AI大模型在重塑金融科技教育中的應用研究

摘要：本研究探討了ChatGPT在金融科技教育中的應用，特別關注其對提升學生金融數據分析能力的影響。研究以廣東高校財經類專業86名學生為對象，進行了為期14周、包含三輪的行動研究。通過系統的實驗設計和數據收集，研究比較分析了使用ChatGPT與未使用ChatGPT的學生在完成金融數據分析任務時的學習效率和分析質量。結果表明，使用ChatGPT的學生在完成金融數據分析任務時，分析效率和分析質量顯著提升。隨著學生對ChatGPT使用的熟練度增加，這種提升效果更為顯著。本研究驗證了ChatGPT在提升金融科技教育效果方面的潛力，為AI大模型在專業教育中的應用提供了實證依據。

關鍵詞：ChatGPT；金融數據分析能力；行動研究

中圖分類號：F2"""""""文獻標識碼：A""""""doi：10.19311/j.cnki.16723198.2025.12.007

0"引言

金融數據分析課程目標之一，是培養學生具備使用現代數據分析工具和技術進行金融數據處理和分析的能力。對于金融數據分析課程而言，在課程教學中引入ChatGPT能否顯著提高學習效率？使用ChatGPT是否能夠有效提升學生金融數據分析能力？ChatGPT對學習體驗和操作能力有何影響？這些問題目前仍待研究。

為了解答這些問題，本研究選擇廣東高校財經類86名學生作為研究對象，采用行動過程研究方法。

1"AI大模型在教育領域的應用綜述

AI大模型通常被稱為大型語言模型（LLMs）或大模型，是旨在處理和生成類人文本的先進人工智能系統[1]。AI大模型利用深度學習技術，特別是神經網絡，來執行一系列任務，例如自然語言處理、圖像識別與生成、語音識別與合成等"[2]。其核心特點是參數數量龐大、計算能力強大以及能夠在多種任務上實現卓越的性能。

AI大模型的應用包括：

（1）自然語言處理。AI大模型可以進行語言翻譯、情感分析、文本生成等任務，提升了人機交互的智能化水平"[3]。

（2）計算機視覺。AI大模型在圖像分類、物體檢測、圖像生成等方面表現出色，被廣泛應用于自動駕駛、醫療影像分析等領域[4]。

（3）語音識別和合成。AI大模型在語音識別和合成方面的應用，使得語音助手、語音翻譯等技術更加精準和自然[5]。

2"研究方案

2.1"研究樣本選擇與分析

本研究選取廣東高校金融管理與服務專業1班和2班教學班開展了為期14周的二輪行動研究。這兩個班級均為筆者同時教授的班級，講授內容、時長、布置作業均相同。在開始研究之前，兩個班級均使用本校編程能力測試系統進行了編程能力測試，將金融管理與服務1班作為對照組，金融管理與服務2班作為實驗組，進行后續實驗和觀察。

2.2"行動研究方案設計

本研究采用二輪行動研究，金融管理與服務1班和2班同步完成相同的金融數據分析任務，金融管理與服務1班作為對照組，不使用ChatGPT情況下完成金融數據分析任務，金融管理與服務2班作為實驗組，使用ChatGPT完成金融數據分析任務。二輪行動研究中，金融管理與服務1班作為對照組，只記錄金融數據分析任務完成質量（得分）和時長；金融管理與服務2班作為實驗組需重點觀察，在行動研究之前，對金融管理與服務2班學生進行ChatGPT基本功能介紹，第一輪是讓學生使用ChatGPT完成初級難度的金融數據分析任務，第二輪是讓學生完成中級難度的金融數據分析任務，二輪行動研究方案如表1所示。

2.3"研究過程

2.3.1"第一輪行動研究

在第一輪行動研究中，我們的目標是對比兩個班級學生在完成初級難度金融數據分析任務時的效率高低。

（a）計劃：使用ChatGPT完成初級難度金融數據分析任務，為下一輪行動研究奠定基礎。

（b）行動：本次行動持續4周，每周2課時，每課時50分鐘，每周編寫Python程序清洗金融數據并進行簡單的統計分析，金融數據文件分別為股票交易數據、期貨交易數據、數字貨幣交易數據和研報數據。其中，金融管理與服務1班（參照組）不使用ChatGPT情況下，學生獨立完成任務；金融管理與服務2班（實驗組）獨立使用ChatGPT完成相同任務。

（c）觀察：記錄每個學生完成任務的時間，收集并評估任務完成質量。"對于金融管理與服務2班，還要重點觀察學生對ChatGPT的接受度和使用情況，ChatGPT對解決編程問題的有效性。

（d）反思：分析金融管理與服務1班（參照組）和金融管理與服務2班（實驗組）學生完成任務的效率和清洗數據質量差異，總結學生在使用ChatGPT的優缺點。收集金融管理與服務2班學生對使用ChatGPT的初步反饋，了解其在使用過程中的真實體驗。根據反饋調整第二輪的培訓和任務設計。

2.3.2"第二輪行動研究

通過對第一輪行動的反思，解決存在的問題，修改其教學方案。第二輪行動研究的目標是繼續探討ChatGPT在中等復雜度編程任務中的應用，進一步評估其對金融數據分析效率的影響。

