文章推介 | 基于ChatGPT改寫的定制文本難度對讀后續寫協同效應及促學效果的影響

基于ChatGPT改寫的定制文本難度對讀后續寫協同效應及促學效果的影響

王啟 周曉

摘要

本研究基于ChatGPT改寫的故事文本，將不同難度版本適配學習者不同的英語水平，考察這種定制型難度材料對二語讀后續寫協同效應及促學效果的影響。被試為兩組水平相當的英語學習者，其中非定制組讀后續寫難度適中的故事原文，定制組分五個亞組，分別讀后續寫適配各自水平的故事版本。兩組被試速讀一遍后對故事難度打分，續寫完成后接受詞匯知識測試和延時測試。結果發現：1)定制組的文本難度判定為不難不易，略低于非定制組；2)定制文本難度顯著增強了目標詞的協同產出和學習效果，但前者增幅遠低于后者增幅；3)目標詞協同產出與其詞義及運用知識習得效果呈顯著正相關，但相關度不高；目標詞協同產出與其詞形知識習得效果則關系不大。本研究據此提出，難度適中的定制型文本為可理解輸入，其促學優勢在于較強的可協同性。

關鍵詞：ChatGPT;定制型文本難度;讀后續寫;協同;可協同性

正文

1. 引言

理解和產出之間的互動協同是續論促學的核心機制。“續”利用學習者理解與產出能力的不對稱性，將理解與產出緊密結合，促成二者互動協同，高效推動二語發展。在此互動過程中，協同促學的成效取決于輸入材料的難度和質量。若前讀材料難度遠超學習者理解能力，協同便無從產生，“續”的促學功能隨之消失；若材料難度過低，則無法實現產出能力向高水平材料的協同拉平，難以達到高效促學的目的。因此，選取和改寫難度對標學習者外語水平的閱讀材料，是以續促學的關鍵操作之一。然而，材料改寫并非易事，即便經驗豐富的外語教師也感到棘手。由于同校同級同班學生的外語水平存在個體差異，若要精準適配，則需提供不同難度的材料版本，這無疑會增加改寫難度。Chat GPT等生成式AI模型為此難題提供了解決方案，因其具有強大的文本理解、生成和改寫能力，可根據用戶需求快速調整文本難度，還可保持語言的地道流暢性和原作的內容與風格。本研究基于Chat GPT改寫的故事文本，將不同難度版本與學習者不同的英語水平適配，考察這種定制型難度材料對二語讀后續寫詞匯協同及促學效果的影響，旨在驗證生成式大語言模型與續論相結合的可行性，為續論實施中的材料改寫難題提供簡易實用的解決方案，也為應用大語言模型輔助教材編寫提供參考。

2. 文獻綜述

2.1讀后續寫中的協同及其強化

讀后續寫是續論促學的常用方法，具體操作是提供一篇刪去結尾的外語故事，讓學習者仔細閱讀后自主續寫。此方法操作簡便，卻能調動幾乎所有促學語言的積極因素(王初明2016)。其中，續寫產出與前讀理解的協同效應是推動二語發展的主要引擎。通過與優質材料互動，學習者可充分利用理解和產出能力永恒的不對稱性，使較低的二語產出能力與較高的理解能力協同拉平，在豐富語境的支持下高效促學二語(王初明2016)。大量實證研究結果表明：二語讀后續寫在各語言層面均存在顯著的協同效應和促學效果(參閱Zhou&Wang 2025;張曉鵬、陳莉2025)。當前續論研究的焦點已轉向探索如何強化“續”的協同效應。Peng et al.(2020)發現，與續寫原版故事相比，簡寫版續寫的協同效應更強，續作文本的流利性和準確性更高。王啟、繆海燕(2023)在閱讀材料末尾植入可以再現前讀情節的情景導向，發現該導向可以強化理解與產出的關聯，提高讀后續寫的協同效應。Zhou&Wang (2025)發現，文本體裁可以顯著影響讀后續寫的協同效應，說明文續寫中短語層面的協同效應強于記敘文續寫。王初明、王啟(2025)的研究結果表明，續說產出模態的協同效應強于續寫模態。金檀等(2025)將智能反饋的合作加工策略引入讀后續寫，發現該策略可以促進學習者寫作能力的發展。

