阿拉伯语作文熟练度的结构化提示：基于特征的评估方法

本文提出了一种用于阿拉伯语作文熟练度的trait-specific自动评分（AES）的新型提示工程框架，利用大语言模型（LLM）在零-shot和few-shot配置下。针对阿拉伯语稀缺的、语言导向的AES工具，本文引入三级提示策略（标准式、混合式和 rubric-guided式），引导LLM评估诸如组织、词汇、发展和风格等不同语言熟练度特征。混合方法模拟多智能体评估，包括特征专家评分员；rubric-guided方法则纳入带评分示例以增强模型对齐。在零和few-shot设置下，我们在QAES数据集上评估了八个LLM，该数据集是首个公开的阿拉伯语AES资源，包含特征级别标注。实验结果采用二次加权Kappa（QWK）和置信区间显示，Fanar-1-9B-Instruct在零和few-shot提示下在所有特征级别上实现最高的一致性（QWK = 0.28 和 CI = 0.41），rubric-guided提示在所有特征和模型中均实现持续提升。发展和风格等话语层面特征显示出最大的改进。这些发现表明，结构化提示而非模型规模alone，使阿拉伯语AES能够有效实现。本研究首次提出面向熟练度的阿拉伯语AES综合框架，为低资源教育情境下的可扩展评估奠定了基础。