A Study on the
Construction of a “Teacher-Led, GenAI-Assisted”
Dual-Layer Model for Senior High School
English Writing Feedback
高中英语写作反馈的“教师主导—
GenAI辅助”双层模型构建研究[1]
滕翾
湖南师范大学外国语学院，长沙，410081
Xuan Teng
Foreign Studies College, Hunan Normal University, Changsha, 410081
Abstract: In high school English writing instruction, GenAI
tools (such as ChatGPT, DeepSeek, Kimi, etc.) possess the capability to provide
students with immediate, personalized feedback. However, they also pose risks
such as over-reliance and homogenization of thinking. Targeting the cognitive
maturity and autonomous learning abilities of senior high school students in
China, this study constructs a “teacher-led, GenAI-assisted” dual-layer model.
The first layer involves the teacher in setting goals, guiding strategies, and
fostering critical judgment. The second layer utilizes GenAI to provide
feedback on linguistic forms, pattern recognition, and expression suggestions.
The core innovation of this model lies in allowing students direct access to
GenAI feedback while ensuring they retain the initiative in making revisions through
a “critical adoption mechanism”. In doing so, the model offers a practical
human-GenAI collaborative framework for senior high school English writing
instruction.
摘要：高中英语写作教学中，GenAI（如ChatGPT、DeepSeek、Kimi等）具备直接向学生提供即时、个性化反馈的能力，但也带来过度依赖、思维同质化等风险。本研究针对高中生认知成熟度与自主学习能力，构建“教师主导—GenAI辅助”双层模型。第一层由教师负责目标设定、策略引导与判断力培养。第二层由GenAI负责语言形式反馈、模式识别与表达建议。该模型的核心创新在于允许学生直接接触GenAI反馈，但通过“批判性采纳机制”确保学生保持修改主动权，为高中英语写作教学提供了一种可操作的人机协同框架。
Keywords: Senior high school English; writing feedback;
teacher-led; GenAI-assisted; critical AI use
关键词：高中英语；写作反馈；教师主导；GenAI辅助；批判性AI使用
研究背景
生成式人工智能（Generative
Artificial Intelligence，简称GenAI）的快速发展正在深刻改变高中英语写作教学的基本形态。以ChatGPT、文心一言、Kimi+为代表的GenAI工具，已能够根据用户指令生成连贯文本、提供语法修正、进行表达重组，甚至模拟不同写作风格（魏爽、李璐遥，2023；Yang et al.，2025）。这一技术能力的成熟，使得每一位高中生都有可能随时随地获得即时、个性化、无限次的写作反馈，这在五年前仍是难以想象的教学资源。
然而，技术的可及性并不等同于教学的有效性。高中阶段具有其特殊的教与学特征。一方面，高中生已具备欧洲语言共同参考框架（Common
European Framework of Reference for Languages，简称CEFR）B1至B2水平的基础英语写作能力，能够完成叙事、说明、议论等常见文体的基本写作任务。另一方面，他们普遍面临高考写作提分的现实压力，同时处于思维品质发展的关键期，需要通过写作训练提升逻辑性、批判性与创造性。这使得高中英语写作教学既追求效率，又不能牺牲思维深度。
GenAI的介入带来了新的教学机遇，也诱发了新的问题。已有研究表明，GenAI反馈在语法修正、词汇替换和风格调试等方面具有显著优势（魏爽、李璐遥，2023），但同时也存在重复、不必要、不准确等问题（Wang
et al.，2026）。一个日益突出的现象是，学生在获取GenAI反馈后，盲目复制GenAI提供的修改建议，直接粘贴到自己的作文中，而不加判断、不修改、不反思。研究发现，低自我调节能力的学生在接收GenAI反馈后修改深度有限，投入下降明显（滕琳等，2025）。此外，学生对语言层面的反馈接受度较高，对内容层面的反馈则较为排斥（Chen et al.，2026）。这一行为带来的直接后果不容忽视，一是写作风格趋同，全班出现大量相似的句式和表达；二是修改能力退化，学生只会机械地复制粘贴，而无法独立改写；三是错误内化，对GenAI偶尔提出的不合理建议不加批判地全盘接受。更为隐蔽的风险在于，学生可能逐渐形成一种GenAI依赖型写作习惯，即先写一个粗糙的初稿，然后交由GenAI美化，而非通过自身努力提升表达质量。
上述问题的本质，并非GenAI技术本身的缺陷，而是教学中缺乏对“教师—GenAI—学生”三者关系的清晰界定。研究显示，教师反馈更能激发学生的积极投入，人机混合反馈则促进深度加工，而纯GenAI反馈的投入最低（张聪、孟怡雯，2025）。此外，接受教师反馈的学生自豪感显著上升、焦虑感显著下降，而接受GenAI反馈的学生焦虑感明显增强（Wang
et al.，2026），说明教师反馈中的情感支持具有不可替代性。如果不加干预地让学生直接使用GenAI，教学容易滑向“AI主导、教师边缘化”的失控状态；但如果完全禁止学生使用GenAI，又可能错失这一技术带来的个性化反馈优势。因此，如何在高中英语写作教学中合理定位GenAI的角色，明确教师与学生各自的责任边界，成为亟待解决的教学理论与实践问题。
