数智领教：DeepSeek赋能医学院校创新创业闭环教育实践模式探索

Digital intelligence coach: Exploration of a closed-loop innovation and entrepreneurship education practice mode in medical colleges and universities empowered by DeepSeek

摘要

针对当前医学院校创新创业教育普遍存在的形式化、人才培养效果不佳及教学资源匮乏等问题，探索基于AI大模型的医学院校创新创业全流程闭环教育实践模式，构建能够长期赋能医学人才发展的创新型教育培养机制。通过构建基于DeepSeek大模型的AI智能体“数智领教”，并协同优秀毕业生作为自然人领教，形成人机协同的闭环双创教育模式与实践流程。在上海健康医学院开展的2025年双创教育探索实验表明，该模式下学生对双创教育的主观认知和客观参赛成绩均显著提升。基于DeepSeek数智领教的闭环教育实践模式能有效提高双创教学质量，为医学院校创新创业教育和素质培养提供参考。

Abstract

To address the prevalent issues in innovation and entrepreneurship education in medical colleges and universities, such as superficial formalism, limited effectiveness in talent cultivation, and insufficient teaching resources, this study aims to explore a full-process, closed-loop educational practice mode for innovation and entrepreneurship based on large-scale AI models. The goal is to establish an innovative educational mechanism that enables the long-term empowerment and development of medical talents. The “AI digital intelligence coach”, an intelligent agent was developed based on the DeepSeek large language model. In collaboration with outstanding alumni acting as human mentors, a human-machine collaborative closed-loop innovation and entrepreneurship educational mode and practical workflow was constructed. The experimental implementation of this mode in Shanghai University of Medicine and Health Sciences demonstrated significant improvements in both students’ subjective understanding of innovation and entrepreneurship education and their objective performance in related competitions. The closed-loop educational practice mode based on DeepSeek-powered digital intelligence coach effectively enhances the quality of innovation and entrepreneurship education. It offers a valuable reference for promoting innovation and entrepreneurship education and competency development in medical colleges and universities.

Graphical abstract

关键词

数智领教 / DeepSeek / 新质生产力 / 创新创业 / 教育实践模式

Key words

digital intelligence coach / DeepSeek / new quality productive force / innovation and entrepreneurship / educational practice mode

近年来，随着国家对高校大学生创新创业能力培养的不断重视，以及教育部相关鼓励支持政策的逐步出台^[1-2]，各高校创新创业教育和人才培养工作呈现出蓬勃发展的趋势。然而，许多医学院校的创新创业教育工作往往流于形式，人才培养的实际效果非常有限。一方面，由于具有创新创业实际经验的师资力量极其匮乏，医学院校难以为每一位学生提供个性化的创新创业经验指导和实践带教课程；另一方面，当前医学院校学生的就业压力日益加大，许多学生只是将创新创业视为一门“辅修课程”或“加分项”，对其重视程度相对较低，而把主要精力放在提高学业成绩和寻找求职机会上。因此，尽管医学院校创新创业人才教育在某些层面已经取得了一定成绩，但远未真正打破传统教育模式的局限，形成一个能够长期赋能学生职业生涯健康发展的教育培养体系。

目前，以生成式人工智能为代表的前沿科技已成为新时代中国社会发展的新质生产力^[3-5]，特别是国产AI大模型DeepSeek的横空出世，更是为高校教育领域带来巨大变革。近年来，业内已涌现了一批利用人工智能、元宇宙等前沿技术赋能高校教育和创新创业人才培养的研究探索。徐同飞等^[6]研究利用元宇宙技术赋能高校创新创业教学内容、教学环境和教育规则。杨彦军等^[7]探索通过可支持学生个性特征分析的AI助教系统来弥补教师缺陷、激发教师潜能，以便进一步赋能大规模个性化教育。另有学者设计以教师本位的AI数智分身，来构建学生、教师和数智分身三位一体的高校教育人机共教模式^[8]。然而，这些研究只阐述了如何利用人工智能等新技术为高校现有的教育内容和教学方式带来质的飞跃，探索为教师提供更加高效的教学工具和方法，却未能真正解决当前医学院校中创新创业教育工作流于形式、师资实操经验匮乏和学生实践学习主观能动性不足等问题，未能形成一个长期赋能学生持续探索创业的教育机制。

