文章推介 | 英语学习者对教师与GenAI写作反馈的投入差异研究

英语学习者对教师与GenAI写作反馈的投入差异研究

张 聪 孟怡雯

浙江大学外国语学院

香港理工大学人文学院

摘要

近年来，生成式人工智能广泛应用于二语写作反馈，但反馈效果很大程度上取决于学习者对反馈的投入，然而这一问题尚需深入探讨。本研究采用DeepSeek作为反馈工具，通过收集学生写作文本、反思日志及刺激性回忆访谈等多源数据，考察英语写作学习者对三种不同类型反馈，即教师反馈、GenAI反馈与人机混合反馈的投入差异。研究发现，学习者的反馈投入呈现三种模式：教师反馈偏好型、教师反馈—人机混合反馈并重型以及跨三种反馈类型的均衡型(即对三种反馈的投入水平普遍较高)。整体而言，教师反馈因其针对性与情感支持充分最易激发学习者的积极投入；人机混合反馈体现出人机协同特征，因而能激发学习者对反馈的深度加工，但可能对部分学习者造成认知负荷；而GenAI反馈虽具即时性与覆盖广泛的优势，但因无法充分理解文本语境、缺乏人际关怀而导致学习者投入水平较低。综合来看，人机混合反馈有助于拓展反馈资源，并在一定程度上提升学习者的反馈加工深度。

关键词：生成式人工智能反馈；教师反馈；人机混合反馈；反馈投入；二语写作

01

引言

反馈投入指学习者对反馈做出的反应(Ellis2010)，是二语写作研究的重要议题(Han2017)。近年来，随着生成式人工智能(GenerativeArtificial Intelligence，简称GenAI)技术的快速发展，GenAI反馈逐渐引起二语写作教学研究者的关注，尤其是反馈效果成为研究热点，但有关学生针对该类反馈的投入以及与传统教师反馈投入的差异尚缺乏实证探讨。鉴于此，本研究拟重点考察二语写作中学习者对教师反馈、GenAI反馈和人机混合反馈三种不同类型反馈投入的差异与特征，旨在为教师在反馈实践中有效运用GenAI工具提供实证参考，从而优化写作课堂的多元反馈策略，提升学生的整体反馈投入水平。需要特别说明的是，本研究中的人机混合反馈是指教师对GenAI生成的内容进行审核、优化与整合后形成的协同反馈，旨在提升反馈针对性与教学有效性。

02

文献综述

2.1 二语写作中的教师反馈与人工智能反馈

作为二语写作的重要反馈来源，教师反馈在促进文本修改、提高写作水平、增强写作动机等方面具有重要作用(Karim&Nassaji2018;Lee et al. 2015)。然而，班级规模与行政负担等外在因素常令教师难以及时提供个性化反馈(Thi&Nikolov2022)，从而影响学生写作能力的发展(Yuetal. 2021)。为解决该问题，自动写作评估系统(AutomatedWriting Evaluation,简称AWE)被逐渐应用于写作反馈实践，但其反馈重点多聚焦语言层面，对内容与逻辑等深层问题关注不足(Thi&Nikolov2022)。

近年来，GenAI广泛应用于二语写作反馈，但其优势与局限性并存。一方面，其内容生成、即时反馈等功能拓展了二语写作反馈的研究范围与实践模式。相较于AWE，GenAI既能指出语言层面的问题，也能就结构与内容提供反馈。更为重要的是，GenAI反馈质量较高，能帮助教师提高反馈效率，从而减轻其工作负担(Steissetal.2024)。但另一方面，GenAI产出的内容往往以结果为导向，较难通过启发式教学促进学习者对知识的深度加工，而且无法如教师般充分了解学生的个体差异(Wangetal.2024)，其针对性与有效性因而受限。