上述研究表明，通過閱讀材料的簡寫、文本體裁的選擇以及產出模態的更替等手段，可以強化讀后續寫的協同效應。但在這些研究中，材料難度往往靠老師直覺判斷。而閱讀難度是否匹配學習者水平，靠老師想當然的主觀判斷不一定準確(Peng et al.2020)，需要更為科學的手段進行適配。更為重要的是，學習者的外語水平往往參差不齊，即使同一學校同一專業同一年級的學習者，其外語水平也非整齊劃一。但在讀后續寫教學實踐中，教師往往采用同一難度版本作為輸入材料。因此，即使教師經驗再豐富，判斷再準確，也無法實現材料難度與學習者個體水平的精準適配。

為了有效發揮“續”的促學效應，輸入文本的難度需要控制。根據社會文化理論(參閱Lantolf 2006)，互動之所以促學，因其可助學習者利用外部環境所提供的給養，借助其腳手架(scaffolding)和中介(mediate)作用，將超出自身語言和認知水平的知識內化為自身知識，由此提升自身認知水平和語言能力。這里促學的關鍵是，外部環境所提供的給養既需超出學習者當下水平，又不能超出太多，方能實現最佳促學效果。然而，如何針對學習者當下語言水平把控輸入文本難度并非易事，難度過低，學習者無法利用理解和產出能力的不對稱性，難度過高則無法催生協同效應。以Peng et al.(2020)為例，閱讀材料的簡寫本確實增強了讀后續寫的協同效應，提高了續寫產出的流利性和準確性，但從研究結果來看，簡寫本的難度還是偏高，且該研究將同一班級的學生默認為同一水平，未考慮到學習者的個體差異。若針對學習者水平個體差異對輸入文本難度進行調整，這對外語教師是一個極大的挑戰。

2.2材料改寫與Chat GPT的生成改寫功能

教學材料改寫是外語教師常用的教學手段(Jin&Lu 2018)，主要有兩條路徑。第一條路徑是外語教師靠直覺進行改寫(參閱Rets et al.2022)，依賴教師的教學經驗和寫作專長以及他們對文本理解的主觀判斷(Young 1999)。例如，Green&Hawkey (2012)請四位經驗豐富的英語教師反思其文本改寫操作，發現他們采用的改寫策略主要包括刪除冗余信息、用高頻詞替換專業術語、縮短文本長度等。Young (1999)發現，詞匯修改是教師最常用的改寫策略，他們會將低頻生僻詞或短語替換為常見的高頻詞或短語(Young 1999:352)。第二條路徑是數據驅動的結構性改寫(Jin&Lu 2018)。這種方法以不同水平等級的詞匯表、特定句長和可讀性公式為標準，通過語料庫方法對文本難度進行評估，引導教師對超標部分進行有針對性的簡化修改。修改主要涉及低頻詞的替換、長句的縮寫以及超標語法結構的簡化等。此外，Jin&Lu (2018)還提到對句法復雜度的標注和提示。

文本改寫非并易事，連經驗豐富的外語教師也往往感到棘手(參閱Albiladi2019)。主要原因有：1)文本改寫費時費力，教師難以在材料改編與其他職責之間找到平衡；2)文本改寫較難精準適配學習者的外語水平，教師需綜合考慮詞匯復雜度、句子結構以及整體可讀性等因素；3)過度依賴可讀性公式等指標可能降低文本的連貫性和可讀性(Long 2020);4)若按直覺修改，不同教師因對文本難度的理解不同，改寫文本會存在較大差異，基于數據驅動的結構性改寫則要求教師具備較高的語料庫使用素養(Jin&Lu 2018)。此外，外語教師往往為非本族語者，其外語和寫作水平難保簡寫文本流暢地道，更難兼顧原作的寫作風格，改寫后不盡如人意。

Chat GPT等生成式AI大語言模型為上述問題提供了解決方案。此類大語言模型具有如下優勢1:1)語言生成和理解能力強。模型能夠生成連貫、有邏輯性的文本內容，能夠理解復雜的語義關系，這使得它們在文本改寫時能夠保持原文的核心信息，并以不同表達方式呈現。2)改寫效率高。用戶只需輸入原始文本和恰當的指令，模型即可快速生成改寫后的文本，省時省力。3)改寫質量高。大語言模型在改寫文本時，能夠優化句子結構、詞匯選擇和修辭手法，還能自動糾錯以提高文本質量。4)適應性和定制性強。大語言模型具有廣泛的適應性，能夠處理不同題材、體裁、風格的文本，能夠根據用戶需求改寫文本，如精準調控句子結構以及詞匯和句法復雜度等，按特定難度生成所需文本(de Oliveira&Dos Santos 2025)。5)支持多語言處理。大語言模型通常支持多語種文本處理，可用作外語教師的助教工具。

