經營管理教學實驗室生成式人工智能應用探索

摘 要：該研究針對經營管理教學實驗室的建設，探討生成式人工智能應用支撐、應用設計、應用技術路線等問題，對經營管理教學實驗室的數據輸入與處理、模型構建與訓練、內容生成與應用、評估與反饋等進行了研究，提出采用數字邏輯、迭代優化、虛擬仿真等方法在經營管理教學實驗室中實現經營管理決策分析、商業案例實踐研究、自建經營模型訓練、客戶服務虛擬仿真、數據分析和可視化、鏈式經營風險管理等的建議，為經營管理教學實驗室生成式人工智能應用提供了可行性方案。

關鍵詞：經營管理；教學實驗室；生成式人工智能

中圖分類號：G64 文獻標識碼：A 文章編號：0450-9889（2024）18-0056-07

經營管理教學實驗室生成式人工智能（Artificial Intelligence Generated Content，AIGC）是一項新型實驗室建設技術，通過運用新興技術建立經營管理教學實驗室幫助學生更好地理解復雜的工商經營管理理論。經營管理教學實驗建設引入AIGC工具［1］，起到了提高教學效率、增強學生學習體驗、培養學生創新思維的作用［2］。在經營管理教學實驗室中運用AIGC，能基于全社會、全球海量知識，根據教學目標和學生的需求，從多個維度進行動態生成教學案例、模擬經營場景和商業決策［3，4］。AIGC可以輔助教師設計個性化的學習路徑，在教學中評估、反饋和分析學生的學習數據，幫助教師調整教學策略［5］。同時，生成式人工智能的應用也帶來了一系列挑戰，“如何審計經營管理教學實驗室生成內容、數據的準確性和相關性”“如何平衡人工智能工具的使用與學生自主學習能力本位的培養、創新思維的培育”是教育工作者開展經營管理教學實驗室建設面臨的重要課題。

一、經營管理教學實驗室生成式人工智能應用支撐

經營管理教學實驗室生成式人工智能應用有著豐富的理論和發展案例支撐［6］。艾倫·圖靈（Alan Turing）在1950年提出了“智能”機器模仿人類思維方式的“圖靈測試”的“生成”內容試驗方法，推進人機交互。1990年至2010年，深度學習、圖形處理器、數據記錄、數據感知、訓練數據規模等方面取得重大突破。2012年，微軟深度神經網絡（DNN）全自動同聲傳譯系統進入發展期。2021年，深度學習模型不斷迭代，OpenAI推出了多模態預訓練模型（Contrastive Language-Image Pre-Training，CLIP）。2024年2月，首個文生視頻大模型Sora發布，AIGC被推向了浪潮巔峰。2023年8月，教育部、科技部等七部門發布《生成式人工智能服務管理暫行辦法》；2023年6月，歐洲通過了《人工智能法案（AI Act）》；2023年9月，聯合國教科文組織發布《教育與研究領域生成式人工智能指南》。AIGC的創新應用對教學實驗室建設起到了推動作用。

經營管理教學實驗室生成式人工智能應用，是教育技術平臺和工具的深度融合，包括學習管理系統集成、教學大綱和評估標準的對齊［7，8］，主要體現在以下幾個方面。第一，個性化生成教學內容。經營管理實驗室智能教學輔導系統根據學生的學習進度、興趣和能力提供個性化的學習建議，動態生成案例研究、模擬經營場景等個性化的教學內容，保持教學內容的時效性和前沿性。第二，教學互動增強。教師作為引導者和促進者進駐經營管理實驗室技術平臺，審視、干預人工智能與學生之間的互動，在系統中嵌入適當的思維導向詞，創新教學方法。第三，創新開發教學資源。生成式人工智能應用打破了經營管理實驗室的地域限制，輔助教師根據最新的教學需求和學科發展動態開發新的教學資源，促進教育資源的共享。第四，教學態勢評估反饋。生成式人工智能模擬經營管理教學場景、分析教學效果、預測學生表現等，對學生的學習成果進行評估，提供詳細的學習報告和反饋，從而幫助教師調整教學策略，有利于推動教育科學的發展。

