The Impact of Calibrated AI-Prompts on Translation Quality: : Insights from Cognitive Modifiability Perspectives

محبوبه خسروانی

نویسندگان

محبوبه خسروانی ^📧 استاد مدعو، گروه زبان انگلیسی، دانشکدۀ ادبیات و علوم انسانی دانشگاه بیرجند، بیرجند، ایران https://orcid.org/0009-0005-8438-9336

چکیده

این پژوهش به دنبال بررسی این سؤال است که آیا دستورات هوش مصنوعیِ سازگار شده با محدودۀ بهینۀ رشد زبان‌آموزان، کیفیت ترجمه را بیش از کمک هوش مصنوعیِ بدون راهنمایی یا بازخورد متداول معلم بهبود می‌بخشد یا خیر؟ این مطالعه با طرح ترکیبی متوالی و شبه‌تجربی روی ۳۲ دانشجوی کارشناسی مترجمی ایران انجام شد. در مرحلۀ کیفی تشخیصی، چهار گونه خطا (واژگانی‑معنایی، نحوی‑دستوری، کاربردشناختی و فرانقشی) شناسایی و فهرستی از گامهای مداخلهای هماهنگ با محدودۀ بهینة رشد ساخته و اعتباربخشی شد. در مرحلۀ کمّی، شرکت‌کنندگان به سه گروه تقسیم شدند: گروه آزمایشی مداخله شده توسط هوش مصنوعیِ هماهنگ با محدودۀ بهینۀ رشد (چت‌جی‌پیتی با دستورات تدریجی مبتنی بر تغییرپذیری شناختی)، مداخلۀ هوش مصنوعیِ متداول (استفادة معمول از چت‌جی‌پیتی) و بازخورد معلم. تحلیل واریانس یک‌طرفه نشان داد نوع مداخله تأثیر معناداری دارد (F(2,29)=33.574, p<.001). گروه آزمایشی مداخله شده توسط هوش مصنوعی سازوارشده به طور معناداری از هر دو گروهِ دیگر عملکرد بهتری داشت، درحالی که تفاوت معناداری بین گروه هوش مصنوعیِ متداول و بازخورد معلم دیده نشد. یافته‌ها نشان می‌دهد مداخلات هوش مصنوعیِ مبتنی بر تغییرپذیری شناختی، کیفیت ترجمه را بیش از صرفِ دسترسی به فناوری یا آموزش مرسوم ارتقا می‌دهد.

کلمات راهنما:

ترجمة مبتنی بر هوش مصنوعی، تغییرپذیری شناختی، کیفیت ترجمه، مداخله، مهندسی دستورات

مراجع

Aljaafreh, A., & Lantolf, J. P. (1994). Negative feedback as regulation and second language learning in the zone of proximal development. Modern Language Journal, 78(4), 465–483. https://doi.org/10.2307/328585.

Farokhipour, S. (2019). Developing a local model of dynamic assessment for diagnosing problems and promoting English language skills in Iranian context (Unpublished doctoral dissertation). Chabahar Maritime University.

Farokhipour, S. (2025). Constructivist vs. positive psychology on learning: Developing a positive intervention inventory to mediate speaking, anxiety, and engagement. Iranian Journal of English for Academic Purposes, 14(2), 1–18.

Farokhipour, S., Khoshsima, H., Sarani, A., & Ganji, M. (2020). Presenting and investigating the effect of a local model of dynamic assessment in diagnosing and removing learning difficulties of high school students in productive skills. Journal of Foreign Language Research, 10(1), 120–134. https://doi.org/10.22059/jflr.2019.273144.593

Farokhipour, S., Padiz, D., & Hekmatshoartabari, B. (2025). Investigating the accuracy of GPT’s translation in transferring syntax–semantic interface: A case study of ideational meta-functions in English translation of Quran. Language Research, 16(1), 141–166. https://doi.org/10.22059/jolr.2025.391037.666912

Feuerstein, R., Falik, L., & Rand, Y. (2002). The dynamic assessment of cognitive modifiability. ICELP Press.