鑒于大語言模型的上述優勢，本研究運用Chat GPT將前讀材料改寫為多個版本，每個的難度不同，分別與學習者不同的外語水平相配，考察這種定制文本難度對讀后續寫中詞語協同的影響以及不同版本的促學效果，具體回答以下問題：

1)適配學習者水平的定制文本難度能否增強讀后續寫中目標詞的協同效應?

2)適配學習者水平的定制文本難度能否提高讀后續寫中目標詞的學習效果？

3)目標詞的協同產出與其學習效果之間有無關系？

2.研究設計

2.1被試

被試為某高校非英語專業大一學生(n=117)，由三個平行班組成。三個班由同一位教師教授大學英語課。被試按自然班分配到材料篩選組、定制難度組和固定難度組。三組被試牛津英語水平測試成績無顯著差異(F[2,115]=2.172,p=.120)。因部分被試續作未達任務要求，進入最終數據分析的人數分別為定制難度組39人，固定難度組37人，兩組被試牛津英語水平測試成績無顯著差異(t=0.934,df=74,p=.354)。

2.2實驗材料改寫與適配

實驗材料是一篇截去結尾的英文故事，文章長約1300單詞，講述的是單親母親Mary上班途中三次偶遇外星人并冒領其財寶的奇幻故事。之所以選取該材料，是因其語言為中等難度，多次用于中高級學習者的讀后續寫研究(如Wang&Wang 2015;王啟、繆海燕2023)，便于對比協同效應和促學效果異同。

為了適配學習者個體水平，我們用Chat GPT對故事原文進行改寫。改寫主要針對文本句法復雜度，涉及五個維度(Lu 2010)。選取句法復雜度作為改寫依據，主因為：1)句法復雜度的五個維度涵蓋了文本復雜度的主要變量，是預測文本復雜性的顯著指標(Jin et al.2020);2)句法復雜度與閱讀難度緊密相關，句法復雜度越高，閱讀難度越大，有助于實現研究目的；3)調整句法復雜度對外語教師來說極為困難，若Chat GPT可以據此維度進行改寫，其它維度的改寫更加容易；4)本研究以詞匯協同和習得為考察點，操縱詞匯難度可能會干擾研究結果。

句法復雜度的改寫指令分為兩個部分，一是對句法復雜度五個變量的界定2，二是改寫要求。改寫要求包含句法復雜度、受眾大致的外語水平以及故事內容、長度和風格的一致性。具體改寫指令如下：

Please rewrite the following text into six versions differing in syntactic complexity according to the five indices as defined above.Version 1 should be higher in syntactic complexity than the original text.Version 2 to Version 5should be lower in syntactic complexity than the original one,and they should be less complex syntactically in turn.Note the resultant texts are for intermediate and advanced EFL learners,so they should not be too low in syntactic complexity.While rewriting,the content,style and length of the resultant texts should be kept similar to the original one.In addition,all resultant texts should be natural and native-like in language,and logical and coherent in content.(請根據上述定義的五項指標，將以下文本改寫為句法復雜度不同的六個版本。版本1的句法復雜度須高于原文，版本2至版本5則須低于原文，且依次降低。改寫后文本的受眾為中高級水平英語學習者，因而句法復雜度不宜過低。改寫時請保持文本內容、風格和長度不變；語言須自然、地道、流暢，內容則須邏輯清晰、連貫一致。)

我們將句法復雜度的界定和上述指令輸入Chat GPT-4o，令其對故事原文進行改寫，得到句法復雜度遞減的6個文本，加上原文，共有7個難度版本候選。故事改寫后請專家和本族語者進行判斷，結果表明，7個版本的內容和風格相仿，語言都比較準確、自然、地道和流暢。

