“AI+语料库+教师”协同教学模式赋能医学生英语写作探究

Exploration of “AI + Corpus +Teachers” Collaborative Teaching Mode Empowering Medical Students’ English Writing

摘要

鉴于传统模式难以有效提升医学生英语写作能力，整合人工智能（Artificial Intelligence， AI）的即时反馈、语料库的客观验证与教师的综合指导，构建并实践了“AI+语料库+教师”协同教学模式（A-C-T模式）。以72名医学生为对象，综合运用文本分析、问卷调查（有效样本n=65）和访谈法，对比分析学生初稿与终稿在语言修正与逻辑提升方面的差异，探究学生对三方反馈的认知与评价。结果显示，该模式能显著提升学生写作的语法准确性、词汇专业性与逻辑条理性；96.93%的学生认可AI的润色效果，86.15%的学生肯定语料库在术语验证中的作用，98.46%的学生认为教师指导不可或缺。学生普遍认同三方协同可兼顾语言优化与批判性思维能力的培养，整体效果优于传统教学方式。研究表明，A-C-T模式有效提升医学生英语写作水平，为医学英语写作教学改革提供新路径，有较强的推广应用潜力。

Abstract

Given that traditional approaches are inadequate for improving the English writing competence of medical students, this study integrates instant feedback from artificial intelligence (AI), objective verification from corpora, and comprehensive guidance from teachers to construct and implement the “AI + corpus + teachers” collaborative teaching mode (A-T-C mode). The study involved 72 medical students and employed a combination of text analysis, questionnaires (with 65 valid responses), and interviews to compare the differences between students’ initial and final drafts in terms of language accuracy and logical improvement, while also exploring their perceptions and evaluations of the three types of feedback. Results showed that the model significantly enhanced grammatical accuracy, lexical appropriateness, and logical coherence in writing. Specifically, 96.93% of students acknowledged the effectiveness of AI-assisted polishing, 86.15% affirmed the value of corpora in terminology verification, and 98.46% emphasized the indispensability of teacher guidance. Students widely agreed that the tripartite collaboration simultaneously enhanced language proficiency and critical thinking, outperforming conventional instruction. The study demonstrates that the A-T-C mode effectively promotes English writing skills among medical students, offering a new pathway for reforming medical English writing instruction and exhibiting substantial potential for broader application.

Graphical abstract

关键词

医学英语写作 / 人工智能 / 语料库 / 协同教学模式 / 自主学习 / 批判性思维

Key words

Medical English writing / AI / Corpus / Collaborative teaching mode / Autonomous learning / Critical thinking

在“新医科”建设与医学教育国际化背景下，医学英语写作能力逐渐成为医学生参与跨文化学术交流与科研合作的关键核心素养^［1］。然而，传统写作教学模式以教师单向讲解评价为主，同伴评价为辅^［2］，难以为学生提供高质量、个性化、及时的反馈。在缺乏即时验证工具与动态修正机制的情况下，学生往往难以及时发现并纠正语言问题，导致写作质量与效率提升受限。

近年来，人工智能（Artificial Intelligence， AI）和语料库技术的发展为外语写作教学提供了新的契机。人工智能工具能够实现多维度的即时反馈，在语法修正、用词优化等方面展现出显著优势^［3］；语料库则凭借真实语料的客观性与权威性，为专业术语表达提供了可靠的学术依据^［4］。已有研究探索了线上线下混合式教学模式^［5-6］、单独引入语料库^［7］或人工智能辅助写作教学实践^［8］。研究发现，若单独依赖AI或语料库均存在局限，教师在写作教学中所起到的引领与指导作用不可被二者替代^［9］。此外，现有研究多集中于通用英语写作，对医学主题写作的关注相对不足，也鲜有系统整合AI、语料库与教师优势的探索。鉴于此，本研究基于建构主义学习理论与形成性评价理论，提出 “AI+语料库+教师” 协同教学模式（A-C-T模式），旨在利用三方协同构建动态反馈与验证机制，通过课堂实践、案例分析与实证调查，探讨“A-C-T模式”的实施流程、应用成效与潜在局限，以期为医学英语写作教学改革提供可行路径和实践启示。

