續(xù)論與大語言模型

王初明

廣東外語外貿(mào)大學(xué)

摘要

生成式大語言模型成功實現(xiàn)人機互動交流，其開發(fā)和應(yīng)用必然反映語言學(xué)習(xí)和使用規(guī)律，這一成就也必然倒逼語言工作者對自己所秉持的語言習(xí)得和使用理念進行反思。本文嘗試以大語言模型工作原理為參照，將其與深入推進互動研究的續(xù)論語言習(xí)得觀進行對比，甄別異同，相互印證，以此深化我們對大語言模型和語言學(xué)習(xí)規(guī)律的認識，了解人機互動與人際互動的長短，用以指導(dǎo)語言習(xí)得研究，以期更好地利用大模型助力語言學(xué)習(xí)和教學(xué)。

關(guān)鍵詞：大語言模型；續(xù)論；語言習(xí)得與使用；語言教學(xué)

01

引言

當(dāng)下迅猛發(fā)展的生成式人工智能大語言模型，是開發(fā)人類語言資源、模擬人類語言習(xí)得和使用、推動社會進步的重大創(chuàng)新成果，是語言研究者和廣大外語教師不可忽視的存在。大語言模型的開發(fā)和應(yīng)用與語言研究直接相關(guān)，為深化語言學(xué)研究提供了新的發(fā)展機遇，尤其為印證和檢驗語言習(xí)得理論增添了利器。近年興起于我國的續(xù)論被國外學(xué)者稱為非西方構(gòu)念 (non-Western construct，McKinley 2022)。它以一個簡明的漢字“續(xù)” (含承接上文、接續(xù)表達之義) 高度概括和闡釋語言是如何學(xué)會的。大語言模型和續(xù)論都在不斷完善中，發(fā)展路徑共同指向人類自然語言習(xí)得和使用規(guī)律，前者致力于模擬，后者側(cè)重于揭示。大語言模型作為一項重大技術(shù)創(chuàng)新，需要理論支撐，證明自身的合理性、可靠性和有效性。續(xù)論關(guān)心習(xí)得理念是否反映語言習(xí)得規(guī)律，能否在大語言模型上得到印證，證明自身的理論價值和貢獻。為了促進兩者互鑒互證，協(xié)同發(fā)展，本文在簡介續(xù)論和大語言模型的基礎(chǔ)上，圍繞續(xù)論的核心促學(xué)理念，與大語言模型的構(gòu)建邏輯進行對比分析，甄別異同，以期深化我們對外語學(xué)習(xí)規(guī)律和大語言模型的認識，了解續(xù)論的理論貢獻，有效利用模型為外語學(xué)習(xí)和教學(xué)服務(wù)。

02

續(xù)論的促學(xué)機制

續(xù)論是在深化互動研究中發(fā)展起來的語言習(xí)得觀，旨在剖析“續(xù)”的促學(xué)功效，助力揭示互動促學(xué)語言的機制。多年圍繞續(xù)論開展的理論和實證研究表明，“續(xù)”是互動的主要方式，其促學(xué)核心機制是互動的內(nèi)在屬性——協(xié)同(alignment，具有趨同、對齊、模仿、拉平功能)?；赢a(chǎn)生的協(xié)同效應(yīng)即學(xué)習(xí)效應(yīng)，能將他人的語言轉(zhuǎn)化為自己會用的語言?；訌妱t協(xié)同強，協(xié)同效應(yīng)最大化即語言學(xué)習(xí)高效率，可通過“續(xù)”去實現(xiàn)?！袄m(xù)”之所以促學(xué)語言，因其能夠激活和融合幾乎所有與語言習(xí)得相關(guān)的語言和非語言因素 (參閱王初明2016)，并帶來一系列引發(fā)協(xié)同效應(yīng)的運作，最主要的有：語言理解(學(xué)) 與表達(用) 緊密結(jié)合、創(chuàng)造性模仿、學(xué)伴用隨。續(xù)論通過“續(xù)作” (續(xù)說、續(xù)寫、續(xù)譯) 實現(xiàn)教學(xué)應(yīng)用。“讀后續(xù)寫”是目前外語教學(xué)和測試應(yīng)用最多的一種續(xù)作，要求學(xué)習(xí)者在理解上文之后預(yù)測和續(xù)寫下文，以此促進上文理解和后續(xù)表達深度融合，強化協(xié)同效應(yīng)，加速提高外語表達能力。上述語言習(xí)得理念在二語教學(xué)和實證研究中得到反復(fù)印證，表明“續(xù)”反映了語言學(xué)習(xí)規(guī)律，確能有效促學(xué)語言 (如Wang & Wang 2015; Zhang 2017; Zhang & Zhang 2021; Zhan & Xu 2025；金檀等 2025；張曉鵬、陳莉 2025)。

