问题，培养学习者的思辨能力。在设计《大学思辨英语教程·精读》的教学内容时，我们分别为课上和课下设置了不同的教学重点（见表1）：

具体来说，课下的学习内容主要围绕基础词汇/语法知识和浅层思维问题展开，辅以一定比例的开放性、探究性问题，目标在于培养学生的自主学习能力和探索性学习能力。一些难以通过传统查询方式获取的信息可以通过与AI交互完成，如长难句结构、语义关系或语用意义分析。例如，下面的长句就可以通过LLMs得到解析（见表2）。表2显示，LLMs的解释清晰且易于理解，可以取代教师对这部分内容的讲解。

课堂教学应注重高阶思维训练与GAI的协同应用。在遇到复杂的思辨性问题时，教师应考虑把GAI产出的内容纳入评估范围，有意识地引导学习者分析GAI的产出质量，如内容的真实性、相关性、可信度和专业性，以及信息背后的偏见和潜在意图等，从而让学习者充分认识到：GAI仅能提供一般化解决方案，它提供的答案更适合作为一个起点，学习者需要结合自己的经验和知识，制定出更具创意和个性化的解决方案。此外，虽然GAI能够提供丰富的信息和知识，但无法提供与个人经验密切相关的情感价值和伦理价值。因此教师应重视培养学生的情感和价值观，提升学生的道德判断力和社会责任感。

总的来说，LLMs参与的外语教学应重新明确课内外学习内容的侧重点。课下侧重基础能力培养以及对新问题、新领域的探索，课上则聚焦于应用、思辨、情感和认知能力的提升。这种课内外融合的整体性做法既能满足个性化学习的需求，又能增强学生的批判思维和实践能力，有助于他们更好地应对未来的挑战。

3.2 教学组织

传统上，为提高课堂教学效率，教师会将大量的语言技能操练放在课下完成，课堂时间则用于解决学习的重难点问题。随着大语言模型的日渐普及，教学资源的泛在性日益深化，任何学习者都可以借助这类工具完成大部分的学习任务。这时，沿用传统评价方式来评估学习质量已不再具有实质性意义，需要重新思考和调整教学组织方式，以便改进和完善评估方式。本着输出驱动输入的基本设计理念（文秋芳 2015，2018；文秋芳、孙曙光 2020），本研究提出“AI辅助+非AI辅助交替教学模式”。该模式为宏观教学模式，非AI辅助是指阶段性不使用AI，而并非无关AI。该模式的基本内涵是应用AI辅助学得的知识，来测试AI辅助学习的成效，既可以课上课下交替，也可以在课堂教学环节间交替。现以课上课下交替为例说明这一模式。

（1）课下AI辅助模式

重点：自主学习+探究性学习

应用场景一：AI辅助解决语言理解和产出问题

· 基础语言问题+语言产出反馈

· 提升自主学习效率

应用场景二：AI辅助的深度思考和探索

· 挑战性任务+启发性任务

· 激发阅读广度和思维深度

首先，LLMs可在基础语言学习方面提供辅助，并在课下学习阶段发挥特殊作用。例如，教师可鼓励学习者在课下使用LLMs提升写作技能，同时需要告知学生记录自己的写作过程以及LLMs的修改和润色过程，以便在课堂上分享。在这个过程中，每名学生都有机会得到智能辅助，相较于传统教学模式，这种方法更有可能提升语言表达的准确性和流畅性。表3展示了大模型Claude对学生作文的修改情况。

表3显示，LLMs的修改涵盖了多个层面，不仅提高了语法和词汇的准确性，还提升了观点的清晰度、语言的简洁性和逻辑的连贯性。基于该反馈，教师可在课堂上引导学生分析LLMs 的修改意图和修改方式，以提升学习者对高质量写作的感知力，培养学习者的质量意识，帮助他们总结学习心得、积累高质量语言使用的经验，最终在写作实践中提升语言能力。

其次，课下可利用LLMs辅助深度思考和探索。以《大学思辨英语教程·精读1》第九单元为例，该单元以“世界英语”（World Englishes）为主题，探讨了英语的各种变体及其交流问题。教师可以通过设计具有挑战性和启发性的问题，来激发学生的阅读广度和思维深度。例如，“Can you give some examples of different Englishes in the world today?”“What contributes to the emergence of these varieties?”“What is your attitude toward the role of globalization in affecting local languages?” 这些问题能引发学生对英语作为通用语（English as lingua franca）的一系列思考，是对学生知识和能力的综合考查。尽管LLMs可为解答这些问题提供知识和例证，也可做出判断或评价，但要深入分析，学生还需要进一步拓宽阅读的学科边界。例如，回答第二个问题时需要了解相关国家的历史知识；而回答第三个问题，则需调查相关国家的语言政策，并了解英语在这些国家的地位。