1 “A-C-TS模式”协同教学模式构建

1.1 “A-C-T模式”的理论基础

“A-C-T模式”综合运用了建构主义学习理论及形成性评价理论。建构主义认为，知识的学习是学习者通过与环境、工具和他人的互动主动建构知识的过程^［10］，这一过程强调学生的主体性，突出为学生提供适当学习环境的重要性，关注学生的个体差异和需求，鼓励学习者发挥主观能动性，主动参与学习^［11］。当前外语教育中的形成性评价主要体现形式包括技术辅助自动评价、教师反馈、同伴反馈等^［12］。随着科技进步，人工智能可以实现即时个性化评估，从而优化形成性评价，提高评价效率，促进学生有效学习的发生^［13］。

“A-C-T模式”下，AI能够提供即时反馈，实现语法与表达的实时修正；语料库可以呈现客观语言证据，助力学习者验证表达的规范性；教师则聚焦学术性与思维逻辑，给予学习者全方位的点评与指导。AI、语料库、教师三者协同构建多元动态评价体系，辅助学生在学习过程中充分发挥主观能动性，促进知识的内化，实现个性化学习探索。

1.2 “A-C-T模式”的实施流程

首先教师以“The Impact of Technology on Mo-dern Medicine”这一主题下的三份往年学生作文（高、中、低分档）为例，讲解评分标准与写作规范，涵盖框架结构、字数、语法及格式等要点，旨在帮助学生通过借鉴优秀范例与辨析常见问题，为撰写同主题文章做好准备。随后，学生依据写作要求完成初稿，进入“A-C-T模式”（见图1）。

输入环节。由教师示范讲解如何使用AI（如ChatGPT、豆包）润色初稿（包括稿件上传、指令编辑与调试）以及如何利用语料库（如NOW Corpus，COCA）验证AI反馈中存疑的表达用法。随后，学生自主上传稿件至AI工具获取修改建议。

加工环节。学生充分发挥主体性，分析AI反馈建议，利用语料库查证术语表达。同时， 教师负责答疑并根据学生修改进行补充，给予学术性与逻辑性指导。

输出环节。学生整合三方反馈，再度进行润色，完成终稿。通过对比初稿与终稿，反思整个写作过程，完成经验积累，助力后续写作水平的提升。

2 研究设计

2.1 研究问题

研究聚焦“A-C-T模式”对提升医学生医学主题写作水平的影响，学生对AI、语料库及教师三方反馈的功能定位和评价，以及“A-C-T模式”相较于传统写作教学的优势与局限性。

2.2 研究对象

采用便利抽样法，选取北方某医科大学2024 — 2025学年春季学期通用英语课程B级班的72名学生作为研究对象，共发放问卷72份，回收有效问卷65份（男生22人，女生43人），有效回收率为90.3%。受试者均通过大学英语分级考试（难度等同CET-4），具备中等英语水平，专业背景覆盖临床医学、公共卫生、药学等方向。

2.3 数据收集与分析

本研究主要采用以下三种方法进行数据收集与分析。文本分析法：采集医学主题写作任务的初稿及终稿用于对比分析学生在表达、语法、逻辑、学术规范等方面的变化。问卷调查法：所使用的问卷主要包括以下内容，采用Likert五级量表评估学生对AI、语料库和教师反馈的满意度，并通过开放性问题收集学生对三者角色的认知及具体评价细节。课堂观察与访谈：通过课堂观察分析学生使用AI指令编辑、语料库检索的行为模式，借助半结构化访谈深入了解学生的学习过程与实践反思。