03

大語言模型的工作原理

筆者根據(jù)媒體相關(guān)報道并請教DeepSeek，歸納大語言模型的基本工作原理，便于與續(xù)論進行對比分析。生成式大語言模型 (如ChatGPT)，又稱聊天機器人，實為模擬人類大腦的一款神經(jīng)網(wǎng)絡(luò)軟件，這類軟件歷經(jīng)數(shù)十載的砥礪探索，不斷迭代，近年取得突破性進展。隨著計算機科學(xué)的進步，硬軟件功能的增強，利用網(wǎng)絡(luò)軟件空間開發(fā)出來的大語言模型具有強大算力，至今已發(fā)展成為由多層神經(jīng)元和眾多參數(shù)組成、并擁有數(shù)以千億計神經(jīng)節(jié)點及其權(quán)重 (weight) 的巨大神經(jīng)網(wǎng)絡(luò)。在以大型語料庫對模型進行訓(xùn)練階段，研發(fā)者秉持大數(shù)據(jù)隱含語言使用規(guī)律的信念，讓模型對輸入數(shù)據(jù) (如文本、語音、圖像等) 進行加工，捕捉語言使用特征和信息 (包括確保語言正確得體流利使用的語境、情感、意圖等信息)，將輸入文本轉(zhuǎn)換為分布式詞向量 (tokenization)，并根據(jù)分布概率預(yù)測接下去最有可能出現(xiàn)的詞，在詞語義向量的指引下承接前詞“續(xù)”后詞，學(xué)習(xí)語言規(guī)律，完成語篇，最終實現(xiàn)人機對話。向量是核心數(shù)據(jù)的表征形式，貫穿模型的輸入、加工和輸出全流程。模型通過特殊標記將詞向量整合為句子向量，用于分類或相似度計算，將人類可讀的文本轉(zhuǎn)化為機器可計算的數(shù)學(xué)對象，通過規(guī)模效應(yīng) (參數(shù)量和數(shù)據(jù)量) 逼近人類語言表現(xiàn)。因此，向量是語言的“數(shù)學(xué)投影”，也是大模型理解、推理和生成的基石。在文本生成時，每一步輸出的向量會作為下一步的輸入，形成連貫的序列。為了提高語言理解和生成能力和高效處理復(fù)雜問題，大語言模型引入了“多頭注意力” (multi-headed attention，MHA) 等機制，以確保實現(xiàn)人機對話，如能讓模型關(guān)注輸入或輸出數(shù)據(jù)中最相關(guān)的部分 (參閱Deepseek；劉明等 2023；袁毓林2024a、b)。經(jīng)過基于大數(shù)據(jù)的訓(xùn)練，模型具備以下能力：能夠識別和分析上下文，識別語言中的常見模式和結(jié)構(gòu)，在大數(shù)據(jù)中學(xué)到詞語、短語和句子之間的聯(lián)系，并基于以往的對話和場景進行邏輯推理。

面對大語言模型的強大功能，筆者向DeepSeek請教了一個本文最為關(guān)心的問題：大語言模型是否體現(xiàn)承接上文“續(xù)”下文的功能？得到如下回答 (原話)：

