-
摘要: 【目的】随着人工智能技术的迅速发展，大语言模型的出现将带来网络与新媒体领域的技术革命。为此，高校需要重新思考和设计网络与新媒体专业教育的路径，以培养出能够适应未来媒体行业变革的高素质人才。【方法】基于大语言模型与人工智能领域另外 3 个典型技术范式（专家系统、特征工程和深度学习）的比较性分析，介绍大语言模型技术能够在海量未标注数据上进行自监督学习，是具有大规模参数和复杂结构的深度学习模型，通过捕捉自然语言中的内在规律和模式，能够对输入文本进行深度理解并应对各种自然语言处理任务。【结果】将大语言模型技术应用于网络与新媒体专业的工作内容中可以提升生成内容的高效性和创造性。与此同时，网络与新媒体专业的培养目标强调对内容创意、 用户需求的敏锐把握以及对于内容伦理维度的高敏感性，使得本专业在与大语言模型提示工程技术相结合的学科改革过程中，能够培养出在内容创作、传播和营销等方面表现出更为独特的竞争优势的专业人才。【结论】因而，立足于网络与新媒体专业的培养目标与核心素养，未来对本专业人才培养的转型思路应当着重于人工智能基础理论的案例式渗透、编程学习的循序性引导以及基于提示工程运用的媒介实践。
-
[1] 陈力丹，荣雪燕 . 从 Chat GPT 到 Sora——生成式 AI 浪潮下强化新闻专业意识的再思考 [J]. 新闻爱好者，2024（4）：4-8. [2] Zhao W X，Zhou K，Li J，et al. A survey of large language models[J]. arXiv preprint arXiv：2303.18223，2023：3-4. [3] Yi Zhu，Ye Wang，Jipeng Qiang，Xindong Wu. Promptlearning for short text classification[J]. IEEE Transactions on Knowledge and Data Engineering（Early Access），doi：10.1109/TKDE.2023.3332787，2023：1. [4] 宗成庆，夏睿，张佳俊 . 文本数据挖掘 [M]. 北京：清华大学出版社，2019：123. [5] [ 美 ] 陈封能，斯坦巴克，库马尔 . 数据挖掘导论（完整版）[M]. 范明，范宏建，等译 . 北京：人民邮电出版社，2011：59-60. [6] 王健宗，瞿晓阳 . 深入理解 AutoML 和 AutoDL：构建自动化机器学习与深度学习平台 [M]. 北京：机械工业出版社，2019：44. [7] 王晓红：智媒时代网络与新媒体人才教育的变革——美国密苏里大学新闻学院人才教育的经验与启示 [J]. 青年记者，2023（23）：102-105. [8] 薛倩 . 新文科背景下网络与新媒体专业人才需求状况与培养路径分析——基于 87 家用人单位的实证研究 [J]. 新闻研究导刊， 2023（20）：46-48. [9] [ 美 ] 尼尔斯·约翰·尼尔森 . 人工智能 [M]. 郑扣根，庄越挺译 . 潘云鹤校 . 北京：机械工业出版社，2007：4. [10] Shirui Pan，Linhao Luo，Yufei Wang，Chen Chen，Jiapu Wang，Xindong Wu. Unifying large language models and knowledge graphs：A roadmap[J]. IEEE Transactions on Knowledge and Data Engineering（Early Access），2024. -
点击查看大图
计量
- 文章访问数: 78
- HTML全文浏览量: 7
- PDF下载量: 12
- 被引次数: 0
下载:
