一种基于改进的CNN-GRU模型的在线监测方法，用于机器人焊接磨削过程中砂轮磨损状态的监控

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：An online monitoring approach of grinding wheel wear condition for robotic weld grinding based on enhanced CNN-GRU model

数据驱动学习（DDL）干预通过七次迭代写作任务、语料库分析和个性化反馈提升EFL学习者议论文写作能力，研究发现学习者呈现词汇、句法、组织结构三层面非线性发展轨迹，形成高语言规范者、功能语言探索者、低水平学习者三类典型群体，验证了复杂动态系统理论在语言教学中的应用价值。

　　

秦文娟|王伟然|郑永艳

复旦大学外国语文学学院，中国上海邯郸路220号，200433

摘要

本研究探讨了数据驱动学习（DDL）干预在提高英语作为外语（EFL）学习者论证性写作能力方面的有效性。研究有两个主要目标：1）考察EFL学习者在词汇、句法和组织结构层面的发展轨迹；2）根据这些语言指标的发展情况，识别出不同的学习者类型。199名EFL学生参与了七轮循环的论证性写作任务，随后进行了基于语料库的分析和个人化反馈。研究结果显示，在这三个语言层面上存在不同的发展路径。研究发现了三种不同的学习者类型：表现优异的形式语言使用者、功能语言探索者以及表现不佳的形式和功能语言使用者。研究结果突显了语言发展的动态和非线性特征，并强调了针对高级写作技能提供个性化教学策略和持续支持的必要性。通过创新的研究者-实践者合作模式，本研究弥合了研究与实践之间的差距，为优化语言教育中的DDL干预提供了宝贵的见解。

引言

数据驱动学习（DDL）最早由Johns在1988年和1991年提出，该方法利用真实语言数据（称为语料库）来促进语言学习。语料库是包含大量真实文本的结构化集合，例如报纸文章、在线讨论或学习者撰写的学术论文。在DDL方法中，学习者通过查阅这些语料库来了解专家或其他学习者实际使用语言的方式。通过分析频繁出现的语言模式，他们可以发现句法结构、搭配用法或话语组织方式，并将其应用到自己的写作中。Johns（1988）指出，DDL代表了教师和学生传统角色的重大转变，教师从知识传授者转变为“研究指导者和研究合作者”（第14页）。这一转变对语言学习和教学领域做出了重要贡献。尽管理论上具有潜力，但许多实证研究表明DDL并未始终带来显著的学习成果提升（Boulton, 2009a; Kaltenb?ck & Mehlmauer-larcher, 2005; Zare et al., 2024）。这种理论潜力与实际效果之间的差异可能有多种原因。

首先，一些研究者对提供给学习者的数据类型提出了质疑。如果语料库数据量巨大但与学习者的水平不匹配或相关性不足，可能无法有效支持学习。学习者可能会发现难以识别模式、形成假设并将发现推广到自己的学习经验中（S. H. Kim & Choi, 2024）。其次，学习成果的测量在评估项目有效性方面起着关键作用。由于语言学习是一个动态、非线性且个性化的过程，传统的预测试和后测试方法往往假设简单的线性进步，从而导致“不显著”的结果（Boulton & Cobb, 2017; Tian, 2005）。通常被忽视的是学习过程的复杂性和个体间的巨大差异。最后，尽管越来越多的人关注利用DDL来辅助语法和词汇学习，但很少有研究探讨DDL如何支持论证性写作的各个方面——这种写作类型不仅要求语言准确性，还要求修辞组织、受众意识和批判性思维。

本研究旨在评估DDL干预在提高EFL学习者论证性写作能力方面的有效性，重点关注他们在词汇、句法和组织结构层面的发展。通过研究发展轨迹和学习者类型，本研究提供了关于DDL如何支持论证性写作多维需求的见解。数据来源的设计以学习者为中心，将语言学习者视为语料库的生成者和分析者。通过使用动态和非线性建模技术以及多维度测量方法，本研究不仅揭示了结果，还揭示了个体学习者的发展过程。捕捉这种非线性变化至关重要，因为语言发展很少是一个平稳、线性的过程；相反，它包含波动、退步和重组。忽视这种复杂性可能会导致忽略重要的发展信号并低估学习者的潜力。从理论角度来看，对这些动态模式的建模符合复杂动态系统理论（CDST）的原则，该理论强调语言发展的涌现性和情境敏感性。从实践角度来看，对这些个性化发展轨迹的洞察可以为更具适应性和响应性的教学设计提供依据，使教育者能够根据学生不断变化的需求提供有针对性的支持。更重要的是，本研究通过创新的研究者-实践者合作模式，架起了研究与实践之间的桥梁，提供了关于DDL如何影响学习的可操作性理解。

部分摘录

定义和重新定义DDL

传统的数据驱动学习（DDL）定义是指使用真实、自然产生的语言数据——通常来自大规模语料库——来促进语言学习（Johns, 1988, 1991）。主要有两种方法：第一种是间接方法，即机构、出版商或研究人员利用语料库数据创建教学材料，然后以印刷或数字形式提供给学习者（Boulton, 2009a; R?mer, 2006）。

数据驱动学习（DDL）干预设计

数据驱动学习（DDL）干预旨在通过让学习者积极参与基于语料库的数据学习，从而提高他们的写作能力，培养他们的自主性和对学习进度的持续反思。该干预被设计为一个迭代循环，包括三个关键方面：1）写作任务和数据收集；2）基于语料库的分析和反馈生成；3）循环重复和持续调整。图1展示了该干预的设计

语言指标随时间的描述性统计

表2显示了各阶段学习者写作中平均词长（AWL）、平均从句长度（MLC）以及组织结构指标（反论点的比例，以下简称CON-ARG）的平均值和标准差。在词汇层面，根据AWL的测量，学习者表现出“U”形发展趋势：从第一阶段的每词4.94个字符增加到第三阶段的每词5.30个字符，之后又下降到最终的4.99个字符

讨论

本研究旨在通过考察词汇、句法和组织结构层面的发展轨迹（RQ1），以及根据这些语言指标识别不同的学习者类型（RQ2），来评估数据驱动学习（DDL）写作干预在提高EFL学习者论证性写作能力方面的有效性。研究结果提供了在DDL干预背景下对写作发展的多层次视角。

教育意义声明

写作发展是一个动态且复杂的过程，因学习者而异。本研究考察了一个旨在提高英语学习者写作能力的数据驱动学习计划的有效性。结果表明，尽管整体有所进步，学习者在使用更复杂的词汇和句子以及使文章结构更加完整和平衡方面仍面临挑战。这些发现表明，教师应采用更加个性化的教学策略，并更加关注

CRediT作者贡献声明

秦文娟：写作——审稿与编辑、初稿撰写、监督、数据管理、概念构建。王伟然：写作——审稿与编辑、初稿撰写、方法论设计、数据分析、数据管理、概念构建。郑永艳：写作——审稿与编辑、监督、资源协调、数据管理、概念构建。

致谢

本研究得到了上海教育科学研究院（资助编号：C2023155）的支持，该资助项目授予了复旦大学的秦文娟博士。所表达的观点仅代表作者本人，并不代表资助方的立场。特别感谢复旦大学外国语文学学院LEAD实验室的研究助理们。