生成人工智能技术赋予口语教学能力的实证研究。PDF

目前，大学口语英语课程的重大问题是学生通常会口语，Chatgpt将总结学习者的语言输入，然后进行进行。

练习的机会更少，动力减少，没有有效的质疑。在这个语言交流过程中，学习者需要有意识

反馈。在AIGC的技术支持下，交互式假设理论可以有效地注意到其自己的语言表达与CHATGPT表达之间的不匹配。

解决上述问题，以便可以在现实中使用它们。 AIGC辅助分配以促进ChatGPT输出的反馈。 chatgpt可以学习

在口语教学的过程中，人类计算机相互作用起着至关重要的作用。及时和个性化的反馈，以促进意义谈判并鼓励学习者

ChatGpt依靠大量的语言模型来反思与学习者的真实场景的语言输入，以便学生可以调整话语结构。

互动交流。因此，本研究打算最终在互动假设的理论指导中实现正式咨询，并提高语言获取水平。

接下来，依靠AI中国网站，制定了口语课程的实施计划，旨在通过，例如，学生可以进入及时的“ canyouassessmy”

输入，互动，反馈和输出意味着可以有效地改善中文英语学习词汇和格拉马术？”。在Chatgpt收到声音之后口语英语课程，它可以

学习者的口语水平。为学生的语言输入提供个性化反馈。反馈内容主要包括

（1）将三个部分添加到语言输入中：综合反馈生成人工智能技术赋予口语教学能力的实证研究。PDF，内容反馈和更正反馈。同时，

根据Krashen提出的输入理论（Inputypothesis），它还可以为特定句子提供词汇，样式，逻辑，发音等。

解决输入是第二语言获取的足够且必要的条件。只要学习者暴露于大规模反馈。例如，输入提示“ canyouvaluateThEfirst

如果您失去一个略高于当前水平的人，则可以学习一种语言。更新段落，语法，逻辑和发音？

后一种互动假设认为，第二语言获取而不是填写（IV）提高语言输出和提高口语技能是必要的。

分数的条件。在AIGC的协助下，教师可以在更新口语练习后进行互动假设，这认为可以理解的是，输入只是语言的获取

以前，教学学生的特定命令让chatgpt提供了相关主题的重要组成部分。根据输出假设[]，第二语言采集需要

学习资源（例如文章），以增加可理解性输入内容和有趣的可理解性输入的丰富性，并且还需要可理解性输出，因为可理解性输出是一项检查

增加口语含量的多样性。例如，在chatgpt中，测试学习者是否真正内部化的输入的有效方法。天鹅提出合理的建议

输入框中的人“ Canyougive MOSEYWOWS和SESSENSENCEPATTERSNS”具有三个主要功能：（1）注意或诱导功能（Anotic/ Anoticing/

