英語學習者對教師與GenAI寫作反饋的投入差異研究

張 聰 孟怡雯

浙江大學外國語學院

香港理工大學人文學院

摘要

近年來，生成式人工智能廣泛應用于二語寫作反饋，但反饋效果很大程度上取決于學習者對反饋的投入，然而這一問題尚需深入探討。本研究采用DeepSeek作為反饋工具，通過收集學生寫作文本、反思日志及刺激性回憶訪談等多源數據，考察英語寫作學習者對三種不同類型反饋，即教師反饋、GenAI反饋與人機混合反饋的投入差異。研究發現，學習者的反饋投入呈現三種模式：教師反饋偏好型、教師反饋—人機混合反饋并重型以及跨三種反饋類型的均衡型(即對三種反饋的投入水平普遍較高)。整體而言，教師反饋因其針對性與情感支持充分最易激發學習者的積極投入；人機混合反饋體現出人機協同特征，因而能激發學習者對反饋的深度加工，但可能對部分學習者造成認知負荷；而GenAI反饋雖具即時性與覆蓋廣泛的優勢，但因無法充分理解文本語境、缺乏人際關懷而導致學習者投入水平較低。綜合來看，人機混合反饋有助于拓展反饋資源，并在一定程度上提升學習者的反饋加工深度。

關鍵詞：生成式人工智能反饋；教師反饋；人機混合反饋；反饋投入；二語寫作

01

引言

反饋投入指學習者對反饋做出的反應(Ellis2010)，是二語寫作研究的重要議題(Han2017)。近年來，隨著生成式人工智能(GenerativeArtificial Intelligence，簡稱GenAI)技術的快速發展，GenAI反饋逐漸引起二語寫作教學研究者的關注，尤其是反饋效果成為研究熱點，但有關學生針對該類反饋的投入以及與傳統教師反饋投入的差異尚缺乏實證探討。鑒于此，本研究擬重點考察二語寫作中學習者對教師反饋、GenAI反饋和人機混合反饋三種不同類型反饋投入的差異與特征，旨在為教師在反饋實踐中有效運用GenAI工具提供實證參考，從而優化寫作課堂的多元反饋策略，提升學生的整體反饋投入水平。需要特別說明的是，本研究中的人機混合反饋是指教師對GenAI生成的內容進行審核、優化與整合后形成的協同反饋，旨在提升反饋針對性與教學有效性。

02

文獻綜述

2.1 二語寫作中的教師反饋與人工智能反饋

作為二語寫作的重要反饋來源，教師反饋在促進文本修改、提高寫作水平、增強寫作動機等方面具有重要作用(Karim&Nassaji2018;Lee et al. 2015)。然而，班級規模與行政負擔等外在因素常令教師難以及時提供個性化反饋(Thi&Nikolov2022)，從而影響學生寫作能力的發展(Yuetal. 2021)。為解決該問題，自動寫作評估系統(AutomatedWriting Evaluation,簡稱AWE)被逐漸應用于寫作反饋實踐，但其反饋重點多聚焦語言層面，對內容與邏輯等深層問題關注不足(Thi&Nikolov2022)。

近年來，GenAI廣泛應用于二語寫作反饋，但其優勢與局限性并存。一方面，其內容生成、即時反饋等功能拓展了二語寫作反饋的研究范圍與實踐模式。相較于AWE，GenAI既能指出語言層面的問題，也能就結構與內容提供反饋。更為重要的是，GenAI反饋質量較高，能幫助教師提高反饋效率，從而減輕其工作負擔(Steissetal.2024)。但另一方面，GenAI產出的內容往往以結果為導向，較難通過啟發式教學促進學習者對知識的深度加工，而且無法如教師般充分了解學生的個體差異(Wangetal.2024)，其針對性與有效性因而受限。