DeepSeek 的回復(fù)表明，大語言模型的基礎(chǔ)能力和核心能力之一就是續(xù)論定義的“續(xù)”，其核心機制是自回歸生成，等同于互動協(xié)同機制，旨在依據(jù)上文預(yù)測后續(xù)詞和實現(xiàn)連貫續(xù)寫，即實現(xiàn)“續(xù)”的承上啟下功能。由此可見，大語言模型設(shè)計和開發(fā)的基本理念與續(xù)論語言習(xí)得觀相當(dāng)吻合。在具體操作層面，“續(xù)”的核心運作與大語言模型是否匹配還需要進一步驗證，下面針對“續(xù)”產(chǎn)生協(xié)同效應(yīng)的三個主要操作 (理解與產(chǎn)出相結(jié)合、創(chuàng)造性模仿和學(xué)伴用隨) 展開討論。

04

語言理解與產(chǎn)出中的互動協(xié)同

大語言模型名為聊天機器人并非浪得虛名，其基本用途就是通過對話幫助用戶完成各種任務(wù)和提供服務(wù)。對話是典型的“續(xù)”操作，它將語言理解與產(chǎn)出緊密捆綁。對話者所理解的是他人的話語，所產(chǎn)出的是自己的思想內(nèi)容，兩者互動產(chǎn)生協(xié)同效應(yīng)。從語言習(xí)得角度看，經(jīng)過大數(shù)據(jù)訓(xùn)練后的大語言模型能夠?qū)崿F(xiàn)人機互動，必然引發(fā)協(xié)同效應(yīng)，理應(yīng)助學(xué)語言。本文所關(guān)心的是，大語言模型是如何實現(xiàn)人機互動的，人機互動與人際互動有何不同，如何更好利用起來促學(xué)語言。

大語言模型通過自然語言加工 (NLP) 技術(shù)實現(xiàn)人機互動。人機互動和人際互動存在一些共性。例如，兩者在互動中都能夠產(chǎn)生顯著的協(xié)同效應(yīng)，都涉及信息的傳遞與反饋，互動的基本目的是完成某種形式的溝通或任務(wù)，都依賴規(guī)則(如人際互動遵循社會規(guī)范，而人機互動依賴預(yù)設(shè)的程序邏輯或交互設(shè)計)，兩者都可能以解決問題或達成目標為導(dǎo)向 (如協(xié)作完成任務(wù))，都需要通過反饋 (語言、動作、界面響應(yīng)等) 來確認互動的有效性。

然而，兩種互動屬于不同性質(zhì)的交互模式。人際互動中的協(xié)同是全方位、多模態(tài)的，不僅涉及語言，還涉及豐富的情境、情感、認知、心理等因素，這些因素支撐著語言使用，不可或缺。人類大腦神經(jīng)能將這些因素關(guān)聯(lián)起來，形成相互協(xié)同、通達聯(lián)動的網(wǎng)絡(luò)結(jié)構(gòu)，促進語言習(xí)得與使用。在人際互動過程中，“續(xù)”將語言理解與產(chǎn)出緊密結(jié)合，致使兩者發(fā)生交集而引發(fā)協(xié)同，形成學(xué)中用、用中學(xué)、學(xué)與用相互融合、同步進行并即時提供反饋的局面。相比于人際互動，當(dāng)下大語言模型的訓(xùn)練與應(yīng)用是異步的，與“續(xù)”的過程有著較明顯區(qū)別。從互動促學(xué)語言的角度看，兩者各有所長，促學(xué)效率高低有待實證檢驗。人類優(yōu)勢在于創(chuàng)造力、情感理解、道德判斷和復(fù)雜決策。大語言模型的優(yōu)勢則在于快速信息處理、大規(guī)模知識庫、無疲勞持續(xù)工作。展望未來，模型將會與多模態(tài) (圖像、語音) 和具身智能 (機器人) 相結(jié)合，人機互動將更貼近人際互動體驗，助學(xué)語言的效率也因此會顯著提高。

