行业观察 | 郑咏滟：生成式人工智能在外语教育中的应用:关键争议与理论构建

摘要：为深入理解人工智能给外语教育带来的机遇与挑战,本文剖析生成式人工智能应用在外语教育中的关键争议,并探讨核心理论议题。本文首先回顾了人工智能赋能外语教育的历史演进与现状,指出生成式人工智能带来的内容真实性与安全性、刻板印象与文化偏见、意见多样性与创新性降低、智能鸿沟和社会不公等问题。考虑到生成式人工智能介入外语学习具有多主体性、多方向性、群体网络性等特征,立足于主客体分离、个体学习内化等观点的传统理论视角难以应对这些根本变化。因此,本文提出引入根茎学习理论,倡议构建协商互联二语习得框架,激发学习者的认知能动性,有效完成外语学习目标。

关键词：生成式人工智能;外语教育;争议;根茎理论;

文献来源：郑咏滟.生成式人工智能在外语教育中的应用:关键争议与理论构建[J].外语教学,2024,45(6):48-53.

以历史发展的眼光看,人工智能与外语教育的融合可视作计算机辅助语言学习(computer-assisted language learning, CALL)的延伸。计算机辅助语言学习植根于教育技术,近年来在应用语言学和二语习得研究领域蓬勃发展,日趋成熟。从早期相对简单的计算机应用,到之后的网络支持语言学习、移动设备辅助语言学习,再到近年来的虚拟现实技术应用和数字游戏化语言学习(郑春萍2019;郑春萍等2021),今时今日的人工智能赋能语言学习体现了新兴技术在语言学习领域的深度渗透与不断创新。

2023年9月,联合国教科文组织发布了《生成式人工智能教育和研究应用全球指南》(简称《指南》)(UNESCO,2023)。《指南》将生成式人工智能定义为一种可根据自然语言对话界面中的提示词自动生成内容的人工智能技术。生成式人工智能不再仅仅通过技术创造某种学习环境,如虚拟仿真或数字游戏化环境,也不再仅仅依赖学习者使用某种技术,而是通过人机互动开启个性化的学习方式。生成式人工智能可以为不同背景的学习者提供大量适合语言习得需求的输入,并通过人机对话实现意义协商和学习互动(杨连瑞 2024)。人工智能生成的内容已经融入学习循环,成为输入—输出过程中的重要环节,其应用已超越传统计算机辅助语言学习的框架。

外语教育研究者已经敏锐地意识到生成式人工智能在语言学习方面的巨大潜力,围绕人工智能在语言教育领域中的系统性综述大量涌现(Liang et al. 2021;Yang&Li 2024;郑春萍等2024)。例如,Yang&Li (2024:5)回顾了近两年发表的44篇关于生成式人工智能应用于二语学习的实证研究,发现其中68.2%的研究关注学生对生成式人工智能的态度,少量研究探讨了使用过程中的个体差异,如动机、投入和自我调控策略。郑春萍等(2024)总结了人工智能应用于语言教学的六大前沿技术,包括自然语言处理、机器学习、深度学习、自动语音识别、知识图谱等,广泛应用于人机交互、机器翻译、智能导学、智能测评、学习分析等场景,其主要成效体现在知识和技能获取、学习者情感与心理分析、策略行为发展及核心素养锻造等方面。外语教学中使用人工智能不仅能有效训练学习者的口语、听力、写作、阅读、词汇、翻译等技能,还能够提升学习者的自主性、交流意愿和学习动机,同时有效降低外语学习中的焦虑和无聊情绪(Liang et al. 2021;郑春萍 等 2024)。可见,生成式人工智能通过自然语言处理和深度学习等核心技术,能够提供自适应的内容和互动体验,营造有意义的语境,高效赋能二语习得(杨连瑞2024:578),为外语教学与研究提供高质量的语言服务(冯庆华、张开翼2024:12)。

已有研究大多探讨新技术对语言教学的积极效果,少有提及其可能带来的隐匿风险或产生的消极影响。联合国教科文组织出台的《指南》明确提出,通用教育与研究领域面临的风险包括:加剧数字贫困、超越国家法规的适应性、未经同意使用内容、模型“黑匣子”的不可解释性、人工智能生成内容污染互联网、对现实世界缺乏理解、削弱意见多样性、产生深度造假等(UNESCO 2023)。下文将结合外语教学的特点加以阐述。