在此背景下，Han和Li(2024)提出“ChatGPT支持的教師反饋”，即教師將ChatGPT生成的反饋轉化為間接反饋供學生使用。該研究在一定程度上展現了GenAI在提升教師反饋效率方面的優勢。但在這一反饋模式下，教師無法結合自身教學經驗，根據學生的寫作短板對GenAI反饋進行針對性優化，從而限制了其教學能動性的發揮。因此，本研究提出人機混合反饋。該模式賦予教師更高的自主性，使其可根據任務目標、學生水平及GenAI反饋質量，自主決定采納、修改或舍棄GenAI反饋，并靈活運用直接、間接或元語言等多種形式提供最終反饋。基于此，本文將教師反饋、GenAI反饋與人機混合反饋視為三種獨立反饋來源，比較學習者在行為、認知與情感三個維度上的投入差異，以揭示不同反饋類型對學習者投入的影響，并為人機協同寫作教學提供實證依據。

2.2 二語寫作中學習者對教師反饋與人工智能反饋的投入

作為二語寫作教學的重要環節，反饋對提升學習者寫作能力具有重要作用(Hyland&Hyland 2019)，但其實際效果卻受學習者對反饋的理解、加工與應用的影響。為探討其中的作用機制，Ellis (2010)將“投入”(engagement)概念引入反饋研究，從行為、認知和情感三個維度解析學習者處理反饋的過程。行為投入關注學習者的修改行為與修改策略；認知投入涉及學習者對反饋的注意、理解以及認知與元認知策略的應用；情感投入則指學習者對反饋的情感反應(Han&Hyland2015)。

基于這一框架，現有研究主要考察學生對反饋的投入程度及其影響因素(Fan&Xu2020; Han 2019)，且多聚焦對教師反饋的投入。研究表明，學生的投入水平在不同維度上均存在差異。例如，Han和Hyland(2015)發現，部分學習者雖對反饋理解有限，但仍展現出較高水平的行為投入。Zheng和Yu(2018)則發現，盡管學習者情感積極，其行為與認知投入卻相對有限。Cheng和Liu(2022)通過對比不同水平二語學習者對教師反饋投入的異同，進一步揭示了三個維度之間復雜且非線性的關系。這些差異受個體因素(如寫作能力、學習目標、反饋信念)及情境因素(課堂環境及反饋方式等)的共同影響(Han2017;Mahfoodh2017)。 至于反饋來源，除單一教師反饋外，部分研究(如徐錦芬、龍在波2022)已對教師反饋與以AWE為代表的人工智能反饋進行了對比，結果顯示，部分學生青睞AWE反饋的即時性，但也有學生認為其信息量過大，難以消化和吸收(Zhang&Hyland2018)。加之AWE反饋數量較多，學生仍傾向采納教師反饋(Tian&Zhou2020)。

近年來，隨著GenAI成為寫作教學中新的反饋工具，學界開始從多維度探討學習者對該反饋的投入。在投入特征方面，Zhan和Yan(2025)發現，盡管學習者認可GenAI反饋的即時性優勢，卻難以在情感上與其產生共鳴；其行為投入主要集中于語言形式的修改，在認知維度缺乏深度的元認知監控與反思。此外，部分研究聚焦GenAI反饋投入的影響因素。Huang和Mizumoto (2025)指出，二語學習動機可通過調控反饋的調用與加工行為，間接作用于GenAI反饋投入水平。Yan和Zhang(2024)發現，學習者對GenAI的整體情感傾向較為積極，但反饋尋求行為的主動性、修改策略的多樣性，以及元認知調控策略的運用，均受學習者語言水平與AI素養的影響。

盡管上述研究已從學習者投入的視角對GenAI反饋進行了初步探討，但多聚焦于單一反饋的特征分析，鮮有研究對比多元反饋的異同。因此，本文采用多案例研究方法，從行為、認知及情感三個維度，深入考察學習者對教師反饋、GenAI反饋以及人機混合反饋的投入差異，以期為寫作教學實踐提供更具針對性與有效性的指導。具體而言，本研究擬回答以下問題：英語寫作學習者對教師反饋、GenAI反饋以及人機混合反饋的投入各呈現何種特征？三種反饋投入是否存在差異？

