基于实验对比的大语言模型在高职英语教学中的互动策略有效性研究

0 引言

以 chatGPT(Generative Pre-trained Transformer, GPT) 为代表的大语言模型的出现，给语言教与学带来了极大的机遇和挑战。大语言模型通过海量的数据收集和整理，具备了在极短时间内生成自然连贯文本的能力[1]。香港中文大学语言实验室的实验结果表明，大语言模型的语言使用能力在语音、词汇、语法、语义、对话等方面都和人类极为接近。但同时也发现，大语言模型对基于事实的回答方面表现不佳，如数值、时间等。此外，大语言模型不擅长回答推理性问题，在处理相同或相似问题时回答不够统一。要想得到理想的回答，需要给大语言模型提供足够的语境和恰当的学习提示[1] [2]。

1 课堂教学中大语言模型的作用

为了适应快速变化的教学实际，在智能互联时代抓住学生语言学习兴趣点和教学痛点，英语教学必须拥抱新科技，利用新科技。大语言模型具有强大的数据处理能力，互动性强，反馈及时，应该成为英语教学的有力助手。

1.1 实时互动练习与即时反馈

在传统的高职英语教学中，学生往往缺乏足够的实践机会和及时的反馈。而大语言模型则能够提供实时的互动练习和即时的反馈，帮助学生更好地掌握知识。

通过教师的教学组织，学生可以利用大语言模型进行各种语言技能的即时训练，使之成为语伴、语言顾问和语言测评专家[4]。如在课前，教师可以通过布置预习单词、课文查阅背景资料等教学任务，在课中进行单词、词组、语法知识的强化训练，在课后布置写作等拓展任务时，都可以建议学生应用模型进行辅助学习。

大语言模型的最大好处就是能够给出及时的反馈和具体的修改意见。这种优势弥补了师生沟通具有延时性的缺点，让学生能够及时纠正错误。同时，新技术的应用也能够提高学生参与的兴趣和积极性。

1.2 个性化教学辅助及深化

在高职英语教学中，个性化教学一直是教师们追求的目标。然而，由于学生人数众多，教师精力有限，真正实现个性化教学并非易事。大语言模型的出现，为个性化教学提供了新的可能。

大语言模型强大的算力和深度学习能力，使它能够记住使用者的学习历史和偏好，就像视频号给APP 使用者精准推送视频一样。同时可以精准分析学习者的既往成绩和反馈信息，从而为学生制定最恰当的资源和练习，弥补教师个性化教学中的缺憾 [4] [5]。

1.3 教学资源的丰富与更新

在信息时代是不缺少教学资源的。但囿于经费和出版周期限制，课堂使用的教材相对落后，时效性不强。大语言模型则可以紧跟最新的教学指导思想和理念，实时更新，完全可以镶嵌到课堂教学中。

利用大语言模型可以帮助教师快速生成教学辅助资源，包括教学设计、习题、背景知识、课后拓展资料等。不仅紧跟热点话题，还可以根据学生实际学习情况和反馈进行个性化定制，满足不同学生的学习，弥补传统课堂“一刀切”的作业弊端，既可以提高学生的学习兴趣，又可以实现个性化教学，提高整体教学质量。

4 互动策略的有效性分析与讨论

为了验证大语言模型在教学中的有效性，本研究以护理 23-5 班（35 人）为实验班，23-6（34 人）为对照班，进行了一个学期的教学实验。两个班级开学初情况基本相当，男女生比例相同，任课教师为同一人。

4.1 数据收集

在教学过程中，通过多种方式跟踪学生反馈和学习效果，包括向学生发放问卷调查、两个班各10 人次访谈、5 次线上作业、5 次线下作业、期中小测验、期末考试等。

对收集的数据主要采用定量和定性相结合的方法进行分析，对问卷、访谈和平时作业采用描述性方式进行分析，对测验和期末考试成绩采用T 检验和及格率来进行分析。

4.2 数据讨论与分析

笔者所在学校信息化基础设施相对完善，无线网覆盖全校，教室配备高速WI-FI 和智慧终端，为实验提供了有力的硬件支持。实验班的教学全过程都应用大语言模型，包括课前、课中和课后。要求学生在上课时保持手机流量充足，同时也开通无线网络连接，为学生课中提供保障。从学生访谈和作业完成情况看，课堂参与度大大提高，实验组学生主动提问和回答问题的次数分别增加了 30% 和 25% （根据教师记录和线上作业完成记录）。但通过实践发现学生对手机的信任和依赖程度要大过对教师的信任和依赖。这种情况在一定程度上削弱了教师的教学主导地位，但也可以被利用为辅助教学的有利工具。

在实验班教学中，教师在讲解词汇、语法、课文时适时、限时给学生布置作业，要求其用 chatGPT、文心一言或其他大语言模型进行提问、检索，然后脱离手机进行回答。在此过程中，学生需要设置合适的提问词，并及时记住相关信息。既满足了他们对手机应用的心理依赖，又迫使他们进行知识记忆，提高了课堂参与度和学习能力。

问卷调查回收率 100‰ 。从学生作答情况看，大语言模型的辅助作用最大的是听力，最小的是口语，主要原因应该是学生对模型应用不熟悉，或者某些模型未开放免费语音识别功能。使用过程中的担心或困难主要集中在对网络依赖过多。没有学生担心隐私泄露，原因应该是提示语多与上课内容相关，且没有关键数据。

小测验和期末考试两个班级都是全部参加，将收集到的数据进行 T 检验分析，目的是比较两组同期检测数据是否存在显著差异。计算结果是护理 23-5 的均值 =80.5 标准差 =12.5AA 。护理 23-6 的均值 =72.5 ，标准差 Θ=18.2Θ 。标准误差 ≈3.9 ， T 值 =(80.5-72.5) / 3.9≈2.05∘