关于描述AnunnunforgetTableMemory？”同时，根据自己的触发功能）； （2）假设验证函数（Ahypothesis--

学习者可以进一步调整学习资源的困难。示例测试功能； （3）金属语言功能（阿马图语言学

例如，发出指令“ canyouoffermoredificultacticles？”。通过函数），即反射函数。在输出目标语言的过程中，学习

上述方法使学生可以找到尽可能多的可理解输入，以致他们可能不会表达或表达错误，从而迫使他们迫使他们

材料，增加有效的语言输入。我们注意到我们的语言问题。当学习者意识到问题时

（2）真正的互动，增加学生的参与，有意识的反思和内部化语言规则。然后，学习者保留

互动假设中的“互动”是指语言形式的沟通技巧和交流以验证新的语言输出，从而改善语言。

106V0

2024.4常规第447号教学实践和教师专业发展

中国电子教育教学和教师专业发展

单词输出的准确性。结束。同时，两组每周两次面对面教学，总共90分钟。

在这项研究中，教师使用AI中国网站平台创建了16周的实时时间，以确保教学内容和教学进度保持一致。唯一的不同

与日常生活接近的对话，以便学生可以尽可能地增加语言输入。对照组遵循传统的两人对话，小组讨论和代表性报告​​。

出去。同时，该平台可以提供语音转录功能。老师需要传统的口语教室教学模型来进行教学，而实验组则使用AI

学习者和chatgpt完成对话之后，他们将向文本（/index.html）进行音译，并使用此AI在线平台使用

这使学习者可以反思输出过程中存在的语言问题。结合老师chatgpt4.0作为内核。学习者在手机或计算机上免费下载

在ChatGpt的帮助下，学习者系统地将语言形式分为软件，然后使用语音插件来执行交互式活动以完成口语教学。

分析和纠正错误以提高语言准确性。学习任务。此外，它可以实时记录语音并将其转录为文本

简而言之，借助交互式假设的理论支持，可以针对AIGC。这项研究采用此应用有两个主要原因：

为了解决大学口语英语课程中的矛盾，渗入所有口语教学，该应用程序是最先进的AI语言模型之一，并且注册很简单

帮助教师创建一个真实和个性化的教学环境，提供可理解性和易于使用。其次，它可以创建一个真正的口语环境，并且

邀请人们，增强互动，提高学习者的热情，更好地结识学生的个性化对话和及时的反馈。因此，软件可以有效

个性化的口语需求，图1是AIGC辅助口语教学的模型图。解决传统口语教学中教师与学生之间缺乏互动，学生的互动

低热情等问题。

增加口语不可理解的输入（III）实验设计过程的复杂性

根据实验，研究时间为16周英语，由七个主题组成。

AIGC创建真实和个性化的互动

协助。在课程开始之前，所有学生都将获得前类英语

口语口语的预测试，两组中没有显示显着差异，以确保英语

教学提供及时的错误反馈口语准确性。口语能力水平是可比的。

的

模型的第一周是课程指南，目的是教学生

促进有关意义和正式咨询的咨询

加载并熟悉使用AI中文网站的使用。第2周至第15周是7

口语流利

单个单元的教学实践（如下页所示）。每周，课堂和教学

添加语言输出

老师将口语任务分配给学生，并给出明确的解释

图1 AIGC辅助口语教学模型确认了任务目标。实验组的学生使用AI中国网站收集各种类型

学习资源，进行人类学习以及对照组的学生使用课程

3。研究与设计

这本教科书是为了学习。在每个班级中，两组学生都必须完成对话

（i）研究目的，研究问题和口语报告任务。在执行上述任务时，对照组通过伴侣

本文使用AIGC技术为口语英语和教师创建一个新领域，而实验组则需要使用AI中国电台进行人机匹配。

场景，为英语教学中的新路径提供了新的解决方案。复杂的口语单词的目的是刺激学生的产出并提高他们的口语表达能力。这

AIGC技术用于中文英语16周，所有学生都参加了测试后，以评估和比较英语。

语言学习者口语技能的影响。具体来说，它包括以下研究问题：语言复杂性，准确性和流利性。课程结束后，研究人员会讲话

研究问题1：使用AIGC辅助口语教学的学生是否不仅仅是声音转录。同时，为了准确评估语法的复杂性，研究人员说

使用传统教学法的学生的口语输出更复杂？剪切并合并语音，以避免错误地测量复杂的句子。