3 结果与讨论

3.1 案例分析

本研究共采集并分析了72份学生的写作初稿，写作主题为“The Impact of Technology on Modern Medicine”。通过对这些初稿进行整体文本分析，发现其中普遍存在以下几类共性写作问题：基础语法错误，如主谓不一致、名词单复数混淆等；用词泛化，缺乏医学语境下的准确表达；逻辑衔接欠缺，衔接词使用不当；结构松散，段落内部及之间的逻辑层次不够清晰。

为具体说明上述问题及“A-C-T模式”的干预过程，本文随机选取SLY同学的初稿片段进行分析。

First， technology help doctors to do their work better. There are many new machines in hospital now. They can find illness and make the treatment faster. For example， with internet， we can talk with doctor on computer and get advice. Medical students also can learn more knowledge on internet， so technology brings a lot convenience. But， there are also some problem. Technology is expensive， so some hospital cannot use new machines. Sometimes， technology make doctors depend on it too much. If the technology is wrong， the result maybe bad. Also， some information on internet is not safe for patient.

该学生的作文主题明确，能够通过举例探讨技术对现代医学的双重影响，但在语言形式上仍存在典型错误。比如，开头“technology help”主谓不一致，第二句中“in hospital”出现了单复数错误。使用衔接词时，该学生忽略了“But”作为连词不能单独用逗号隔开引导句子。地道用法是“But there are also...”或“However，there are also...”。另外，该例文多处出现了中式英语表达，例如，“They can find illness”（此处意为医院里的新机器能够辅助疾病诊断）。其中，“find”偏重于发现具体事物，“illness”侧重患病状态，此处“诊断疾病” 宜修改为 “diagnose diseases”。

3.1.1 AI生成润色建议

将学生文稿上传至AI（此处以豆包为例），请其从语法、用词表达及逻辑上给出修改建议，得到回复如下。

语法修正：

主谓一致：“technology help”→“technology helps”，

“technology make”→“technology makes”。

单复数：“hospital”→“hospitals”，“problem”→“problems”，“patient”→“patients”。

冠词：“with internet”→“with the internet”，“on computer”→“on a computer”。

固定搭配：“a lot convenience”→“ a lot of convenience”，“maybe bad”→“may be bad”。

语序：“also can learn”→ “can also learn”。

用词优化：

“find illness”→“diagnose diseases”（更专业）。

“talk with doctor”→ “consult a doctor”（更正式）。

“learn more knowledge”→ “acquire more knowledge”（符合英语搭配）。

“new machines”→ “advanced equipment”（更精准）。

逻辑提升：

增加过渡词：“Moreover”连接医疗学生学习部分，“However”引出弊端。

细化举例：将 “talk with doctor on computer”具体化为 “have online consultations with doctors”。

强化逻辑链：在技术依赖部分补充后果，如 “compromising their professional judgment”。

AI根据指令要求，从语法修正、用词优化和逻辑提升三大方面给出了明确的修改建议。如学生对该部分有疑问，可继续与AI进行问答对话。

3.1.2 语料库辅助验证相关表达

针对AI提出的修改建议，学生可能需要进一步验证相关表达的准确性。以前文提到的 “find illness” 为例，使用NOW Corpus （因其收录语料数量庞大且每日进行更新，能够最大限度保障语料的鲜活度，网址https：//www.english-corpora.org/now/）进行验证。

首先，如图2所示，在“SEARCH”（检索）下方的空格处填入“find illness”，点击 “Find match strings”（查找匹配字符串）。

随后，点击“FREQUENCY”（频次），发现“find illness”在收录了226亿多词的NOW Corpus语料库中仅出现了5次（见图3），足以说明该表达缺少语料支撑。

进一步点击“CONTEXT”可知，“find illness” 共现的语境多为“find +illness+修饰语”（见图4），而非固定搭配。通过如此验证，学生可明确了解“find illness”这一表述并不规范。