基于此，本研究旨在构建一个“教师主导—GenAI辅助”双层反馈模型，以回应高中英语写作教学中GenAI应用所引发的核心问题。研究目的在于厘清教师与GenAI在学生写作反馈中的角色定位与责任边界，避免教学滑向“GenAI主导、教师边缘化”或“完全排斥技术”的极端状态。
本研究的理论意义在于，将人机协同理念引入高中英语写作反馈领域，尝试建立一种结构清晰、可操作的反馈机制。其实践意义在于，通过发挥教师的情感支持与GenAI的即时反馈双重优势，既缓解学生因GenAI使用而产生的焦虑感，又防止GenAI依赖型写作习惯的形成，从而在提升写作效率的同时保障思维品质的发展，为高中英语写作教学在智能时代的转型提供可参照的路径。
文献综述
本文献综述系统梳理了GenAI在英语写作反馈领域的研究成果，涵盖GenAI反馈与教师反馈的比较、学习者反馈投入、情绪与动机、同伴反馈应用、反馈素养培养、人机协同机制、研究趋势与方法论等方面，旨在为构建高中英语写作教学的“教师主导—GenAI辅助”双层反馈模型提供理论支持与研究基础。
反馈特征与反馈质量比较
大量研究从反馈特征和反馈质量的角度对GenAI反馈与教师反馈进行了系统比较。反馈特征方面，魏爽、李璐遥（2023）以208篇大学英语作文为语料，发现ChatGPT在语法修改、标点修正、词汇替换、语义通顺、风格调试及梗概撰写等方面具有显著优势，能够为教师写作教学提供有效辅助。Wang et al.（2026）进一步比较了GPT-4o与教师对中国EFL大学生英语写作反馈的特征，发现教师更关注语言使用，而GPT更关注内容与结构，并且GPT反馈存在重复、不准确等问题。这一差异揭示了教师与GenAI在反馈焦点上的互补性。
在反馈质量方面，Nazaretsky et
al.（2026）提出了一套评估形成性反馈教学质量的评分标准，并基于该标准比较了GenAI与人工反馈在STEM教育中的表现。研究发现，两者在反馈质量上相当，但学生在评价反馈时，更多地受到反馈来源可信度的影响，而非反馈内容本身，表现出显著的来源偏见。Steiss
et al.（2024）的研究也证实，教师反馈在准确性、提供明确改进方向等方面优于GPT反馈，但GPT在参照评分标准方面表现更好。崔莹等（2026）通过实验比较了国内主流GenAI在英语写作反馈中的质量差异，发现DeepSeek综合表现最为突出，提示词设计对反馈质量具有独立预测效应，任务导向复合提示可显著提升高阶认知反馈比例。
反馈效果比较
在反馈效果方面，Mekheimer（2025）通过准实验设计比较了Grammarly提供的GenAI辅助反馈与传统教师反馈对埃及EFL研究生写作能力、修改频率和写作质量的影响，发现GenAI反馈组在语言使用和结构方面进步显著，但在内容维度上无显著差异。质性数据表明，GenAI反馈提升了学生的信心和修改效率，但也强调了批判性使用和避免过度依赖的重要性。孙培健等（2025）通过教学实验对比了教师反馈与“教师+GenAI”反馈对大学生英语写作质量的增值效益，发现两种反馈均能有效提升写作质量，但随着反馈次数积累，GenAI反馈的增值效益逐渐凸显，表明GenAI反馈具有潜在累积效应。这一研究为写作教学中持续整合GenAI反馈提供了实证支持。
学习者对GenAI反馈的投入
反馈投入是衡量反馈效果的核心指标。Ellis（2010）将反馈投入划分为行为、认知和情感三个维度，这一框架被广泛采用。Fredricks
et al.（2004）的学生投入三维模型也为相关研究提供了重要分析工具。
Zhao & Saeed（2026）通过一项对四名在马来西亚留学的中国EFL研究生的质性案例研究发现，学生在学术写作中对ChatGPT的反馈投入表现出自主且批判性的特点。具体而言，他们在行为层面会灵活采取接受、质疑、拒绝等策略；情感层面经历着从欣赏到沮丧的复杂波动；认知层面则运用评估、比较、协商等深度加工方式。该研究还发现，学生倾向于将ChatGPT定位为语言层面的优化工具，而非内容层面的辅助。
滕琳等（2025）通过追踪6名不同自我调节能力大学生在两轮GenAI写作反馈中的认知、行为与情感投入发现，高自我调节能力学生能够有效整合反馈、灵活调整写作策略并完成多轮修改，从而展现出较强的人机协同能力。相比之下，低自我调节能力学生的修改深度较为有限，其任务投入也呈现明显下降趋势。这一结果证实，自我调节能力对学习者的多维反馈投入具有积极的调节作用。
Ma et al.（2026）通过对六名中国EFL大学生与ChatGPT互动的质性研究发现，学生在认知、行为、情感三个维度上对GenAI反馈的投入呈现出动态、多维、个体差异显著的特征。尽管GenAI的互动性促进了学生的深度理解，但其在全局性反馈上的效能仍逊于教师，此外，学习者的主体性则是驱动高质量投入的核心要素。
张聪、孟怡雯（2025）采用DeepSeek作为反馈工具，对比了学习者对教师反馈、生成式人工智能反馈以及人机混合反馈的投入差异。研究发现，学习者的反馈投入可归纳为三种模式，即教师反馈偏好型、教师反馈与人机混合反馈并重型，以及均衡接纳三种反馈的类型。其中，教师反馈最能激发学习者的积极投入，人机混合反馈有助于促进深度加工，而纯生成式人工智能反馈所产生的投入水平最低。
王亚冰等（2025）采用混合法探讨了GenAI干预对英语专业大学生写作反馈投入的影响，发现实验组对教师反馈的情感、认知和行为投入均显著提升，行为投入显著高于对照组。访谈表明，学生对教师反馈投入普遍较高，对GenAI反馈投入存在显著个体差异。
许川根（2025）考察了高校外语学习者与文心一言协同完成英语议论文写作任务时的写作投入表现，发现学习者的行为投入因任务类型而异，认知投入以低阶思维为主，情感投入较为积极。GenAI理解力、学习者GenAI素养及教师支架是影响人机协同写作投入的关键因素。
综合来看，现有研究表明学习者的反馈投入存在多种模式，其中教师反馈在激发积极投入方面作用最为显著，GenAI反馈的效果受学习者个体差异及任务类型等因素调节，人机混合反馈则在促进深度加工方面展现出独特优势。
GenAI反馈与学习者情绪、动机及自我效能感
Wang et al.（2026）通过十周教学干预，比较了教师反馈与GenAI反馈对中国EFL学生写作成就情绪的影响。结果表明，教师反馈组学生的自豪感显著提升、焦虑感显著降低，而GenAI反馈组学生的焦虑感则显著上升。这一研究揭示了不同反馈方式对学习者情绪的不同影响，强调教师反馈中的情感支持具有不可替代性。
Lu et al.（2026）的研究显示，GenAI反馈对写作动机的影响具有显著分化，一方面通过满足自主性（学生自主决定是否采纳建议）与关系性（GenAI的鼓励性语言让学生感到“被理解”与“被尊重”）需求显著提升写作兴趣，另一方面却因“上行比较”效应未能增强、甚至削弱了自我效能感。这表明GenAI反馈是一把“双刃剑”，其优势在于激发写作意愿，但局限在于未必能增强写作自信。因此，教学中有必要引导学生客观看待GenAI反馈标准，避免不当比较，在激发兴趣的同时保护自我效能感。