03

研究方法

3. 研究方法

3.1 研究背景及研究對象

本研究在中國東部一所985高校開展，受試為某英語寫作課程中七名大二英語專業學生(S1~S7，其中S3和S7為男生，其余五人為女生)。該課程授課教師擁有博士學位，具有十余年英語寫作教學與反饋實踐經驗。課程為期16周，每周一次課，每次兩小節，每節50分鐘。為了解學生的寫作水平，學期初授課教師組織了診斷性寫作測試，要求學生在40分鐘內完成一篇雅思Task2議論文寫作，并參照雅思寫作評分標準打分。結果顯示，學生得分均處于6.0~6.5之間，屬中等至中上水平。

3.2 數據收集

本研究以國產大語言模型DeepSeek作為GenAI工具，分別收集學生的初稿、二稿、教師反饋、GenAI反饋、人機混合反饋、反思日志及刺激性回憶訪談等數據。教師對GenAI反饋的整合遵循兩項核心原則：首先是準確性，嚴格參照學生原文，避免信息失真；其次是適用性，即基于教學經驗對反饋進行再加工，以服務特定教學目的。例如，教師可能將某些直接反饋轉化為間接反饋，引導學生自主思考。加工后的GenAI反饋在形式上與教師反饋保持一致，均以批注和總結形式呈現。GenAI反饋則由教師將DeepSeek生成的原始反饋復制至文檔后呈現給學生。為避免信息負荷過大，每輪寫作僅向學生呈現兩類反饋?；诮處煹膶懽鹘虒W經驗、對學生個體差異的了解程度以及訪談結果，本文認為學生可同時有效處理兩類反饋。數據收集過程如下。

第一周，教師向學生講解雅思寫作方法與評分標準，布置第一篇課堂寫作任務，要求學生在40分鐘內完成。課后，教師提供反饋(A1)，并使用DeepSeek生成GenAI反饋(提示詞見圖1)，經過教師加工后形成人機混合反饋(B1)。

第二周，學生在未被告知反饋來源的情況下，參照A1與B1的反饋進行文本修改。任務要求保留所有修改痕跡并撰寫反思日志。在此之后，研究者開展刺激性回憶訪談，以深入探究學生對兩種反饋的認知與情感投入。

第三周，學生完成第二篇課堂寫作任務。教師提供第二輪教師反饋(A2)與GenAI反饋(B2)。

第四周，學生參考A2與B2的反饋完成第二輪修改，沿用相同流程，再次撰寫反思日志，并接受刺激性回憶訪談。

3.3 數據分析本研究遵循混合數據分析的研究范式，系統探討受試在行為、認知與情感三個維度上的反饋投入特征。為分析行為投入，兩位研究者分別對受試的初稿與二稿進行句子級對齊，標注修改痕跡，并依據反饋來源進行分類標記，統計其反饋攝取與修改行為。反饋攝取分為成功攝取、不成功攝取和未攝取。學習者根據反饋內容正確修改文本視作成功攝取，根據反饋修改但未達到預期效果為不成功攝取，未采取任何行動則為未攝取(Niuetal.2021)。為統計反饋攝取，研究者分別計算三類反饋中成功攝取、不成功攝取及未攝取的頻次與比例。修改行為分為增加、刪減、替換、重組、重寫、刪除、自我修改、基于反饋的自我修改共八類(Zhang&Hyland 2022; 徐錦芬、龍在波2022)。

認知投入和情感投入分析基于反思日志與刺激性回憶訪談內容完成。為考察學生的認知投入特征，本研究依據現有文獻并參照本研究的具體情境對反思日志與訪談數據中的認知加工進行歸類，最終構建了表1所示的編碼方案。為分析情感投入，研究者首先分析反思日志與刺激性回憶訪談文本，然后結合具體語境，識別并標記受試在反饋過程中的情感線索，并將其歸納為積極、消極與復雜情感三個類別。兩位研究者獨立完成數據編碼，并通過定期討論解決分歧。最終編碼一致率高于85%，表明編碼結果信度良好。

為提升研究結果的可信度與有效性，本研究采用了三角驗證策略。具體而言，研究者結合了文本分析、反思日志與刺激性回憶訪談等多源數據，從不同角度交叉驗證學習者在行為、認知與情感維度上的反饋投入特征。