二、經營管理教學實驗室生成式人工智能應用設計

（一）基于生成式人工智能應用的經營管理教學實驗室架構設計

基于生成式人工智能應用進行經營管理教學實驗室架構，旨在為經營管理教學實驗室提供一個全面、靈活且安全的生成式人工智能環境，支持各種教學活動，同時確保數據和系統的安全［9，10］。基于生成式人工智能的經營管理教學實驗室是一個由人機交互機器、智能終端與生成式人工智能經營管理平臺組成的集合體。該教學實驗室主要由數據層、模型層、應用層和管理層組成，層級之間的硬件、軟件依存關系存在數學邏輯，數據模型會隨著應用的問答增多而擴展，具有動態模型的高斯模糊的不確定性。層級之間目標、路徑、維度多元融貫，隨著數據量的增加而增強模型訓練，以生成更高效、準確的經營管理實驗教學內容。其應用架構如圖1所示。

（1）數據層。由數據庫服務器和數據庫軟件組成，是經營管理實驗室的前端數據來源。負責數據的收集、存儲和處理工作，其中數據收集是從多個來源收集經營管理相關的歷史案例、市場數據、財務報表等數據；數據存儲使用數據庫系統存儲和管理數據，確保數據的安全性和可訪問性；數據處理過程包括數據清洗、集成、轉換、分析和挖掘等，以便模型能夠更好地理解和使用數據。

（2）模型層。存在于經營管理實驗平臺軟件系統中，是生成式人工智能的核心，負責經營管理模型選擇、模型訓練和模型管理。其中，模型選擇是根據教學需求選擇合適的生成式模型，如GPT（Generative Pre-Trained）、VAE（Variational AutoEncoder）、GAN（Generative Adversarial Networks）等人工智能模型；模型訓練是在數據層提供的數據基礎上訓練模型，使其能夠生成高質量的經營管理內容；模型管理的作用是進行模型的版本控制、參數調整和性能監控。

（3）管理層。負責監控系統性能、定期維護系統、倫理與法律規范。其中，監控系統性能是記錄用戶活動和系統事件，以便進行故障排查和性能優化；定期對系統進行維護包括軟件更新、硬件升級和模型重新訓練；倫理與法律規范是確保系統的設計和操作符合倫理標準和相關法律法規。

（4）服務層。由經營管理平臺服務器組成，是前端數據交互系統部分，負責提供對外數據接入、對內數據服務器數據提取、前端應用層交互數據接入等。提供經營管理實驗平臺API（Application Programming Interface）服務、集成服務和安全服務，其中API服務提供API接口，允許其他教學系統或工具與生成式人工智能模型進行交互；集成服務將生成式人工智能模型集成到現有的教學管理系統中，實現無縫對接；安全服務是確保數據傳輸和模型生成內容的安全性，防止未授權訪問和數據泄露。

（5）應用層。提供人機交互機器、智能終端與經營管理實驗平臺的交互界面、場景模擬和個性化學習。其中，交互界面為學生和教師提供友好的用戶界面，以便與生成式人工智能模型進行交互；場景模擬可設計不同的經營管理場景，讓學生在模擬環境中運用所學知識；個性化學習根據學生的學習進度和反饋，提供個性化的學習路徑和學習資源。

（二）構建經營管理教學實驗室生成式人工智能應用模型

經營管理教學實驗室可以利用生成式人工智能提供更加動態、互動和個性化的學習體驗，同時確保教學內容的質量和教學過程的安全性。生成式人工智能是在有條件下生成所需的教學內容，且需要更多的后端數據支撐前端數據交互式輸入，即后端是一個大容量、泛在且可無限擴大的大腦中樞。要構建這個大腦中樞，首先要建立基礎數據模型——經營常態數據模型，其次要提供自身以后的鏈式可變泛在模型接入，再次要把常態與可變泛在結合分析——建立機器學習生成模型，最后要進行“交互、評價、反饋、改進”——建立交互評價反饋模型。四個模型環環相扣構成生成式人工智能應用，如圖2所示。

經營常態數據模型：進行日常經營數據管理，主要功能是收集歷史經營數據、市場趨勢、消費者行為等信息；去除噪聲和不相關數據，確保數據質量；從原始數據中提取有用的特征，使可變泛在接入數據與模型對接，形成耦合性原始數據對接態勢，確保依賴人工智能生成的數據不脫離實際。

鏈式可變泛在模型：“鏈式”“可變”“泛在”都是關鍵詞。“鏈式”是把與經營常態相關的上下游數據及系統納入數據供應鏈中；以“可變”的態勢提供新型數據接入、新數據庫加盟，并提供更為新穎的數據字典和數據源；“泛在”具不確定性，可隨著機器學習生成模型訓練的不斷成熟而獲取更精準、信息量更大的生成式答案。“鏈式+”“可變+”“泛在+”三者均以“+”法存在，具有不確定性、精確性、增長性等。