基于“控制—价值理论”，Zhou & Wang（2026）通过结构方程模型分析中国高校学生的GenAI接受度、写作焦虑、写作自我效能感与写作反馈素养之间的关系，发现GenAI接受度正向预测写作反馈素养和写作自我效能感、负向预测写作焦虑，且写作自我效能感与写作焦虑在其中起中介作用。
GenAI支持的同伴反馈与合作学习
Zhou et al.（2026）研究了GenAI支持的同伴反馈对职前教师学习成果、反馈采纳和批判性思维的影响，发现GenAI显著提高了反馈质量、作品修改效果和批判性思维，并且自我反馈的应用正向调节了GenAI反馈与批判性思维之间的关系。
Noroozi et al.（2025）探讨了学生在同伴反馈中使用GenAI的感知与行为，发现约半数学生因认为独立提供反馈更能促进学习而选择不使用GenAI，而使用GenAI的学生则在高层次问题（例如结构、论点）上提出了更多的建议，并减少了低层次问题（例如语法、词汇）中的“缓和性表扬”。
金檀等（2025）通过质性研究考察了英语议论文对比续写中ChatGPT智能反馈的合作加工策略，发现学生的策略使用经历了“被动接受—主动寻求—灵活运用”三个阶段，写作关注点从语言形式修正逐步发展到篇章结构完善，最终实现内容逻辑优化。
写作反馈素养与GenAI素养
Lu & Zeng（2026）发现，在GenAI辅助的反馈实践中，研究生的二语写作反馈素养虽在多方面显著增强，但其判断能力却未同步提升。同时，GenAI虽有效提升了学生的兴趣、责任感与情感管理能力，然而这种技术介入也可能带来副作用，即导致学生对评估标准的关注有所偏离。
潘海英、牛宝贵（2025）通过对637名外语学习者的问卷调查发现，其GenAI赋能写作反馈素养整体处于中等偏低水平，尤其在“反馈认知”方面表现不佳。同时，该素养受学段与学科交互作用的影响显著，特别是外语类本科生群体，其素养短板尤为明显，亟需加强培养。
Fredriksson（2025）设计了GIFT-AI教学活动，旨在通过引导职前英语教师对比自身反馈与GenAI反馈，以提升其反馈素养。研究发现，职前教师在反馈策略上普遍表现出审慎态度，对GenAI生成的反馈内容亦持保留意见。这一结果凸显了教师在引导学生批判性使用AI工具中的关键作用。
人机协同反馈的理论框架与实践路径
Zhan et al.（2025）基于生态学视角提出的理论框架指出，GenAI在反馈的“获取（Eliciting）—处理（Processing）—执行（Enacting）”三阶段中发挥不同作用，而学生的反馈素养与GenAI环境的匹配程度是影响其反馈参与的关键。
周莹（2026）系统分析了GenAI赋能英语写作教学的三大核心作用机制，即智能反馈、情景化资源生成与认知引导，并基于“生态给养”理论提出了重构教学流程、重塑师生角色、优化教学评价的实践路径，为英语写作教学数字化转型提供了理论与实践参考。
杨连瑞等（2026）在实证对比ChatGPT与教师反馈特征与效果的基础上，基于社会文化理论构建了人机协作反馈模型，为人机协同反馈研究提供了一个具有理论深度和实践可操作性的框架。该模型明确了人机在反馈内容产出上的分层分工逻辑（第一层级）、揭示了双重中介协同促进学生高阶认知发展的内在机制（第二层级）、建立了基于ZPD动态变化的持续优化路径（第三层级），系统回应了人机协同反馈在“谁做什么”“为什么协同有效”“如何持续优化”三个核心问题上的理论诉求。
研究趋势与方法论
Crosthwaite & Sun（2026）对51篇SCI/ESCI收录的GenAI辅助二语写作反馈实证研究进行了范围综述，发现大多数研究关注写作质量提升和学生/教师感知，采用写作修改分析、写作质量前后测、问卷等数据收集方法。该研究指出，GenAI反馈能提升语言准确性和学习者参与度，但存在提示信息不透明、研究设计不一致等问题。
Wu et al.（2025）的系统综述同样发现，GenAI写作反馈研究已证实其能提升写作质量且与教师反馈互补，但现有证据多基于前后测与自陈数据，对反馈转化为修订行为的中介机制缺乏过程性证据。与此同时，当前研究在方法论上存在数据单一化（缺乏按键日志等过程数据）、设计短程化（易受新奇效应干扰）以及样本同质化（集中于欧美和东亚高等教育）等不足。为此，论文呼吁该领域从结果导向转向过程导向，结合行为追踪技术与纵向生态化设计，以揭示GenAI反馈影响写作发展的深层认知机制。
研究述评与未来展望
综合上述文献，现有相关研究在以下方面取得了重要进展：第一，系统比较了GenAI反馈与教师反馈在特征、质量和效果上的异同，揭示了两者的互补性；第二，深入探讨了学习者对GenAI反馈的多维投入特征及其影响因素，特别是自我调节能力的中介作用；第三，初步验证了人机协同反馈模式的有效性；第四，开始关注写作反馈素养和GenAI素养的培养问题。
然而，现有研究也存在明显不足：第一，多数研究以大学生为研究对象，针对高中阶段学习者的研究相对匮乏；第二，研究设计多为短期干预，缺乏对长期效果的追踪考察；第三，人机协同反馈的具体机制和实现路径仍需进一步探索；第四，针对不同语言水平和学习风格的个性化反馈策略研究不足。
基于上述文献分析，未来研究应着力于以下几个方向。首要任务是构建适配高中英语写作教学的“教师—GenAI”双层反馈模型，并厘清各层级的职责分工与协同路径。后续研究还需配套开发面向高中生的GenAI反馈素养培育体系，同时借助纵向追踪设计来验证该反馈模式对写作能力发展的持续效力。此外，应重视学习者的个体差异，进而探索更具针对性的个性化反馈策略。
理论基础与分析框架
本研究中“教师主导—GenAI辅助”双层模型的提出，离不开扎实的理论基础。有鉴于此，本节从社会文化理论、二语写作反馈分类理论及人机协同教学理论入手，同时纳入高中生认知与元认知发展的阶段性特征，旨在为模型确立学理依据，并厘定其内部设计所应遵循的边界条件。
社会文化理论视角下的“更有能力的他者”
社会文化理论（Vygotsky,
1978）强调学习发生于社会互动之中，并通过“最近发展区”（Zone
of Proximal Development, ZPD）和“脚手架（Scaffolding）”等概念解释“他者（Other）”对学习者的支持机制。GenAI的介入使得“他者”的概念从人类教师或者同伴扩展为“人工他者（Artificial Other）”，这自然引发了一个值得探讨的问题：AI能否被视为更有能力的“他者”，其效度与边界又该如何界定？
在写作反馈中，作为“核心他者(Core Other）”，教师具有两个不可替代的维度。一是价值判断，包括写作涉及的思想、立场与逻辑。教师基于教学经验与课标理解判断什么是好的写作，而GenAI无法真正理解论点力度或论证充分性（Lau et al., 2026）。二是情感支持。教师的反馈不仅是信息的传递，更是情感的互动。相比之下，GenAI所提供的“鼓励”缺乏真实的情感意向性，学生很快便能意识到其程序化的本质（Saracini et al., 2025）。