為界定學習者的投入水平，本文構建了涵蓋行為、認知與情感三個維度的判定指標(見表2)。各維度的具體判定標準如下：行為投入的判定主要依據反饋的成功攝取率與修改行為的多樣性。若學習者對反饋的成功攝取率達到60%及以上，并采用多樣化的修改行為，則認定其行為投入水平較高。高水平認知投入需同時滿足兩項條件：一是學習者能夠注意并理解大部分反饋內容；二是在此基礎上，學習者主動運用多種認知策略與元認知策略對反饋進行深度加工。在情感投入維度，本文主要依據訪談與反思日志中的情感詞匯對學習者的情感投入進行綜合分析。高情感投入表現為積極情感持續并占主導地位，且不存在強烈的消極情感。在此基礎上，本文借鑒徐錦芬和龍在波(2022)的界定：如學習者在兩個及以上維度對兩類反饋表現出積極投入，同時對第三類反饋投入較低，則視為“并重型投入”。

04

研究發現

研究發現，學習者對二語寫作中不同反饋類別的投入存在顯著差異。七位參與者的投入模式可分為三類：教師反饋偏好型(簡稱“偏好型”)、教師反饋—人機混合反饋并重型(簡稱“并重型”)和跨三種反饋類型(教師反饋—人機混合反饋—GenAI反饋)的均衡型(簡稱“均衡型”)

4.1教師反饋偏好型投入(S1和S3)

本研究中，偏好型學習者(S1和S3)在三個維度上對教師反饋表現出較高投入，對其余兩類反饋投入程度較低。表3呈現了不同反饋條件下，學習者對各反饋條目的攝取結果分布（成功、未攝取、不成功攝?。?，數值為具體條目數，百分比即該結果類型在對應反饋條目總數中的占比。由表中數據可知，在行為投入維度，S1和S3對教師反饋(A1、A2)的成功攝取率普遍較高，分別為80%和90% (S1)，以及70%和77% (S3)，其不成功攝取率和未攝取率較低。相比之下，他們對人機混合反饋(B1)和GenAI反饋(B2)的成功攝取率則相對較低。具體而言，S1對B1和B2的成功攝取率分別為54%和40%，S3則為59%和42%。從修改行為來看，S1和S3在處理教師反饋時表現出高度投入：既采取了替換、增加、刪除乃至全文重寫等多種修改行為，又基于反饋產生了自我修改行為。例如，S1表示在收到第二篇教師反饋后“幾乎重寫了整篇文章”，顯示出較高的行為投入水平。相比之下，在面對人機混合反饋與GenAI反饋時，S1和S3所采取的修改行為相對較少。

在認知維度，S1與S3都能夠注意并理解教師反饋中的大部分信息，并運用分析、評估、對比、總結等策略進行加工。例如，S1明確指出，閱讀教師反饋后會“把反饋意見和比較權威的參考資料(如詞典和語料庫)進行互證”，以判斷反饋的合理性與可信度。S3則認為教師“明確指出哪里有邏輯問題，或句子語法不對”，便于理解與執行。

相比之下，在面對GenAI反饋時，S1與S3的認知加工大多停留在注意層面。S3表示“有些反饋我理解不了，很多都是看一眼就過去了”。S1則認為GenAI反饋“幾乎每句都有批注，反而讓我不太能意識到自己的作文問題在哪里”，難以據此確定修改的優先項。

至于人機混合反饋，兩位學習者雖都能理解其意圖，但在實際操作中，很難將反饋有效轉化為具體的修改行為。S1指出，當反饋提示awkwardphrasing、inappropriatewordchoices時，自己往往難以確定該如何修改。S3則表示，按反饋修改后“仍需自己斟酌哪里不合適”，而且“不易判斷改的地方對還是不對”。這表明兩位受試在這一過程中較少采用深層次的認知策略。