機器學習生成模型：機器學習是算法集中地帶，是生成經營管理內容的關鍵所在。模型根據特定的經營管理場景、用戶需求、上下游數據鏈、可變新型數據、泛在不確定性數據生成若干個算法子集、知識子庫，延伸為若干“常態+”可變模型，對經營管理市場分析報告、商業計劃書、學生互動對話、客戶服務、談判等場景進行機器學習場景訓練。機器學習中加入法律法規、經營管理倫理等審計算法，對生成內容進行合規性判斷、干預、再生成等，從而使內容具備可信、精準、安全等特性。模型根據學生的學習進度和偏好，生成個性化的學習材料和任務等。

交互評價反饋模型：“交互”“評價”“反饋”是三個不同的又有關聯的動作，在經營管理生成式內容中起到連鎖反應。教學環節中，用戶通過交互界面輸入關鍵字、詞、句、段等內容去調取合規性機器學習算法子集、知識子庫和審計算法庫等，從鏈式可變泛在模型、經營常態數據模型中獲取新的生成式經營管理內容。評價與反饋通過學生的表現和反饋評估模型的內容效率，根據評價結果對模型進行迭代，不斷優化生成內容的質量和教學效果；持續監控模型的性能，確保其穩定運行；定期更新模型，以適應經營管理教學需求。

（三）經營管理教學實驗室生成式人工智能應用場景

基于生成式人工智能應用的經營管理教學實驗室可以為學生提供一個豐富、互動和實踐導向的學習環境，幫助其更好地應對未來職業生涯。在該教學實驗室中可以構建以下六大應用場景。

其一，經營管理決策分析。生成式人工智能可以模擬企業經營環境，通過情景再現為學生提供課程項目化的實戰操作。例如，通過模擬市場變化、競爭對手行為等，學生可以在虛擬環境中測試不同的商業策略和決策，從而學習如何在不確定的情況下做出最優選擇。

其二，商業案例實踐研究。在經營管理教學中，生成式人工智能可以用來創建或擴展案例研究。人工智能可以根據特定的教學目標，生成具有教育意義的商業案例，幫助學生將所學理論知識轉化為實踐指導。

其三，自建經營模型訓練。在經營管理領域，溝通能力和報告撰寫能力至關重要。生成式人工智能可以用于訓練學生的語言技能，例如撰寫商業計劃書、市場分析報告等。人工智能可以提供反饋和建議，幫助學生提高寫作質量和邏輯表達能力。

其四，客戶服務虛擬仿真。生成式人工智能可以模擬客戶服務場景，讓學生在實驗室中練習如何處理客戶咨詢、投訴，以及如何與客戶談判。這種模擬可以幫助學生理解客戶需求，與客戶精準溝通協調，從而滿足客戶需求。

其五，數據分析和可視化。在經營管理中，經常需要對大量數據進行分析。生成式人工智能可以幫助學生理解數據背后的趨勢和模式，通過可視化工具將復雜的數據轉化為易于理解的圖表和圖形，從而支持更好的決策制定。

其六，鏈式經營風險管理。在教學實驗室中，生成式人工智能可以鏈式接入不同的經營風險情景，如市場波動、供應鏈中斷等，讓學生學習如何在面對不確定性時進行風險評估和管理。

三、經營管理教學實驗室生成式人工智能應用技術路線

基于生成式人工智能應用的經營管理教學實驗室內容生成包含“訓練”模型和“推理”模型。第一個步驟必須滿足收集原始數據這一前提條件（即經營管理知識和技能），再使用收集到的數據進行“煉丹”，訓練出經營管理教材模型。然后，使用第一個步驟中訓練獲得的教材模型與其他學科進行跨學科整合教學。經融合形成最后的生成經營管理教學內容。其技術路線如圖3所示。

第一階段，泛在化數據引入。泛在化接入商業、互聯網大模型數據，形成可持續擴張的數據集。收集經營管理知識和技能，分割知識和技能，提取各自內容特征，進行小塊切割，分割成若干個小的文件，供后續數據訓練模型使用。

