DOI: https://doi.org/10.1017/s0267190525100184
تاريخ النشر: 2025-03-01
المؤلف: Seongyong Lee وآخرون
الموضوع الرئيسي: قابلية قراءة النص والتبسيط
نظرة عامة
يتناول هذا القسم من ورقة البحث الإمكانيات والقيود المتعلقة بالذكاء الاصطناعي التوليدي (GenAI) في تعليم اللغة الإنجليزية (ELT)، لا سيما في السياقات متعددة اللغات. تركز الدراسة على ChatGPT، وهو أداة ذكاء اصطناعي توليدية تعتمد على النصوص، وتقيّم فعاليتها من خلال عدسة الإنجليزية العالمية (GE). باستخدام نهج البحث في التصميم والتطوير، اختبر الباحثون ثلاثة نماذج مختلفة من ChatGPT: النموذج الأساسي (مطالبات خطوة واحدة)، النموذج المكرر 1 (مطالبات متعددة الخطوات)، والنموذج المكرر 2 (مجموعات بيانات موجهة نحو GE مع هندسة مطالبات متقدمة).
كشفت التحليلات الموضوعية أنه بينما أظهر النموذج المكرر 1 تحسينات هامشية فقط مقارنة بالنموذج الأساسي، فإن النموذج المكرر 2 حقق تحسينات كبيرة، لا سيما في التقييم المستند إلى GE والتواصل باللغة الإنجليزية كلغة مشتركة (ELF). ومع ذلك، لا يزال يعاني من قيود، مثل الميل إلى الافتراض وفقًا لمعايير المتحدثين الأصليين للغة الإنجليزية (NES) وافتقار إلى التغذية الراجعة المخصصة لسياقات GE. تؤكد النتائج على ضرورة استخدام بيانات حقيقية لتحسين الصلة السياقية لمخرجات GenAI في تعليم اللغة الإنجليزية العالمية (GELT). تقترح الدراسة تداعيات تربوية تشمل تعزيز التعاون بين GenAI والمعلمين، وتعزيز التنمية المهنية للمعلمين، والتأكيد على الدور النشط للمعلمين في دمج موارد متنوعة جنبًا إلى جنب مع أدوات GenAI.
مقدمة
في مقدمة ورقة البحث، يناقش المؤلفون التقدم والقيود المتعلقة بالنموذج المكرر 2، الذي يتضمن تقنيات مطالبات متنوعة، بما في ذلك التوليد المعزز بالاسترجاع (RAG) والمطالبات القليلة. بينما أظهر هذا النموذج تحسينات في إنتاج مخرجات تتماشى مع مبادئ الإنجليزية العالمية (GE)، لا يزال يعاني من عيوب كبيرة. على سبيل المثال، غالبًا ما تعكس استجابات النموذج خصائص اللغة الإنجليزية غير الأصلية النموذجية، مما يفتقر إلى التنوع والأصالة المتوقعة في عرض ميزات اللغة الإنجليزية الكورية، كما يتضح من المقالة المكونة من 300 كلمة التي تم إنتاجها.
أظهر المهمة 2 صلة محسنة بمبادئ GE، حيث قدم ChatGPT تغذية راجعة أكثر تنظيمًا استنادًا إلى أدبيات تقييم WE وELF. ومع ذلك، ظلت التغذية الراجعة موحدة وتجريدية، مما فشل في التقاط أصوات الكتاب الفريدة وهوياتهم الثقافية. في المهمة 3، أنتج النموذج في البداية مخرجات تتماشى مع استراتيجيات اللغة الإنجليزية كلغة مشتركة (ELF) من خلال محاكاة سمات اللغة الإنجليزية الفنلندية، لكن جودة التفاعل تدهورت مع مرور الوقت، وعادت إلى الإنجليزية القياسية، الشبيهة باللغة الأصلية. تشير هذه الاتجاهات إلى ميل داخل النموذج لإعطاء الأولوية للتوحيد اللغوي، مما يبرز التحدي المستمر للحفاظ على تمثيلات لغوية متنوعة دون تدخل مستمر. بشكل عام، بينما يمثل النموذج المكرر 2 تقدمًا مقارنة بسابقيه، فإنه يبرز ضرورة المزيد من التحسين لدعم المهام الموجهة نحو GE بشكل فعال.