从纯语言能力层面审视，GenAI无疑展现出更强的实力。其在语法规则、词汇广度和句式结构方面的知识储备，已远超绝大多数高中生（Fredrick & Craven, 2025），甚至超越了大多数一线英语教师（Ekizoğlu & Demir, 2025）。然而，社会文化理论中的“他者”之所以有效，不仅在于其能力，更在于其能根据学习者当前水平做出适切介入（Wood et al., 1976）。GenAI恰恰缺乏这种教学敏感性，倾向于提供“最优”而非“最合适”的建议。因此，GenAI只能作为“条件性他者（Conditional
Other）”存在。其有效性一方面依赖于教师通过提示词设计来激活其教学适切性，另一方面则依赖于教师通过抽样审核与集体讲解来过滤其输出（Mollick
& Mollick, 2023）。
由此可知，社会文化理论的核心启示在于将教师定位为稳定且全面的核心他者，而将GenAI视为条件性、功能性的辅助他者。
二语写作反馈的分类理论
二语写作反馈研究已形成成熟的分类体系（Ellis,
2009；Bitchener & Ferris, 2012）。GenAI介入后，需要重新审视哪些反馈类型适合由其承担、哪些必须保留给教师。
与GenAI分工最相关的反馈类型包括直接反馈与间接反馈、聚焦反馈与非聚焦反馈、以及元语言反馈。基于GenAI的技术能力与局限，适宜由GenAI承担的反馈类型通常具有规则明确、上下文依赖弱且存在标准答案的特征。这类反馈主要包括规则性错误的直接反馈、教师设定的聚焦反馈、常见错误的间接反馈、标准规则的元语言解释，以及表达重组建议。相反，不适宜GenAI承担的反馈类型涉及意义理解、价值判断、情感互动或发展性评价，包括内容相关性判断、逻辑连贯性评价、读者意识反馈、价值性判断、情感与鼓励性反馈，以及对进步的整体评价（Godwin-Jones,
2022）。
对于介于两者之间的模糊地带，例如深层中式表达的优化，本模型采取“条件性承担”策略，即GenAI可给出建议，但须附带明确的风险提示，教师则需借助集体讲解，着重训练学生的批判性识别能力，使其能够审慎对待GenAI生成的内容（Barrot, 2023）。
人机协同教学理论
人机协同强调人与智能系统之间的互补、增强与共同进化（Daugherty
& Wilson, 2024）。在写作反馈中，GenAI不再是静态工具，而是具有一定自主性的交互伙伴。
本研究主张从“替代叙事”，即认为GenAI的主要价值在于取代教师的批改、答疑、教学设计等传统职能，从而简化甚至绕过教师介入的技术观，转向“增强范式”。所谓增强，不是用GenAI替代教师，而是用GenAI促进教师的教学判断力与学生的学习自主性（Perdana & Lee, 2025）。GenAI能够对高频错误进行统计分析，从而提升教师反馈的针对性。同时，其提供的即时反馈也支持学生在教师介入前开展自主修改。
Wilson & Daugherty（2018）将人机协同分为分工式协同、互补式协同和增强式协同三个层次。分工式协同是“你做你的、我做我的”，任务割裂，未能发挥增值效应。互补式协同强调各自发挥优势且互为输入，如教师设定规则、AI执行规则、AI生成的报告为教师提供依据。增强式协同是最高层次，人与AI形成相互学习、共同进化的关系。
本模型追求从互补式协同向增强式协同的过渡。人机协同理论提供了两条基本的设计原则。其一，分工不等于割裂，任务划分应是交互且动态的。其二，协同效果取决于“接口”设计，即提示词与审核机制的质量。
高中生的认知与元认知特征
理论模型必须适配其服务对象的实际特征。高中生普遍处于形式运算阶段（Piaget,
1972），具备抽象思维与假设推理能力，但在开放性的、需要多维度权衡的任务中仍易依赖外部权威。这意味着他们具备评估GenAI建议的潜力，但需要显性的策略指导。
元认知指个体对自己认知过程的监控与调节（Flavell,
1979）。高中生的元认知能力虽优于初中生但仍处于发展中（Winne,
2018）。在GenAI使用情境中，一个关键风险是GenAI的即时建议可能削弱学生的元认知参与。由于GenAI替学生完成了
“诊断”环节，学生只需执行“修改”环节，长此以往可能丧失自主诊断能力。因此，模型必须嵌入强制性的元认知激活机制。
GenAI素养指理解GenAI原理、识别其局限并有效协作的能力（Ng et al., 2021）。高中生普遍处于“默认信任”阶段，倾向于认为GenAI的输出正确、中立、全面。培养GenAI素养有赖于显性教学、结构化实践与集体讨论的有机结合，而教师的核心任务之一正是在这一过程中训练学生成为GenAI的批判性使用者（Long & Magerko, 2020）。
基于前述分析，高中生认知与元认知特征对本模型的设计施加了三重约束。其一是需要结构化引导，即不能直接把GenAI丢给学生。其二是需要元认知训练，以防止GenAI削弱学生的自主诊断能力。其三是需要风险监控，具体包括教师定期抽样审核与教学干预。
本节从四个理论视角为双层模型提供了基础。社会文化理论区分了教师作为“核心他者”与GenAI作为“条件性他者”的角色层级；反馈分类理论明确了GenAI适宜承担与不适宜承担的反馈类型；人机协同教学理论提供了从“替代”到“增强”的范式转型与三层次协同框架；高中生认知与元认知特征分析指出了模型必须满足的三条设计约束。四个理论共同指向一个核心命题，即在高中英语写作反馈中，GenAI必须置于“教师主导”的框架下运行，其辅助功能的实现依赖于教师的策略性设计、规则设定与判断力培养。下节将在本节基础上，具体建构该模型的操作化形态。
建构“教师主导—GenAI辅助”双层模型
本模型以“教师主导—GenAI辅助”为核心原则，构建包含两个层级的反馈框架，所有设计均基于高中生的认知水平与自主学习能力。
模型总体结构
模型的总体结构由三个层次构成（见图1）。第一层是决策与调控层，由教师主导，涵盖写作任务设计、反馈目标设定、AI提示工程以及风险监控与集体反馈四项核心职责。其中，写作任务设计涉及决定是否引入AI、何时引入以及以何种方式引入；
图1“教师主导—GenAI辅助”双层模型
示意图
反馈目标设定要求教师明确本次反馈的核心聚焦点，例如语法、结构或内容；AI提示工程指教师设计或调适AI反馈的提示词，以约束输出范围与风格；风险监控与集体反馈则包括抽样审核学生与AI的交互记录，并通过集体讲解解决共性问题。
第二层是建议与执行层，由GenAI承担，包括语言形式纠错、表达重组建议、模式识别和模板化建议四项职能。语言形式纠错涵盖语法、拼写和标点等局部错误；表达重组建议提供同义替换和句式调整等多种方案；模式识别用于统计学生作文中的高频错误类型；模板化建议则提供结构提示和常用句型。