在此背景下，Han和Li(2024)提出“ChatGPT支持的教师反馈”，即教师将ChatGPT生成的反馈转化为间接反馈供学生使用。该研究在一定程度上展现了GenAI在提升教师反馈效率方面的优势。但在这一反馈模式下，教师无法结合自身教学经验，根据学生的写作短板对GenAI反馈进行针对性优化，从而限制了其教学能动性的发挥。因此，本研究提出人机混合反馈。该模式赋予教师更高的自主性，使其可根据任务目标、学生水平及GenAI反馈质量，自主决定采纳、修改或舍弃GenAI反馈，并灵活运用直接、间接或元语言等多种形式提供最终反馈。基于此，本文将教师反馈、GenAI反馈与人机混合反馈视为三种独立反馈来源，比较学习者在行为、认知与情感三个维度上的投入差异，以揭示不同反馈类型对学习者投入的影响，并为人机协同写作教学提供实证依据。

2.2 二语写作中学习者对教师反馈与人工智能反馈的投入

作为二语写作教学的重要环节，反馈对提升学习者写作能力具有重要作用(Hyland&Hyland 2019)，但其实际效果却受学习者对反馈的理解、加工与应用的影响。为探讨其中的作用机制，Ellis (2010)将“投入”(engagement)概念引入反馈研究，从行为、认知和情感三个维度解析学习者处理反馈的过程。行为投入关注学习者的修改行为与修改策略；认知投入涉及学习者对反馈的注意、理解以及认知与元认知策略的应用；情感投入则指学习者对反馈的情感反应(Han&Hyland2015)。

基于这一框架，现有研究主要考察学生对反馈的投入程度及其影响因素(Fan&Xu2020; Han 2019)，且多聚焦对教师反馈的投入。研究表明，学生的投入水平在不同维度上均存在差异。例如，Han和Hyland(2015)发现，部分学习者虽对反馈理解有限，但仍展现出较高水平的行为投入。Zheng和Yu(2018)则发现，尽管学习者情感积极，其行为与认知投入却相对有限。Cheng和Liu(2022)通过对比不同水平二语学习者对教师反馈投入的异同，进一步揭示了三个维度之间复杂且非线性的关系。这些差异受个体因素(如写作能力、学习目标、反馈信念)及情境因素(课堂环境及反馈方式等)的共同影响(Han2017;Mahfoodh2017)。 至于反馈来源，除单一教师反馈外，部分研究(如徐锦芬、龙在波2022)已对教师反馈与以AWE为代表的人工智能反馈进行了对比，结果显示，部分学生青睐AWE反馈的即时性，但也有学生认为其信息量过大，难以消化和吸收(Zhang&Hyland2018)。加之AWE反馈数量较多，学生仍倾向采纳教师反馈(Tian&Zhou2020)。

近年来，随着GenAI成为写作教学中新的反馈工具，学界开始从多维度探讨学习者对该反馈的投入。在投入特征方面，Zhan和Yan(2025)发现，尽管学习者认可GenAI反馈的即时性优势，却难以在情感上与其产生共鸣；其行为投入主要集中于语言形式的修改，在认知维度缺乏深度的元认知监控与反思。此外，部分研究聚焦GenAI反馈投入的影响因素。Huang和Mizumoto (2025)指出，二语学习动机可通过调控反馈的调用与加工行为，间接作用于GenAI反馈投入水平。Yan和Zhang(2024)发现，学习者对GenAI的整体情感倾向较为积极，但反馈寻求行为的主动性、修改策略的多样性，以及元认知调控策略的运用，均受学习者语言水平与AI素养的影响。

尽管上述研究已从学习者投入的视角对GenAI反馈进行了初步探讨，但多聚焦于单一反馈的特征分析，鲜有研究对比多元反馈的异同。因此，本文采用多案例研究方法，从行为、认知及情感三个维度，深入考察学习者对教师反馈、GenAI反馈以及人机混合反馈的投入差异，以期为写作教学实践提供更具针对性与有效性的指导。具体而言，本研究拟回答以下问题：英语写作学习者对教师反馈、GenAI反馈以及人机混合反馈的投入各呈现何种特征？三种反馈投入是否存在差异？