在情感維度，S1與S3對教師反饋均表現出積極情感，如認同與滿意。兩位受試都提到，教師提供的積極反饋提升了其寫作信心，并鼓勵其持續進行練習。

面對人機混合反饋，二人則呈現“認可價值VS感到吃力”的矛盾情感：一方面認為這類反饋“更細致，指出了更多問題，有利于提升寫作技巧”，另一方面又感到“改起來更費時間、壓力更大”、“自信心受到一定打擊”。總體來看，學習者對人機混合反饋的情感反應，與其能否順利將反饋建議轉化為具體修改行為密切相關。而在面對GenAI反饋時，S1因其缺乏重點而感到迷茫，認為“批注過于詳細”，而S3則因反饋“AI味道過濃”而產生抵觸情緒。

4.2 教師反饋—人機混合反饋并重型投入(S4、S5和S7)

本研究中，并重型投入的學習者(S4、S5和S7)對三類反饋均表現出較高的認知投入；而在情感和行為層面，他們對教師反饋與人機混合反饋的投入較高，對GenAI反饋的投入則較低。表4顯示了并重型學習者對四份反饋的攝取情況。三位學生對教師反饋與人機混合反饋均表現出較高行為投入，成功攝取率分別達到62%~93%與69%~77%，而對GenAI反饋的成功攝取率則較低(17%~44%)。就修改行為而言，他們根據教師反饋與人機混合反饋修改文本時，均采取了替換、重寫、刪除、增加等多種行為，其中“重寫”這一高認知要求行為出現的頻次較高。相反，在GenAI反饋條件下，三位受試多采取“替換”，僅使用一次“重寫”。

在認知維度上，三位受試對三種反饋呈現“整體高水平投入”模式。他們對反饋內容給予充分關注，能夠準確把握其要點并進行批判性思考。例如，S5在反思中提到，修改時“結合老師的建議和自己原先的思路對觀點進行了細化和補充”，這表明她在理解反饋意圖的基礎上，能夠重構論證邏輯并調整文本結構，體現出較高的理解水平?；谏钊肜斫?，三位學習者運用了多種認知與元認知策略。S4采用優先級策略安排修改順序，“先保證內容符合題目要求，再關注詞匯和語法”，并結合評估與分析對反饋內容做出判斷。例如，她認為“調換段落順序的建議很有道理”，因而接納，顯示出其在理解基礎上的理性接受。S5則運用類推與聯系等策略，借助詞庫工具進行同義替換，并將教師建議與自身思路整合，進一步細化論點。S7在處理反饋時展現出較高的自我調節能力，能夠主動評估與監控反饋。在采納前，他會將反饋建議與文章核心論點進行對照，審慎地判斷其價值，而非被動接受。

在處理GenAI反饋時，三位學習者能夠注意并理解大部分反饋內容，并對其進行深度加工。S5指出，自己曾“按照評分標準分別列出了有問題的地方，修改的具體措施和修改的原因”，體現出對反饋結構的整體把握。在此基礎上，她對該反饋進行評估，認為部分內容“過于細節”、“感覺沒有必要修改的點也列出來了”，因而選擇性采納。S4雖曾因一度無法找到對應的原文而產生疑惑，但并未放棄處理，而是通過監控與優先級策略，篩選出“印象深刻的部分”進行修改。此外，她還從初步閱讀中判斷出B2為AI生成，認為其“用詞偏好和AI很像”，對其可靠性持謹慎態度，反映出S4在理解與應用中的主動反思與策略調整能力。S7認為“自己的寫作水平還不錯”，能夠對GenAI反饋進行理性篩選，有效辨別并采納有價值的部分，同時忽略不必要的建議。

至于情感維度，S4、S5和S7對教師反饋與人機混合反饋整體持積極情感，表現為認可、滿意與信任。三人均認為反饋內容“中肯”、“具體”，而且“和我想象中的反饋很接近”。其中S4還特別提到教師反饋“有人文關懷，比較有‘人情味’”。相比之下，三位學習者對GenAI反饋則呈現矛盾情感：S5和S7對GenAI反饋的結構與明確性表示肯定，同時批評其“吹毛求疵”，并指出部分建議可操作性不強；S4則表示在看到GenAI反饋時“判斷是人工智能的產物，產生了先入為主的刻板印象，認為AI可能會犯錯”。