又如，文中出现的“learn more knowledge”也是典型的中式表达。AI虽然明确指出这一点，却不易说服学生在将来减少其使用频率。此时，可以借助语料库进行验证。首先，在“SEARCH”中输 “V* knowledge”（V*代表任意动词原形或变体），目的是检索出语料库中与knowledge进行搭配的高频动词。检索后，在 “FREQUENCY” 中可以看出与knowledge搭配排名最高的动词，排名前十位的主要为have、gain、share、deny、provide、acquire及上述词汇的变体（见图5）。文本语境需要的是“获取知识”这一表述，因此，优先推荐“gain knowledge”或“acquire knowledge”两种表达。

如果对“learn knowledge”的用法依然存疑，可检索其出现频次。检索发现learn与knowledge搭配使用的频次仅为70次（见图6），远远低于gain和acquire的使用频率。

3.1.3 教师点评指导

教师主要从细节强化、逻辑优化、思维深化三个方面给出建议。例如，AI建议将初稿中的“new machines”修改为“advanced equipment”，用词虽提升了难度，但依然较笼统。建议学生结合医学场域进行举例，比如“CT scanners”“AI-aided diagnostic systems”等等，契合后续便于疾病诊断的论述。

原文从正反两方面论述科技对现代医学的影响，但结构松散。因此，建议学生在论述“利”与“弊”时分别使用总分结构，再进行逐个要点论述。例如，在优势开始部分添加核心观点句：“Technology has brought three key improvements to modern medicine”，再用“Firstly、Secondly、Thirdly”分层，从助力医生、便利患者、赋能学生三个维度进行论述，使逻辑更有条理。

最后，鼓励学生辩证看待科技对现代医学带来的优势与局限，在结尾指出技术虽能够提升医疗效率，但无法替代医生的人文关怀与临床经验。引导学生反思在科技发展迅猛的现代人文关怀所承载的重要意义，从而实现思政育人的目的。

3.1.4 整合分析与反思

结合AI、语料库及教师三方面的润色建议，学生经过验证与反思，形成终稿：

Technology has brought three key improvements to modern medicine. First， it helps doctors perform their work better. Hospitals now have more advanced equipment—such as CT scanners and AI-aided diagnostic systems—which can diagnose diseases more accurately and speed up treatment. Second， with the internet， patients can have online consultations with specialists for preliminary diagnosis and obtain professional medical advice. Third， medical students can also gain more professional knowledge （e.g.， cutting-edge treatment protocols or cli-nical case studies） via the internet， laying a better foundation for future medical practice. However， there are also some problems. To start with， the high cost of technology leads to unequal access to medical resources. Additionally， over-reliance on technology risks undermining clinical judgment， especially for young doctors lacking diagnostic experience. Last but not least， inaccurate AI diagnostic results and unregulated online medical information may threaten patient safety. While technology grea-tly improves medical efficiency， it cannot replace the humanistic care and clinical experience of doctors. The key lies in using technology as a tool， not a substitute.

相较于初稿，终稿实现了从 “基础表达” 到 “专业论述” 的显著跨越。具体体现在四个方面：语法与用词。修改了初稿中的基础性语法错误，如主谓不一致（“technology help”）、单复数错误（如 “hospital”）以及中式表达（如 “learn knowledge”）。内容细化。将初稿中的泛化笼统表述（如“new machines”）细化为符合医学场域且与上下文契合的具体实例（如 “CT scanners”）。逻辑结构。终稿将初稿中零散罗列的要点提取出来，使用序数词将三大优势和三大问题分别串联起来，框架清晰，要点一目了然。专业度。初稿缺少医学专业术语的使用，终稿使用了“diagnose diseases”“clinical judgment”等表述，凸显了主题专业性。

通过润色建议、验证及修改，学生能够产生直观深刻的写作感知，在后续的写作过程中更倾向于主题词的积累与使用、通过具体的实例进行说明，并搭建清晰的逻辑框架进行分类说明。