值得注意的是，被視為“續(xù)”促學(xué)機制的協(xié)同概念已被用于闡釋大語言模型的互動功能，是實現(xiàn)有效人機互動的核心機制之一，其根本目標是確保模型的行為與人類意圖、倫理準則或特定的任務(wù)目標保持一致，這一理念深刻影響了大語言模型互動功能的設(shè)計與優(yōu)化。在大語言模型里，協(xié)同是通過監(jiān)督微調(diào)和強化學(xué)習(xí)等方法實現(xiàn)的 (參考DeepSeek對協(xié)同/alignment的解讀)。續(xù)論則以協(xié)同效應(yīng)最大化為語言學(xué)習(xí)和教學(xué)目標，基于續(xù)論開發(fā)的各種續(xù)作抓住協(xié)同這個核心機制，旨在為強化協(xié)同效應(yīng)創(chuàng)造有利條件。近年來，協(xié)同成為二語習(xí)得研究領(lǐng)域的熱點之一，語言學(xué)國際期刊不斷發(fā)表有關(guān)研究論文 (參閱Michel et al. 2022)，足以表明協(xié)同作為促學(xué)語言的機制已經(jīng)受到研究者們的關(guān)注。

05

創(chuàng)造性模仿

創(chuàng)造性模仿 (即內(nèi)容創(chuàng)造+語言模仿) 是“續(xù)”高效促學(xué)語言的核心操作，具有強化協(xié)同效應(yīng)的功能。內(nèi)容創(chuàng)造指學(xué)習(xí)者在語言學(xué)習(xí)過程中表達自己的想法和意愿，而非機械重復(fù)別人的內(nèi)容，只關(guān)注語言操練。學(xué)習(xí)者創(chuàng)造內(nèi)容是促學(xué)語言和引領(lǐng)語言使用的驅(qū)動力，失去內(nèi)容創(chuàng)造這一環(huán)就喪失了語言學(xué)習(xí)的自主性和推動力。語言模仿指學(xué)會用好語言主要靠模仿，所模仿的是語言使用，不只是語言形式；學(xué)語言之所以需要模仿，因為學(xué)習(xí)所要做的是將他人的語言復(fù)制并移植到自己身上，勿需去創(chuàng)造別人聽不懂的語言，包括合語法但不合用的詞句。創(chuàng)造性模仿表明，在互動或“續(xù)”的狀態(tài)下，當(dāng)學(xué)習(xí)者想要表達自己的意思卻不知如何表達時，仿用上文出現(xiàn)的相關(guān)詞語，常伴有頓悟體驗，往往學(xué)得好，記得牢，效率高。如此模仿不僅具有擴增語言知識的功能，而且能夠幫助學(xué)習(xí)者克服語言表達障礙，承接上文內(nèi)容“續(xù)”下文。

大語言模型的語言能力是先練后用，應(yīng)用時根據(jù)用戶的需求和對話歷史生成合理回復(fù)。大語言模型從大數(shù)據(jù)中萃取內(nèi)容，利用訓(xùn)練得來的知識輸出下文。但囿于訓(xùn)練所用的大數(shù)據(jù)，大語言模型被指“內(nèi)容內(nèi)循環(huán)”，2而非自主創(chuàng)造內(nèi)容，這有別于續(xù)論所倡導(dǎo)的內(nèi)容自主創(chuàng)造。盡管如此，為了回應(yīng)使用者的需求，模型能夠從海量的知識庫里抽繹和概括出最相關(guān)的內(nèi)容，自然比一般個人的思路更開闊，應(yīng)可視為一種邊際創(chuàng)造，如此“內(nèi)循環(huán)”大概不會削弱大語言模型促學(xué)語言的功能，因為語言本質(zhì)上是表達思想的工具，為人類所共享，學(xué)習(xí)主要靠模仿。大語言模型輸出的語言比較規(guī)范地道，在自然語言里大概率使用，幾乎涵蓋了一種語言的所有句型和搭配，是二語學(xué)習(xí)者仿用的優(yōu)質(zhì)資源。為了有效利用大語言模型促學(xué)二語，同時發(fā)揮內(nèi)容創(chuàng)造的促學(xué)功能，內(nèi)容表達理應(yīng)由學(xué)習(xí)者主導(dǎo)，引導(dǎo)模型更好地與人協(xié)同，服務(wù)人的表達意愿，以此促進語言知識的內(nèi)化，助力語言表達能力的提高。

