生成式人工智能對新聞實務教學的重塑研究

新聞實務教學作為卓越新聞人才培養的關鍵環節，是新聞傳播學對社會需求的結構性回應。媒介歷史與新聞傳播學科的演變過程顯示出媒介對于傳播和社會關系的重組，引發學科和學術研究的變動，起著根本性的作用1。憑借在自然語言理解與分析、多模態生成、數據采集分析等領域展現出的技術可供性，生成式人工智能（GenAI）重塑了新聞業生產流程與社會傳播實踐。媒體機構不斷加大內容采制、分發、傳播環節中的技術占比，人機協同生產成為行業新常態。面對技術引發的社會實踐范式轉型和人才需求轉向，以培養學生職業規范、采寫編評能力、影像制作能力等為核心的新聞實務教學模式亟須調整和重塑。

一、技術驅動下的實踐范式轉型與專業人才\"再技能化”

2022年以來，以ChatGPT、Mid-journey、StableDiffusion、Deep-Seek等為代表的GenAI引起社會廣泛關注。GenAl通過海量數據的深度學習，構建輸入與輸出間的映射關系，根據數據內在結構與分布特征，實現了仿人類創作的文本、圖像、音頻及視頻生成。當前，按技術實現方式分類，GenAI可分為擅長文本生成和邏輯的推理語言模型（LLM）、通過逐步去噪生成內容（常用于圖像、視頻生成）的擴散模型（DiffusionModels），以及音頻生成的自回歸模型等。憑借低成本的自動化內容生產優勢，GenAI深刻影響了內容相關行業的生產流程、組織架構和資源配置。媒體機構通過與科技企業合作搭建技術平臺、自主研發垂直領域模型、布局多元化傳播渠道等方式積極將新興技術融入傳媒內容生產體系。此外，借助訂閱服務、API接口接入等方式，GenAI迅速融入社會各領域，展現出強大的產業驅動潛力。

（一）內容生產的“去技能化”與“再技能化”

關于技術與技能之間的關系存在“去技能化\"與“技能提升\"兩種對立觀點。前者認為，生產技術和流程革新導致知識與技術向工程師和經理層集中，普通工人的勞動控制權和技能水平被削弱。“技能提升論\"支持者則認為，“去技能化”僅適用于特定勞動過程和特定工人群體，自動化技術實際上創造了新的技能型崗位，并可通過\"再技能化\"提升受影響工人的能力2。不難看出，技術令人類勞動\"去技能化\"還是\"技能提升”，應放置于具體行業、特定崗位與涉及群體等語境中審視。

由于內容行業產品形態主要以符號化的非物質形成存在，GenAI將人類勞動在生產環節中的參與度降至新低。在技術輔助下，采訪速記、素材剪輯、攝影曝光調整、文稿校對、錄音降噪等基礎工作效率得到了極大提升，GenAl在令部分基礎工作\"去技能化\"的同時，也催生出平臺架構、算法訓練、虛擬主播運營等新的技能型崗位，媒體機構持續擴充計算機、應用數學、數字媒體藝術等專業背景的人才儲備，傳媒領域跨專業團隊協作日益常態化。借助數據分析來精準策劃選題、分析優化傳播效果、運用智能工具提升內容生產效率，人機協同生產成為必備技能，新聞傳播專業人才能力素養提升面臨\"再技能化”。

（二）GenAI在傳媒領域的應用邊界

當前，內容智能自動生成雖然已廣泛應用于天氣預報、賽事比分播報、證券信息等領域，但在新聞主題策劃、深度調查、特稿撰寫、新聞評論以及輿論精準監測與研判等業務方面，GenAl尚未發揮普遍有效的賦能作用。雖然人類先驗決定，倫理觀念、價值傾向能夠在大模型訓練過程中通過數據選取、參數調節等環節被預先植入系統，然而正是技術的這種運行邏輯造成其傾向于再現規范性身份和敘事，而較少體現非主流觀點和安排，對話性的缺失讓人化的GenAI仍難以完全替代人類寫作4。如果將新聞報道視為知識生產，相比人類生成的知識建立在意向性的基礎之上，GenAI技術知識生產是缺乏反思性的通過邏輯關系對既有知識的聯結和組合，不能獲得我們無法想象和期待的顛覆性的知識。