（2）课上非AI辅助模式

重点：输出实践+思辨

第一层面：持续、大量的输出训练

· 提升准确性、流畅性

· 审视自主表达能力

第二层面：高阶学习任务

· 批判性思维、解决复杂问题的能力

· 与AI交互的能力

大语言模型的介入可能会掩盖学生的真实语言水平。为避免此类问题，应增加课堂即时性操练，通过持续、多样化的输出任务来提升学习者的外语自主表达能力，促使学习者积极学习和内化相关知识，检验并反思自己的语言能力，从而激发学生持续学习的动力。课堂教学的第二层面应是提升学习者解决复杂问题的能力以及与AI互动的能力。教师需要发挥两个重要作用：其一，带领学生深入讨论他们课下未能有效解决的问题，如上面提到的“What is your attitude toward the role of globalization in affecting local languages?”其二，批判性地分析AI的智能支持作用。以上面的问题为例，通过讨论，学生会发现大语言模型提供的答案虽然逻辑清晰（提供正反两方面的观点），但思路普通、论据趋同（如erosion of linguistic persity、loss of cultural heritage、promote international understanding and cooperation和maintain cultural identity）。借助这个问题，教师与学生共同分析并评价AI辅助的效果，反思AI的局限性，借此提升学生批判性思维能力，加深其认知深度。

“AI辅助+非AI辅助交替教学模式”既关注脱离AI辅助情境下的真实语言产出表现，又引导学生高效、批判地使用AI，课上课下注重不同的学习内容和能力发展，这样的教学模式将更具引领性，有利于充分利用大语言模型产出的知识提升外语人才培养水平。

4. LLMs在教学中的应用：情感、主题、叙事多层次分析

本节将通过教学案例展示教师如何在课上和课下有效运用LLMs辅助教学，以及如何通过人机深度互动，引导学生树立正确的人机协作理念。

教材内容：《大学思辨英语教程·精读2》围绕“文学与人生”（Literature and Life）的话题展开，15个单元均为叙事性文本。文学文本教学关涉主题、情感、叙事等多层次分析，而“文学与人生” 这一话题“触发的更多是情感体验、人生况味和美文欣赏一类的认识和感受”，且“语义多微妙含混”（侯毅凌 2015：IX）。在传统教学中，教师分析此类文本时往往因主题与叙事结构间的关联错综复杂而难以将各层面的关系清楚地呈现出来，而大语言模型则为解决此类问题提供了可能。

授课内容：第15单元课文“草原日出”（A Sunrise on the Veld）是一个关于自我认知与成长的故事——一个自信满满、认为自己可以主宰一切的少年，在目睹一只受伤的雄鹿被蚂蚁蚕食至只剩白骨时，突然意识到丛林中残酷的生死法则，也认识到了自己的渺小和无力。故事情节看似简单，但作者在表层情节之下巧妙地隐藏了很多细节，表达出多层次叙事和多重主题，值得教师带领学生进行深度分析。

LLMs参与教学设计：课前预习任务提示学生使用大语言模型辅助课文学习，但从课堂表现看，学生仅调用了AI的基础问答功能，如向LLMs询问“What is the plot of the story?”“What does the word XX mean?”等问题。这显然无助于思辨能力的提升。意识到这些问题后，教师在课堂上需进一步引导学生探索高阶应用场景，如利用LLMs挖掘人物情感变化、追踪隐性叙事进程，最终让学生理解作者如何将不同层面的描写巧妙地融合在情节变化中。

4.1 情感分析

为了让学生更细致、完整地感知成长类故事的叙事风格，特别是人物内心变化，可以借助大语言模型的情感分析能力，以句或段为单位计算情感值，追踪整篇故事的情感变化脉络。

情感分析使用的指令如下：Please analyze the sentiment of each sentence in the following passage. First, number each sentence. Then, calculate a sentiment score between -1 and 1 for each sentence, where -1 is an extremely negative sentiment, 0 is a neutral sentiment, 1 is an extremely positive sentiment. Keep sentiment scores to 2 decimal places. Finally, present your analysis in a table with 3 columns: sentence number, full sentence text, sentiment score for that sentence.

分析结果的示例见表4。

基于如表4所示的分析结果，可做出更为直观的情感变化图（见图1），以呈现故事情感变化曲线。参考该图，辅以有针对性的任务设计（见任务1），帮助学生直接感知情感变化与故事情节的布局方式。

任务1：以可视图为线索，寻找课文中表达积极情感和消极情感的句子和关键词，并找到情感转折的关键点。

通过小组合作，学生分类分析情感词，梳理出表达情感的系列词汇（见表5）和表达情感转折的关键信息（见例1）。

（1）There it was again. In the deep morning hush that held his future and his past, was a sound of pain, and repeated over and over: It was a kind of shortened scream, as if someone, something, had no breath to scream.