03

研究方法

3. 研究方法

3.1 研究背景及研究对象

本研究在中国东部一所985高校开展，受试为某英语写作课程中七名大二英语专业学生(S1~S7，其中S3和S7为男生，其余五人为女生)。该课程授课教师拥有博士学位，具有十余年英语写作教学与反馈实践经验。课程为期16周，每周一次课，每次两小节，每节50分钟。为了解学生的写作水平，学期初授课教师组织了诊断性写作测试，要求学生在40分钟内完成一篇雅思Task2议论文写作，并参照雅思写作评分标准打分。结果显示，学生得分均处于6.0~6.5之间，属中等至中上水平。

3.2 数据收集

本研究以国产大语言模型DeepSeek作为GenAI工具，分别收集学生的初稿、二稿、教师反馈、GenAI反馈、人机混合反馈、反思日志及刺激性回忆访谈等数据。教师对GenAI反馈的整合遵循两项核心原则：首先是准确性，严格参照学生原文，避免信息失真；其次是适用性，即基于教学经验对反馈进行再加工，以服务特定教学目的。例如，教师可能将某些直接反馈转化为间接反馈，引导学生自主思考。加工后的GenAI反馈在形式上与教师反馈保持一致，均以批注和总结形式呈现。GenAI反馈则由教师将DeepSeek生成的原始反馈复制至文档后呈现给学生。为避免信息负荷过大，每轮写作仅向学生呈现两类反馈。基于教师的写作教学经验、对学生个体差异的了解程度以及访谈结果，本文认为学生可同时有效处理两类反馈。数据收集过程如下。

第一周，教师向学生讲解雅思写作方法与评分标准，布置第一篇课堂写作任务，要求学生在40分钟内完成。课后，教师提供反馈(A1)，并使用DeepSeek生成GenAI反馈(提示词见图1)，经过教师加工后形成人机混合反馈(B1)。

第二周，学生在未被告知反馈来源的情况下，参照A1与B1的反馈进行文本修改。任务要求保留所有修改痕迹并撰写反思日志。在此之后，研究者开展刺激性回忆访谈，以深入探究学生对两种反馈的认知与情感投入。

第三周，学生完成第二篇课堂写作任务。教师提供第二轮教师反馈(A2)与GenAI反馈(B2)。

第四周，学生参考A2与B2的反馈完成第二轮修改，沿用相同流程，再次撰写反思日志，并接受刺激性回忆访谈。

3.3 数据分析本研究遵循混合数据分析的研究范式，系统探讨受试在行为、认知与情感三个维度上的反馈投入特征。为分析行为投入，两位研究者分别对受试的初稿与二稿进行句子级对齐，标注修改痕迹，并依据反馈来源进行分类标记，统计其反馈摄取与修改行为。反馈摄取分为成功摄取、不成功摄取和未摄取。学习者根据反馈内容正确修改文本视作成功摄取，根据反馈修改但未达到预期效果为不成功摄取，未采取任何行动则为未摄取(Niuetal.2021)。为统计反馈摄取，研究者分别计算三类反馈中成功摄取、不成功摄取及未摄取的频次与比例。修改行为分为增加、删减、替换、重组、重写、删除、自我修改、基于反馈的自我修改共八类(Zhang&Hyland 2022; 徐锦芬、龙在波2022)。

认知投入和情感投入分析基于反思日志与刺激性回忆访谈内容完成。为考察学生的认知投入特征，本研究依据现有文献并参照本研究的具体情境对反思日志与访谈数据中的认知加工进行归类，最终构建了表1所示的编码方案。为分析情感投入，研究者首先分析反思日志与刺激性回忆访谈文本，然后结合具体语境，识别并标记受试在反馈过程中的情感线索，并将其归纳为积极、消极与复杂情感三个类别。两位研究者独立完成数据编码，并通过定期讨论解决分歧。最终编码一致率高于85%，表明编码结果信度良好。

为提升研究结果的可信度与有效性，本研究采用了三角验证策略。具体而言，研究者结合了文本分析、反思日志与刺激性回忆访谈等多源数据，从不同角度交叉验证学习者在行为、认知与情感维度上的反馈投入特征。