難度版本適配在一組不參加正式實驗的同水平學習者中進行。先將他們按牛津英語水平測試成績分為7組，再將7個版本按難度與其外語水平進行匹配，高水平匹配高難度，隨后請他們用五至七分鐘3快速閱讀一遍各自的故事版本，并對故事難度進行評分。評分采用Likert五級量表，含針對理解難度的五個陳述句，分別對標五個理解難度，5分表示最難懂，1分表示最易懂。版本一和版本七因過難和過易被剔除，最后得到五個難度版本，其中，故事原文難度最高。最后以不難不易(3分)為基準，根據定制難度組的牛津英語測試成績對難度版本進行調整、匹配。若材料篩選組某分值段的被試對給定版本的難度判定普遍高于3分，則將定制組相同水平段的被試匹配難度低一級的版本，反之則上調一個難度版本。

2.3目標詞選取和替換

目標詞為12個描述故事關鍵要素(人物、事件、情景)的單詞(shining, scales, wing, land, door, believe, silver, small, gift, gold, disappear,diamond)。我們將其替換為符合英語拼寫規則的假詞：larent、hactum、harbet、ballop、lorage、whifer、witose、prammy、balcon、surade、pugate和pronky。為排除原詞對假詞的干擾，我們對目標詞詞義進行了具體化，如surade替換的是gold，但釋義則為“彩金colorful gold”。閱讀材料附目標詞和其它8個生僻詞的注釋，注釋含詞形、發音、中英文釋義和例句。

2.4目標詞知識測試

詞匯測試卷包含兩部分，一部分考察目標詞的詞義和運用知識，另一部分則考察目標詞的詞形知識。測試題涵蓋12個目標詞和11個干擾詞(含8個生僻詞和3個較長的單詞)，詞義和運用知識測試先于詞形知識測試。詞義和運用知識測試采用詞匯知識量表(Vocabulary Knowledge Scale,VKS)(Wesche&Paribakht1996)(表1)。具體而言，每題給出一個單詞，單詞后附有a、b、c、d四個選項，要求被試根據自己掌握的情況進行選擇和填空。前3個選項用于測試詞義知識，最后一個選項測試運用知識。選擇a項，得0分；選擇b項，得0.5分；選擇c項并給出正確意思，得1分，意思錯誤，得0.5分；選擇d項且造句正確得1.5分，造句錯誤得1分。

詞形知識測試采用單詞填空任務(Niu&Helms-Park 2014)，測試題提供目標詞首和詞尾字母，要求被試根據給定的漢語意思將句中單詞補充完整，如例(1)。(1) They brought in p＿＿＿＿＿＿＿y (小巧的、精致的) porcelain dishes to sell.

評分時計算被試拼寫正確字母數的百分比，如例(1)的正確答案是prammy，若被試正確拼寫出三個字母(“正確”指字母出現位置及拼寫都正確)，則得3/5=0.6分。研究者和研究助手先抽取20%的數據共同評分，評分員信度為.98，再由兩位評分員單獨評分，最后取二者均值為最終成績。

2.4實驗步驟

實驗為期四周，包括預實驗、實驗干預、后測和延時后測(見圖1)。第一周的預實驗旨在篩選前讀材料。研究者將材料篩選組被試按英語水平測試成績分為7檔，并按“高水平配高難度”的原則，將難度版本與被試進行匹配。隨后被試用5-7分鐘速讀其故事版本并進行難度判定，再精讀20分鐘后用40分鐘完成續寫。最后根據故事難度評分剔除最難懂和最易懂的兩個版本，保留5個版本用于正式實驗。

第二周為正式實驗。定制難度組讀后續寫按前述方法(見2.2節)匹配后的5個難度版本，固定難度組閱讀故事原文。任務步驟、時間和要求與材料篩選組相同。續寫完成后收回閱讀材料、學習者筆記和續寫作文，并對兩組被試進行詞語知識測試。測試含12個目標詞和8個干擾詞，測試時間為10分鐘。兩周后進行延時后測。延時后測與后測內容相同，題序不同。兩次測試均未事先告知被試。

研究者將被試的續寫文本錄入電腦，建立一個定制難度組續作語料庫和一個固定難度組續作語料庫。再利用Ant Conc 3.4.3提取兩庫中目標詞的協同產出頻數。

3. 研究結果

先來看被試對閱讀文本的難度判斷(表2)。定制難度組對其文本難度的判定值處于中等水平，顯著低于判定值偏高的固定難度組(t=-2.575,df=74,p=.012)，說明定制組文本難度與水平匹配較為精準，Chat GPT的改寫降低了閱讀材料的閱讀難度。