本研究的主要创新点是：基于AI大模型赋能应用型高校双创教育的前期研究^[9]，在业内首次构建一种人类智能（human intelligence，HI）与人工智能（artificial intelligence，AI）协同的全流程闭环的医学院校创新创业教育实践模式。通过打造基于DeepSeek大模型的AI数智领教，赋能医学院校优秀毕业生回校成为自然人创新领教，协助学校和老师开展具有实操性的创新创业教学工作；并支持其在工作岗位上持续探索商业化创新实践，从而形成全链路正向闭环的HI+AI人机共赢创新创业教育实践模式，有效助力医学院校双创教育高质量发展。

1 数智领教的概念定义和主要特征

1.1 概念定义

“数智领教”是HI+AI人机协同的教育实践模式。该模式以自然人领教（如教师或经验丰富的学员）为基础，结合生成式人工智能的多模态内容理解与生成、环境感知、逻辑判断与决策能力，通过人机协作实现教育目标^[10-11]。具体包含两层含义：一是“领教”兼具自然人导师与AI数智助手的双重属性；二是“数智”以生成式人工智能为核心，通过数字技术与AI的深度融合^[12]，实现多模态数据的实时交互、智能决策支持及自主策略进化^[13]。

1.2 主要特征

“数智领教”模式通过人机协同实现教育目标，其主要特征包括：

（1） 人机协同

HI与AI共同构成领教主体，实现人机协作与互补。

（2） 以人为本

以自然人领教为主导，AI 作为辅助工具，提供个性化与实时化支持。

（3） 个性实时

教学培训过程实时化，支持个性化带教，满足不同学生需求。

（4） 循环创新

通过AI赋能，形成持续循环的创新生态，促进教育与实践的良性互动。

1.3 与相关概念的比较

目前，存在许多如表1所示的相似概念，如“数字助教”、“教师分身”、“教育数字人”和“虚拟教师”等。梳理和比较这些概念的定义及其特征，有助于厘清“数智领教”的精准定义和应用价值。

通过相关概念比较可见，“数智领教”是针对创新创业教学工作中现实难点问题，基于优秀毕业生创业实践经验和DeepSeek大模型AI智能体高效决策的双重优势，从而构建的HI+AI全链路协同闭环创新创业人才培养教育实践模式。

1.4 基于DeepSeek的AI数智领教核心优势

DeepSeek是中国深度求索公司发布的一款国产AI大模型。自发布以来，DeepSeek以其高效的推理能力、低廉的本地化部署成本、较低的算力资源消耗和更适合中国数据安全要求的特性，成为中国乃至全球范围内AI大模型的首选。DeepSeek通过不同版本^[17-19]（V3、R1、VL2等）的迭代，展现了其在模型架构、训练效率、推理能力和知识迁移方面的技术先进性。基于DeepSeek打造的AI智能体构建数智领教将具备以下核心优势：

1.4.1 高性价比优势

DeepSeek采用多头潜注意力^[19]（multi-head latent attention，MLA）和多令牌预测（multi-token prediction，MTP）技术，使其能够在保持模型能力的基础上大幅节省计算和推理的GPU内存资源，也能与各类GPU硬件深度适配，并在长文本和长逻辑任务中提供了更佳的精确处理范式。因此，在DeepSeek大模型基础上构建教育、医学等严肃行业AI智能体，既能大幅节省软件算力token消耗成本和硬件GPU本地化部署成本，也能为学校课件教学和医学文献处理提供高性价比的AI处理能力。DeepSeek赋能的高校创新创业数智领教在费用投入和效果产出上将形成一个完美平衡点。

1.4.2 多智能体协作优势

DeepSeek采用混合专家（mixture of experts，MoE）架构^[17-18]智能分配模型资源，将模型能力拆分多个精细化专家来承载，当遇到长文本、长推理、代码生成等专业任务时，只需激活部分专家去完成任务执行。利用DeepSeek混合专家架构MOE，可构建多智能体架构的高校创新创业数智领教，真正让不同的专业领教智能体执行不同的创新创业领教任务，从而真正达到跨学科、跨专业、跨领域的领教智能体团队协作优势，让高校创新创业人才培养工作翻倍提效。

