Teacher Review Draft

反馈来源如何影响学生摄取不同层级的写作资源

这版不再让老师先读一堆路径和统计术语。页面先说明统计口径，再把每个指标翻译成“它在文本里到底看什么”，最后给出能讲的论文主线。

先把统计口径说清楚

当前主口径是统一二次 LMM。 每个指标先用完整数据拟合 Score ~ Time * Group + (1 | ID)，再按 |standardized residual| > 2.5 标记离群观测，剔除后用同一模型重拟合。下面只用 trimmed model 作为当前主报告证据；旧 full-model 表已归档，只用于追溯。

T-A 表示“教师反馈组前后测变化 - AI 反馈组前后测变化”。shared p 表示大小作文合并后是否存在共同反馈相关变化。task p 表示这种反馈效应是否被体裁调节。正负号不直接等于好坏，必须先看指标反映哪类文本资源。

总体结论

小作文 Time x Group 显著指标18

小作文仍是机制最丰富的主证据区。

大作文 Time x Group 显著指标10

大作文可以作为体裁边界和复核证据。

共同 shared Time x Group 显著指标22

二次建模后，共同反馈相关变化更清楚。

task-moderated 显著指标9

有必要讨论体裁差异。

双体裁 Teacher-AI 都显著0

不能写成同一 Teacher-AI 差异在两个体裁都显著。

先看四条主线

共同信号：深层事件组织

SMCAUSvp 和 SMCAUSv 的 shared p 很强，说明反馈相关变化不只是一种体裁的问题。

增强辅助线：指称衔接

CRFCWO1、CRFAO1、CRFNO1 共同说明教师反馈可能更能帮助学生维持对象、话题和关键词连续。

体裁边界：读后续写

CNCAdd、WRDFRQa、PCVERBp 显示大作文的反馈差异更偏表层组织、词汇可及性和动词相关可读性。

机制主证据：小作文

LSASSp、DRINF、DRNEG、PCSYNp 说明小作文中 Teacher-AI 差异覆盖语义、短语、立场和句法可读性。

指标、例子、数据和故事线

这张表是给老师快速扫读用的。每个指标后面都先解释“它反映什么”，再给一个简化例子，最后放二次建模数据和能讲的论点。

主线	指标	指标反映什么	帮助理解的例子	二次建模数据	能讲的故事线
深层事件/因果组织	SMCAUSvp	情境模型因果动词短语指标，反映文本中事件因果链条的深层组织方式。	弱：He was sad. He went home. 强：He failed the exam, felt disappointed, and went home to avoid talking.	小作文 T-A-18.962p=.007 大作文 T-A-10.728p=.149 sharedp=.003 taskp=.227	反馈来源会影响学生是否把文章写成有因果推进的事件链；这是共同反馈相关变化中最强的一条。
深层事件/因果组织	SMCAUSv	情境模型因果动词指标，反映动词层面的事件因果关系。	missed, caused, decided, realized, changed 这类动词会让事件之间形成推动关系。	小作文 T-A-13.563p=.011 大作文 T-A-7.735p=.151 sharedp=.008 taskp=.559	与 SMCAUSvp 一起支撑深层事件组织主线，但不能说两个体裁 Teacher-AI 都显著。
指称/话题连续性	CRFCWO1	相邻句内容词重叠，反映相邻句是否复用关键词维持局部话题。	Pollution is a serious problem. This problem affects many cities. 关键词 problem 延续，话题更连贯。	小作文 T-A+0.007p=.588 大作文 T-A+0.045p=.031 sharedp=.019 taskp=.157	二次建模后，指称/内容词衔接成为更强辅助线，尤其在大作文中教师反馈更明显。
指称/话题连续性	CRFAO1	相邻句论元重叠，反映同一人物、对象或核心论元是否从一句延续到下一句。	Tom lost his wallet. He searched the classroom. 第二句用 He，但核心人物仍是 Tom。	小作文 T-A+0.090p=.114 大作文 T-A+0.150p=.075 sharedp=.039 taskp=.585	教师反馈可能更能帮助学生维持人物/对象连续性；这是跨体裁同向的辅助证据。
指称/话题连续性	CRFNO1	相邻句名词重叠，反映相邻句是否通过重复名词维持指称对象。	The teacher gave advice. The teacher also showed an example. teacher 重复，指称清楚。	小作文 T-A+0.105p=.041 大作文 T-A+0.070p=.388 sharedp=.099 taskp=.594	小作文中教师反馈更能带来名词指称衔接变化；大作文方向一致但不强。
大作文体裁边界	CNCAdd	添加/并列连接词密度，反映 and, also, moreover, in addition 等追加信息连接词使用频率。	I learned teamwork. Also, I became more confident. Moreover, I understood friendship.	小作文 T-A+0.905p=.884 大作文 T-A+14.761p=.025 sharedp=.224 taskp=.028	大作文中教师与 AI 的差异更容易落在表层组织资源上；这是清楚的体裁边界指标。