Gao, Y., Wang, R., & Hou, F. (2023). How to design translation prompts for ChatGPT: An empirical study. arXiv. https://arxiv.org/abs/2304.02182

Jiao, H., Peng, B., Zong, L., Zhang, X., & Li, X. (2024). Gradable ChatGPT translation evaluation. arXiv. https://arxiv.org/abs/2401.09984

Khosravani, M., Farokhipour, S., Padiz, D., & Hekmatshoartabari, B. (2025). A comparison of AI-assisted, AI-revised and human-scaffolded translations in ESP classes. Translation and Interpreting Research, 2(5), 45–58. https://doi.org/10.22054/tir.2025.86625.1044

Lantolf, J. P., & Poehner, M. E. (2010). Dynamic assessment in the classroom: Vygotskian praxis for second language development. Language Teaching Research, 15(1), 11–33. https://doi.org/10.1177/1362168810383328

Liang, L., & Lu, S. (2025). The evaluation and reception of the translation quality of three translation modalities in live-streaming contexts: Computer-assisted simultaneous interpreting, machine translation (MT) with human revision and raw MT. The Translator. Advance online publication. https://doi.org/10.1080/13556509.2025.2494566

Lidz, C. S. (1991). Practitioner’s guide to dynamic assessment. Guilford Press.

Mondshine, I., Paz-Argaman, T., & Tsarfaty, R. (2025). Beyond English: The impact of prompt translation strategies across languages and tasks in multilingual LLMs. Findings of the Association for Computational Linguistics: NAACL 2025, 1331–1354. https://doi.org/10.18653/v1/2025.findings-naacl.73

Mohsen, M., Althebi, S., & Albahooth, M. (2023). A scientometric study of three decades of machine translation research: Trending issues, hotspot research, and co-citation analysis. Cogent Arts & Humanities, 10(1). https://doi.org/10.1080/23311983.2023.2242620

Poehner, M. E. (2005). Dynamic assessment of oral proficiency among advanced L2 learners of French (Doctoral dissertation). Pennsylvania State University.

Poehner, M. E. (2008). Dynamic assessment: A Vygotskian approach to understanding and promoting L2 development. Springer.

Poehner, M. E., & van Compernolle, R. A. (2011). Frames of interaction in dynamic assessment: Developmental diagnoses of second language learning. Assessment in Education: Principles, Policy & Practice, 18(2), 183–198. https://doi.org/10.1080/0969594X.2011.567116

Saeedi, Z., & Soltani, M. (2025). Developing an AI chatbot for language pragmatics instruction: From algorithms to dynamic assessment in an EFL context. Computer Assisted Language Learning, 1–22. https://doi.org/10.1080/09588221.2025.2532014

Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.

Wang, H., & Zhang, J. Z. (2025). Translation practice models in the GenAI era: Technology iteration, business format change, and trend prospect. Journal of Foreign Language Teaching, 46(1), 53–58. https://doi.org/10.16362/j.cnki.cn61-1023/h.2025.01.011

Wu, G., & Ding, Z. (2025). An exploration of the linguistic features of translations generated by large language models: An investigation based on average dependency distance and its correlation with translation quality. Journal of Foreign Languages, 3, 48–55.

Zhang, J., & Doherty, S. (2025). Investigating novice translation students’ AI literacy in translation education. The Interpreter and Translator Trainer, 19(3–4), 234–253. https://doi.org/10.1080/1750399X.2025.2541478

Zhang, Y., & Fan, C. (2025). The impact of prompt strategies on specialized text translation by large language models: An empirical study using ChatGPT. In Proceedings of the 2025 International Conference on Educational Technology and Artificial Intelligence (pp. 218–222). https://doi.org/10.1145/3766557.3766594