3.2 调查结果与分析

调查结果显示，96.93%的学生对利用AI进行写作润色的效果表示满意，其在拼写、语法及表达纠正（96.39%）和逻辑性提升（93.85%）方面的表现得到学生认可。在AI角色描述中，“辅助” “帮助” “助教”词频最高（共出现了45次）。学生认为，AI是“纠错者和语言提升助手”，能够“给出建议和高级句式进行学习”“客观上帮助作文完成后的单词与语法修改，语言润色与优化，（实现）前后衔接”。86.15%的学生认可使用语料库验证术语表达，但63.08%的学生表示对于语料库的使用存在一定困惑，在语料库检索指令编辑及具体应用方面还需更多指导和实践。

值得关注的是，98.46%的学生认为教师指导与反馈不可或缺，这一比例高于AI和语料库。有学生表示，“AI辅助作文润色优点明显，但也存在不足，反馈模式固定，且可能给出机械建议，无法完全替代教师和同伴从实际学习情境出发的个性化评阅”。更有学生提到，“AI辅助工具相较于教师评阅来说，我会更偏向于教师评阅，因为即使AI辅助工具能帮助我修改错误，但是不会给我详细的讲解为什么要这样改，这样改有什么好处，没有和教师一样的这种教与学的互动，这种教与学的互动对我个人来说能让我加深印象，加深对错误点的认识”。

学生对于“A-C-T模式”整体满意度较高，所有参与实践的学生均希望能在将来医学英语写作中继续使用该模式。

3.3 “A-C-T模式”的优势及局限性

相较于传统写作模式，“A-C-T模式”展现出独特优势。首先，AI与语料库相结合突破了课堂教学的时间与空间限制^［14］，能够提供即时反馈，显著提高修改效率。其次，语料库的辅助验证为AI润色提供了第二层保障，使学生在使用地道词汇和规范语法方面有据可循。再次，学生在教师引导下逐渐掌握AI指令编辑与语料库检索技能，在不断修订与反思中提升自主学习、信息检索及批判性思维能力，满足个性化发展需求。学生反馈，“通过多轮润色修改，学会了如何运用更丰富、准确的词汇来替换简单表述，并且在句子结构上懂得了如何运用从句等使文章更有逻辑性”。

然而，“A-C-T模式”也存在一定局限。首先，该模式有一定的适配门槛，师生需熟练掌握AI与语料库的使用技能才能最大限度发挥其作用。AI工具对指令编辑的准确性要求较高，若表述不清可能导致修正偏差，而语料库验证又需具备一定的语料分析能力，这对于基础薄弱的学生形成了挑战。其次，部分学生容易依赖AI而削弱自主思考^［15］。最后，过多的技术运用可能会导致师生互动互动减弱，而缺乏人际互动也可能会降低学生的学习兴趣。

4 结语

本研究以医学主题英语写作为切入点，构建并实践了“AI + 语料库 + 教师”协同教学模式（A-C-T模式）。研究表明，该模式相较传统教学在语法准确性、表达专业性、逻辑条理性等方面优势明显，得到了学生的普遍认可，展现出较强的教学适用性与推广价值。然而，本研究亦发现该模式存在一定局限，这主要体现在工具使用能力、自制力以及人际互动等方面。

未来“A-C-T模式”可从以下方面进行优化：第一，师生应提升数字素养和AI素养，推动工具的合理使用与有效融合^［16］；第二，探索医学特色语料库建设，或指导学生自建学习者语料库^［17］，通过基于语料库开发的写作活动提升学生学习兴趣与参与度^［18］；第三，重视并充分发挥教师在模式中的核心引导作用，不仅要正确指引学生创新使用AI与语料库等工具^［19］，更要以敏锐的洞察力深入了解并满足医学生的个性化学习需求^［20］。囿于样本规模和实践周期，本研究对“A-C-T模式”的普适性与长期效果验证尚有不足，将来应扩大研究范围、延长研究周期，采用多元评价指标进一步验证“A-C-T模式”的有效性与可持续性，为“新医科”背景下医学英语写作教学改革提供坚实支撑。