在第二层之下，还存在一个关键的学生中介层。学生在收到GenAI的原始输出后，需要逐条判断GenAI建议的合理性，将其分为合理、部分合理或不合理三类，为不合理的建议标注原因，并选择性采纳，不得全文复制GenAI重写版本。同时，学生需提交“批判性采纳记录表”。这一设计使GenAI输出不再是反馈的终点，而是学生判断的起点。
在本模型中，“主导”与“辅助”的关系需要准确理解。教师主导并不意味着教师独自完成所有工作，而是指教师掌握反馈的目标设定权、规则制定权、判断力培养责任和风险监控权，教师是反馈过程的“设计师”和“总调度”，而非“唯一执行者”。GenAI辅助也并不意味着GenAI只是被动执行指令，恰恰相反，GenAI在规则明确的范围内具有高度自主性，可以独立完成从“识别错误”到“生成建议”的完整流程，其“辅助”体现在功能边界由教师划定，而执行过程是自主的。
值得强调的是，本模型与传统“教师—GenAI”二元模型的本质区别在于引入了学生作为主动中介者。学生不是被动的建议接收者，而是需要主动评估、筛选、整合GenAI建议并做出最终修改决策的主体，这正是“赋权而不失控”的关键机制。
第一层：教师主导职责
在双层模型中，教师的第一层职责可细分为六个维度。第一个维度是写作任务设计，教师需要决定是否引入GenAI、何时引入以及以何种方式引入。例如，在限时写作练习或模拟考试中不引入GenAI，而在课后修改任务中引入GenAI；对于议论文写作，可以要求GenAI只反馈结构而不反馈语言。第二个维度是反馈目标设定，即明确本次写作反馈的核心聚焦点，如“本次聚焦时态一致性”“本次聚焦段落逻辑”或“本次聚焦表达多样性”。第三个维度是GenAI提示工程，教师需要设计或调适GenAI反馈的提示词，以约束输出的范围与风格，具体的设计原则将在后面的章节详细阐述。第四个维度是反馈审核与筛选，教师需要判断GenAI建议的适切性，识别系统性误判，通常采用抽样审核的方式，例如随机抽取5至8份学生与GenAI的交互记录，从中发现共性问题。第五个维度是情感与策略支持，教师需要鼓励学生、解释难点、引导学生判断，例如告诉学生“GenAI建议把这句话改成复合句，但你的原句在上下文里更清晰，你可以保留”。第六个维度是反馈整合与总结，教师需要将个体反馈转化为集体教学内容，如每周进行一次GenAI反馈共性问题讲解，展示优秀采纳与典型误判的案例。
需要强调的是，在高中阶段，教师不需要逐条审核每一位学生的GenAI反馈，抽样审核加集体讲解是更可持续且更高效的策略。教师的精力应从“批改每一篇作文”转向“设计规则、训练判断、监控风险”。
第二层：GenAI辅助职能
在双层模型中，明确GenAI“不做什么”比明确“做什么”更为重要，因为边界清晰的GenAI才是可用的GenAI。
就承担职能而言，GenAI主要负责四项任务。第一是语言形式纠错，即识别并指出语法、拼写和标点错误，并提供正确形式。这一任务在标准情境下技术可行性极高，准确率可达90%以上。第二是表达重组建议，即提供同义替换和句式调整等多种表达方案，但需要设定“最多提供3种”的限制以避免信息过载。第三是模式识别，即统计学生作文中的高频错误类型并生成简要报告，可作为教师集体讲解的依据。第四是模板化建议，即提供结构提示（如议论文可采用“现象—原因—对策”结构）和常用句型库，但需要区分“模板”与“套话”，避免学生陷入机械套用。
与此同时，GenAI有六项明确不承担的职能。第一是价值判断，因为“这个论点是否有说服力”“这段论证是否充分”等问题需要教学经验与语境理解。第二是给作文打分，以防止学生过度关注分数而忽视实质修改。第三是代替教师签字式认可，“这篇作文已经达到优秀水平”应由教师亲自判断。第四是讽刺或贬义表达，即使学生作文质量很低，GenAI也应保持中性或正向语气。第五是全文重写，以防止学生直接复制GenAI重写版本而不加思考。第六是情感评价，基于GenAI的“鼓励”缺乏真实的情感意向性，如“你写得很棒”这类评价应由教师根据学生的进步情况给出。
在高中场景中，GenAI辅助可以允许比小学和初中更高的自主性。具体而言，学生可以直接查看GenAI的原始输出，无需教师预过滤。同时，GenAI可以承担更多表达层面的建议，因为高中生具备更强的辨别能力。不过，GenAI必须在其输出中附带不确定性提示，例如“此为建议，请结合上下文判断”。
双层之间的协同机制
协同机制是该模型能够运转起来的关键。本模型设计了三类协同机制，分别对应反馈的不同阶段。
第一类是触发机制，即何时启动GenAI反馈。触发方式包括教师主动调用、学生发起询问，以及定期自动生成。教师主动调用是指教师在收集全班作文后，批量获取GenAI反馈，经筛选甄别后再下发给学生。该方式适用于教师希望把控GenAI输出质量的常规写作任务。学生发起询问是指学生在修改过程中主动向GenAI提问，例如“这句话还有别的表达方式吗？”。该方式适用于自主修改阶段，旨在培养学生的主动求助能力。在高中阶段，这一方式应成为最主要的触发方式。定期自动生成是指系统每周自动生成一次全班学生的错误类型统计报告，为教师提供教学决策依据。
第二类是处理机制，即GenAI输出反馈后如何处理。本模型的核心处理流程如下：首先，由GenAI生成原始反馈；之后，学生遵循“批判性采纳四步法”，逐条判断GenAI建议是否合理（分为合理、部分合理或不合理），并为不合理建议附上理由，例如“GenAI忽略了上下文。”采纳时，仅选取可用部分，而不直接复制GenAI的重写内容；最后，提交批判性采纳记录表。学生提交原稿、GenAI反馈记录、修改稿和采纳判断表之后，教师进行抽样审核，通常从高、中、低水平各抽取2至3人并识别共性问题。最后，教师进行5至10分钟的集体讲解，展示优秀采纳案例与典型误判警示。这一流程的关键在于，GenAI输出不是终点，而是学生判断的起点。
第三类是反馈循环，即如何形成持续改进。一次完整的反馈不应终结于一次修改，而应形成循环。本模型构建了三级反馈循环，分别为学生内部循环、师生互动循环和模型优化循环。学生内部循环中，学生在GenAI建议基础上修改并再次追问GenAI（如“这样改是否更好？”），随后继续迭代修改。师生互动循环中，学生提交修改稿后由教师集体讲解，学生借此反思自身的采纳决策。模型优化循环中，教师基于学生普遍误判情况优化GenAI提示词设计，以提升后续反馈的精准度。
图2 基于 AI 写作反馈的学生批判性采纳实施流程示意图
模型运行的关键机制
理论模型的有效性取决于其关键机制的可操作性。本节详细阐述教师提示词设计原则、学生接触AI反馈的规则，以及错误类型与反馈分工三个核心机制。
教师提示词设计原则
提示词是教师与GenAI之间的“接口”，设计良好的提示词可以显著提升GenAI输出的质量与教学适切性。本研究提出三条核心设计原则，并辅以高中场景的具体示例。