1.4.3 自我进化能力优势

DeepSeek可通过强化学习（reinforcement learning，RL)提升推理能力来进行自我进化^[20]，而无需进行大量人工标注的监督微调，即可提升复杂任务的执行能力。在当前复杂多变的创业环境下，高校创新创业的数据领教正需要具备不断自我进化、自我学习的数智能力，才能适应多变的市场环境，才能将快速变化的创业知识点和技能传授给高校学生。基于DeepSeek领教智能体可以在自然人领教给出有限的学习训练资料情况下，不断强化学习，生成更多的创新创业实践教育内容和形式，有助于创新创业领教工作的有效开展。

2 基于DeepSeek数智领教的医学院校创新创业闭环教育实践模式构建

2.1 模式框架

针对目前国内医学院校创新创业教育实践存在的诸多问题，本研究构建一种基于AI数智领教的医学院校创新创业教育实践模式。该模式主要由医学院校优秀毕业生作为自然人领教，以DeepSeek作为基础大模型底座的AI智能体作为AI数智领教，共同协作完成医学院校创新创业教育实践训练。在该模式下，在校大学生可深度参与学习自然人和数智领教共同开展的创新创业实践课程；优秀毕业生领教也可高效分享创新创业心得体会，并借助数智领教进行知识经验沉淀，使其在工作岗位上持续进行创新创业工作，从而形成完整闭环的医学院校创新创业教育实践模式，成为实现新时代创新人才培养目标的有效途径。

基于数智领教的医学院校创新创业闭环教育实践模式框架主要由DeepSeek大模型、AI数智领教、自然人领教、学生4大主体组成，如图1所示。在该框架中，自然人领教与智能体领教进行人机协同、互助共教，共同为医学院校大学生提供创新创业指导答疑、带教陪练、咨询辅导等服务。在DeepSeek大模型的MoE混合专家架构和深度推理能力的基础上，配以医学院校专业医疗和创新创业知识库，构建的AI智能体领教可以为高校大学生提供智能病房实训、数智医护陪练、7/24实时咨询、模拟AI医疗创业等智能服务。作为优秀毕业生的自然人领教在AI智能体领教的辅助下，可以不断积累沉淀专业知识技能，为学生提供创新实践带教、创业心理辅导的领教服务，还可在工作岗位上不受空间和时间的限制，远程指导学生延续创新项目实践，继续开展创新研究工作，实现医学院校创新创业人才发展动态闭环教学培育机制。

在此框架下，自然人领教通过DeepSeek知识库录入医疗创业经验，AI智能体领教实时生成个性化教学方案，学生反馈数据反哺知识库迭代。

2.2 实践流程

在基于DeepSeek数智领教的医学院校创新创业闭环教育实践模式框架下，领教和学生之间、自然人领教和数智领教之间、学校和企事业之间的实践互动关系将发生如图2所示的巨大变化。

2.2.1 领教和学生之间

作为创新创业的领队教练，领教不仅承担了传授知识经验的带教教师角色，更是躬身入局带领学生创业团队一起攻坚克难的引领者和创始人。作为自然人领教的优秀毕业生是学生的创新创业引路人，通过带领学生一起做商业实践项目，在实战中培养学生的创新创业意识和素质。作为数智领教的AI智能体是大学生创新创业事业的成长助手，通过7×24小时全年无休的形式，在日常生活中为大学生持续进行创新创业陪练。

2.2.2 自然人领教和AI智能体领教之间

两者是相辅相成的关系，优秀毕业生作为自然人领教，将医学创新相关知识经验录入AI智能体领教的“大脑”（知识库），并且在带教过程中不断优化更新AI智能体领教的动态“经验”。AI智能体领教帮助自然人领教在非工作时间执行带教任务，并且帮助自然人领教在企业工作中持续优化创新技能。

2.2.3 学校、教师和企业之间

学校、教师和企业都是数智领教实践模式的受益者。优秀毕业生领教和AI智能体领教不仅为学校和教师减轻了教学负担，也让企业的商业实践经验反哺给医学院校。反过来，数智领教还能将学校的科研成果赋能企业可持续创新发展，也能为企业无缝培养创新人才以及进行产品市场宣传。数智领教可成为医学院校和企业之间产学研闭环的实践桥梁。