接下来，教师进行如下引导：情感的转折也是故事情节转折的标志。情节的推进由声音引发，通过关键转折句“In the deep morning hush that held his future and his past”来说明此刻对男孩而言是一个重要的人生转折点，预示重要事情即将发生。人物内心的情感随着声音的出现发生变化，并与情节转折巧妙融合。

另外，故事还巧妙地将情感变化描写与环境变化描写形成反差，但这种设计是隐性的，需要教师引导学生探索。这部分的课堂活动安排分为两步（任务2和任务3）。

任务2：教师呈现图2中的四幅画面，让学生观察并用准确的语言描述图中从左到右的环境变化，尤其是从暗到明的光线变化过程。

任务2是基于产出导向法的“输出驱动”假说，旨在让学生尝试后发现自己语言表达的不足，创造 “饥饿感”，激发学生的学习欲望（文秋芳 2018）。学生尝试输出后认识到自己语言的匮乏，这时教师引导学生回归课文，梳理出作者的描写手法。学生以小组为单位完成任务（见表6），通过这一任务，学生学习到丰富、精准的描写性词汇和生动的修辞手法（如the bush stood trembling on the verge of colour、a lake of gold、a tumult of crimson and gold），为今后的写作储备了高质量表达手段。

任务3：小组讨论，对比环境变化和情感变化，分析作者写作意图。

任务3让学生分析从黑夜到黎明这一过程中，主人翁内心从欢欣雀跃到惊恐痛苦的情感反差描写。在教师的引导下，学生逐步深入理解作者通过环境和情感的反差刻画人物内心成长的手法。学生在课后总结了讨论结果（见表7），在此过程中进一步理解了文本，巩固了所学知识，训练了表达和总结能力。

以上教学设计将情感描写、环境描写、语言运用能力贯通融合，使学生在感知文本内容和结构的同时领悟作者如何运用叙事技巧传达主题。在这个过程中LLMs发挥了不可或缺的作用。首先，LLMs提供了准确的定量情感分析，使抽象的情感演变形象化，帮助学生构建心理映射。其次，LLMs的情感分析为教师设计后续任务提供了依据，引导学生深入解读人物心理及文本主题。LLMs参与教学设计，有助于实现知识的深层融合和内化，推动外语学习向研究性学习范式转型。

4.2 主题和叙事进程分析

在精确的指令下，大语言模型能够挖掘出潜隐在表层故事情节下的深层叙事，发掘多重主题，并提供具体的文体细节以增强分析信度。叙事进程分析需要专业的叙事学理论和分析框架支撑，因此首先需要评估大语言模型在该领域的知识储备。若大语言模型已具备相关知识，可直接下达分析命令；若不具备，则需先进行相关知识的学习，再执行分析任务。本研究使用的是申丹教授的隐性叙事理论（Shen 2021）。

评估时使用的指令：Would you introduce the theory of dual progression/dual dynamics in narratology by Shen Dan, a scholar in the field of narratology at Peking University, China? 结果表明，大语言模型了解该叙事理论，具备了叙事分析的知识基础。

接下来的指令分三步：

(1) Read the story and identify the covert progressions under the overt plot. Find specific examples from the story to support your analysis.

(2) Besides the layers of progression previously identified, can you find other subtle developments? Give your analysis.

(3) Summarize all the covert progressions you have identified. Present the details in a table with the paragraph number(s) showing evidence for each layer.

表8呈现了第3步指令的结果，总结出了三个层面的隐性叙述和重要细节。在实际教学中，教师可以选择先不向学生展示这一最终分析结果， 而是采用由浅入深的渐进式教学策略。比如，可以先向学生呈现简单的情节进程图（见图3），然后引导学生基于这一线索在原文中找到相关语言细节，观察作者表达主题和情感的具体语言手段， 之后再将其与模型给出的详细分析结果（见表8）进行对比讨论。这种设计旨在将情感、主题、叙事分析与作者的语言运用技巧分析有机结合，帮助学生全面理解和欣赏文学作品。同时，也通过展示大语言模型的分析，引导学生更有效地调用大语言模型的文本分析能力。

需注意的是，为使LLMs顺利执行以上任务， 需要精确编写指令（prompt）以提取最相关的信息。这要求使用者对目标领域有深入的了解，避免指令模糊，并明确任务目标和输出的质量要求。教师应该让学生明白：高效调用LLMs，需要更强的专业能力；AI 辅助只是个体智力提升的起点，在生成式人工智能时代，学习者更需要扩展 知识广度，夯实专业基础。

5. 结语

大语言模型正深度融入外语教育，将对外语教育的各个方面产生深远的影响。在以生成式人工智能为代表的知识生产时代，教师不仅要传授知识，还要掌握如何与生成式人工智能交互，思考如何将其作为一种教学资源融入教学，并制定针对性强的教学策略。教师还需要运用数字技术改变学生的学习，构建适应数字时代的学习生态（吴岩 2023）。教师应引领学生将生成式人工智能当作创造性智力活动的支点，而不是终点。在这种情况下，应比传统教学更注重监测学习者的自主性语言产出能力。需要通过持续的自主性输出任务促使学生主动反思，深入理解和灵活运用所学知识，形成更高层次的认知。

在教师和学生都能平等共享由智能体提供的知识、建议和判断的新环境下，外语教学方法、教学内容、教育评估体系等都需要在由多种智能技术支持的教育框架下重新布局。外语教育需要构建一种由人工智能参与的教学新范式，以实现高素质外语专业人才培养目标。

（参考文献 略）

（本文首次发表在《外语教育研究前沿》2024年第1期）