4.3 跨三種反饋類型的均衡型投入(S2和S6)

本研究中，S2與S6對三種反饋投入較為均衡。其中，S2在行為、認知、情感三個維度的投入水平均較高。與之相比，S6的投入在行為與情感維度較高，其認知維度的表現則稍弱。表5顯示了均衡型學習者對四份反饋的攝取情況。S2與S6對四份反饋表現出較高的成功攝取率：成功攝取率均超過70%，未攝取率低于20%，不成功攝取率最高僅為22%。這表明兩位學習者成功攝取了大部分反饋。而且她們均采取了多種修改方式：S2采用了替換、重組、重寫、刪除等，其中“重寫”行為多次出現，并多次基于反饋進行自我修改。S6也同樣使用了增加、替換、重組、重寫、刪除等行為，也頻繁進行“重寫”；此外，她的“自我修改”行為高達八次，“基于反饋自我修改”也有四次。

在認知維度上，S2表現出較強的反饋加工意識，能夠主動關注并深度理解反饋內容。她在訪談中清晰闡明采納的理由，體現出對相關反饋內容的理解和把握。在此基礎上，S2采用了多種策略，包括根據問題類型進行優先項排序(如“按照詞匯、語法和邏輯的順序修改作文”)，并對反饋中反復指出的邏輯論證問題進行系統總結與反思。相比之下，S6雖然在行為上采納了大部分反饋，但其認知加工過程相對表層。她表示，“雖然有些[反饋]我不太理解，但修改作文本身就是要接收很多自己能力和水平之外的東西”，這反映出她對部分反饋內容并未充分理解，但仍選擇直接采納，缺乏更深層次的理解與加工過程。

在情感投入層面，S2與S6對三類反饋總體呈現積極情感。S2指出，教師反饋中“鼓勵性的話語讓人心里暖暖的，有點小開心”，對人機混合反饋亦表示認同，認為這類反饋明確指出了自身寫作中的問題，同時對GenAI的格式感到“新奇”，認為提供的例子具體、清楚。S6的情感投入總體積極，表現為對反饋的充分信任與主動采納。

綜上所述，學習者在面對不同來源的反饋時，在行為、認知與情感三個維度上的投入呈現出顯著差異。具體而言，教師反饋在所有模式中均占據主導地位，最能激發學習者的積極投入。無論是偏好型、并重型還是均衡型學習者，對教師反饋的成功攝取率普遍較高，修改策略多樣。大部分學習者對教師反饋的理解較為深入，能夠進行有效的分析、判斷與策略整合，并在情感層面表現出較高的信任與認同。相較而言，學習者對人機混合反饋的投入則展現出明顯的個體差異。并重型與均衡型學習者能夠對此類反饋進行深入思考，并基于反饋修改文本；但偏好型學習者則在反饋攝取與認知加工過程中面臨困難，并伴有“認同其價值但感到吃力”的矛盾情緒。而學習者對純GenAI反饋的投入差異最為突出。僅均衡型學習者對其投入水平較高，能夠對其進行批判性地篩選、整合與運用；其余兩種類型的學習者在行為上多限于表層語言修改，認知上則表現出與行為的脫節或僅停留于表層加工，并在情感上表現出明顯抵觸。

05

本研究發現，學習者在二語寫作中對不同來源的反饋投入呈現異質性，可歸為三種模式：教師反饋偏好型、教師反饋—人機混合反饋并重型，以及跨三種反饋類型的均衡型。這 種異質性反映了在GenAI快速融入外語寫作教學的背景下，學習者并非簡單地向GenAI反饋遷移，而是在“人—機—人機協同”的反饋生態中主動調適與定位。本節首先對三種反饋模式的差異展開討論，然后從反饋特征、學習者個體差異、教師素養以及文化語境等多個維度，系統探討其深層成因。