第二階段，模型化數據訓練。建立生成式經營管理模型集，包括準備數據集、識別數據集、選定待訓練模型和讀取訓練中的數據；將原始數據變成后續“訓練”模型和“推理”模型可以識別的張量數據，選定已經經過預處理、待訓練的模型開始訓練。檢查訓練模型的數量和質量，獲取若干個用于后續推理使用的模型。

第三階段，高階化模型推理。使用模型化數據訓練后需進一步進行模型的優化處理，進入一個新的階段，即高階化模型推理過程。高階化推理注入新的其他學科知識和操作技能、法律行規和經營管理倫理審計算法，對數據重新進行分離性切割，同時將其與訓練后的教材模型進行跨學科整合，進一步生成新的模型。

第四階段，結構化邏輯數據。經營管理教學實驗室最終的目標是生成可用性學習內容，平臺從用戶輸入端獲取堆疊式關鍵字、詞、句、段，進行特征提取與泛在化數據集疊加比對，并與高階化推理模型融合，進行邏輯算法與機器學習模型對標分析，生成可用性經營管理學習知識內容。

第五階段，生成式審計應用。針對結構化邏輯數據生成的內容進行法律法規、經營管理倫理等合規性內容審計，最后把經過審計整改后的內容再生成呈現給用戶。

經營管理教學實驗室評估和提升生成式人工智能模型在教學中的效果和用戶體驗，明確教學目標、模型性能評估、教學內容適配、用戶反饋收集與分析、持續迭代優化以及倫理和合規性問題，關鍵步驟和策略如下。

第一，確定經營管理生成式人工智能模型在教學中的具體應用目標，如提高學生參與度、輔助教師備課、探尋個性化學習路徑等。第二，使用定量和定性指標評估模型的性能，如準確性、響應時間、內容的相關性和多樣性等；對比經營管理分析模型輸出與教學大綱和學習目標，確保內容的一致性和教育價值。第三，根據經營管理教學內容和學生需求，調整模型的參數和訓練數據，以生成更符合教學目標的內容；與教育專家合作，確保模型生成的內容符合教育標準和學術誠信。第四，設計直觀易用的經營管理實驗教學平臺用戶界面，確保學生和教師能夠輕松與人工智能模型互動；提供個性化的用戶體驗，根據學生個體差異調整教學內容的難易程度，根據學生學習偏好形成獨屬的特定風格；通過問卷調查、訪談、用戶測試等方式收集學生和教師對人工智能模型的反饋，分析用戶反饋，評估模型在教學中的應用效果和發現潛在問題。第五，根據用戶反饋和教學效果評估結果，對模型進行持續優化和調整；更新訓練數據集，以反映最新的教學內容和學生需求；將生成式人工智能模型集成到現有的教學平臺和工具中，確保無縫對接；提供技術支持和開展培訓，幫助教師和學生充分利用人工智能模型的功能。第六，確保經營管理模型的應用遵循教育倫理和數據保護法規，避免侵犯學生隱私；對模型生成的內容進行監控，防止生成不當或有偏見的信息。

四、典型應用案例——手機市場銷售生成式人工智能可視化數據分析

在此，詳細介紹一個典型應用實例：對某公司產品“PH-MateX手機”2024年第一季度市場銷售情況進行分析，形成可視化分析報告。利用生成式人工智能進行可視化數據分析，分以下五個步驟實施。

第一步，多重語義切割，屬于泛在化數據引入階段。在經營管理教學實驗平臺交互界面中輸入“對2024年第一季度PH-MateX手機市場銷售情況與發展趨勢進行分析，要求輸出可視化數據分析報告”，啟動人工智能關鍵信息和結構的語義切割，進行分詞、去除噪聲、識別實體等，如表1所示。

表1 多重語義切割

[步驟 生成式人工智能預處理過程 結合實驗平臺 切割分詞 2024年第一季度；PH-MateX手機；市場銷售；情況；與；發展趨勢；進行分析；要求輸出；可視化數據；分析報告 切割分詞對應平臺本地數據庫關聯字段 去除噪聲 情況；與；進行分析；要求輸出 — 識別實體 PH-MateX手機；市場銷售；發展趨勢；可視化數據；分析報告 產品庫、銷售庫、實驗教學報告模板庫 ]

第二步，數據張量重組，屬于模型化數據訓練階段。經營管理教學實驗平臺與API接入式大模型、模型組件進行數據張量重組，根據語義切割進行擴展式張量分析、語義融合重組，生成經營管理教學實驗平臺沒有的、與之融合的新型語義模塊，如表2所示。