参考文献

[1] 陈晓明，赵小妹，郭书法，等 ．“新医科”背景下基于OBE理念研究生学术英语写作教学改革与实践：以蚌埠医学院为例［J］．成都中医药大学学报（教育科学版），2024，26（1）：68-71．

[2] 潘妤，戴建春 ．新文科视域下同伴反馈在医学生大学英语写作教学中的应用［J］．温州医科大学学报，2024，54（3）：255-258．

[3] 徐娜娜 ．ChatGPT赋能医学英语教学的应用探索及利弊分析［J］．医学教育研究与实践，2024，32（2）：218-223．

[4] 莫柳君，赖康生，张洋睿 ．COCA语料库在高校英语专业基础写作教学中的应用探析［J］．海外英语，2025（10）：62-65．

[5] 陈静，黄恺瑜，吴倩，等 ．课堂生态视域下的混合式学术英语写作教学模式探究［J］．中国外语，2024，21（1）：68-77．

[6] 周旭 ．大数据语境下的研究生循证医学英语写作教学研究［J］．医学教育研究与实践，2021，29（5）：717-721．

[7] 石慧敏，田兴斌 ．“双平台+语料库驱动”视角下“学术英语写作”混合式教学探索与实践［J］．大连民族大学学报，2022（4）：378-380．

[8] 王海啸 ．生成式人工智能在大学英语教学改革中的应用探究：以“通用学术英语写作”课程教学改革实践为例［J］．外语教育研究前沿，2024，7（4）：41-50．

[9] 叶青，吴青，陈宁 ．在线翻转模式下医学学术英语协同写作教学研究［J］．中国高等医学教育，2023（4）：63-65．

[10] 樊改霞 ．建构主义教育理论在中国的发展及其影响［J］．西北师大学报（社会科学版），2022，59（3）：87-95．

[11] 吴影，郑晓凤 ．基于建构主义的混合式外语学习环境设计［J］．中国教育学刊，2020（S1）：76-78．

[12] 刘建达，於倩 ．外语教育中的形成性评价与自我调节学习［J］．现代外语，2024，47（5）：702-711．

[13] 卢国庆，杨沁，贺相春 ．生成式人工智能赋能高等教育形成性评价的价值、挑战及路径［J］．电化教育研究，2024，45（11）：84-91．

[14] 刘鸿颖，刘芹 ．基于语料库的学术摘要写作自主学习模式构建研究［J］．上海理工大学学报（社会科学版），2020，42（4）：301-308．

[15] 熊绘，樊越，张迪，等 ．人工智能大模型赋能医学教育实践的伦理风险及对策［J］．医学教育研究与实践，2025，33（5）：635-640．

[16] 李艳，许洁，贾程媛，等 ．大学生生成式人工智能应用现状与思考：基于浙江大学的调查［J］．开放教育研究，2024，30（1）：89-98．

[17] 齐晖 ．基于数据驱动学习的医学英语论著写作教学设计及应用评价［J］．医学教育研究与实践，2024，32（1）：89-95．

[18] 徐娜娜 ．医学院校语料库辅助英语课程思政建设与实践［J］．医学教育研究与实践，2023，31（5）：577-582．

[19] 秦洪武，鲁艳芳 ．大语言模型与外语教育：基于语言能力的应用研探［J］．外语界，2024（6）：37-44．

[20] 颜士刚，胡修磊，李文光 ．生成式大语言模型能有效实现对话式教学吗［J］．现代远程教育研究，2025，37（2）：52-61．

基金资助

2022年度天津市教育科学规划课题（青年一般课题）(EIE220136)