5.1學習者對反饋的投入差異

偏好型學習者在行為、認知與情感三個維度均對教師反饋表現出高投入。他們將教師反饋視為最權威、最可靠的反饋來源，并投入大量精力進行理解、反思和修改。該結論與徐錦芬和龍在波(2022)及Steiss 等(2024)的研究結果一致，即教師反饋在多元反饋中仍占據主導地位。在情感上，教師的肯定行為提升了學習者的自我效能感與寫作信心。這與Yu等(2021)關于反饋具有信息—個體—社會文化多維作用的發現高度契合。同時，本研究進一步發現，即使GenAI工具已廣泛應用于二語寫作領域，教師的主導地位仍未被取代。相較而言，此類學習者對GenAI反饋和人機混合反饋的攝取率和加工深度均較低，常出現理解困難、采納猶疑或情感抵觸的情況。

并重型學習者則展現出對教師反饋和人機混合反饋的重視與積極投入。他們不僅對教師反饋進行深度加工，也對人機混合反饋表現出較高的投入水平。這種并重模式說明GenAI能夠有效補充教師反饋，提升反饋效率(Han&Li2024)。然而，他們對GenAI反饋的投入相對較低，這與Koltovskaia等(2024)的結論存在差異。他們發現受試在使用ChatGPT進行學術寫作修改時表現出較高的行為與認知投入。這種差異可能源于研究對象在學術素養方面的差異：本研究的被試為本科生，其知識儲備與批判性思維能力尚處于發展階段，難以有效理解和運用GenAI反饋；而Koltovskaia等(2024)的被試是研究生，該群體的學術能力較高，能夠更充分地利用GenAI反饋并展開深度加工。

均衡型學習者能有效整合三種反饋來源。他們在行為上對反饋成功攝取率較高，在認知上批判性地篩選、評估和整合信息，總體上對不同反饋均表現出積極情感。這類學習者展現出較高的自我調控能力和反饋素養(毛志成、IcyLEE2024)，能夠根據反饋特性和自身需求，靈活分配資源，有效利用多元反饋，為未來人機協同反饋中學習者自我導向學習(selfdirected learning)的相關研究提供了新的視角。

5.2 反饋投入差異的成因

首先，從反饋特征來看，教師反饋之所以能激發并重型和均衡型學習者的高投入，關鍵在于其語境契合性、教學針對性及無法替代的情感支持(Yuetal.2021)。教師在提供反饋時能夠綜合把握文本語篇特征、任務要求和學生的具體學習情況，使反饋更具個性化和溫度，從而激發學習者在行為、認知與情感三個維度上的高水平投入。相比之下，GenAI反饋雖提供了豐富信息，但難以充分理解文本語境、缺乏情感支持和人際關懷，導致偏好型和并重型學習者難以感受到與“人”進行意義協商與情感聯結的過程(Yeung2025)。而人機混合反饋通過教師對GenAI輸出的篩選、整合與優化，有效彌補了GenAI反饋“AI味濃”的缺陷，使反饋既具備信息覆蓋的廣度，又兼具貼合教學需求的聚焦性。因此并重型學習者能在保持對教師反饋高投入的同時，也能夠對人機協同反饋進行深度加工。然而，這種廣泛而具體的反饋也可能對部分學習者，尤其是認知資源有限的偏好型學習者，造成較大的認知負擔。當反饋信息超出他們的處理能力時，其投入水平便會下降。這一發現不僅為前人關于認知負荷影響反饋加工的研究提供了實證支持(Tian&Zhou2020;Zheng&Yu2018)，更將這一關聯延伸至人機協同反饋的新情境，為部分偏好型學習者產生出現的情感與行為悖離的現象(認同反饋價值卻投入不足)提供了有力解釋。

其次，學習者個體差異在很大程度上影響了其投入水平(田麗麗、周羽2022)。具體而言，受試在理解、篩選和整合反饋信息方面的能力，以及對GenAI工具的信任程度，均影響其反饋加工的深度。本研究發現，偏好型學習者往往依賴外部指導，缺乏整合多源反饋的能力；而并重型與均衡型學習者則表現出較強的元認知調控與評估能力，能夠對反饋內容進行篩選、排序與遷移(Fan&Xu2020)。同時，學習者對技術工具的信任感也是影響其對GenAI反饋投入的重要因素(Koltovskaia等2024)。本研究中，部分學生因缺乏GenAI使用經驗或懷疑其可靠性而減少了對反饋的采納與深度加工。