为界定学习者的投入水平，本文构建了涵盖行为、认知与情感三个维度的判定指标(见表2)。各维度的具体判定标准如下：行为投入的判定主要依据反馈的成功摄取率与修改行为的多样性。若学习者对反馈的成功摄取率达到60%及以上，并采用多样化的修改行为，则认定其行为投入水平较高。高水平认知投入需同时满足两项条件：一是学习者能够注意并理解大部分反馈内容；二是在此基础上，学习者主动运用多种认知策略与元认知策略对反馈进行深度加工。在情感投入维度，本文主要依据访谈与反思日志中的情感词汇对学习者的情感投入进行综合分析。高情感投入表现为积极情感持续并占主导地位，且不存在强烈的消极情感。在此基础上，本文借鉴徐锦芬和龙在波(2022)的界定：如学习者在两个及以上维度对两类反馈表现出积极投入，同时对第三类反馈投入较低，则视为“并重型投入”。

04

研究发现

研究发现，学习者对二语写作中不同反馈类别的投入存在显著差异。七位参与者的投入模式可分为三类：教师反馈偏好型(简称“偏好型”)、教师反馈—人机混合反馈并重型(简称“并重型”)和跨三种反馈类型(教师反馈—人机混合反馈—GenAI反馈)的均衡型(简称“均衡型”)

4.1教师反馈偏好型投入(S1和S3)

本研究中，偏好型学习者(S1和S3)在三个维度上对教师反馈表现出较高投入，对其余两类反馈投入程度较低。表3呈现了不同反馈条件下，学习者对各反馈条目的摄取结果分布（成功、未摄取、不成功摄取），数值为具体条目数，百分比即该结果类型在对应反馈条目总数中的占比。由表中数据可知，在行为投入维度，S1和S3对教师反馈(A1、A2)的成功摄取率普遍较高，分别为80%和90% (S1)，以及70%和77% (S3)，其不成功摄取率和未摄取率较低。相比之下，他们对人机混合反馈(B1)和GenAI反馈(B2)的成功摄取率则相对较低。具体而言，S1对B1和B2的成功摄取率分别为54%和40%，S3则为59%和42%。从修改行为来看，S1和S3在处理教师反馈时表现出高度投入：既采取了替换、增加、删除乃至全文重写等多种修改行为，又基于反馈产生了自我修改行为。例如，S1表示在收到第二篇教师反馈后“几乎重写了整篇文章”，显示出较高的行为投入水平。相比之下，在面对人机混合反馈与GenAI反馈时，S1和S3所采取的修改行为相对较少。

在认知维度，S1与S3都能够注意并理解教师反馈中的大部分信息，并运用分析、评估、对比、总结等策略进行加工。例如，S1明确指出，阅读教师反馈后会“把反馈意见和比较权威的参考资料(如词典和语料库)进行互证”，以判断反馈的合理性与可信度。S3则认为教师“明确指出哪里有逻辑问题，或句子语法不对”，便于理解与执行。

相比之下，在面对GenAI反馈时，S1与S3的认知加工大多停留在注意层面。S3表示“有些反馈我理解不了，很多都是看一眼就过去了”。S1则认为GenAI反馈“几乎每句都有批注，反而让我不太能意识到自己的作文问题在哪里”，难以据此确定修改的优先项。

至于人机混合反馈，两位学习者虽都能理解其意图，但在实际操作中，很难将反馈有效转化为具体的修改行为。S1指出，当反馈提示awkwardphrasing、inappropriatewordchoices时，自己往往难以确定该如何修改。S3则表示，按反馈修改后“仍需自己斟酌哪里不合适”，而且“不易判断改的地方对还是不对”。这表明两位受试在这一过程中较少采用深层次的认知策略。