06

學(xué)伴用隨

語境是學(xué)伴用隨理念促學(xué)語言的核心要素，對學(xué)會用好語言怎么強調(diào)都不為過。為了支持這個觀點，筆者做如下推理。語言習(xí)得和使用由意義表達的需求驅(qū)動，這應(yīng)屬常識，而如何定義意義卻有諸多不同答案。這里不妨引用維特根斯坦的一句名言：意義即使用 (meaning is use)3。這里的“使用”應(yīng)當(dāng)理解為語言使用，而語言使用總是發(fā)生在語境里，與語境不可分割。同一句話在不同的語境里可有不同的解讀，可謂語境出意義。因此，維氏的名言或可理解為：意義即語境，語境是意義的具象表達。廣而言之，凡是伴隨語言使用的背景因素均可視為語境，如場景、情境、心境、上下文、交談對象。由于語境具有啟動語言使用的功能，而學(xué)語言是為了會用，自然要在語境中學(xué)；學(xué)過的語言知識能否用出來，用出來是對還是錯，決定于語言知識在學(xué)習(xí)過程中與什么語境相伴。相伴正確則易用對，相伴不當(dāng)則易用錯。筆者將此語言學(xué)習(xí)過程中的語境關(guān)聯(lián)稱為“學(xué)相伴、用相隨”原則，簡稱“學(xué)伴用隨”原則 (王初明 2009)。二語學(xué)習(xí)者與本族語者對話交流是正確語境相伴的例子。本族語者為學(xué)習(xí)者帶來真實的語境和地道的語言，雙方在動態(tài)語境里理解對方的話語并即時做出語言反應(yīng)，聽者和說者角色不斷轉(zhuǎn)換，輪番聽后續(xù)說，理解與產(chǎn)出緊密結(jié)合，在適切語境相伴下學(xué)用本族語者的語言，學(xué)習(xí)效果佳。語境相伴不當(dāng)?shù)囊粋€典型例子是，在我國學(xué)英語，學(xué)習(xí)者潛意識以漢語語境知識去理解或?qū)W用英語詞句，常常導(dǎo)致中式英語的使用。

語境對人類學(xué)會用好語言如此重要，而大語言模型既然能夠成功模擬自然語言習(xí)得和使用，必然存在捕捉語境信息的機制。DeepSeek認為，此機制的本質(zhì)是在高維向量空間中構(gòu)建了一個可泛化的語境映射系統(tǒng)。經(jīng)過訓(xùn)練后的大語言模型輸出的是鍍上了語境標識、隱含在向量里并可整合成語篇的詞語。目前，生成語境的人工智能技術(shù)發(fā)展迅速，已有人工智能軟件使用文本生成圖像，或通過語音識別將視頻中的語音轉(zhuǎn)為文字，或分析畫面動作生成說明，或識別物體、場景、動作輸出結(jié)構(gòu)化文本。將文字生成視頻是當(dāng)下人工智能領(lǐng)域各國競相攻關(guān)的尖端技術(shù)，目前OpenAI已初步具備這種能力，足以表明語境對語言使用所起的關(guān)鍵作用，這為大語言模型實現(xiàn)學(xué)伴用隨動態(tài)促學(xué)語言的理念創(chuàng)造了有利條件?？梢灶A(yù)見，隨著多模態(tài)技術(shù)的融入和具身智能的加持，大語言模型促學(xué)語言的功能將會越來越強大，在動態(tài)語境體驗相伴下與機器人互動學(xué)用語言，外語學(xué)習(xí)費時低效或?qū)⒊蔀橥隆?/p>