第一条原则是角色设定，即明确告知GenAI其身份与任务边界，防止GenAI“越界”提供不应由它承担的评价。例如，教师可以将GenAI设定为“你是一名高中英语写作助教，你的任务是为学生的作文提供语言形式层面的建议，不评价内容好坏，不给作文打分，不代替教师做价值判断”。通过这样的角色设定，GenAI的输出范围被限定在语言形式层面，避免了其涉足价值判断和情感评价等应由教师完成的领域。
第二条原则是输出约束，即明确限制GenAI输出的数量、格式和类型，防止信息过载或偏离焦点。例如，教师可以要求GenAI“只指出最严重的3个语法错误，并为每个错误提供正确写法。不要重写整句话，不要列出超过3个问题”。在高中场景中，输出约束尤为重要。如果GenAI不加限制地列出所有错误，学生将面临认知过载，无法聚焦于最需要改进的问题。实践中，教师可以根据学生水平动态调整约束数量，对基础较弱的学生要求“只指出2个最严重的错误”，对能力较强的学生则可以放宽至5个。
第三条原则是风格要求，即设定GenAI输出的语气与表达方式，确保其符合教学场景的需要。例如，教师可以要求GenAI“使用中性、客观的语气。每一条建议附带一个简短的正确例子。不要使用‘Great!’‘Excellent’等主观评价语，因为这些应由教师来说”。在高中阶段，GenAI的语气应以中性为主，鼓励性语言主要由教师提供，以保持教师作为“核心他者”在情感支持方面的独特作用。
以下是一个可供直接使用的高中作文GenAI反馈提示词模板。设定角色为“你是一名高中英语写作助教”；设定任务为“为以下学生作文提供反馈”；设定约束包括“只指出语法错误和标点错误”“最多指出5处最严重的问题”“每处问题附上正确写法”“不要重写整句话”“不要评价内容”“不要打分”“语气中性”；最后粘贴学生作文原文。教师可根据每次写作任务的重点，灵活调整提示词中的约束部分，例如将“最多指出5处”改为“最多指出3处”，或增加“本次只关注时态一致性”等聚焦性指令。
学生接触GenAI反馈的规则
在高中阶段，学生可以直接查看GenAI的原始输出，无需教师预过滤。这是因为高中生已具备较强的英语基础、抽象思维能力和初步的元认知监控能力，能够对GenAI建议进行独立评估。
然而，允许学生查看GenAI的反馈，并不意味着可以无约束地使用。为规范高中阶段学生对GenAI的利用，必须遵守以下三项规则：第一，强制填写“批判性采纳记录表”。学生在获取GenAI的建议后，不得直接着手修改，而应先逐条记录GenAI提出的具体建议，逐一判断是否采纳并阐明理由，最后在此基础上形成自己的最终修改版本。第二，禁止全文复制GenAI重写的内容。若GenAI提供了整句甚至整段的“优化版本”，学生不得直接复制粘贴，而应在充分阅读和理解的基础上，用自己的语言重新表达。教师将通过明文规定和随机抽查等方式，确保这一要求得到落实。第三，定期进行“无GenAI写作测试”，教师应每月安排一次限时课堂写作并禁止使用任何GenAI工具，通过对比有GenAI辅助和无GenAI辅助的写作质量，监测学生独立写作能力的变化，防范过度依赖GenAI的风险。
写作错误类型与反馈分工
写作错误类型与反馈分工作为模型运行的核心工具，明确了高中场景下各类错误应由谁处理以及如何处理。本节从错误类型、GenAI独立建议的可行性、教师复核要求三个维度进行系统阐述。
对于拼写错误和标点错误，GenAI可以独立给出建议，教师仅需进行抽样复核，抽样比例控制在5%至10%即可。这类错误规则明确、上下文依赖弱、存在标准答案，GenAI的识别准确率可达95%以上，教师无需逐条审核。
对于主谓一致和时态错误，需要区分为标准情形和歧义句两种子类型。在标准情形下，如简单句中的主谓一致或一般过去时的使用，GenAI可以独立给出建议，教师抽样复核的比例约为10%。但在复杂句、倒装句或虚拟语气等歧义句中，GenAI的判断可能出现偏差，因此GenAI可以给出提示但需标注“复杂情形，建议复核”，此时教师必须介入复核，防止学生内化GenAI的错误建议。
对于中式表达，需要区分明显的中式表达和深层的语用问题。对于“I very like
English”这类明显的母语迁移现象，GenAI可以给出提示，教师抽样复核的比例约为20%。但对于更深层的语用问题，例如“With the development of technology,
more and more people...”虽语法正确但略显套话，GenAI提供的优化建议可能改变原意或过度拔高，因此，GenAI可以给出提示但需标注“建议确认”，而教师必须复核并介入指导。
对于逻辑结构问题，如段落之间的衔接、论证层次的递进等，GenAI仅能提供模板化提示，例如“建议使用‘however’或‘on the other hand’来增强段落之间的逻辑联系”。由于逻辑结构的判断涉及论证有效性，而GenAI对此类深层逻辑关系的处理能力有限，因此教师的复核是必须的。
对于内容偏题问题，GenAI不应介入判断。这是因为判断内容是否回答题目要求需要理解作文题目的深层含义、评估学生的论证是否紧扣主题，这涉及教学经验和对课标的把握，完全属于教师的核心职责范围。
综合以上分析，本模型的核心分工逻辑可以概括为：规则性、局部性的错误由GenAI独立承担；价值性、整体性的判断由教师承担；模糊地带则通过“条件性承担”策略处理。这一分工既发挥了GenAI在语言形式处理上的效率优势，又确保了教师在价值判断和情感支持方面的核心地位，同时通过抽样审核和集体讲解实现了对GenAI输出的有效监控。
结语
本研究构建了以“教师主导—GenAI辅助”为核心的双层模型。理论上，社会文化理论将教师定位为“核心他者”、GenAI为“条件性他者”，反馈分类理论明确了任务分工边界，人机协同理论提供了从互补式向增强式协同的路径，高中生认知特征则提出了结构化引导、元认知训练与风险监控三条约束。该模型包含三层结构，其中教师主导涵盖任务设计、目标设定、提示工程、审核筛选、情感支持和总结整合六项职责；GenAI辅助承担语言纠错、表达重组、模式识别和模板化建议四项职能，并明确不涉足价值判断、打分与全文重写；学生通过“批判性采纳四步法”成为主动中介者。运行机制包括提示词设计三原则、学生使用三条规则以及写作错误类型与反馈分工。研究局限在于模型有待实证检验，且需考虑不同GenAI工具适配性与学习者个体差异。总体而言，该模型为高中英语写作教学的智能转型提供了可操作的理论框架。
参考文献
Barrot, J. S.
(2023). Using ChatGPT for second language writing: Pitfalls and potentials. Assessing Writing, 57, 100745.
Bitchener, J.,
& Ferris, D. (2012). Written Corrective Feedback in Second
Language Acquisition and
Writing.
Routledge.
Cheng, Y., Fan,