在情感维度，S1与S3对教师反馈均表现出积极情感，如认同与满意。两位受试都提到，教师提供的积极反馈提升了其写作信心，并鼓励其持续进行练习。

面对人机混合反馈，二人则呈现“认可价值VS感到吃力”的矛盾情感：一方面认为这类反馈“更细致，指出了更多问题，有利于提升写作技巧”，另一方面又感到“改起来更费时间、压力更大”、“自信心受到一定打击”。总体来看，学习者对人机混合反馈的情感反应，与其能否顺利将反馈建议转化为具体修改行为密切相关。而在面对GenAI反馈时，S1因其缺乏重点而感到迷茫，认为“批注过于详细”，而S3则因反馈“AI味道过浓”而产生抵触情绪。

4.2 教师反馈—人机混合反馈并重型投入(S4、S5和S7)

本研究中，并重型投入的学习者(S4、S5和S7)对三类反馈均表现出较高的认知投入；而在情感和行为层面，他们对教师反馈与人机混合反馈的投入较高，对GenAI反馈的投入则较低。表4显示了并重型学习者对四份反馈的摄取情况。三位学生对教师反馈与人机混合反馈均表现出较高行为投入，成功摄取率分别达到62%~93%与69%~77%，而对GenAI反馈的成功摄取率则较低(17%~44%)。就修改行为而言，他们根据教师反馈与人机混合反馈修改文本时，均采取了替换、重写、删除、增加等多种行为，其中“重写”这一高认知要求行为出现的频次较高。相反，在GenAI反馈条件下，三位受试多采取“替换”，仅使用一次“重写”。

在认知维度上，三位受试对三种反馈呈现“整体高水平投入”模式。他们对反馈内容给予充分关注，能够准确把握其要点并进行批判性思考。例如，S5在反思中提到，修改时“结合老师的建议和自己原先的思路对观点进行了细化和补充”，这表明她在理解反馈意图的基础上，能够重构论证逻辑并调整文本结构，体现出较高的理解水平。基于深入理解，三位学习者运用了多种认知与元认知策略。S4采用优先级策略安排修改顺序，“先保证内容符合题目要求，再关注词汇和语法”，并结合评估与分析对反馈内容做出判断。例如，她认为“调换段落顺序的建议很有道理”，因而接纳，显示出其在理解基础上的理性接受。S5则运用类推与联系等策略，借助词库工具进行同义替换，并将教师建议与自身思路整合，进一步细化论点。S7在处理反馈时展现出较高的自我调节能力，能够主动评估与监控反馈。在采纳前，他会将反馈建议与文章核心论点进行对照，审慎地判断其价值，而非被动接受。

在处理GenAI反馈时，三位学习者能够注意并理解大部分反馈内容，并对其进行深度加工。S5指出，自己曾“按照评分标准分别列出了有问题的地方，修改的具体措施和修改的原因”，体现出对反馈结构的整体把握。在此基础上，她对该反馈进行评估，认为部分内容“过于细节”、“感觉没有必要修改的点也列出来了”，因而选择性采纳。S4虽曾因一度无法找到对应的原文而产生疑惑，但并未放弃处理，而是通过监控与优先级策略，筛选出“印象深刻的部分”进行修改。此外，她还从初步阅读中判断出B2为AI生成，认为其“用词偏好和AI很像”，对其可靠性持谨慎态度，反映出S4在理解与应用中的主动反思与策略调整能力。S7认为“自己的写作水平还不错”，能够对GenAI反馈进行理性筛选，有效辨别并采纳有价值的部分，同时忽略不必要的建议。

至于情感维度，S4、S5和S7对教师反馈与人机混合反馈整体持积极情感，表现为认可、满意与信任。三人均认为反馈内容“中肯”、“具体”，而且“和我想象中的反馈很接近”。其中S4还特别提到教师反馈“有人文关怀，比较有‘人情味’”。相比之下，三位学习者对GenAI反馈则呈现矛盾情感：S5和S7对GenAI反馈的结构与明确性表示肯定，同时批评其“吹毛求疵”，并指出部分建议可操作性不强；S4则表示在看到GenAI反馈时“判断是人工智能的产物，产生了先入为主的刻板印象，认为AI可能会犯错”。