3 基于DeepSeek数智领教的医学院校创新创业闭环教育实践模式应用

3.1 搭建基于DeepSeek大模型的创新创业AI智能体领教

要实现基于数智领教的高校创新创业闭环教育实践模式，首先需要搭建基于DeepSeek大模型的智能体领教。如图3所示，创新创业AI智能体领教有四大能力：规划能力、记忆能力、感知能力、执行能力。

3.1.1 规划能力

规划能力是创新创业AI智能体领教的核心能力。基于DeepSeek-R1大模型的创新创业AI智能体领教可以充分发挥MoE架构、强化学习深度推理和多模态内容感知等大模型核心优势，使得AI数智领教具备双创实践反思、实训思维链和带教目标分解等强大任务规划能力，是创新创业AI数智领教的大脑和神经中枢。

3.1.2 记忆能力

记忆能力是创新创业AI智能体领教区别于通用AI大模型的优势能力，其作用是将智能体与自然人领教、学生在创新创业交流沟通过程中所收集的反馈、经验、意见、知识等进行梳理并沉淀下来供下次回想使用。记忆能力分为短期记忆和长期记忆：短期记忆是指智能体在双创实时对话交流过程中的上下文信息；长期记忆是指经过教师和自然人领教总结的双创教育专业知识和经验要点。记忆能力是创新创业AI智能体领教规划行动、执行任务的基础能力。

3.1.3 感知能力

感知能力是创新创业AI智能体领教与自然人领教、学生、教师和现实环境交互，获得真实世界的文字、语言、视频、图像、物流空间等多模态数字信息的重要能力。感知能力主要通过MCP插件与外部真实世界进行能力对接。MCP（Model Context Protocol）指模型上下文协议，是Anthropic公司最新发布的用于大模型与外部工具和资源进行无缝交互和数据传递的开源标准化协议^[21-22]。基于DeepSeek大模型的创新创业AI智能体领教正是利用MCP插件，才能调用外部多模态的感知工具，进行交流对话语音识别、手势动作智能捕捉、实时互动交互、文献知识理解、图像解析识别等各类创新创业教育感知活动和信息数据采集。

3.1.4 执行能力

执行能力是创新创业AI智能体领教的决定性能力，是AI智能体领教帮助自然人领教和学生解决创新创业过程中实际困难和问题的关键能力。与感知能力一样，基于DeepSeek大模型的创新创业AI智能体领教也是利用MCP插件，来调用外部多模态的执行工具，进行创业机会洞察、医学文献数据分析、创业路演AI陪练、7×24全年无休咨询带教、实践经验和行业知识沉淀等各类创新创业教育辅助实践活动。

3.2 训练智能体领教成为自然人领教的“数智助手”

完成智能体领教搭建之后，自然人领教还需对智能体领教进行创新创业专业知识技能培训和工作方法分解梳理，才能使其成为自然人领教的“数智助手”。如图4所示，需要从以下几个方面训练智能体领教：①自然人领教将商业计划书撰写要点、创业项目路演经验、专业文献快速检索方法等创新创业专业知识灌入智能体领教的知识库，便于智能体领教通过RAG检索增强能力^[23]为自然人领教和学生提供创新创业领教服务。②自然人领教设计并应用创新创业服务任务分类工作流。当智能体通过感知工具获知一个创新创业服务任务时，可将复杂的创新创业服务任务拆解成一个个更加细分的专业子服务任务，如商业计划书撰写任务、创业项目路演任务、专业文献检索子任务、创业经验咨询子任务等。③智能体领教使用DeepSeek大模型能力或外部专业工具执行子任务。④智能体领教使用DeepSeek大模型进行任务结果整合并输出反馈内容。

3.3 “HI+AI”数智领教创新创业闭环教育实践模式应用场景

优秀毕业生作为自然人领教，在其“数智助手”——AI智能体领教的协助下，可以从多个应用场景共同为学生提供创新创业领教服务，另一方面优秀毕业生也在领教过程中获得新的创业商业化启发，从而形成一种全新的闭环教育实践模式，如表2所示。