3.1内容的真实性与安全性

生成式人工智能如今存在的最大风险之一便是“幻觉”问题,即大语言模型输出虚假信息的现象。虽然生成式人工智能帮助学生分析和解释数据、加快文献综述写作和辅助论文润色,但它也可能输出虚假文献和错误信息(Alqahtani et al. 2023:1236)。相比人类产生的错误,机器输出的虚假信息更难识别,而人类在判断错误信息时的准确度通常高于机器(Chen&Shu 2023),因此,即使生成式人工智能在某些任务中表现优异,使用者也需要保持警惕,发挥出剖析毫厘的精神,识别潜在错误。生成式人工智能还会带来数据安全的问题。用户一旦将自己的数据(如撰写的论文)输入大语言模型,这些数据便瞬间成为海量数据的一部分,难以保护数据安全性与数据隐私,甚至可能被其他用户无意抄袭。因此,使用生成式人工智能赋能外语教学时必须警惕内容的真实性和安全性。

3.2刻板印象与文化偏见

大语言模型的训练数据多来自互联网及历史文献(如谷歌图书等)。海量数据由于多种原因可能包含歧视和偏见性语言,导致大语言模型生成带有偏见的内容,进而污染学习者的学习材料和知识来源(UNESCO 2023:46)。生成的内容再次进入互联网数据池,成为未来大语言模型的训练数据,引发递归风险。

生成式人工智能更大风险在于其文化价值观的倾向,甚至文化偏见。语言和文化是不可分割的整体,预训练数据难免带有民族、宗教、性别、文化的倾向,并受到语料产生时间的影响。事实上,无论是国际上的大语言模型,还是我国本土研发的模型,都优先考虑英文数据(林晶珂、贾鹤鹏 2024);大语言模型并非文化中立。基于海量英语数据的大语言模型呈现出的默认价值观更是与美国文化价值观保持一致(Johnson et al. 2022;Cao et al. 2023;Masoud et al. 2023)。可见,若外语教学不加甄别地使用人工智能随机生成的内容,有可能会在潜移默化中受到某种文化价值倾向的影响(文秋芳 2024:728)。

3.3意见多样性与创新性降低

生成式人工智能带来的意见同质性和创新性降低的风险更应警惕。当使用以往生成的合成数据训练语言模型时,经过多次迭代后,模型生成内容的词法、句法和语义多样性指标都显著、持续下降。这种情况在要求高度创造性的任务中尤为显著(Guo et al. 2023);此外,当用户使用大语言模型协助写作时,不同作者之间的同质性内容显著增加,文本内容的多样性显著降低(Padmakumar&He 2023)。该结果也与Hassan et al.(2024)针对埃及高校大学生的研究发现一致:在教育中使用ChatGPT等生成式人工智能技术会产生负面影响。学生在一段时间内使用ChatGPT完成学习任务后,其创造性显著降低,完成任务的积极性和精力投入也明显减弱。如果教育的目的是培养学生的创造性和自主性,那么显然过度依赖生成式人工智能则无益于实现教育的真正目的。

3.4智能鸿沟和社会不公

数字鸿沟的问题在互联网时代便已存在,大多讨论聚焦于互联网接入的问题。随着21世纪互联网的普及,数字鸿沟逐渐转移到了使用者的技能层面(孙榕、李白杨 2024)。如今随着人工智能的迅速发展,数字不平等问题愈发凸显。从技术层面说,预训练数据中“英文优先”的原则为非英语国家造成了第一道壁垒———语种壁垒。从社会层面看,生成式人工智能为代表的数字技术及其社会资源分配机制,可能导致国家、地区或个人在使用数字资源参与全球发展和实现自主发展的能力上出现差异,形成新的智能化不平等现象,即新型“智能鸿沟”(林晶珂、贾鹤鹏2024)。从可及性角度看,智能鸿沟受到基础设施、算力、技术等社会物质条件的影响;从使用角度看,它与使用者对技术的接受程度和对人工智能生成内容的评价能力息息相关。这使得语言教育变得举足轻重:通过系统的母语和外语教育,可以培养未来一代使用者的语言数据选取和批判性分析能力。现今提示词工程(prompt engineering)的需求正是一个典型的例子。只有掌握更高阶的读写素养,才能与生成式人工智能展开有意义的对话。

