Teacher Review Site · 2026-05-30
从前人研究到 SSCI 故事线：AI反馈与教师面批如何影响高中英语写作
这份报告的目的很具体：帮助你和老师决定哪一条论文主线最值得继续写。它不是把所有统计表堆出来，而是围绕 5 条候选故事线，逐条说明这条故事怎么讲、哪些数据支持、模型怎么算、证据够不够、还要补什么。
拿到这份报告怎么用
建议老师不要从技术表格开始读，而是先按故事线判断“这条线有没有论文价值”。统计模型和数据来源会放在每条故事线的证据链里，供需要时核对。
1. 先看每条线的“论文问题”
每条故事线都先给一句话主张和写法。如果这条主张本身不够有趣，就不用先纠结具体 p 值。
2. 再看数据能不能支撑
每条线下面都有“数据证据链”：原始文件、LMM 主模型、计划对比、探索性 gain 指标和辅助证据。
3. 最后决定补什么分析
如果老师认可某条线，再补人工编码、读后续写 Coh-Metrix、协变量模型或更明确的 planned contrasts。
报告里的 gain 是什么
gain = 后测分数 - 前测分数，只是为了直观看每组从前测到后测的变化方向，不是“收益率”，也不是最终模型的因变量。正式判断以 LMM 为主：LMM 直接使用前测和后测两行原始分数，模型为 Score ~ Time * Group + (1 | ID)，其中 Time * Group 才是在检验不同反馈方式的变化是否不同。
五条候选故事线
点击任意卡片查看详细讲法。建议会议中先讨论 01 和 02 是否能合并成主线，再决定 03-05 放在结果、讨论还是理论框架中。
前人研究具体做了什么
两篇硕士论文已经完成了同一实验框架下的句法和词汇层分析。本文不应重复它们，而应站在它们的反馈机制和任务设计之上，推进到 discourse/coherence 或 task-specific discourse resources。
AI反馈过程证据链
这部分不作为单独讨论主题，而是帮助判断每条故事线的机制是否可信：DeepSeek 实际给了什么建议，学生可能采纳了哪些建议，哪些故事线需要改写。
反馈类别覆盖
对 5 条故事线的直接影响
数据来源与计算口径
这一节不是让老师先看结果，而是说明每种证据从哪个文件来、由哪个脚本算出、在故事线里承担什么角色。这样后续讨论某条线时，可以快速追溯数据来源。
证据地图
展开：全指标探索中最强的组间信号
这些结果来自 explore_full_cohmetrix.R，用于发现候选指标；最终讲故事时优先看每条线内的 LMM 证据。
展开：原文 txt 特征快照
这些是轻量文本特征，帮助解释任务差异和文本表面变化，不替代 Coh-Metrix 或 LMM。
理论与前沿文献支点
SSCI 写作不能只有“哪个指标显著”，需要把发现放进反馈、体裁、任务复杂性和二语写作发展理论中。
建议会议讨论方式
建议不要一开始讨论“哪个 p 值显著”，而是先确定论文要讲的核心问题，再决定哪些指标和补充分析服务这个问题。
我建议优先讨论的主线组合
主线 1 + 主线 2 + 主线 3 最有机会形成完整论文：教师面批解释深层语义 uptake，AI 反馈解释应用文 stance-taking，连接词悖论作为反证，说明 feedback effects are task- and level-specific。
主线 4 可作为理论框架，主线 5 可作为讨论中解释非显著的机制。
是继续写 coherence/cohesion，还是改成 discourse resources / task-specific writing development？
先以应用文为主做确认分析，还是补齐读后续写 Coh-Metrix 后做任务调节？
是否把 AI 反馈文档和教师面批记录纳入正式分析，而不只是附录说明？
是否投入人工标注：否定表达功能、连接词适切性、深层连贯 uptake？
故事选定后再定 planned contrasts、协变量、指标族和校正方式。