4.3 跨三种反馈类型的均衡型投入(S2和S6)

本研究中，S2与S6对三种反馈投入较为均衡。其中，S2在行为、认知、情感三个维度的投入水平均较高。与之相比，S6的投入在行为与情感维度较高，其认知维度的表现则稍弱。表5显示了均衡型学习者对四份反馈的摄取情况。S2与S6对四份反馈表现出较高的成功摄取率：成功摄取率均超过70%，未摄取率低于20%，不成功摄取率最高仅为22%。这表明两位学习者成功摄取了大部分反馈。而且她们均采取了多种修改方式：S2采用了替换、重组、重写、删除等，其中“重写”行为多次出现，并多次基于反馈进行自我修改。S6也同样使用了增加、替换、重组、重写、删除等行为，也频繁进行“重写”；此外，她的“自我修改”行为高达八次，“基于反馈自我修改”也有四次。

在认知维度上，S2表现出较强的反馈加工意识，能够主动关注并深度理解反馈内容。她在访谈中清晰阐明采纳的理由，体现出对相关反馈内容的理解和把握。在此基础上，S2采用了多种策略，包括根据问题类型进行优先项排序(如“按照词汇、语法和逻辑的顺序修改作文”)，并对反馈中反复指出的逻辑论证问题进行系统总结与反思。相比之下，S6虽然在行为上采纳了大部分反馈，但其认知加工过程相对表层。她表示，“虽然有些[反馈]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东西”，这反映出她对部分反馈内容并未充分理解，但仍选择直接采纳，缺乏更深层次的理解与加工过程。

在情感投入层面，S2与S6对三类反馈总体呈现积极情感。S2指出，教师反馈中“鼓励性的话语让人心里暖暖的，有点小开心”，对人机混合反馈亦表示认同，认为这类反馈明确指出了自身写作中的问题，同时对GenAI的格式感到“新奇”，认为提供的例子具体、清楚。S6的情感投入总体积极，表现为对反馈的充分信任与主动采纳。

综上所述，学习者在面对不同来源的反馈时，在行为、认知与情感三个维度上的投入呈现出显著差异。具体而言，教师反馈在所有模式中均占据主导地位，最能激发学习者的积极投入。无论是偏好型、并重型还是均衡型学习者，对教师反馈的成功摄取率普遍较高，修改策略多样。大部分学习者对教师反馈的理解较为深入，能够进行有效的分析、判断与策略整合，并在情感层面表现出较高的信任与认同。相较而言，学习者对人机混合反馈的投入则展现出明显的个体差异。并重型与均衡型学习者能够对此类反馈进行深入思考，并基于反馈修改文本；但偏好型学习者则在反馈摄取与认知加工过程中面临困难，并伴有“认同其价值但感到吃力”的矛盾情绪。而学习者对纯GenAI反馈的投入差异最为突出。仅均衡型学习者对其投入水平较高，能够对其进行批判性地筛选、整合与运用；其余两种类型的学习者在行为上多限于表层语言修改，认知上则表现出与行为的脱节或仅停留于表层加工，并在情感上表现出明显抵触。

05

本研究发现，学习者在二语写作中对不同来源的反馈投入呈现异质性，可归为三种模式：教师反馈偏好型、教师反馈—人机混合反馈并重型，以及跨三种反馈类型的均衡型。这 种异质性反映了在GenAI快速融入外语写作教学的背景下，学习者并非简单地向GenAI反馈迁移，而是在“人—机—人机协同”的反馈生态中主动调适与定位。本节首先对三种反馈模式的差异展开讨论，然后从反馈特征、学习者个体差异、教师素养以及文化语境等多个维度，系统探讨其深层成因。