再來看定制文本難度對目標詞協同效應的影響。獨立樣本t檢測結果顯示，定制難度組目標詞的協同產出頻數顯著多于固定難度組(t=2.434,df=74,p=.017)，說明讀后續寫任務中，定制型輸入文本難度可以增加讀后續寫中目標詞的協同產出。

接下來看兩組被試對目標詞的學習情況(表2)。定制難度組兩項詞語知識測試成績均大幅超過固定難度組，均值差異顯著(詞義與運用知識：t=4.364,df=74,p=.000；詞形知識：t=2.766,df=74,p=.007)。定制難度組兩項詞語知識延時后測成績更是固定難度組的兩倍還多，均值差異顯著(詞義與運用知識：t=5.192,df=74,p=.000；詞形知識：t=3.595,df=74,p=.001)。上述結果表明，讀后續寫任務中，適配學習者水平的定制文本難度可以大幅增強二語詞匯的學習和保持效果。

最后來看目標詞協同產出與其效果間的關系。Pearson相關分析結果顯示，目標詞協同產出頻數與其詞義及運用知識后測成績(r=.280,p=.014)與延時后測成績(r=.332,p=.003)顯著正相關，與其詞形知識后測(r=.137,p=.238)和延時后測成績(r=.198,p=.087)則無顯著相關。上述結果說明，詞語層面的協同產出與其詞義及運用知識的學習效果存在中偏下的正相關，與其詞形知識的學習效果關系不大。

上述結果回答了三個研究問題，研究發現歸納如下：1)定制組對其閱讀文本的判定為不難不易，低于固定難度組的難度判定值，表明定制組難度匹配較為精準；2)定制文本難度顯著增強了目標詞的協同產出和學習效果，但前者增幅遠低于后者；3)目標詞協同產出與其詞義及運用知識的學習效果為正相關，但相關度不高，與其詞形知識的學習效果則無顯著相關。接下來結合相關研究和理論進行討論。

4. 討論

4.1基于Chat GPT定制文本難度的可行性

定制組對文本難度的判定為中等(M=3.00)，說明Chat GPT改寫后的文本精準適配了學習者的外語水平，該組被試對文本難度的判定值也低于固定組(M=3.59)。此結果驗證了Chat GPT應用于文本難度調整的可行性。前文提及，外語教師雖有兩種方法對文本進行改寫，但無論哪種方法，都會對其提出極大挑戰，費時費力不說，還不能保證改寫文本的質量。本研究結果表明，Chat GPT可接過外語教師的擔子，且操作簡單高效，改寫質優，即使對于句法復雜度這種極為復雜的語言變量，改寫效果也令人欣喜，其它諸如長句變短句、熟詞替生詞等簡單操作自然不在話下。教師僅需查閱理解難度的定義，制定指令提供給Chat GPT，便可輕松實現改寫目的，即使教學新手也可輕松掌握，省時省力。

固定組的閱讀材料難度中等，常用于中高水平外語學習者讀后續寫任務(如Wang&Wang 2015；王啟、繆海燕2023等)，但固定組被試對其判定為偏難(M=3.59)。這說明，將同一批被試視作同一水平而采用同一材料，無法對標學習者個體水平。Peng et al.(2020)的研究亦是佐證。該研究通過高頻詞替換低頻詞和縮短句長來簡化續寫文本，發現簡化組被試對閱讀材料復雜度的判定值顯著雖低于非簡化組，但其判定值仍然偏高，說明此研究未能精準控制閱讀文本難度。原因可能有二：其一，研究目的僅為探討輸入文本復雜度對續作表現的影響，因而僅使用了單一的簡化版本；其二，研究使用詞頻和句長兩個指標來操縱文本復雜度，忽略了其它關鍵指標。而本研究采用的句法復雜度除包括句長因素，還涵蓋了影響理解難度的其它4個關鍵因素，因而文本難度與外語水平匹配較為精準。