再者，教師素養也發揮了關鍵作用。教師的AI素養和提示語設計能力能夠影響AI反饋的教學價值。馮慶華和張開翼(2024)指出，教師應具備提示語優化與教學整合能力，以確保AI輸出符合學習目標并具備教學可用性。Law(2024)同樣強調，持續的AI專業發展是AI工具有效融入課堂的前提。若教師在提示語設計或AI輸出篩選上經驗不足，反饋內容可能過于冗余或偏離學習重點，從而增加學生的認知負荷，降低投入水平，并最終阻礙學習者向并重型和均衡型模式發展。

最后，社會文化層面的影響也不容忽視。中國外語教學所處的獨特社會文化情境進一步揭示了教師反饋在三類學習者中受到一致認可的原因。中國學生通常對教師抱有天然的信任與尊重，師生關系并非僅限于知識傳授的單向互動，更蘊含著深厚的情感聯結與教師的身份權威。本研究中，學習者對教師反饋的積極情感和高度信任，以及部分學習者對GenAI反饋的抵觸情緒，都與中國傳統師生關系中的“溫度”和“權威”感知緊密相關。在該文化背景下，教師不僅承擔著“傳道授業解惑”的職責，還在知識體系的整合建構與學術價值的引領塑造等方面發揮著不可替代的作用。因此，AI反饋要真正促進學習，必須與教師的過程性教學法緊密結合(Luo&Yusuf2025)。換言之，教師的專業判斷與人文溫度，共同構建了學習者對反饋的信任根基，而這種信任正是促使學習者持續投入并實現反饋有效轉化的關鍵前提。

06

結語

本研究考察了中國學生對二語寫作多元反饋的投入表現，并將其歸納為三種類型：教師反饋偏好型、教師反饋—人機混合反饋并重型、跨三種反饋類型的均衡型。研究發現，學習者的反饋加工受反饋特征、個體因素、教師素養，以及社會文化因素的共同影響。這一結果明確了教師在數智時代寫作教學中的不可替代性，同時也揭示了GenAI在反饋支持與效率提升方面的潛力。在理論層面，本研究加深了我們對二語寫作反饋投入多維性的理解。以往研究多考察單一反饋源，而本研究通過引入人機混合反饋，揭示了該反饋的復合性特征：教師的專業判斷與GenAI的生成能力可以在不同層面實現互補，從而拓展反饋研究的理論視域。

但本研究也存在若干不足。第一，盡管本研究探討了人機混合反饋的優勢，但未對教師整合的具體過程進行系統分析。未來研究可以進一步細化教師對GenAI反饋的加工流程，以便更深入理解學習者的差異化反應。第二，本研究未對三類反饋的內容特征進行系統編碼與比較。后續研究可采用標準化編碼與量化分析方法，檢驗“來源—特征—投入”三者之間的關系及其潛在的調節效應。第三，反饋的呈現順序可能會對學生的投入產生影響。未來可借助更為平衡的2×2實驗設計，探究反饋類型與呈現順序之間的交互效應。盡管存在上述研究不足，本研究仍揭示了學習者反饋投入的多維性與復雜性，并得出以下教學啟示。首先，寫作教師應持續提升自身的專業能力與反饋素養，關注學生的個體差異，根據學生的具體需求調整反饋策略，以更好地滿足個性化學習需求。其次，鑒于“教師+GenAI反饋”模式所展現的潛力，學校層面宜通過相關培訓來提升教師的數字素養；教師也可積極嘗試并實踐該模式，以提高反饋的效率與質量。最后，在引導學生使用GenAI反饋的初期，教師應幫助其理性認識GenAI的優缺點，增強對GenAI反饋內容的信任感與接受度，從而充分發揮人工智能在寫作學習中的輔助作用，促進學生寫作水平的有效提升?？傊狙芯坎粌H為理解學習者在多元反饋情境下的投入提供了新的實證證據，也為教師與人工智能協同優化寫作反饋的教學實踐提供了借鑒。

參考文獻略

文章來源：外語與外語教學