طرق
في هذا القسم، يصف المؤلفون الإطار المنهجي المستخدم في دراستهم الحالة التي تركز على تطوير وحدة تعليمية GenAI-GELT. باستخدام منهجية البحث في التصميم والتطوير (DDR) كما أوضحها ريتشي وكلاين (2005، 2007)، تدرس الدراسة بشكل خاص تطبيق أداة نموذج اللغة الكبيرة (LLM)، مثل ChatGPT، لتعزيز تعليم اللغة الإنجليزية (ELT). يتم تسليط الضوء على نهج DDR لفعاليته في صياغة وتقييم التصاميم التعليمية، مما يشير إلى أن الأبحاث المستقبلية يمكن أن تتكيف مع هذه المنهجية لتقييم نماذج GenAI المختلفة ضمن السياقات التعليمية.
يتم تعريف مصطلح “وحدة” على أنه وحدة تصميم تعليمي تتضمن أداة GenAI، ومصادر بيانات ذات صلة، وتقنيات هندسة مطالبات لإنشاء وتقييم مهام ومواد ELT. يسهل إطار DDR تحليلًا منهجيًا للمواد التعليمية، مما يضمن توافقها مع مبادئ GELT. من خلال استخدام DDR، تهدف الدراسة إلى تقييم جودة وقابلية تطبيق المواد التعليمية التي تم إنشاؤها بواسطة ChatGPT بشكل صارم، مما يساهم في النقاش المستمر حول دمج GenAI في السياقات التعليمية.
نقاش
في هذا القسم، يناقش المؤلفون تطوير وتقييم وحدة GenAI-GELT التعليمية، التي تستفيد من قدرات ChatGPT-4o المتقدمة لدعم تعليم اللغة الإنجليزية (ELT) من منظور الإنجليزية العالمية (GE). استخدمت الدراسة تقنيات هندسة مطالبات متنوعة، بما في ذلك التوليد المعزز بالاسترجاع (RAG) والمطالبات الموجهة، لتعزيز أدوار ChatGPT كمنسق محتوى، ومقدم تغذية راجعة، وشريك في المحادثة. تضمنت عملية التطوير التكرارية ثلاثة نماذج: النموذج الأساسي، النموذج المكرر 1، والنموذج المكرر 2، حيث تم دمج استراتيجيات مطالبات أكثر تطورًا ومجموعات بيانات خارجية لتحسين تمثيل التنوع اللغوي والسلاسة التواصلية في التفاعلات باللغة الإنجليزية كلغة مشتركة (ELF).
تكشف النتائج أنه بينما كافح النموذجان الأساسي والمكرر 1 لتعكس بشكل كافٍ مبادئ GE، لا سيما من خلال الافتراض وفقًا لمعايير المتحدثين الأصليين للغة الإنجليزية (NES)، أظهر النموذج المكرر 2 تحسينات كبيرة. استخدم هذا النموذج بفعالية مجموعات بيانات خارجية، مثل مجموعة بيانات المتعلمين في غاشون ومجموعة بيانات ELFA، لإنتاج مخرجات تمثل بشكل أفضل الميزات اللغوية للغة الإنجليزية الكورية والصينية. على الرغم من هذه التقدمات، لا تزال التحديات قائمة، لا سيما في التقاط الطبيعة الديناميكية للتواصل ELF والاستراتيجيات البراغماتية المحددة التي يستخدمها المتحدثون. يؤكد المؤلفون على أهمية مجموعات البيانات عالية الجودة والمتنوعة والاستخدام الاستراتيجي لتقنيات المطالبات المتعددة للتخفيف من التحيزات وتعزيز الصلة السياقية لمخرجات GenAI في مواد ELT. بشكل عام، تسلط الدراسة الضوء على كل من الإمكانيات والقيود لاستخدام أدوات الذكاء الاصطناعي مثل ChatGPT في تعزيز التعليم اللغوي الشامل والفعال.
DOI: https://doi.org/10.1017/s0267190525100184
Publication Date: 2025-03-01
Author(s): Seongyong Lee et al.
Primary Topic: Text Readability and Simplification
Overview
This section of the research paper discusses the potential and limitations of Generative AI (GenAI) in English Language Teaching (ELT), particularly within multilingual contexts. The study focuses on ChatGPT, a text-based generative AI tool, and evaluates its effectiveness through a Global Englishes (GE) lens. Employing a Design and Development Research approach, the researchers tested three different ChatGPT models: Basic (single-step prompts), Refined 1 (multistep prompting), and Refined 2 (GE-oriented corpora with advanced prompt engineering).