3.4 应用效果

在上海健康医学院的创新创业实际教育实践中，学校邀请了优秀毕业生回校担任创新创业学长自然人领教，同时也建设了基于DeepSeek大模型的AI数智领教平台，形成了自然人领教与AI数智领教协同合作的“HI+AI数智领教”教育实践模式，以便向学生传授创业项目路演等创新创业相关宝贵知识、技能和经验。针对医学院校创新创业教育中最为关键的创业项目路演场景，本研究利用基于DeepSeek大模型的AI数智领教智能体平台，搭建了创业项目路演AI智能体领教，以作为优秀毕业生自然人领教的数智助手，如图5所示。在自然人领教无暇回校辅导学生时，AI智能体领教能以项目路演评委数字人的形象出现在学生面前，随时随地帮助学生训练路演技能，让学生时时能与评委过招，提高其路演表达能力和临场抗压心理素质，从而有效提高大学生创新创业综合素质，如图6所示。

本研究对参与2025年上海健康医学院“大创”项目学生进行了为期3个月的“HI+AI数智领教”双创辅导教育模式探索与实践。根据参与该教育试验学生的问卷调查结果显示：HI+AI数智领教的落地实施可显著提升大学生对创新创业教育目的和本专业技术应用价值的认知度、对创业路演技巧的掌握能力，以及学生对科创技术转化路径和商业模式的领会程度。该问卷通过10个调查问题征询学生对“传统教师双创辅导模式”和“HI+AI数智领教双创辅导模式”的学习感受，并进行加权量化打分，如表3所示。结果显示：相比于前者，学生对“HI+AI数智领教双创辅导”有较为良好的学习感受。根据加权量化得分统计，“HI+AI数智领教双创辅导模式学习感受”的调查问卷平均得分为4.19，“传统教师双创模式辅导学习感受”的调查问卷平均得分为3.76，前者比后者提升了11%。其中，针对单项调查问题“是否掌握本专业技术创新转化路径”，“HI+AI数智领教双创辅导模式学习感受”相比“传统教师双创模式辅导学习感受”的得分提升了18%；针对单项调查问题“是否掌握各类创业项目的商业模式”，“HI+AI数智领教双创辅导模式学习感受”相比“传统教师双创模式辅导学习感受”的得分提升了15%。这些数据仅仅体现了3个月的教育实践效果，如果HI+AI数智领教双创辅导教育模式探索实践持续更长的时间，将会对大学生双创学习促进效果更加显著。

此外，本研究分析参与由教育部、工信部和中国科学院联合主办的《中国国际大学生创新大赛（2025）》上海健康医学院选拔赛成绩发现，参与过HI+AI数智领教双创辅导教育模式探索实验的参赛组获奖概率是100%，而未参加该教育实验的参赛组获奖概率是53.57%。

综上2组数据分析可知，在HI+AI数智领教双创辅导教育模式下，不管是学生在双创学习中的主观感受反馈，还是学生在“大创”比赛中的客观参赛成绩，都有比较显著的提升效果。由此可见，基于DeepSeek数智领教的医学院校闭环教育实践模式切实有效地赋能医学院校创新创业具体教学工作，极大地提高了大学双创教学质量。

3.5 讨论

3.5.1 成功因素分析

本研究构建的HI+AI人机协同闭环双创教育实践模式在上海健康医学院2025年度双创教学工作中取得较好的应用效果，主要是基于以下三个因素：

(1) AIGC时代优势

在当前AIGC时代，大学生早已习惯于利用DeepSeek、ChatGPT、Kimi、扣子等各类AI工具来辅助其日常学习和生活。通过AI数智领教管理后台数据分析发现，在本教育试验中几乎100%的学生每周使用AI智能体双创数智领教；95%以上的学生每天使用AI智能体双创数智领教。通过问卷结果反映，学生对AI数智领教满意度高达92%。由此可证明，学生对AI工具的广泛欢迎和频繁使用助力本研究在上海健康医学院达成了比较理想的AI应用效果。

(2) 领教模式优势

本研究参考了复旦大学等国际一流高校践行多年的研究生学长担任辅导员角色的辅教模式，该模式为在校本科生提供了抹平代沟、同频共振的沟通辅导机制。在此辅教模式基础上，本研究又融入了中华文化传统师徒制传帮带教（创业成功学长言传身教）的元素。在为期三个月的教育试验中发现，至少有93%以上的学生均通过线下答疑或线上咨询的形式与自然人领教——创业学长进行交流沟通。身体力行、沟通顺畅、解疑高效、互动活跃的领教模式使得本研究在医学应用实践类高校（上海健康医学院）中获得比较好的创业指导效果。