4.2定制文本難度的促學優勢：可協同性

定制文本難度能夠強化協同效應，顯著增加被試對目標詞的使用，這與Peng et al.(2020)的研究結果有所不同。該研究發現，學習者續寫簡化版文本時，在單詞和短語層面的協同效應與續寫原版文本無顯著差異。文本難度可能是造成兩項研究結果不同的原因。前文提到，在Peng et al.(2020)的研究里，被試在充分閱讀原版和簡寫本后對文本的難度判定皆超出了中間值，說明文本難度超出了學習者的理解水平。本研究中，學習者速讀一遍后隨即做出難度判定，結果是一組稍難，一組適中，細讀后均不存在理解困難，均能引發協同效應。任務結束后被試的反饋也印證了這一點：他們都能讀懂各自閱讀的文本材料。Peng et al.(2020)的研究則不同，兩組材料的難度均超出了被試外語水平，因而都削弱了協同效應。

細究本研究結果，我們還發現：兩組被試對文本材料的難度判定差異不大，目標詞協同產出頻數間的差異也較小，但定制組對目標詞的學習效果卻遠超固定組(詳見表2)。這究竟為何？答案可能跟“協同”與“協同產出”間的差異有關。協同植根于理解與產出間的互動。對話則是最典型的互動方式，在此過程中，會話雙方會在內容(情景模型)和語言上相互順應、動態適配，逐漸在大腦中建立共享表征(common ground)。這種互動中相互順應、動態適配并建立共享表征的機制便是協同(alignment,Pickering&Garrod 2004)。“續”則是互動的本質屬性，因而對話外的各類“續”任務同樣蘊含互動協同。不同的是，此類續任務多為學習者與文本材料間的單向協同。但無論是單向還是雙向協同，都是互動中大腦表征的調整順應。協同產出(aligned output)則是協同的外在表現，指續作產出中學習者對前攝語言結構的復用，其頻數常用作協同強度的測量指標。但協同強度并不等于協同產出頻數。前者由互動強度決定，后者還受表達需要等其它因素影響。若無表達需要，協同強度再大也不會有協同產出。因此，協同產出僅為協同之冰山一角，二者不能等同視之。本研究兩組被試的協同產出頻數相差不多，但促學效果卻相去甚遠，原因可能就在于協同與協同產出之間的差異。因協同效應即學習效應(參閱王初明2025)，定制組的協同效應當大大超過固定組。這也解釋了本研究的另一發現：協同產出與學習效果間僅為中低度相關。換言之，協同產出并未將強大的協同效應反映出來。

定制文本難度強大的協同效應和促學效果又是從何而來？答案可能與“可理解輸入”有關。可理解輸入指能為學習者理解且處于其最近發展區的輸入(i+1;Krashen 1985)。本研究的兩組被試對其閱讀文本均不存在理解困難，但定制組被試快速閱讀各自版本時，感覺難度適中。這種速讀一遍感覺難度適中的文本，可能便是可理解輸入，處于學習者的最近發展區。根據社會文化理論，處于學習者最近發展區的語言最易習得(參閱Lantolf 2006)。我們也持相同觀點。但從續論視角觀之，可理解輸入的促學優勢源于“續”中的互動協同機制。具體而言，此類輸入因處于學習者的最近發展區，學習者與其互動時自身語言系統僅需小幅調整便可與其協同，因而可協同性(alignability)高，促學效果好。固定難度組的習得效果遠遜于定制難度組，可能就在于輸入材料偏難，超出了該組被試的最近發展區，可協同性較低。

5. 結語

本研究利用Chat GPT對閱讀材料進行難度調整，并將不同難度版本與不同外語水平相配，據此探討這種定制型難度對讀后續寫協同效應及促學效果的影響，旨在破解續寫材料與學習者水平難以精準適配的教學難題。研究結果證實了Chat GPT優質高效的文本改寫功能，檢驗了Chat GPT等生成式AI大語言模型與續論相結合促學的可行性，驗證了定制型難度輸入文本的促學優勢。我們據此提出，定制型難度文本的促學優勢在其“續”中較強的可協同性，這為進一步優化以續促學提供了新思路。本研究只是大模型應用的一個初步嘗試，未來研究可考慮加入定性研究方法(如有聲思維、刺激回憶訪談)深入探究學習者對二語詞匯的認知加工過程，以不同的語言結構去驗證此次研究結果的普適性。

免責聲明：原文載于《現代外語》，2025（5），版權歸作者所有，如有侵權，請及時聯系刪章。

轉載自外語教學與研究公眾號