研究问题2 口语使用AIGC的学生是否与（iv）研究指标相比

使用传统教学法的学生具有更准确的口语输出？ 1。复杂性指标

研究问题3：使用AIGC协助口语教学的学生比口语更复杂，主要包括两个组成部分：词汇和语法。单词

使用传统教学法的学生的口语输出更加流利？范围复杂性，通常称为词汇丰富。根据前几代的相关

（ii）关于实验主题的研究17181，词汇丰富的指标通常包括词汇变化和词汇

本文的研究对象是班级的两个非英语专业的阶级密度，词汇复杂性，词汇独创性和词汇错误。由于这项研究

班级。每个班级都有50名学生，受试者的年龄在19至21岁之间。口语独创性和词汇错误很难衡量。因为

（M = 20.2，SD = 2.23），学生的平均英语学习期为9。2年。因此，我们确定了以下三个指标来测量词汇复杂性（如下

没有主题使用人工智能进行口语实践。页表1）。词汇更改，也称为词汇多样性，是指该语言

为了避免使用的词汇范围，例如教师口语英语课程，教科书和学习时间，测量词汇更改的最常见方法是形状符号

实验干扰，实验组和对照组的教学任务除以相同的教师类型比率（TTR）。词汇复杂性是指文本中高级词汇的比例。

4107

教学实践和教师专业发展2024.4第447期

教学和教师专业发展中国电子教育

3。流利指标

在第一口语预测试，下载并熟悉该软件。从狭义的意义上讲，流利度是指在制作语言时说话者的平稳性。

流利，没有停顿，重复和维修，可以反映语言的熟练程度

学位[2512]。 tavakoliskehan97从速度流利，暂停流利和维修中

在实验组的对照组的三个方面研究了流利度。速度流利性是指输出

通常使用语音速度测量基于AI中国电台的传统语音单元的速度。暂停流利是指暂停

口语教学模式通常使用平均暂停时间来测量口语教学模式的持续时间和数量。固定流利度

它是指自我纠正或重复的时间。此外，Towell等。 [28]和大瓦

关于第二到十五周自变量的研究发现，发音时间比（发音/时间，PTR）和平均语音流动

学习长度（卑鄙的人，MILR）和发音率（ArticulateRate，AR）

环境复杂性，准确性，流利度的三个指标也可以很好地解释口语流利度。所以，

选择以下六个指标来测量口语流利度（如表4所示）。

表4口语流利指标

第16周口语测试

索引公式缩写

完成任务（包括暂停） /完成任务所需的总秒

说速度SR

图2实验设计过程所需的音节总数

语音时间比率总发音时间/完成任务的总时间PTR

词汇密度是指真实单词总数的比例与总单词的总数[21]。平均词汇流长长度总音节/暂停总数mlr

（不包括第一个也是最后一个）

表1口语词汇复杂性指数

平均暂停长度总暂停时间/暂停数量（不包括初始和最终停顿）APL

索引公式测量工具缩写

词汇更改字符的数量/字符数字wordmith8.0lv发音速度的音节总数/总秒为PS生成这些音节

（停顿除外）

词汇综合体（三级字符 +超级路线）range32ls重复校正误差每分钟=（重复数字 +自我纠正

班级字符的总数vocabprofileld校正错误 +错误启动时间）/时间秒*60f

真实单词的词汇密度数量/单词总数

根据LU [21]提出的句法复杂性指数，该研究选择了（五）个数据收集和分析

四个适合衡量口语句法复杂性的指标：单位长度在口语测试中，并根据研究人员的口语语音主题

程度，下属条款的使用，平行结构的使用以及特定短语的结论，受试者有五分钟的准备时间，然后给出了2分钟的语音。

结构，如表2所示。记录并保存了两组学生产生的所有语料库。在数据预处理过程中

其中，由于记录时间不足，实验组中的五个人和对照组缺乏。

表2口语语法复杂性指数

索引含义公式的缩写是从语料库中删除的。因此，这项研究是由90名学生（45个实验组）进行的

单位长度长度长度长度计数/句子号ML和45个对照组的记录被转录。研究人员被转录为文本后

每个t单位中的子句数量/t单位中的从句数量/t单位数量c/t c/t共同读取录制和转录的参与者，以确保其语言准确

并行结构使用每个句子中的平均t单位t单位号/句子t/s转录。本研究使用Elan（htps：/la.mpi.nl/tools/la-tools/elan）