Y., Li, X., Chen, G., Gašević, D., & Swiecki, Z. (2025). Asking generative artificial
intelligence the right questions improves writing performance. Computers and Education:
Artificial Intelligence, 8, 100374.
Crosthwaite, P.,
& Sun, S. (2026). Generative AI and L2 written feedback studies: A scoping review. RELC Journal, 57(1), 207-219.
Dai, X., Leng, L.
L., Liu, Y., Huang, Y. T., & Wong, D. F. K. (2026). The paradox of agency in psychotherapy:
How people with mental distress experience support from generative AI
chatbots and human therapists. BMC psychiatry, 26(1), 49.
Daugherty, P. R.,
& Wilson, H. J. (2024). Human+machine, updated and expanded: reimagining work in the
age of AI.
Harvard Business Press.
Ellis, R.
(2009). A typology of written corrective feedback types. ELT Journal, 63(2), 97– 107.
Ellis, R.
(2010). Epilogue: A framework for investigating oral and written
corrective feedback. Studies in Second Language
Acquisition,
32(2), 335–349.
Flavell, J. H.
(1979). Metacognition and cognitive monitoring: A new area of cognitive– developmental inquiry. American
Psychologist,
34(10), 906–911.
Fredricks, J. A.,
Blumenfeld, P. C., & Paris, A. H. (2004). School engagement: Potential
of the concept, state of the evidence. Review of
Educational Research,
74(1), 59–109.
Fredriksson, A. L.
(2025). GIFT-AI: “I’m scared that the AI feedback is too much!”— Preservice
(English) teachers’ feedback
strategies and their use of GenAI for feedback. Frontiers
in Education,
10, 1612398.
Fredrick, D. R., & Craven, L. (2025). Lexical diversity, syntactic
complexity, and readability: a
corpus-based analysis of ChatGPT and L2 student essays. Frontiers in Education, 10, 1616935.
Godwin-Jones, R.
(2022). Partnering with AI: Intelligent writing assistance and instructed language learning. Language
Learning & Technology, 26(2), 5–24.
Lau, G. R., Low,
W. Y., Tay, L., Guevarra, Y., Gašević, D., & Hartanto, A. (2025). Understanding Critical Thinking in
Generative Artificial Intelligence Use: Development,
Validation, and Correlates of the Critical Thinking in AI Use Scale. arXiv preprint arXiv:2512.12413.
Long, D., &
Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1-16).
Lu, D., &
Zeng, Y. (2026). Leveraging self-regulated learning to develop L2 students’ feedback literacy in GenAI-mediated
writing environments: an intervention study. Assessment
& Evaluation in
Higher Education,
1-19.
Lu, Q., Yao, Y., Xiao, L., Zhu, X., & Yin, H. (2026). Can GenAI help
undergraduate students become
independent writers? An intervention study on its effects on writing motivation, feedback literacy, and
self-regulated learning strategies. Educational Psychology, 1-27.
Ma, X., Zhang, C.,
& Lee, I. (2026). L2 learners’ engagement with AI-generated feedback on writing. Assessing Writing, 68, 101020.
Mehmet Ekizoğlu, & Demir, A. N. (2025). The role of AI assisted
writing feedback in developing
secondary students writing skills. Discover
Education, 4(1).