第三步，機器學習適配，屬于高階化模型推理階段。根據張量數據，實驗平臺配合大模型、網絡信息資源等進行機器學習，理解PH-MateX手機市場銷售結構、語境關系等數據張量重組數據，在接入式大模型上進行數據集訓練，統計規律和形成分析模型。

第四步，數據畫像分析，屬于結構化邏輯數據階段。機器學習適配形成可執行分析模型，匹配經營管理教學實驗平臺的可視化數據畫像模型庫、專業化分析報告模板庫，把2024年第一季度的手機銷量、市場占比、市場發展趨勢等通過生成式人工智能算法模型，生成數據畫像及數據分析說明。形成優勢品牌來源、客戶價值模型、銷售類別貢獻、流失客戶漏斗、銷售市場雷達等，學生在大量的數據畫像報表中進行更精細化的知識學習、實踐，并可進一步干預性修改。部分市場銷售數據畫像如下頁圖4所示。

第五步，多模態內容生成，屬于生成式審計應用階段。在數據畫像基礎上生成教學實驗報告，把PH-MateX手機及關聯品牌、市場銷售分析、實體店銷售、線上銷售、區域市場、店鋪客戶、技術發展趨勢、市場發展趨勢等數據信息，從數據畫像轉化為專業化文字、分析性圖表、視頻、3D模型等數字內容。內容審計是多模態內容生成的一個重要組成部分，由平臺人工智能審計和教師干預性審計組成，從法律法規、經營管理倫理、課程思政等角度進行內容審計，審計整改后再生成一個新型的學習報告。多模態內容生成PH-MateX手機經營管理實驗教學部分內容分析如圖5所示。

根據多模態生成式報告，學生可以對圖文化報告內容進行合規性分析，對照經營管理教學實驗平臺錄入對應教材知識圖譜學習，參考大模型生成的跨學科理念進行創新、實踐，到再創造。同時，對內容進行評價、反饋，使教學實驗平臺生成式人工智能模型得到進一步深化。

總而言之，隨著人工智能技術的不斷進步，可以預見生成式人工智能將在經營管理教學實驗室中扮演重要角色，為教育創新提供新的動力。通過合理利用AIGC技術，我們有望培養出更多具備較高專業知識和技能水平、較強實踐能力的經營管理人才。值得注意的是，為了避免學生過度依賴技術，影響其批判性思維能力，教育工作者需要確保生成式人工智能生成的內容符合教育標準和道德規范。

參考文獻

［1］李海峰，王煒.生成式人工智能時代的學生作業設計與評價［J］.開放教育研究，2023，29（3）：31-3.

［2］吳冰藍，周麗萍，岳昌君.ChatGPT/生成式人工智能與就業替代：基于高校大學生能力供求的視角［J］.教育發展研究，2023，43（19）：40-48.

［3］肖君，白慶春，陳沫，等.生成式人工智能賦能在線學習場景與實施路徑［J］.電化教育研究，2023，44（9）：57-63.

［4］劉永謀，王春麗.積極應對生成式人工智能對文科教育的挑戰［J］.南京社會科學，2023（6）：119-128.

［5］王浩偉，汪璠，王秉琰.主題視角下生成式人工智能生成內容與用戶生成內容的比較［J］.情報理論與實踐，2023，46（10）：200-207.

［6］王瑜，湯同.生成式人工智能浪潮下比較教育研究范式審思［J］.比較教育研究，2023，45（10）：31-38.

［7］朱永新，楊帆.ChatGPT/生成式人工智能與教育創新：機遇、挑戰以及未來［J］.華東師范大學學報（教育科學版），2023，41（7）：1-14.

［8］李艷燕，鄭婭峰.生成式人工智能的教育應用［J］.人民論壇，2023（23）：69-72.

［9］楊曉哲，王晴晴，王若昕.生成式人工智能的有限能力與教育變革［J］.全球教育展望，2023，52（6）：3-12.

［10］吳蔚然，宋國語，林敏，等.教師如何感知生成式人工智能：基于行動者網絡理論的質性研究［J］.湖南師范大學教育科學學報，2023（5）：35-44.

注：本文系廣西高等教育本科教學改革項目“應用型本科高校新工科交叉學科專業建設研究與實踐”（2022JGA381）、廣西哲學社會科學規劃項目“廣西本科高校新工科產教深度融合模式創新與實現路徑研究”（23FGL023）的研究成果。

（責編 雷 靖）