特定的短语结构复合名词复合名词短语计数CN/t精度和流利度指标在每个t单元中编码。 Elan是多媒体翻译

短语t单元的数量

2。精确索引标签工具，广泛用于话语分析和构建口语语料库。二

准确性是指学习者是否可以根据目标语言规则对编码进行积极的研究人员交叉检查，以及两个编码人员的编码者对编码者进行交叉检查。

确切的语言[2]。根据测量的内容，测量指标可以分为在特定情况下出现的任何差异，并通过讨论解决直到达成共识。数字

指标和一般指标。特定指标包括形态学语法和词汇精度。在分析过程中，本研究使用R语言来描述实验组和对照组的数量。

等。通常使用无错误作为单位来测量一般指标。一般指标的数据受复杂性，准确性和流利度的独立样本测试。

计算方法相对方便，因此被广泛使用[23124（如表3所示）。研究IV，结果分析

研究人员使用上述指标来计算每个学生记录的文本中的AS单元。

数量和错误作为单位。 （i）口语复杂性的比较

从词汇复杂性的角度来看，结果表明实验组在LV中，

表3口语精度指标

三个维度中指数意义公式LS和LD的平均值高于对照组的平均值，而这两个组是

在没有错误/总LV和LS（P0.05）的总子句中，子句的数量有显着差异（P0.05）。但是，这两组在LD上

无错误作为单位测量

比例条款数量

没有显着差异（P0.05）。在标准偏差中，对照组在LV中口语英语课程，并且

10810

2024.4常规第447号教学实践和教师专业发展

中国电子教育教学和教师专业发展

LD在两个维度上都更具分散。但是，在LS维度中，这两个组的单个差分语音率（SR）：实验组的平均值为每分钟125.43个音节，并且

不大，如表5所示。对照组的平均值为每分钟104.21个音节。比较数据，发现

表5口语词汇复杂性结果测试组中音节的平均输出高于对照组的平均输出，两组达到了大量水。

索引组DF Weiping的平均标准偏差（p = 0.0340.05）。从标准偏差来看，对照组的离散程度更多

LV对照组为0.430.05-2.42*90.000高。

实验组0.580.03

LS对照组0.470.032.5290.000发音时间比（PTR）：实验组和对照组的发音时间

实验组0.690.03

LD对照组的0.390.04-0.1290.051的比率分别为67.76％和54.92％，P值小于0.05，证明两组两组之间。

0.520.03的实验组有显着差异。以上数据表明，通过使用chatgpt技术

从句法复杂性的角度来看，表6中的结果表明，在进行实际的口语培训之后，学生计划口头语言所需的时间在进行实际的口服培训后减少了，学生减少口语计划所需的时间是必须的。

在所有指标上，测试组的平均值高于对照组的平均值，这表明AIGC有助于短暂，从而提高了口语输出的效率。

口语教学有助于提高句法复杂性。从标准偏差指标，平均段长度（MLR）：实验组和对照组的平均值

对照组的离散程度较高，这表明在传统的教学环境中，学习分别为5.41和5.01，p = 0.030.05，这在统计学上很重要。当然

从业者学到的知识有许多个体差异。 P值，实验组和

对照组中的CN/T指数没有显着差异。小组中的个体之间存在很大差异。

表6口语语法复杂性结果平均停顿长度（APL）：对照组的平均停顿长度为1.45

索引组的平均标准偏差为TDFP秒，实验组的平均暂停长度为1.05秒，这表明实验组思维

MLS对照组12.982.59-9.09*90.002

15.872.22实验组的测试时间小于对照组的测试时间。此外，p0.05在置信水平上很重要。

C/T对照组1.190.21-6.42*90.004但是，实验组的标准偏差高于对照组的偏差，表明实验组的个体是

实验组1.700.17

T/S对照组的差异为1.390.28-3.43*90.000。

实验组1.980.24

CN/T对照组1.370.65-0.82*90.070发音速度（PS）：对照组的平均值为2.12音节/秒，

实验组1.650.50

（ii）比较口语精度

精度偏差为0.44，P0.05。以上数据表明，在置信度，两个

研究结果表明，实验组和对照组的平均值没有差异。

该组有显着差异。

几个和P0.05，这意味着两组学生之间没有统计学上的显着差异。

误差校正数（F）：实验组的平均值（9.45次）显着低于