5.1学习者对反馈的投入差异

偏好型学习者在行为、认知与情感三个维度均对教师反馈表现出高投入。他们将教师反馈视为最权威、最可靠的反馈来源，并投入大量精力进行理解、反思和修改。该结论与徐锦芬和龙在波(2022)及Steiss 等(2024)的研究结果一致，即教师反馈在多元反馈中仍占据主导地位。在情感上，教师的肯定行为提升了学习者的自我效能感与写作信心。这与Yu等(2021)关于反馈具有信息—个体—社会文化多维作用的发现高度契合。同时，本研究进一步发现，即使GenAI工具已广泛应用于二语写作领域，教师的主导地位仍未被取代。相较而言，此类学习者对GenAI反馈和人机混合反馈的摄取率和加工深度均较低，常出现理解困难、采纳犹疑或情感抵触的情况。

并重型学习者则展现出对教师反馈和人机混合反馈的重视与积极投入。他们不仅对教师反馈进行深度加工，也对人机混合反馈表现出较高的投入水平。这种并重模式说明GenAI能够有效补充教师反馈，提升反馈效率(Han&Li2024)。然而，他们对GenAI反馈的投入相对较低，这与Koltovskaia等(2024)的结论存在差异。他们发现受试在使用ChatGPT进行学术写作修改时表现出较高的行为与认知投入。这种差异可能源于研究对象在学术素养方面的差异：本研究的被试为本科生，其知识储备与批判性思维能力尚处于发展阶段，难以有效理解和运用GenAI反馈；而Koltovskaia等(2024)的被试是研究生，该群体的学术能力较高，能够更充分地利用GenAI反馈并展开深度加工。

均衡型学习者能有效整合三种反馈来源。他们在行为上对反馈成功摄取率较高，在认知上批判性地筛选、评估和整合信息，总体上对不同反馈均表现出积极情感。这类学习者展现出较高的自我调控能力和反馈素养(毛志成、IcyLEE2024)，能够根据反馈特性和自身需求，灵活分配资源，有效利用多元反馈，为未来人机协同反馈中学习者自我导向学习(selfdirected learning)的相关研究提供了新的视角。

5.2 反馈投入差异的成因

首先，从反馈特征来看，教师反馈之所以能激发并重型和均衡型学习者的高投入，关键在于其语境契合性、教学针对性及无法替代的情感支持(Yuetal.2021)。教师在提供反馈时能够综合把握文本语篇特征、任务要求和学生的具体学习情况，使反馈更具个性化和温度，从而激发学习者在行为、认知与情感三个维度上的高水平投入。相比之下，GenAI反馈虽提供了丰富信息，但难以充分理解文本语境、缺乏情感支持和人际关怀，导致偏好型和并重型学习者难以感受到与“人”进行意义协商与情感联结的过程(Yeung2025)。而人机混合反馈通过教师对GenAI输出的筛选、整合与优化，有效弥补了GenAI反馈“AI味浓”的缺陷，使反馈既具备信息覆盖的广度，又兼具贴合教学需求的聚焦性。因此并重型学习者能在保持对教师反馈高投入的同时，也能够对人机协同反馈进行深度加工。然而，这种广泛而具体的反馈也可能对部分学习者，尤其是认知资源有限的偏好型学习者，造成较大的认知负担。当反馈信息超出他们的处理能力时，其投入水平便会下降。这一发现不仅为前人关于认知负荷影响反馈加工的研究提供了实证支持(Tian&Zhou2020;Zheng&Yu2018)，更将这一关联延伸至人机协同反馈的新情境，为部分偏好型学习者产生出现的情感与行为悖离的现象(认同反馈价值却投入不足)提供了有力解释。

其次，学习者个体差异在很大程度上影响了其投入水平(田丽丽、周羽2022)。具体而言，受试在理解、筛选和整合反馈信息方面的能力，以及对GenAI工具的信任程度，均影响其反馈加工的深度。本研究发现，偏好型学习者往往依赖外部指导，缺乏整合多源反馈的能力；而并重型与均衡型学习者则表现出较强的元认知调控与评估能力，能够对反馈内容进行筛选、排序与迁移(Fan&Xu2020)。同时，学习者对技术工具的信任感也是影响其对GenAI反馈投入的重要因素(Koltovskaia等2024)。本研究中，部分学生因缺乏GenAI使用经验或怀疑其可靠性而减少了对反馈的采纳与深度加工。