07

大語言模型的教學(xué)啟示

續(xù)論與大語言模型的上述對比對學(xué)會教好外語帶來一些啟示，值得關(guān)注，下面僅舉幾例。

外語教學(xué)為何費時低效是一個長期令人困惑的問題。聊天機器人的成功告訴我們：學(xué)會用好外語需要互動。在我國，學(xué)外語主要用途是應(yīng)付考試，學(xué)校盛行應(yīng)試教學(xué)，被貼上費時低效的標簽。究其主要原因，要么外語教師對互動促學(xué)外語的重要性認識不足，要么學(xué)校缺少高水平教師為學(xué)生提供互動交流的條件。如今大語言模型實現(xiàn)了人機互動，能為外語學(xué)習(xí)提供優(yōu)質(zhì)資源，既可用文字也可用語音對話，只要愿學(xué)，可隨時跟不知疲倦的聊天機器人互動對話，外語學(xué)習(xí)效率將會因此得到改善。

教語法是外語教師難以割舍的第一大情結(jié)。語法被視為指導(dǎo)語言正確使用的規(guī)則，似乎不學(xué)語法就學(xué)不會外語。語法是否需要學(xué)以及應(yīng)該如何學(xué)，大語言模型的工作原理給我們帶來啟示。盡管語法具有生成性，而大模型所獲得的語言生成能力并非基于語法規(guī)則，而是基于詞語之間的搭配概率。模型通過概率統(tǒng)計和模式識別，預(yù)測下一個可能出現(xiàn)的詞。大語言模型學(xué)習(xí)語言規(guī)律的理念與人類語言習(xí)得機理有相似之處，切合語法的概率特征。語法規(guī)則的一個突出特點是能夠生成無數(shù)合法新句。然而，合法的句子不一定合用，合用的句子不一定合法，例外實在太多，不可能百分之百正確 (不妨想想英語名詞復(fù)數(shù)加-s的構(gòu)成規(guī)則)。語法規(guī)則生成正確合用語句的概率有的能夠達到80%左右，有的70%左右，如此類推，概率還會有60%，50%、40%、30%、20%、10%不等，而正確概率低于50%的“規(guī)則”估計都不會選入語法教科書，往往被冠以習(xí)慣用法，任由學(xué)習(xí)者在學(xué)習(xí)體驗中去掌握。從語言習(xí)得的角度看，語法是語言習(xí)得的結(jié)果而非原因，逐漸形成于語言使用體驗，自然浮現(xiàn)，由語法研究學(xué)者從成人的語言使用中歸納出來。如果讓大語言模型通過“學(xué)”語法規(guī)則去生成詞句，那是“學(xué)”不會使用語言的，因為語法規(guī)則從語料中抽繹而來，濾掉了確保語言正確得體使用必不可少的語境元素。外語教學(xué)若倒果為因，自始至終過度以語法規(guī)則指導(dǎo)外語學(xué)習(xí)和使用，結(jié)局就是費時低效。因此，明智的教師在教語法時往往采用歸納法，語言使用體驗在先，不細摳規(guī)則，注重詞語的使用搭配；或者發(fā)揮大語言模型生成語篇的能力，將目標結(jié)構(gòu)嵌入語篇，讓學(xué)生續(xù)寫或續(xù)說，在這樣的篇章語境中學(xué)習(xí)語法，效果顯著 (參閱許家金等 2024：25-32; 王啟、周曉 2025)。

大語言模型獲得成功的一個關(guān)鍵，是注意力機制的應(yīng)用?！白⒁狻睂φZ言習(xí)得和使用十分重要。二語習(xí)得研究領(lǐng)域有一個注意假說 (Shmidt 1990)，認為只有注意到的才能學(xué)得到。此外，著名的二語習(xí)得互動假說也特別強調(diào)了學(xué)習(xí)者對語言結(jié)構(gòu)有選擇注意的重要性，認為注意是互動促學(xué)語言的關(guān)鍵變量之一 (Long 1996)。大語言模型模擬人類習(xí)得語言，遵循了“注意”促學(xué)語言的規(guī)律，采用了注意力機制，成功鑄就了模型的互動能力。值得一提的是，有的外語教師應(yīng)用讀后續(xù)寫時也有意識地運用了“注意”操作，在前文語篇里凸顯需要學(xué)用的詞語和語法現(xiàn)象，鼓勵學(xué)生在續(xù)作中加以運用，以此落實學(xué)伴用隨和創(chuàng)造性模仿促學(xué)理念，強化協(xié)同效應(yīng)。

