目錄
1. 引言
ChatGPT作為領先的大型語言模型（LLM），為個人化語言學習提供了前所未有的機會。本研究探討如何透過精心設計的提示詞，使ChatGPT的輸出符合歐洲共同語言參考架構（CEFR）與歐洲中文語言基準（EBCL）針對中文作為第二語言的標準。研究聚焦於A1、A1+與A2等級，透過控制詞彙與漢字輸出，因應中文表意文字書寫系統的獨特挑戰。
2. 背景與相關研究
2.1 聊天機器人在語言學習中的演進
從ELIZA（1966年）到ALICE（1995年）再到現代的生成式AI，聊天機器人已從基於規則的系統演變為適應性對話代理。Wang（2024年）針對28項研究、70個效應量的後設分析證實，聊天機器人對語言學習表現具有整體正向效果。然而，2020年後ChatGPT等LLM帶來的典範轉移，並未納入早期文獻回顧中（Adamopoulou, 2020年）。
2.2 CEFR與EBCL架構
CEFR提供了語言能力的六級量表（A1至C2）。EBCL專案則專門為中文制定基準，定義了各等級的漢字與詞彙表。A1等級預期約150個漢字與300個詞彙；A1+增加100個漢字；A2等級目標為300個漢字與600個詞彙。這些詞彙表構成了提示詞限制的基礎。
3. 研究方法
3.1 A1-A2等級的提示詞設計
提示詞經過精心設計，包含明確指示：「僅使用EBCL A1列表中的漢字」以及「將詞彙限制在300個高頻詞內」。提示詞還指定了對話場景（例如點餐、自我介紹），以確保情境相關性。
3.2 實驗設置
我們使用ChatGPT-3.5與ChatGPT-4模型進行了系統性實驗。每個提示詞測試50次，並分析輸出結果的漢字集符合度、詞彙多樣性與語法準確性。符合度分數$C$定義為輸出中屬於目標EBCL列表的漢字比例。
4. 結果與分析
4.1 詞彙符合度
在提示詞中加入明確的漢字列表後，A1等級的符合度從基準線的62%提升至89%。A1+等級的符合度達到84%。此改善具有統計顯著性（$p < 0.01$）。
4.2 漢字重複率
控制漢字重複率（對話中漢字的重複次數）有助於提升記憶保留效果。平均漢字重複率從每100個漢字重複1.2次增加至2.4次，符合間隔重複的教學原則。
5. 技術細節與數學公式
符合度分數$C$定義如下：
$$C = \frac{N_{\text{target}}}{N_{\text{total}}} \times 100\%$$
其中$N_{\text{target}}$為來自目標EBCL列表的漢字數量，$N_{\text{total}}$為輸出中的總漢字數。詞彙多樣性$D$則以類型-標記比（TTR）衡量：
$$D = \frac{V}{N}$$
其中$V$為不重複詞彙數，$N$為總詞彙數。針對A1等級，最佳提示詞達到了$C > 85\%$且$D \approx 0.4$。
6. 案例研究：A1等級的提示詞範例
提示詞：「你是一位初學者（A1等級）的中文教師。僅使用EBCL A1列表中的漢字：我、你、好、是、不、了、在、有、人、大、小、上、下、來、去、吃、喝、看、說、做。創作一段關於在餐廳點餐的簡短對話。保持句子簡單，並重複關鍵漢字。」
範例輸出：「你好！我吃米飯。你喝什麼？我喝水。好，不吃了。」
此輸出使用了100%的目標漢字，並展現了自然的重複模式。
7. 原始分析
核心見解：本文在僵化的課程標準（CEFR/EBCL）與LLM混亂的生成能力之間，搭建了一座務實的橋樑。它不僅問「ChatGPT能教中文嗎？」，更問「我們如何強迫ChatGPT教對的中文？」這是從新奇性轉向實用性的關鍵轉變。
邏輯脈絡：作者從歷史背景（ELIZA到ChatGPT）邏輯地推進到特定問題（控制漢字輸出），再到解決方案（使用明確列表的提示詞工程），最後進行實證驗證。儘管實驗範圍較窄（僅A1-A2），但整體脈絡緊湊。
優勢與缺陷：優勢在於可操作的方法論——任何教師都能複製這些提示詞。缺陷則是缺乏長期學習者成果數據。更高的符合度是否真的能帶來更好的習得效果？本文假設如此，但未加以證明。此外，研究忽略了LLM幻覺的風險（例如憑空創造漢字）。正如Bender等人（2021年）在其對LLM的開創性評論中所指出的，「隨機鸚鵡」可能產出看似合理但錯誤的內容，這對初學者來說相當危險。
可行建議：對於實務工作者而言，關鍵啟示是提示詞工程是一種低成本、高影響力的干預措施。對於研究人員而言，下一步是進行隨機對照試驗，比較有提示詞與無提示詞的ChatGPT在實際學習成效上的差異。該領域需要從符合度指標轉向能力指標。
8. 未來方向與應用
未來研究應將此方法延伸至更高的CEFR等級（B1-C2），並整合多模態輸入（例如語音辨識處理聲調）。開發類似EBCL參考列表的「提示詞庫」供中文教師使用，將有助於普及應用。此外，針對EBCL特定數據微調較小型的LLM，可減少對提示詞工程的依賴。最終目標是建立一個適應性輔導系統，能根據學習者表現動態調整漢字複雜度，並採用基於人類回饋的強化學習（RLHF）。
9. 參考文獻
- Adamopoulou, E., & Moussiades, L. (2020). Chatbots: History, technology, and applications. Machine Learning with Applications, 2, 100006.
- Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Proceedings of FAccT 2021.
- Li, B., et al. (2024). ChatGPT in education: A systematic review. Computers and Education: Artificial Intelligence, 6, 100215.
- Wang, Y. (2024). Chatbots for language learning: A meta-analysis. Language Learning & Technology, 28(1), 1-25.
- Weizenbaum, J. (1966). ELIZA—a computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36-45.