（a）計劃：通過向金融管理與服務2班提供ChatGPT提示詞培訓，評估其在中等復雜度編程任務中的應用效果。

（b）行動：本次行動持續6周，每周2課時，每課時50分鐘，每個課時編寫一個Python程序繪制生成各種金融數據的可視化圖表，如折線圖、柱狀圖、箱線圖等。金融管理與服務1班（參照組）：學生獨立完成任務，不使用ChatGPT。金融管理與服務2班（實驗組）：學生在接受ChatGPT提示詞培訓后，使用ChatGPT完成任務。筆者向2班學生提供關于ChatGPT提示詞的培訓，包括如何使用ChatGPT進行代碼生成和修改。

（c）觀察：記錄每個學生完成任務的時間，收集并評估任務完成質量。同樣，對于金融管理與服務2班學生，還要重點觀察學生在接受培訓后的使用ChatGPT進行數據可視化的情況，收集學生使用ChatGPT的頻率，ChatGPT對學生解決中等復雜度編程問題的有效性和局限性。

（d）反思：分析1班和2班學生完成任務的時長和數據可視化效果的差異。總結金融管理與服務2班在使用ChatGPT完成任務中的優點和不足。收集2班學生在使用ChatGPT過程中存在的新困難。根據反饋調整和優化ChatGPT的使用指導和培訓。

通過這二輪難度遞增的行動研究，系統地評估ChatGPT在不同復雜度金融數據分析任務中的應用效果。研究發現，學生使用ChatGPT確實能夠提高金融數據分析效率和效果。

3"研究結果

利用ChatGPT能夠顯著提高金融數據分析質量

如圖表2數據顯示，在二輪行動研究中，實驗組（金融管理與服務2班）的金融數據分析成績顯著高于對照組（金融管理與服務1班），并且隨著行動研究輪次的增加，兩班的成績均值差距不斷擴大。這說明使用ChatGPT能夠提升學生的金融數據分析成績，而且隨著學生對該工具的熟悉度也在不斷增加，從而更有效地利用ChatGPT來完成金融數據分析任務。

由于二輪行動研究得出三組數據不具有齊方差，本研究采用獨立樣本Welch′s"T檢驗，其檢驗結果如表3所示。表明實驗組（使用ChatGPT的2班）與對照組（1班）之間的平均成績差存在顯著差異，二輪的p值均小于0.05，表明差異具有統計顯著性，這些數據進一步驗證了使用ChatGPT對學生學習成效的正面影響，尤其是在處理更復雜的金融數據分析任務時。

第2輪4.61.29（2.11，"7.17）3.590.0006

4"結果討論

4.1"學生使用ChatGPT能顯著提升金融數據分析效率

學生在金融數據分析任務中使用ChatGPT，可以顯著提升分析效率，這一點在多輪行動研究中得到了證明。首先，ChatGPT作為一個大語言模型，能夠快速理解和生成復雜的數據分析代碼，這對于缺乏編程技能的學生尤為有益。在進行股票市場、期貨交易等金融數據分析時，學生通常需要大量時間來清洗數據、進行統計分析和建模。ChatGPT的引入，使得學生可以通過簡單的提示詞，迅速獲得編寫好的分析腳本，大幅減少了編程時間，提高了數據處理的效率。

因此，ChatGPT的應用不僅提升了金融數據分析的效率，還可以促進學生分析技能的整體提升。這表明，人工智能工具在教育領域的深入應用，能夠有效輔助教學過程，提高學習效果。

4.2"不同階段學生使用ChatGPT提升金融數據分析效率不同

在行動研究的不同階段，學生使用ChatGPT進行金融數據分析的效率表現出顯著差異。這種變化反映了學生對ChatGPT功能理解和運用能力的逐步深化。

整體來看，隨著行動研究的深入，學生在使用ChatGPT進行金融數據分析的效率都有了顯著提升。這不僅說明了ChatGPT作為技術工具的強大功能，也反映了基于實踐的學習過程對提升學生專業技能的重要性。通過這種方式，學生不僅提高了數據分析效率，還增強了對金融市場的理解和應用能力。

5"結束語

本研究通過系統化的行動研究，探索了ChatGPT在金融數據分析教學中的應用效果。盡管樣本數量和研究周期相對較小，可能存在一定的局限性，但實驗結果仍然具有可信度和參考價值，本研究為AI大模型在專業教育中的應用提供了實證依據。未來研究可關注ChatGPT對學生長期學習成效的影響，以及如何將其更好地融入課程體系。總之，AI技術正在重塑金融教育，教育者需要積極應對這一變革，未來應著重培養學生利用AI工具進行分析和決策的能力，同時加強批判性思維和創新能力的培養，培養適應未來社會需求的創新型人才。

參考文獻

［1］Devlin，J.Bert："Pretraining"of"deep"bidirectional"transformers"for"language"understanding[J].arXiv"preprint"arXiv，2018，1810.04805.

[2]Vaswani"A，Shazeer"N，Parmar"N，et"al.Attention"is"all"you"need.Advances"in"neural"information"processing"systems[J].Advances"in"neural"information"processing"systems，2017，30（2017）.

[3]Radford"A，Wu"J，Child"R，et"al.Language"models"are"unsupervised"multitask"learners[J].OpenAI"blog，2019，1（8），9.

[4]He"K，Zhang"X，Ren"S，et"al.Deep"Residual"Learning"for"Image"Recognition[C]//IEEE"Conference"on"Computer"Vision"and"Pattern"Recognition.IEEE，2016.

[5]Hinton"G，Deng"L，Yu"D，et"al.Deep"neural"networks"for"acoustic"modeling"in"speech"recognition：The"shared"views"of"four"research"groups[J].IEEE"Signal"processing"magazine，2012，29（6），8297.