再者，教师素养也发挥了关键作用。教师的AI素养和提示语设计能力能够影响AI反馈的教学价值。冯庆华和张开翼(2024)指出，教师应具备提示语优化与教学整合能力，以确保AI输出符合学习目标并具备教学可用性。Law(2024)同样强调，持续的AI专业发展是AI工具有效融入课堂的前提。若教师在提示语设计或AI输出筛选上经验不足，反馈内容可能过于冗余或偏离学习重点，从而增加学生的认知负荷，降低投入水平，并最终阻碍学习者向并重型和均衡型模式发展。

最后，社会文化层面的影响也不容忽视。中国外语教学所处的独特社会文化情境进一步揭示了教师反馈在三类学习者中受到一致认可的原因。中国学生通常对教师抱有天然的信任与尊重，师生关系并非仅限于知识传授的单向互动，更蕴含着深厚的情感联结与教师的身份权威。本研究中，学习者对教师反馈的积极情感和高度信任，以及部分学习者对GenAI反馈的抵触情绪，都与中国传统师生关系中的“温度”和“权威”感知紧密相关。在该文化背景下，教师不仅承担着“传道授业解惑”的职责，还在知识体系的整合建构与学术价值的引领塑造等方面发挥着不可替代的作用。因此，AI反馈要真正促进学习，必须与教师的过程性教学法紧密结合(Luo&Yusuf2025)。换言之，教师的专业判断与人文温度，共同构建了学习者对反馈的信任根基，而这种信任正是促使学习者持续投入并实现反馈有效转化的关键前提。

06

结语

本研究考察了中国学生对二语写作多元反馈的投入表现，并将其归纳为三种类型：教师反馈偏好型、教师反馈—人机混合反馈并重型、跨三种反馈类型的均衡型。研究发现，学习者的反馈加工受反馈特征、个体因素、教师素养，以及社会文化因素的共同影响。这一结果明确了教师在数智时代写作教学中的不可替代性，同时也揭示了GenAI在反馈支持与效率提升方面的潜力。在理论层面，本研究加深了我们对二语写作反馈投入多维性的理解。以往研究多考察单一反馈源，而本研究通过引入人机混合反馈，揭示了该反馈的复合性特征：教师的专业判断与GenAI的生成能力可以在不同层面实现互补，从而拓展反馈研究的理论视域。

但本研究也存在若干不足。第一，尽管本研究探讨了人机混合反馈的优势，但未对教师整合的具体过程进行系统分析。未来研究可以进一步细化教师对GenAI反馈的加工流程，以便更深入理解学习者的差异化反应。第二，本研究未对三类反馈的内容特征进行系统编码与比较。后续研究可采用标准化编码与量化分析方法，检验“来源—特征—投入”三者之间的关系及其潜在的调节效应。第三，反馈的呈现顺序可能会对学生的投入产生影响。未来可借助更为平衡的2×2实验设计，探究反馈类型与呈现顺序之间的交互效应。尽管存在上述研究不足，本研究仍揭示了学习者反馈投入的多维性与复杂性，并得出以下教学启示。首先，写作教师应持续提升自身的专业能力与反馈素养，关注学生的个体差异，根据学生的具体需求调整反馈策略，以更好地满足个性化学习需求。其次，鉴于“教师+GenAI反馈”模式所展现的潜力，学校层面宜通过相关培训来提升教师的数字素养；教师也可积极尝试并实践该模式，以提高反馈的效率与质量。最后，在引导学生使用GenAI反馈的初期，教师应帮助其理性认识GenAI的优缺点，增强对GenAI反馈内容的信任感与接受度，从而充分发挥人工智能在写作学习中的辅助作用，促进学生写作水平的有效提升。总之，本研究不仅为理解学习者在多元反馈情境下的投入提供了新的实证证据，也为教师与人工智能协同优化写作反馈的教学实践提供了借鉴。

参考文献略

文章来源：外语与外语教学