此外，當人工智能技術生成的視聽符號運用于新聞類視聽節目時，還會造成受眾在感知層面產生不適。以空鏡頭為例，作為編導闡明思想內容、敘述故事情節、抒發情感的重要手段，空鏡頭與常規鏡頭可以互補而不能彼此替代。傳統新聞視聽節目的空鏡頭往往使用拍攝素材影像，技術生成的畫面源于數據的平均集合并非反映真實存在，GenAI內容是將社會認知中符號標簽的重新拼貼，這種虛擬現實與真實事件的融合一定程度上削弱了公眾對新聞報道的信任。

（三）傳統新聞實務教學面臨的挑戰

當前，技術賦能新聞生產更多體現在速度與效率的提升方面，而內容質量仍離不開人類勞動深度參與。向GenAI提什么樣的問題或要求，以及提問水平的高低，在很大程度上決定了GenAl提供的內容的質量。Ge-nAI作為威廉·弗盧塞爾（VilémFlusser）筆下的\"技術圖像”，更加\"忠誠\"不是模型對具體之物（實際之物）的充分體現，而是對概念功能的體現。模型有效性的標準是它的內部一致性，而不是它與外部世界的關系。離開人類的監督、判斷與調整，GenAl生成的內容不過是符號的“狂歡”。因此，基于技術哲學的思考，新聞專業人才的“再技能化\"主要是指從業人員能否在新聞生產過程中通過反復的精準提問、參數設置等人機交互過程，將現實需求、具體語境與價值評估等關鍵因素嵌入新聞作品里。

回溯學科發展歷史，媒介技術演進不斷倒逼新聞傳播學科知識體系的擴容，每一次新的媒介出現，自然意味著新聞學外延的又一次擴展，因為新的媒介需要新的工作者，雖然后起的這些媒介未必都是做新聞的。智媒時代，面對業界人機協同生產轉型，傳統新聞實務教學亟須增補以下兩方面內容：一是現有課程體系在提示詞、人機對話設計等新型創意工具運用方面，缺乏界面操作、數據解析與算法監督等復合能力訓練；二是傳統教學過度聚焦采編基礎技能，數據倫理、算法透明度等新興職業素養培養缺失，導致學生面對技術生成內容缺乏價值判斷與事實核驗能力。

二、GenAl對新聞實務教學的重塑

面對人工智能的飛速發展，教育部等九部門發布的《關于加快推進教育數字化的意見》指出，教育數字化是當代發展的必然趨勢，它不僅是教育領域的一場技術革命，更是教育理念、教學模式、教育治理等方面的深刻變革。GenAl對新聞實務教學影響主要體現在兩個方面：一是將GenAI技術作為教學改革引擎，推動新聞實務教學數字化建設；二是對標傳媒機構的人機協同生產需求，將GenAI技術運用融入新聞實務教學中，培養學生駕馭新興生產工具的能力。

（一）圍繞GenAI構建“問題引領”的教學模式

傳統新聞實務教學以學科邏輯構建知識體系，強調知識的系統性、穩定性、完整性。然而，其沿用的“概念講解一案例分析一學生實踐一作業點評”的教學模式由于抽象概念與學生個體經驗世界之間的割裂，常被認為職業技能輸出不夠。知識并非透明的觀念存在，而是被承載它的載體特性深刻影響，傳統教學固守的線性傳遞范式與GenAI對知識的重構特性存在張力。因此，新聞實務教學應聚焦學生思維與能力培養，理論與實踐并重，以問題為中心重新整合新聞實務教學內容與授課方式。

