类型b：学术报告
作者及机构
本文由北京外国语大学中国外语与教育研究中心、人工智能与人类语言重点实验室的许家金教授与博士研究生赵冲合作完成，发表于《外语教育研究前沿》（*Foreign Language Education in China*）2024年2月刊（第7卷第1期）。
主题
论文聚焦大语言模型（Large Language Models, LLMs）在英语教学中的三类角色（语言顾问、语伴、语言测评专家），通过具体案例展示如何利用提示工程（Prompt Engineering）实现其教学应用，并探讨技术潜力与局限性。
1. 大语言模型在英语教学中的三类核心角色
论文提出LLMs可扮演三种教学角色，其功能与实现方式如下：
- 语言顾问（Language Advisor）：提供接近母语者或语言学家的语言知识支持，例如解析词汇语境含义、对比语域差异（如正式与非正式表达）。案例中，模型通过分析经济类新闻稿的典型表达（如“people-to-people exchanges”“mutual understanding”），辅助教师筛选教学重点。
- 语伴（Language Partner）：模拟真实语言交际场景，如通过ChatGPT语音功能与学生讨论“学校AI教学政策”，或通过自定义模型（GPTs）生成互动式奇幻故事（如“Adventure Linguist”），结合新词释义与情节决策提升学习趣味性。
- 语言测评专家（Language Assessment Specialist）：评估学生语言输出的语法、逻辑及语义忠实度。例如，在汉英翻译任务中，模型不仅纠正“13 billions”等数值错误，还优化了“relieve the dream”等不自然表达，并提出“realize the vision”等更地道的译法。
支持理论与技术：
- 角色划分基于LLMs的文本生成、多模态处理及交互能力（如Devlin et al., 2018提出的BERT模型原理）。
- 提示工程是关键实现手段，需通过“需求明确—提示编写—结果检查—提示修改”的循环优化流程（如案例中要求模型优化提示语：“How to refine this prompt to be clearer?”）。
2. 提示工程的实践方法与“问商”素养
论文强调提示工程需遵循“人机协同”原则，具体步骤包括：
- 任务拆解：将抽象需求转化为可操作指令（如要求模型生成“正式与非正式感谢信”时，需明确场景与受众差异）。
- 直觉型提示语优先：避免模板化，使用自然语言描述需求（如“扮演母语学生参与对话练习”）。
- 模型辅助优化：通过追问模型（如“如何提高提示语清晰度？”）迭代改进指令。
“问商”（Prompting Quotient）素养：
许家金等（2024）提出四项子能力：
- 知：掌握领域知识（如英语语域差异）；
- 析：提炼任务需求（如区分“语言测评”与“语言生成”）；
- 问：编写有效提示（如设定角色与上下文）；
- 创：通过提问激发模型潜力（如“如何拆解复杂任务？”）。
3. 技术优势与教学价值
- 效率提升：模型可快速生成语域对比文本、个性化阅读材料等传统耗时内容。
- 情境真实性：语音交互与互动故事增强学生沉浸感，缓解焦虑（Chen et al., 2022）。
- 测评精细化：同时评估语法正确性与语义忠实度（如翻译案例中对照原文检查“病有所医”的译法）。
4. 局限性与风险警示
- 技术局限：当前模型依赖文本交互，无法模拟非语言交际（如肢体语言）；语音功能仅支持单向话轮转换。
- 伦理风险：需警惕数据隐私、输出偏见（如文化价值观偏差）及过度依赖问题（如替代教师主导权）。
本文系统构建了LLMs在外语教学中的应用框架，其价值体现在：
1. 方法论创新：提出“角色—提示工程”的实操路径，为教师设计AI融合教案提供模板。
2. 理论拓展：将“人机协同”理念具象化，强调“问商”素养在AI时代的重要性。
3. 实践指导：案例覆盖听、说、读、写、译全技能，可直接迁移至教学场景。
研究展望：作者建议未来探索多模态交互（如虚拟人语伴）、分析学生提示语以优化学习路径（Mizumoto, 2023），并呼吁构建“人机协同外语教学新范式”。