Thematic analysis revealed that while Refined Model 1 showed only marginal improvements over the Basic Model, Refined Model 2 yielded significant enhancements, particularly in GE-informed evaluation and English as a Lingua Franca (ELF) communication. However, it still exhibited limitations, such as a tendency to default to Native English Speaker (NES) norms and a lack of tailored feedback for GE contexts. The findings underscore the necessity of utilizing authentic data to improve the contextual relevance of GenAI outputs for Global English Language Teaching (GELT). The study suggests pedagogical implications that include fostering collaboration between GenAI and teachers, promoting professional development for educators, and emphasizing the active role of teachers in integrating diverse resources alongside GenAI tools.
Introduction
In the introduction of the research paper, the authors discuss the advancements and limitations of Refined Model 2, which incorporates various prompting techniques, including Retrieval-Augmented Generation (RAG) and few-shot prompting. While this model showed improvements in generating outputs aligned with Global English (GE) principles, particularly in Task 2, it still exhibited significant shortcomings. For instance, the model’s responses often reflected typical non-native English characteristics, lacking the expected diversity and authenticity in showcasing Korean English features, as evidenced by the generated 300-word essay.
Task 2 demonstrated enhanced relevance to GE principles, with ChatGPT providing more structured feedback based on WE and ELF assessment literature. However, the feedback remained standardized and abstract, failing to capture individual writers’ unique voices and cultural identities. In Task 3, the model initially produced outputs that aligned with English as a Lingua Franca (ELF) strategies by emulating Finnish English traits, but the quality of interaction deteriorated over time, reverting to more standardized, native-like English. This trend indicates a tendency within the model to prioritize linguistic standardization, highlighting the ongoing challenge of maintaining diverse linguistic representations without continuous intervention. Overall, while Refined Model 2 marks progress over its predecessors, it underscores the necessity for further refinement to effectively support GE-focused tasks.
Methods
In this section, the authors describe the methodological framework employed in their case study focused on the development of a GenAI-GELT instructional module. Utilizing the Design and Development Research (DDR) methodology as outlined by Richey and Klein (2005, 2007), the study specifically examines the application of a large language model (LLM) tool, such as ChatGPT, to enhance English Language Teaching (ELT). The DDR approach is highlighted for its effectiveness in crafting and evaluating instructional designs, suggesting that future research could adapt this methodology to assess various GenAI models within educational settings.
The term “module” is defined as an instructional design unit that incorporates a GenAI tool, relevant data sources, and prompt engineering techniques to create and evaluate ELT tasks and materials. The DDR framework facilitates a systematic analysis of instructional materials, ensuring their alignment with GELT principles. By employing DDR, the study aims to rigorously assess the quality and practical applicability of ChatGPT-generated ELT materials, thereby contributing to the ongoing discourse on the integration of GenAI in educational contexts.
Discussion
In this section, the authors discuss the development and evaluation of the GenAI-GELT instructional module, which leverages ChatGPT-4o’s advanced capabilities to support English Language Teaching (ELT) from a Global Englishes (GE) perspective. The study employed various prompt engineering techniques, including retrieval augmented generation (RAG) and instructed prompting, to enhance ChatGPT’s roles as a content curator, feedback provider, and conversation partner. The iterative development process involved three models: Basic, Refined 1, and Refined 2, each progressively incorporating more sophisticated prompting strategies and external datasets to improve the representation of linguistic diversity and communicative fluidity in English as a Lingua Franca (ELF) interactions.
The findings reveal that while the Basic and Refined 1 models struggled to adequately reflect GE principles, particularly by defaulting to native English speaker (NES) norms, Refined Model 2 demonstrated significant improvements. This model effectively utilized external corpora, such as the Gachon Learner Corpus and the ELFA corpus, to generate outputs that better represented the linguistic features of Korean and Chinese English. Despite these advancements, challenges remained, particularly in fully capturing the dynamic nature of ELF communication and the specific pragmatic strategies employed by speakers. The authors emphasize the importance of high-quality, diverse datasets and the strategic use of multiple prompting techniques to mitigate biases and enhance the contextual relevance of GenAI outputs in ELT materials. Overall, the study highlights both the potential and limitations of using AI tools like ChatGPT in fostering inclusive and effective language education.