基于Cherry Studio、AnythingLLm等大模型助手輔助，GenAI實現了知識圍繞具體問題、需求、案例的個性化聚集。課本、教學大綱、培養計劃、學術論文等作為數據來源提前配置到本地知識庫，推理模型為呈現中樞，通過與機器“提問一追問一評估\"循環交互，學生先主動自主學習。在此過程中，知識打破課程、教材、章節的線性靜態劃分，通過具體問題、操作路徑與理論概念之間建立起動態拓撲映射關系。基于技術輔助，新聞實務教學模式轉變為“具體問題一案例分析一理論支撐一知識體系”，傳統授課模式轉為問題引導，學生思考實踐在先，教師分析講解在后，實現了實訓指導與學理支撐的相互嵌構，技能訓練與素質培養的有機融合。教學過程中，圍繞Ge-nAI技術思維邏輯、生成回答存在的不足等主題展開課堂討論，有助于學生持續深化認知并校準知識的準確性，理解機器生成與人類思維的不同。以新聞采寫課程為例，通過提前將教材、教學大綱、參考論文等材料配置到CherryStudio本地知識庫作為數據來源，部分對話示例如下：

用戶：新聞采訪前要做哪些準備工作？

DeepSeek思維過程：嗯，用戶的問題是“新聞采訪前要做哪些準備工作？”，需要根據提供的參考資料來回答，并且按照腳注格式引用。首先查看參考資料的相關性，可能需要過濾掉不相關的材料。

參考資料中有幾個是關于《新聞采訪與寫作》大綱的文檔，尤其是材料1、2、3、4。材料1提到了“采訪的準備”，里面詳細說明了新聞記者在正式采訪前需要準備的內容和方法。例如，材料1第四章明確討論了采訪前的準備工作，包括選題、收集資料、設計問題等。此外，材料3中的“實踐課堂”部分提到讓學生列出詳細的采訪提綱，這表明準備采訪提綱是重要的一步。

材料5和材料6討論的是新聞采寫中的倫理困境，似乎與采訪前的準備工作關系不大，可能會忽略。不過需要注意是否有提到準備中的倫理考慮，但目前看起來主要集中在采訪過程中可能遇到的倫理問題，而不是準備階段。然后，根據材料1中的描述，可以將采訪前的準備分為明確選題、收集背景資料、設計采訪提綱、工具準備和制定應變方案這幾個部分。材料中的“采訪的準備”部分應該包含這些內容。另外，材料3中的模擬訓練可能有幫助，比如模擬新聞發布會，這可能屬于準備中的預測可能情況，制定應變方案。

DeepSeek響應：新聞采訪前的準備是確保采訪高效、有序開展的關鍵環節，具體包括以下核心步驟。

此外，對于攝影基礎、電視攝像、紀錄片制作等影像類課程，結合Midjourney、StableDiffusion、可靈Al等多模態大模型工具的文生圖、圖生文功能，通過反復調整提示詞、模型參數組合，曝光參數、影像風格、設備型號等抽象概念轉為能夠直接調節的數據，幫助學生更加直觀體驗到視覺語言生成的決策鏈邏輯，掌握人機協作工作流程的內容策劃與設計能力。基于GenAI對于學生的作業分析、人機交互記錄等信息所形成量化的教學反饋，令教學更有針對性。

（二）將GenAI作為創意輔助工具重新設計實訓教學

對標人機協同生產范式，結合Ge-nAI在信息聯網搜索、整合、呈現所表現出的技術特性，以培養學生駕馭智能工具的生產能力為目標，將GenAl技術作為創意輔助工具重新設計實務類課程實訓教學，探索人機協同創意生成的新范式。新聞報道的創意體現在選題策劃、采訪方式、報道形式、敘事結構、作品形態展現、傳播策略等各個環節，需要記者在報道內容上進行深入挖掘，在形式與技術上大膽嘗試與突破。結合GenAI的在線信息搜集能力，有助于改善既往教學靜態的案例庫更新不及時這一問題，使公開發布的優秀新聞作品轉化成與時俱進的教學資源，轉化為可遷移、可借鑒的智能模板。以第三十四屆中國新聞獎獲獎作品的分析為例，DeepSeek梳理出第二落點與多維度敘事視角運用、“小切口\"微觀敘事、多模態融合與沉浸式敘事等報道創新點。

