问题——大模型工具快速普及带来了新的教学挑战。一些大学生停留在简单提问与复制粘贴的层面，不知如何在专业场景中恰当运用；有的对生成内容缺乏核验，把工具输出当作最终答案；更有甚者过度依赖，导致思辨能力和表达能力逐渐弱化。如何把技术红利转化为学生的真实能力增长，成为高校教学改革的新课题。 原因——生成式工具易用且反馈迅速，容易让初学者误认为"输出越像样越可靠"。但模型本身存在固有的局限：训练数据的偏差、推理过程的跳跃、价值取向的差异都可能导致事实性错误。如果课程仅把工具当作"效率插件"来演示，学生就难以建立需求定义、过程校验和结果负责的完整思维方式。 影响——缺乏验证与纠偏，生成内容可能误导学生的研究判断，造成数据偏差和论证失真。长期的依赖式使用会削弱学生的问题拆解能力和逻辑表达能力，难以满足企业对"既会用工具、更会把关结果"的复合型人才的需求。更深层的问题在于，缺少反思训练容易强化"捷径思维"，不利于形成严谨的学风和职业伦理。 对策——武汉工程科技学院经济与管理学院在教学中进行了有益的探索。 在《大模型应用训练》课堂上，教师让学生用同一个提示词对比十多个主流模型的输出结果，引导他们从结论差异反推模型的推理链条与假设条件。这样学生就能意识到，工具并不提供标准答案，真正被考验的是使用者自己的判断能力。 在《新媒体文案创作》课堂上，教师采用"反向训练法"，先让学生生成有明显缺陷的文案，再分组指出问题所在，最后重构更符合传播规律的表达。这强调了一个重要的道理：机器可以搭建框架，但创意、共情和价值表达仍然需要人的主导。 在《数据采集》课堂上，教师既展示智能工具如何提升效率，也同样强调其中可能存在的误差风险。学生需要自主定义采集目的、筛选数据源、进行一致性检查和偏差纠正，逐步形成"先定义、再采集、必核验、可追溯"的操作习惯。 这些课程共同构成了一条完整的学习路径：从初步接触工具，到学会质疑工具，再到真正驾驭工具。 前景——业界普遍认为，大模型将长期成为各行业的通用能力，在财务分析、内容传播、市场研究等领域广泛应用。面对此趋势，高校需要将"会使用"升级为"会协作、会验证、会负责"。具体来说，要在课程设计中融入提示词优化、证据检索、数据校验、合规意识等内容；在实践环节中强化真实场景训练，让学生在不确定的信息中做出决策并承担责任；在能力培养上突出批判性思维、专业判断和人文关怀。
人工智能技术本身是中性的，关键在于使用者能否正确理解和合理运用。武汉工程科技学院经济与管理学院的教学实践表明，高等教育的使命不是培养"会用工具的人"，而是培养"能思考的人"。在AI成为生产力重要组成部分的时代，独立思考能力、批判精神和人文关怀，反而成为了人才最核心的竞争力。这样的探索为其他高校提供了参考，也为学生的全面成长指明了方向。