这篇文档属于类型a，是一篇关于人工智能生成反馈在翻译教学中应用的原创性研究论文。以下为详细的学术报告：

一、作者及发表信息

本研究由Simin Xu、Yanfang Su和Kanglong Liu（通讯作者）共同完成，三位作者均来自香港理工大学中文及双语学系（Department of Chinese and Bilingual Studies, The Hong Kong Polytechnic University）。论文发表于期刊Education and Information Technologies，于2025年2月17日在线发布，DOI编号为10.1007/s10639-025-13457-0。

二、学术背景与研究目标

科学领域与背景

研究聚焦翻译教育与人工智能（AI）辅助教学的交叉领域。传统翻译教学中，教师人工反馈耗时且难以规模化（Bruton, 2007; Guo et al., 2024），而ChatGPT等生成式AI工具能提供即时、个性化的反馈（Alghamdi, 2024），但其在翻译教学中的应用尚未充分探索（Cao & Zhong, 2023）。

研究动机与目标

研究团队提出：反馈的有效性不仅取决于质量，更取决于学生的“投入度”（engagement），包括认知（cognitive）、情感（affective）和行为（behavioral）三个维度（Handley et al., 2011）。本研究旨在探究翻译硕士生如何从这三个维度与ChatGPT生成的反馈互动，并分析AI反馈对翻译修订过程的影响。

三、研究流程与方法

1. 研究对象与平台开发

• 参与者：29名香港理工大学翻译硕士生（MATI项目），其中27人以普通话为母语，21名为女性。48.3%的学生有超过10次ChatGPT使用经验。
  
• 实验平台：研究团队开发了集成ChatGPT的AI翻译教学平台，内置基于Hurtado Albir & Taylor（2015）翻译评估量表的提示词（prompt），用于生成结构化反馈（包括参考译文、评论建议和评分）。
  

2. 实验设计

• 翻译任务：学生将190字中文政治新闻译为英文（限时70分钟），禁止使用机器翻译工具。
  
• 反馈生成：平台通过ChatGPT 3.5生成反馈，仅采用首次输出以确保一致性。
  
• 修订阶段：学生根据反馈修改译文，全程通过Zoom录屏记录行为数据。
  

3. 数据收集与分析

• 定量数据：
  
  • 认知与情感投入：采用Chen（2021）设计的15项李克特量表问卷（Cronbach’s α=0.807-0.802），涵盖反馈理解、修订策略和满意度。
    
  • 行为投入：记录修订时间、反馈采纳率（uptake rate）和策略（如在线搜索、词典使用）。
    
• 定性数据：
  
  • 半结构化访谈：选取4名典型学生（代表群体平均水平），通过12个问题探讨其对反馈的反思和修订决策逻辑。
    
  • 文本分析：编码ChatGPT反馈为表层级（surface-level，如语法）和意义级（meaning-level，如连贯性），并统计修订操作。
    

4. 数据分析框架

采用混合方法（mixed-methods），整合定量统计与质性编码。数据分析基于Zheng & Yu（2018）的投入度框架，具体维度如下：
- 认知投入：反馈理解、元认知策略（如自我监控）、认知操作（如批判性评估）。
- 情感投入：情绪反应（如信心变化）、态度（如对AI反馈的认可度）。
- 行为投入：修订操作、策略使用、时间分配。

四、主要研究结果

1. 认知投入：理解与策略的复杂性

• 反馈理解：学生普遍认为ChatGPT反馈易于理解（问卷均值M=4.0/5），但意义级反馈（如连贯性建议）因表述模糊导致困惑（如学生1提到“缺乏具体改进指引”）。
  
• 元认知策略：学生需反复查阅反馈（M=4.07）并投入高认知努力（M=4.28），例如通过在线搜索验证反馈建议的准确性（图3示例）。
  
• 优先级矛盾：尽管表层级反馈更易处理（M=4.10），但意义级反馈采纳率更高（63.73% vs. 47%），反映学生在“易操作性”与“内容深度”间的权衡。
  

2. 情感投入：高满意度与批判性并存

• 积极情绪：高评分（如95/100）和正面评论提升学生信心（M=3.86），但过度褒扬导致部分学生认为反馈“缺乏建设性”（学生1访谈）。
  
• 态度分化：学生肯定AI在词汇建议（如“emphasize”替换“underline”）和句式优化上的价值，但对泛泛而谈的反馈（如“需提高清晰度”）表示失望。
  

3. 行为投入：策略多样性与个体差异

• 修订操作：共852处修订中，756处基于反馈，96处为学生自主修正（如未标注的引号错误）。意义级反馈采纳量是表层级的1.4倍（304 vs. 130项）。
  
• 策略使用：最常用策略为在线搜索（32次）和校对（26次），用于验证AI建议的合理性（如学生3通过Google验证搭配“practical conversation”是否常用）。
  
• 时间分配：平均修订时间24分41秒，最长54分34秒（学生3用于反复核查反馈），最短1分30秒（反映动机不足的个体差异）。
  

五、结论与价值

科学意义

1. 理论贡献：首次揭示翻译学生与AI反馈互动的三维动态，证实认知、情感和行为投入的相互影响（如高认知努力驱动行为采纳，但情感满意度调节决策）。
   
2. 方法创新：开发集成ChatGPT的翻译教学平台，提供可复用的反馈生成流程（附录2示例）。
   

应用价值

• 教学实践：建议将AI反馈与教师反馈结合，AI处理基础问题（如词汇），教师聚焦高阶技能（如文体适配）。
  
• 技术优化：需改进提示词设计以生成更具体的意义级反馈，并探索GPT-4等新模型的潜力。
  

六、研究亮点

1. 多维投入框架：突破传统反馈研究单维视角，揭示AI环境下学生投入的复杂性。
   
2. 行为-认知矛盾：发现学生虽优先处理表层问题，但实际修订更依赖意义级反馈，凸显AI工具的设计盲区。
   
3. 混合方法验证：通过录屏、问卷和访谈三角验证，提升结论可信度。
   

七、其他发现

• 个体差异显著：语言水平、AI使用经验显著影响投入模式（如高经验学生更倾向批判性采纳）。
  
• 长期影响待探究：单次实验无法评估AI反馈对翻译能力的累积效应，需纵向研究补充。
  

（注：报告字数约2000字，符合要求范围。）