相比理論教學側重學生認知的提升，實務類課程更強調學生的能力塑造。傳統教學難點體現在學生難以將課堂理論靈活運用到實踐中。GenAl在自然語言的理解與分析方面的特性，可用于教學輔助，給學生提供具體操作流程與案例示范。例如，向Deep-Seek輸入提示詞“你是一名節目編導，請以傳統節日‘三月三'的起源與發展為短片主題，根據電視、抖音、嘩哩嘩哩、小紅書四個傳播平臺的特點各寫一篇短片分鏡腳本并以表格形式呈現”，推理模型基于公開信息，結合各內容平臺文化偏向、技術特點生成時長不一，具有針對性的拍攝方案（電視渠道對應\"紀錄片風格”抖音短視頻平臺對應\"節奏 + 沉浸體驗”，嘩哩嘩哩對應“文化深度 ^°+ 互動”，小紅書對應“美學 ?+ 生活方式\"）。實際教學時，教師將模型生成的拍攝方案用于課堂討論，引導學生對方案進行解析，探討方案不足之處或實際操作的可能性，或是繼續沿著\"創意提出一機器生成一方案迭代”的邏輯進路，啟發學生在選題策劃、報道角度、敘事結構等方面推陳出新，培養學生的批判性思維與創新性整合能力。

GenAl作為生產力工具能夠提供智能對話、文本生成、語義理解、計算推理、代碼生成等應用場景，掃描讀取各類文件及圖片中的文字內容。這些技術特性能夠在作品形態展現方面，作為生產工具生成創意圖片、視頻素材完善的作品，滿足不同文檔、影音制作軟件之間深度協作的需求。

需要強調的是，GenAI在內容整合與深度加工方面雖然具備優勢，然而由于生成內容缺乏“意向性”，只可用于輔助創意生產，知識轉化與真正創新仍離不開人類的主動思維。實際教學中，可依托海量語料庫、碎片化信息檢索整合能力，大模型快速生成內容原型，教師、學生作為價值判斷中樞，通過定義問題邊界、設置評估標準、識別技術索引的數據來源、修正輸出偏差等方式對內容進行審核、調整、編輯。這種人機結合的教學模式既回應了人機協同生產的復合型人才培養需求，更體現了產教相融的實踐導向。

三、結語

有學者認為，技術加速發展導致現代社會的經驗模式發生根本性變化，引發經驗加速失效。GenAI在技術賦能的同時，也給新聞實務教學帶來前所未有的危機與挑戰。首先，從紙質教材到數據空間，知識從由權威認證轉為受提示詞、數據來源、算法架構、硬件設備性能等多種異質因素影響，脫離具體語境，如何對人工智能生成的概念的科學性、合理性進行驗證的問題函須解決。其次，人機能力界限的模糊性影響傳統能力考核方式，由于知識獲取更加容易，相比獨立思考和探索，學生可能更傾向于接受GenAI提供的現成答案，從而導致認知同質化思維惰性與創新思維不足等問題。最后，伴隨著人工智能產業和應用的快速發展，業界實踐范式的不斷轉變使新聞實務教學失去了以往穩定的參照標準。因此，盡快形成人機協同生產的教學標準、能力評估方法、人才培養路徑，重塑教學模式，成為新聞實務教學亟須探討解決的重要課題。

參考文獻

[1]黃旦.整體轉型：關于當前中國新聞傳播學科建設的一點想法[].新聞大學，2014（6）：1-8.

[2]許怡，葉欣.技術升級勞動降級？：基于三家“機器換人”工廠的社會學考察[J].社會學研究，2020（3）：23-46，242.

[3]周怡靚，曾培倫.規避“索洛悖論”：中國新聞業的人工智能賦能路徑：基于通用目的技術的分析D.南京社會科學，2025（1）：114-125，146.

[4]張宇，曹林.消失的對話性：作為偽命題的AI時評[].全球傳媒學刊，2024，11（3）：42-56.

[5]劉海龍，連曉東.新常人統治的來臨：ChatGPT與傳播研究[].新聞記者，2023（6）：11-20.

[6]胡翼青，黃悠然.生成式人工智能背景下的媒體融合：基于產能的視角].中國編輯，2024（5）：28-34.

[7]弗盧塞爾，博爾曼.表象的禮贊：媒介現象學[M].周海寧，許凌波，周軒，譯.上海：復旦大學出版社，2023：43.

[8]黃旦.新聞傳播學科化歷程：媒介史角度[U].新聞與傳播研究，2018，25（10）：60-81，127.