有区别。从标准偏差可以看出，实验组的参与者之间存在存在。

对照组（11.39次）。

很大的个体差异。如表7所示。

表7口语精度结果V，结论和灵感

指数组的平均标准偏差

无错误的子句频率对照组0.690.06-0.31*0.072本研究基于Chatgpt4.0核心的AI中国站点学英语，并探讨了生成

实验组0.700.07关于口语复杂性，准确性和英语学习者流动的人工智能

（iii）口语流利对比利时的影响。经过分析后，发现：（1）生成人工智能技术

在这项研究中，在实验组和对照组上进行了独立的样品t检验。借助这对夫妇，实验组可以产生更多样化英语培训，更复杂的词汇。在单词中

与两组中的学生相比，实验组的表现速度，发音比，平均段长度和同时复杂性的表现优于比较组。

平均暂停长度，发音速度和误差校正时间有6个差异。这表明人工智能指南创建的口语教室会说话

相反性别，结果如表8所示。动词输出中使用了更复杂的高级词汇。值得注意的是

表8口语流利结果AIGC可以改善实验组的词汇密度（LD），但两组之间没有存在。

指数组的平均标准偏差P有显着差异。原因如下：首先

SR对照组104.2119.02-4.82*0.034是一项输出任务，口语的词汇密度正在短期口语培训中。

实验组125.4318.68

PTR对照组相对稳定，在54.92％0.61-8.42*0.021中很难改善；其次，从交互假设理论的角度来看

实验组67.76％0.53

MLR对照组5.010.73-1.53​​0.030学生需要长时间将可理解性输入转换为口语输出。

实验组5.410.85课程。 （2）在句法复杂性方面，实验组的句子模式比对照组的句子更长，

APL对照组更为复杂。 1.450.187.21*0.015。但是，实验组是关于复杂名词短语的数量（CN/T）

实验组1.050.23

PS对照组在2.120.39-2.52*0.018中没有明显的发展。有两种使名词短语复杂化的主要方法：

实验组2.890.44

F对照组11.390.92-2.45*0.000一种是添加前修饰口语英语课程，另一个是添加后修饰。

实验组的结果表明，两组中的大多数学生都使用后修饰，尤其是

04109

教学实践和教师专业发展2024.4第447期

教学和教师专业发展中国电子教育

通过介词短语修改名词。这与Biber等人的研究一致。 [29]，受到许多因素的限制。在语言的实际输出中，学习者

他发现介词结构是早期学到的结构之一。这项研究发现，科学需要转换可理解的输入吸收，内在化，然后将其转换为输出。同时，也有必要

从业者很少在口语表达中使用前模型，并且认知处理应确保准确，流利的发音和连贯的语义。 AIGC技术是由

从此事的角度来看，这可能是因为预组件组成部分太长了，无法增加学习者对独特的外语学习环境的处理，增加了人类计算机的互动，并允许学习者相互生病。

处理信息的负担最终导致输出故障。 （3）在准确指标动态和含义谈判中获取语言知识。实际上，这项研究使用

在上述过程中，实验组和对照组之间没有显着差异，并且该结果为AIGC技术辅助口语教学提供了新的想法。基于AIGC辅助

Mehnert [30L的研究发现一致。 Mehnert发现，在口语的教学实践中，教师需要注意如何通过AIGC进行构建。

确保语言的复杂性和准确性很难。研究表明，[3112]，建立口语环境以增加可理解性输入，从而促进学习者的收购。

口语输出的准确性与工作记忆能力显着相关。认识更多的学习资源时。其次，教师需要创建更多的上下文化语音

当负载超过工作记忆能力的限制时，学习者的处理能力和语言环境，参与性学习活动和实践机会将为学生提供更多

存储口语将被削弱，从而导致注意力资源的分配不平

准确性，流利度和复杂性之间将有竞争作用。提高口语任务的复杂性和多样性的权利，以便给学习者更多

权衡假设（权衡假设）3]还证实，当有更多的注意力互动和内部化语言知识的时间时。

当资源分配到复杂性和流利度时，它们可能会对准确性产生负面影响。

面部冲击。在这项研究中的准确性和流利度之间的权衡与Jiang等人等参考文献。

人类的结果恰恰相反。他们发现，人工智能软件可以有效[1]中国国家网络空间管理。生成人工智能服务管理的临时措施[EB/OL]。