大作文体裁边界	WRDFRQa	平均词频指标，反映文本更偏常见词还是低频词。	常见词：help, good, important；低频词：beneficial, significant, indispensable。	小作文 T-A-0.015p=.678 大作文 T-A+0.111p=.013 sharedp=.004 taskp=.031	读后续写中，反馈来源会影响词汇可及性/常见词使用模式，说明体裁任务会过滤反馈摄取。
大作文体裁边界	PCVERBp	动词相关文本易读性/衔接主成分百分位，反映动词信息如何贡献文本可读性和衔接。	动词链清楚：found -> decided -> helped -> changed；动词关系混乱时，事件推进更难读。	小作文 T-A-4.315p=.551 大作文 T-A+27.888p=.012 sharedp=.144 taskp=.041	大作文的反馈差异不仅体现在连接词，也体现在动词相关的文本组织和可读性。
小作文机制丰富区	LSASSp	相邻段落 LSA 语义重叠，反映段落之间概念内容是否接得上或重复。	第一段讲 school activity and confidence，第二段继续讲 joining activities made me confident。	小作文 T-A+0.058p=.041 大作文 T-A-0.002p=.865 sharedp=.165 taskp=.130	小作文中教师反馈更容易影响段落间语义连接；这不是大作文共同证据。
小作文机制丰富区	DRINF	不定式/动词短语相关密度，反映局部动词形式和短语资源使用。	to improve my English, to solve the problem, to help others。	小作文 T-A+7.927p=.047 大作文 T-A+2.257p=.637 sharedp=.021 taskp=.470	小作文中教师与 AI 的差异会进入局部短语和动词结构资源。
小作文机制丰富区	DRNEG	否定表达密度，反映 not, never, no, without 等否定或立场资源使用。	I did not give up. / Without his help, I could not finish it.	小作文 T-A-4.910p=.021 大作文 T-A+2.496p=.638 sharedp=.104 taskp=.106	小作文中反馈来源会影响学生使用否定/立场表达的方式。
小作文机制丰富区	PCSYNp	句法易读性主成分百分位，反映句子结构的可读性/加工难度，不是某一个具体语法点。	清晰：I joined the club because I wanted to improve myself. 混乱：多个从句堆叠、主谓关系不清。	小作文 T-A-13.282p=.049 大作文 T-A-8.854p=.296 sharedp=.071 taskp=.714	小作文中 Teacher-AI 差异还触及句法可读性层面。
辅助因果标记	CNCCaus	因果连接词密度，反映 because, so, therefore, as a result 等显性因果词的使用频率。	He was late because he missed the bus. / She practiced every day, so she improved.	小作文 T-A-9.993p=.101 大作文 T-A-1.786p=.795 sharedp=.028 taskp=.569	可以辅助说明显性因果标记发生反馈相关变化，但不能单独证明 Teacher-AI 在深层因果连贯上稳定不同。

建议研究问题

RQ1

教师面批与 AI 反馈是否会引导学生摄取不同层级的语篇资源？

对应证据：小作文多层 Teacher-AI 指标，如 SMCAUSvp、SMCAUSv、LSASSp、DRINF、DRNEG、PCSYNp、CRFNO1。

RQ2

哪些语篇资源变化具有跨体裁的共同反馈信号？

对应证据：shared Time x Group，如 SMCAUSvp、SMCAUSv、CRFCWO1、CRFAO1、CNCCaus。

RQ3

哪些反馈效应受到体裁任务调节？

对应证据：task moderation，如 CNCAdd、WRDFRQa、PCVERBp。

需要避免的误读

不写“教师反馈全面优于 AI 反馈”。

不写“AI 反馈无效”。

不把 CNCCaus 直接解释成“因果逻辑更强”。

不把 CNCAdd 直接解释成“文章更好”。

不说同一个 Teacher-AI 指标在大小作文都显著。

数据文件和归档说明

当前主表：DataAnalyze/output/tables/51_two_pass_teacher_ai_overlap_scan.csv、52_two_pass_teacher_ai_overlap_summary.csv、53_two_pass_storyline_shift_summary.csv。

Markdown 草稿：reports/two_pass_storyline_teacher_table.md。

旧 full-model 表归档：DataAnalyze/output/tables/archive_full_model_pre_two_pass_2026-05-31/。