虽然生成式人工智能为外语教育提供了丰富的资源,但外语教师仍面临前所未有的挑战。数据的可及性、真实性、安全性、公正性,成为外语教育与人工智能深度融合过程中亟需解决的难点。尽管专攻自然语言处理的算法工程师一直致力于攻克相关技术难题;而同等重要的是,教育者需培养学习者对人工智能生成内容的理解、选取、分析、应用和评价的能力,以及负责任地使用人工智能的能力。这些能力构成了语言教育培养目标中的数字素养和人工智能素养中的核心内容(Ng et al. 2023),也是有效应对以上提及的四大关键争议的核心所在。鉴于此,我们需要一个整体的、系统的理论视角来理解生成式人工智能介入的外语教学全过程,为全面提升人工智能时代外语学习者的核心能力提供启示。

4.1现有理论的不足

由于人工智能赋能的语言学习与计算机辅助语言教学一脉相承,早期研究通常基于计算机辅助语言学习框架展开讨论,技术使用模型或技术接受理论(Technology Acceptance Model)(Davis et al. 1989,1992)是最常用的理论视角。技术接受模型提出之时用于解释终端用户对计算机技术的接受度,随后被引入了外语教学与研究领域,得到广泛应用。尤其在研究学习者态度、情感和心理、自我调控策略、核心素养锻造等方面,技术接受模型是广泛使用的理论框架(Cai et al. 2024;Liu&Ma  2024;郑春萍、王丽丽 2020)。研究结果表明,感知有用性和感知易用性通过影响学习者的态度,成为学习者有效使用生成式人工智能的重要预测变量。

然而,技术接受模型仅关注使用者的主观态度,并未触及语言习得的核心。而社会文化理论则是计算机辅助语言学习研究中使用最频繁的二语习得理论(Shadiev&Yu 2022;郑春萍2015),继而成为人工智能赋能语言学习的主流理论框架(Kern 2024;Yang&Li 2024)。社会文化理论认为学习并非仅仅发生在个体独立的认知系统中,而是通过个体不断与社会、文化环境的互动,达成意义与知识的社会建构。该理论与其衍生出的活动理论、支架理论等,已成为计算机辅助和生成式人工智能赋能语言学习研究的主流理论视角。社会文化理论建基于同伴、师生、亲子等组成的二元组(dyad),学习被视为在这样一个微小单元内部展开的社会建构过程,通过人际交流(学习者与更有经验的他者之间的互动)达成人内交流(学习者对知识的内化)(Lantolf&Thorne  2006)。然而,尽管社会文化理论在传统计算机辅助语言教学领域具有较强解释力,但面对生成式人工智能的一些新特点,难免出现理论裂隙。考量有三:

首先,尽管社会文化理论强调工具在学习中的中介作用,但其主体性仍落在学习者身上,学习的目的归根结底是知识的个体内化。然而,生成式人工智能不再仅作为一种外在的“工具”存在,也不是一种被学习者操控的外在资源,而应超越主客体二元对立,成为全流程学习生态系统中的重要构成元素(Kern  2024:552)。具体来说,生成式人工智能通过自然语言处理技术,生成输入资源或提供即时反馈,与师生展开意义协商和学习互动(杨连瑞 2024:579),在此过程中已很难区分其产生的内容究竟是“输入”还是“输出”。学习不再终结于知识的个体内化,而是延展至培养与巩固学习网络。

第二,在生成式人工智能参与的全流程学习系统中,学习的主体性不再仅囿于人类成员,机器也在不断学习。可以说,在人工智能时代,使用者有责任通过合作式学习同时促进机器学习,以达成人工智能的不断优化,形成更契合的人机智能结合体。以常用的GPS导航举例,该设备不仅可以告知每位用户的具体位置,还可以向系统提供用户的位置数据,系统基于这些信息计算出最佳路线,避免或减少交通堵塞。可见,生成式人工智能的参与赋予了人与机器同等的“学习者”角色,形成多主体参与的网状学习结构。为了应对人机协作环境下学习的多维动态性和复杂性,有必要超越的传统基于个体式学习的理论视角,采用更能凸显网络性和复杂性的语言习得理论。

第三,生成式人工智能赋予了机器学习者的主体性后,学习方向发生了根本性改变:学习不再是单向的,而变为双向甚至多向的。例如,在融入生成式人工智能的“教师—学生—人工智能”外语课堂,至少可以出现四对双向学习关系:教师—学生、学生—学生、教师—人工智能、学生—人工智能;也会出现教师—学生—人工智能的多向学习组合。由此推论,学习伊始预设固定的学习中心或知识权威变得不切实际,知识的产生和扩散也不再遵从统一、单向的路径。