(3) 技术领先性优势

本研究基于DeepSeek大模型打造的AI数智领教具有长/短期记忆能力、实时自我学习/强化学习能力、基于MCP的多模态环境感知和任务执行能力等技术优势，相比于传统的助教工具或其他类型的AI教育应用，更具技术领先性，更适合应用型医学院校创新创业教学工作复杂多变的实训场景（如课堂教学、医院病房实习、医疗影像设备操作、实验室干湿试验、大创比赛路演、核医学科动物实验等）。由于其技术领先性优势，DeepSeek大模型已部署应用在全国各地高校和医院。近期有学者研究发现，截至2025年2月底，全国90%的985高校已经完成了DeepSeek大模型本地化部署^[24]；截至2025年5月，DeepSeek-R1至少已在中国755家医院完成部署^[25]。

3.5.2 局限性

尽管本研究在上海健康医学院双创教学试验中取得了较好的应用效果，但仍存在一些局限性：

首先，试验范围、样本数量和试验时间有限。本研究仅选取了上海健康医学院参与2025年“大创”项目的数百组学生作了为期三个月的教育试验，试验相关数据积累还不是很充分。

其次，试验没有兼顾学生个体差异性和学科差异性。本研究中开展的教育实践试验是针对创业路演场景，该场景比较适合外向性格的学生，并没有兼顾内向或综合性格学生的个体差异性。智能医学影像等医工交叉专业的学生相比于纯医学专业学生也更适合创业路演场景的实践学习。因此，试验采集的相关数据存在一定的片面性。

另外，试验也未能有效评估AI应用的伦理安全情况，存在一定的个人隐私数据泄漏风险和AI算法偏见隐患。

最后，试验效果评价方法有限。目前，试验仅通过客观的双创大赛成绩和主观的学生满意度调查进行效果评价，存在比赛随机偶然性因素和学生短期热情度因素的干扰。

3.5.3 改进建议

未来，为提升HI+AI数智领教模式的实用性，本研究从试验范围、场景适配、伦理风控、评价方法四个维度提出改进策略。

(1) 试验范围扩展：全校覆盖与长期追踪

将试验从局部班级扩展至全校多专业（临床、护理等）与多年级，延长周期至一学年，追踪学生创新项目质量、就业适配度等长期指标，结合入学前后能力对比，提升数据全面性与结论普适性。

(2) 场景适配深化：多专业场景与智能体支持

针对医学专业开发“文献检索”“病理预测”场景，针对护理专业开发“护理优化”“急救模拟”场景，并匹配实验型、操作型AI智能体，通过个性化推荐（如动态调整任务难度）兼顾学科差异与学生个体需求。

(3) 伦理风控强化：规范制定与体系防控

联合医学伦理委员会制定《HI+AI教学伦理指南》，明确数据使用边界与算法透明度要求；采用本地化存储与第三方审计保障数据安全，设立跨学科申诉通道处理伦理争议，实现技术可控协同。

(4) 评价方法升级：科学统计与第三方验证

引入随机对照分组（RCT）与SPSS统计分析，对比AI辅助组与传统组能力差异；邀请第三方专家依据《双创评价量表》独立打分，并通过Kappa检验验证评分一致性，提升评价客观性。

4 结束语

人类智能与人工智能的有效协同是当前教育行业科技创新的热门课题。构建基于DeepSeek大模型的HI+AI数智领教创新创业闭环教育实践模式是高校双创教育的又一次模式和技术双创新。本研究设计了自然人领教搭配智能体领教的HI+AI人机协同互助共教教育模式，在业内首次搭建了基于DeepSeek大模型的创业项目路演AI智能体并应用于上海健康医学院的创新创业实际教学实践中，对学生的创新实践学习具有极大帮助作用，提高了医学应用型高校双创教育质量。

本研究是高性能大语言模型和专用AI智能体在高校教育领域重要应用方向之一，也是新一代人工智能技术真正赋能科教兴国的新质生产力体现。未来，医学院校人机协同共教模式还将持续探索新形态和新技术：可通过AR/VR技术模拟医疗创业实景，解决实践场景依赖物理空间的问题；也可利用具身机器人提供手术操作陪练，强化医工交叉技能训练。相关教育模式和技术实践也将持续探索。

参考文献

[1] 马国华, 周军燕, 张国华. 大学生创业素养的构成与提升路径研究[J]. 就业与保障, 2022(2): 37-39.