Mekheimer, M.
(2025). Generative AI-assisted feedback and EFL writing: a study on proficiency, revision frequency and
writing quality. Discover
Education, 4(1), 170.
Mollick, E., & Mollick, L. (2023). Assigning AI: Seven approaches
for students, with prompts. arXiv preprint arXiv:2306.10052.
Nazaretsky, T.,
Gabbay, H., & Käser, T. (2025). Can students judge like experts? A large- scale study on the pedagogical quality of AI
and human personalized formative feedback. Computers and
Education: Artificial Intelligence, 100533.
Ng, D. T. K.,
Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and
Education: Artificial Intelligence, 2, 100041.
Noroozi, O.,
Haddadian, G., Gao, X., Schunn, C., Alqassab, M., & Banihashem, S. K.
(2025). The value of GenAI for
peer feedback provision: student perceptions and impacts. International Journal of Educational
Technology in Higher Education, 22(1), 61.
Pecuchova, J.,
Benko, L., & Drlik, M. (2026). Reimagining feedback through generative AI in engineering education. Computers and
Education: Artificial Intelligence, 100574.
Perdana, A., &
Lee, W. E. (2025). From Automation to Augmentation: GenAI’s Role in Promoting Students’ Cognitive and
Ethical Development. Thinking Skills and Creativity, 102035.
Piaget, J.
(1972). Intellectual evolution from adolescence to adulthood. Human Development, 15(1), 1–12.
Saracini, C., Cornejo-Plaza, M. I., & Cippitani, R. (2025).
Techno-emotional projection in human–GenAI
relationships: A psychological
and ethical conceptual perspective. Frontiers in Psychology, 16, 1662206.
Steiss, J., Tate,
T., Graham, S., Cruz, J., Hebert, M., Wang, J., ... & Olson, C. B. (2024). Comparing the quality of human
and ChatGPT feedback of students’ writing. Learning and Instruction, 91, 101894.
Teng, L. S., Deng,
X., & Yang, J. (2026). Can GenAI-empowered feedback promote L2 learners’ self-regulation strategic
behavior and writing performance?. System, 103970.
Vygotsky, L. S.
(1978). Mind
in Society: The Development of Higher Psychological Processes. Harvard University Press.
Wang, Y., Hu, W.,
& Guo, Q. (2025). GPT versus teacher feedback on English writing: An analysis of feedback characteristics and
student engagement. System, 103967.
Wang, S., Wang, Y., & Solhi, M. (2026). Teacher‐student
interpersonal behaviours and genai
feedback on students’ achievement emotions in EFL writing: An intervention study. European Journal of Education, 61(1), e70395.
Winne, P. H.
(2018). Cognition and metacognition
within self-regulated
learning. In D. H. Schunk & J.
A. Greene (Eds.), Handbook of Self-Regulation of Learning and Performance (2nd ed.,
pp. 36–48). Routledge.
Wood, D., Bruner,
J. S., & Ross, G. (1976). The role of tutoring in problem solving. Journal of Child Psychology and Psychiatry, 17(2), 89–100.
Wu, G., Sueb, R.,
& Deng, Q. (2025). A review of research on artificial intelligence writing feedback:
Mechanisms, learner behaviours, and future directions. Journal of Educational Theory and Practice, 2(4).
Yilmaz, M., Temur,
H. B., Emmungil, L., Çelik, E., Gauthier, A., & Cukurova, M. (2026). Supporting self-regulated learning through generative AI
feedback in online higher education:
The importance of student perceptions of the source of feedback. International Journal of Educational
Technology in Higher Education, 23(1), 16.
Zhan, Y., Boud,
D., Dawson, P., & Yan, Z. (2025). Generative artificial intelligence as an enabler of student feedback engagement: a
framework. Higher
Education Research & Development, 44(5), 1289-1304.
Zhao, D. (2025).
The impact of AI-enhanced natural language processing tools on writing proficiency: An analysis of language
precision, content summarization, and creative writing
facilitation. Education
and Information Technologies, 30(6), 8055-8086.
Zhou, C., &
Wang, Y. (2026). University students’
writing feedback literacy in the AI era: The
interplay of generative AI acceptance,
writing anxiety and writing self‐efficacy in Chinese EMI
educational contexts. European Journal of Education, 61(1), e70478.
Zhou, J., Zhao,
N., Gao, X., & Han, X. (2026). The effects of Generative AI-supported peer feedback on preservice teachers’ learning
outcomes, feedback uptake, and critical thinking. Thinking Skills and Creativity, 102236.
Ziqi, C., Xinhua,
Z., Qi, L., & Wei, W. (2026). L2 students’ barriers in engaging with form and content-focused AI-generated feedback in
revising their compositions. Computer Assisted
Language Learning, 39(3), 715-735.
魏爽,李璐遥.人工智能辅助二语写作反馈研究——以ChatGPT为例[J].中国外 语,2023,20(3):33-40.
滕琳,杨玉鑫,杨静.人工智能写作反馈模式下自我调节能力对多维反馈投入的影响研究 [J].外语教育研究前沿,2025,8(3):85-96.
张聪,孟怡雯.英语学习者对教师与GenAI写作反馈的投入差异研究[J].外语与外语教 学,2025,(6):52-64+146.
崔莹,Christian D.Schunn,刘杭松,等.生成式人工智能英语写作反馈的模型差异与提示词 调节作用研究[J].外语学刊,2026,(1):96-102.
孙培健,许嘉宇,张军.生成式人工智能反馈对大学生英文作文质量的增值效益研究[J].外 语教育研究前沿,2025,8(4):24-36.
张聪,孟怡雯.英语学习者对教师与GenAI写作反馈的投入差异研究[J].外语与外语教 学,2025,(6):52-64+146.
王亚冰,禤倩映,Zhang
Jun Lawrence.生成式人工智能干预对大学生外语写作反馈投入的 影响研究[J].中国外语,2025,22(2):71-78.
许川根.基于生成式人工智能的外语学习者人机协同写作投入研究[J].外语与外语教 学,2025,(2):61-73+147.
金檀,白春苗,王颖敏,等.议论文对比续写中ChatGPT智能反馈的合作加工策略研究[J]. 现代外语,2025,48(5):630-642.
潘海英,牛宝贵.生成式人工智能赋能的外语学习者写作反馈素养现状调查与分析[J].外 语电化教 学,2025,(1):94-101+125.