生成式人工智能赋能外语教学三大特点表明,建立在主客体分离、个体知识内化基础上的传统理论视角,或许已经无法全面解释人工智能赋能的外语学习。有必要引入更符合智能时代创新性的学习理论,培养外语学习者的人机互动协商能力,以适应生成式人工智能时代的复杂学习环境和多向互动需求。

4.2根茎理论视角下的协商互联二语习得模型

法国哲学家吉尔·德鲁兹和心理学家费利克斯·瓜塔里提出的根茎学习理论(the Rhizome theory)(Deleuze&Guattari 1987:6)为理解生成式人工智能赋能外语学习提供全新视角。根茎学习理论认为,学习是连续且动态的过程,是通过建立联系、使用多条路径、无固定起点且以游牧方式结束的过程。这一过程通过人类与非人类实体之间的复杂互动展开,是一个分布式、互相关联并共同构建的学习过程性体验(Tillmanns et al. 2014:6)。在根茎学习模型中,师生传统被赋予的独立角色被淡化,学习不再由专家设计课程、教师输出知识、学生被动接受。相反,所有参与学习过程的实体———教师、学生、人工智能、技术网络等,通过相互协商,共同建构知识。知识和意义从任意一点出发,延展并扩张,以复杂流动的方式逐渐浮现。

根茎学习理论在教育学领域已有诸多突破性应用,尤其常用于描述网络化、数字化学习。该视角挑战了传统的线性发展和层级式教育模式,倡导一种更为开放、灵活的学习方式,鼓励学习者在网络化的数字环境中自由探索,形成个性化自主学习路径(Cronje 2016:4;Khine 2023)。MyintSweKhine教授在《根茎隐喻:德鲁兹和瓜塔里在教育和学习领域的遗产》(Rhizome Metaphor:Legacy of Deleuze and Guattari in Education and Learning)中详述不同学科、学段和文化背景的学习者,如何在根茎理论的指导下通过在线论坛开展讨论式学习,以及线上线下混合式学习的实施。此外,该书还探讨了在社交媒体和移动设备支持下学习者如何展开游牧式学习路径,进一步丰富了根茎理论在教育中的应用(Khine 2023)。

根茎理论与现有的一些二语习得理论同频共振。例如,复杂理论与生态视角也认为,人类与非人类主体在复杂动态系统中交织互动,知识、意义和能动性以非线性、关联性和情境化的方式浮现(Larsen-Freeman 2019:64)。社会认知理论认为,学习是一种“心智—身体—世界”协同的过程,是人类实现协调互动并以动态适应方式维持互动的复杂手段(Atkinson 2002,2019)。复杂理论和生态视角可视作一个元理论,社会认知理论作为更具象的二语习得理论,从不同侧面为智能时代的外语学习提供启示。根茎理论作为一个居于更高上位的学习理论,体现出生成式人工智能时代学习理论的革新。

综合以上理论视角,本文提出应构建“教师—学生—人工智能”协商互联的二语习得框架,在此框架的指引下进一步激发学习者认知能动性,成为学习的主人。认知能动性指的是人对提高自身知识水平负责任的能力,包括知识相关的行动和过程相关的行动(Damᶊa et al. 2010:146),主要观点包括:1)语言学习产生于复杂网络中认知、情感、社会资源的流动,传统的主客体对立、人与工具的对立在知识构建与浮现的复杂网络中得以消解,学习成为一个全流程的生态系统;2)教师、学生、人工智能占据根茎网络的不同节点,各自发挥认知能动性,相互协调与意义协商,最终使用包括语言性的、非语言性的多模态符号资源完成沟通和表达;3)复杂的、流动的认知网络不再预设固定的学习中心或知识权威,学习者需根据不断变化的环境发挥能动性,运用自我调控学习策略,探索出更灵活、多元的个性化学习路径,最终达到调配所有可及符号资源达成交际目的的学习目标。

编者按

欢迎查阅知网或《外语教学》2024年第6期纸质原文。

本文编辑：金石

郑重声明：本公众号推送的文章不能代表本公众号立场。本公众号推送的学术会议、博士招生不负责对接解释。有任何疑问请按照推送内容的官方联系方式对接！如果学术会议、博士招生有任何官方调整，责任不在我方。我们优先推广免费的学术会议、讲座、研修等项目。