[2] 吴学松. 应用型本科院校创新创业教育现状、问题与对策[J]. 教育与职业, 2020(5): 56-61.

[3] 中共中央党史和文献研究院. 习近平关于网络强国论述摘编[M]. 北京: 中央文献出版社, 2021.

[4] 习近平. 习近平在黑龙江考察时强调: 牢牢把握在国家发展大局中的战略定位 奋力开创黑龙江高质量发展新局面[N]. 人民日报, 2023-09-09(1).

[5] 周文, 许凌云. 论新质生产力: 内涵特征与重要着力点[J]. 改革, 2023(10): 1-13.

[6] 徐同飞, 高诗雅. 创新创业教育元宇宙的研究与发展进路[J]. 科技创业月刊, 2024(10): 182-186.

[7] 杨彦军, 罗吴淑婷, 童慧. 基于“人性结构”理论的AI助教系统模型研究[J]. 电化教育研究, 2019(11): 12-20.

[8] 廖剑, 许邯郸, 刘明, 等. 数智分身: 人工智能时代教师本位人机共教模式[J]. 现代远程教育研究, 2024(4): 85-93.

[9] 唐懿文, 陈奇峰, 吴忠航, 等. 基于AI大模型的应用型高校大学生创新创业能力培养新模式[J]. 中国多媒体与网络教学学报, 2025(4): 147-150.

[10] 王芳, 郭雷. 人机融合社会中的系统调控[J]. 系统工程理论与实践, 2020(8): 1935-1944.

[11] 王红卫, 李珏, 刘建国, 等. 人机融合复杂社会系统研究[J]. 中国管理科学, 2023(7): 1-21.

[12] 刘智锋, 吴亚平, 王继民. 人工智能生成内容技术对知识生产与传播的影响[J]. 情报杂志, 2023(7): 123-130.

[13] DU H Y, LI Z H, NIYATO D, et al. Enabling AI-generated content (AIGC) services in wireless edge networks[EB/OL].(2023-01-09)[2025-05-06].

[14] FRANCESC P, MIGUEL S, AXEL R,et al. Artificial intelligence in education: Challenges and opportunities for sustainable development[EB/OL]. (2019-06-23)[2025-05-10].

[15] 姜雪. 用“黑”科技打造数字分身[J]. 现代广告, 2019(2): 46-47.

[16] 奚骏, 吴永和. 教育数字人理论与实践探研[J]. 现代教育技术, 2022(8): 100-110.

[17] LIA A, FENG B, WANG B, et al. DeepSeek-V2: A strong, economical, and efficient mixture-of-experts language model[EB/OL]. (2024-05-07)[2024-06-19].

[18] WU Z, CHEN X, PAN Z, et al. DeepSeek-VL2: Mixture-of-experts vision-language models for advanced multimodal understanding[EB/OL]. (2024-12-13)[2025-05-10].

[19] LIU A, FENG B, XUE B, et al. DeepSeek-V3 technical report[EB/OL]. (2024-12-27)[2025-02-18].

[20] GUO D, YANG D, ZHANG H, et al. DeepSeek-R1: Incentivizing reasoning capability in LLMs via reinforcement learning[EB/OL]. (2025-01-22)[2025-05-20].

[21] ANTHROPIC. Introducing the model context protocol[EB/OL]. (2024-11-25)[2025-05-20].

[22] HOU X, ZHAO Y, WANG S, et al. Model context protocol (MCP): Landscape, security threats, and future research directions[EB/OL]. (2025-03-30)[2025-04-06].

[23] GAO Y, XIONG Y, GAO X, et al. Retrieval-augmented generation for large language models: A Survey[EB/OL]. (2023-12-18)[2024-03-27].

[24] 马志强, 崔鑫, 尤欣雅, 等. DeepSeek在国内高校中的应用态势分析:政策驱动、场景实践与风险应对[J]. 中国教育信息化, 2025(4): 23-33.

[25] SHEN T, LI Y, CAO Y, et al. Rapid deployment of large language model DeepSeek in Chinese hospitals demands a regulatory response[EB/OL]. (2025-07-30)[2025-08-10].

基金资助

2025年上海健康医学院教师教学研究项目(CFDY20250014)