僅通過大數(shù)據(jù)訓(xùn)練的大語言模型便可生成文本并實現(xiàn)人機互動，這說明語篇隱含豐富的語境信息，可由大模型提取出來。這給我們兩點啟示：一是閱讀和續(xù)寫富含語境信息的外語小說或故事對培養(yǎng)語感和學(xué)好外語幫助大；二是語境啟動語言使用實為語篇啟動 (王初明、王啟 2025)。“續(xù)”的基本功能之一是依據(jù)上文的語境鋪墊，預(yù)測下文內(nèi)容并指引續(xù)說或續(xù)寫。換言之，上文語篇中的語境信息具有導(dǎo)向功能 (王啟、繆海燕 2023)?！袄m(xù)”之所以有效促學(xué)語言，主因之一就在于它利用了具有支架功能的語篇啟動效應(yīng)，“續(xù)”所補全、所拓展和所創(chuàng)造的是富含語境信息的語篇，是在語篇中促進語言的正確得體使用，而非從語篇中剝離出來的單詞獨句。

如果語言是通過互動學(xué)會的，學(xué)習(xí)者的互動能力理應(yīng)反映其學(xué)用外語的能力。在過去近40年里，如何測量互動能力一直是語言測試界關(guān)注的論題 (參閱Plough 2018)，而互動能力測試至今仍然缺席。有效可靠測量互動能力并非易事，因為互動由參與者共同推進，難以分辨和量化個體對互動的貢獻，如何為每位個體的互動能力公平合理地評分卻成了語言測試的一個堵點 (王初明 2023)。大語言模型的誕生為疏通這個懸著數(shù)十年的語言測試堵點提供了一個解決辦法，打開了應(yīng)用空間。我們可以嘗試以聊天機器人為基準，讓考生與其互動，并訓(xùn)練機器人考查互動能力。通過對題型和評分標準進行必要調(diào)試校正，可使評分變得有效可靠、客觀公正。隨著具身智能機器人的完善，讓其與考生共同完成一項預(yù)定任務(wù)，在互動體驗中考查互動能力和語言運用水平，可進一步提高互動能力測試效度。

08

結(jié)語

語言是人類文明大廈的基石，累積的海量文獻蘊藏著人類上千年的智慧。人工智能科學(xué)家獨具慧眼，選擇從語言大數(shù)據(jù)切入，開發(fā)大語言模型，不斷迭代，目前已達到令人震撼的強大應(yīng)用狀態(tài)。從語言習(xí)得角度看，大語言模型是模擬人類學(xué)用語言的重大技術(shù)革命，而非語言習(xí)得理論的創(chuàng)新。然而，模型盡管在一些具體設(shè)計環(huán)節(jié)與續(xù)論倡導(dǎo)的操作存在差別，整體而言，其構(gòu)建理念與續(xù)論的語言習(xí)得觀相當(dāng)吻合，從訓(xùn)練到應(yīng)用均圍繞“續(xù)”而展開。這種吻合絕非偶然，而是各自遵循相同語言學(xué)習(xí)和應(yīng)用規(guī)律的體現(xiàn)，印證了語言是通過“續(xù)”學(xué)會的論斷。當(dāng)下，兩者仍在不斷完善的路上，可相互借鑒，相互印證，相互支持。續(xù)論所揭示的語言習(xí)得規(guī)律可為大語言模型上升到理論認識提供參照，同時也在模型的加持下，進一步實現(xiàn)自身價值變現(xiàn)。

文章來源：現(xiàn)代外語