我院连玉君副教授在全国数字经济专硕（MDE）教学与人才培养师资培训暨“人工智能+”高等教育研讨会上发表主旨演讲
2025年8月27日至28日，全国数字经济专硕（MDE）教学与人才培养师资培训暨“人工智能+”高等教育研讨会在中国人民大学顺利召开。本次会议由全国数字经济专业学位研究生教育指导委员会主办，中国人民大学经济学院与中国人民大学未来经济研究院共同承办。来自全国百余所高校及科研院所的近200名专家学者与一线教师齐聚一堂，共同参与研讨。
中山大学岭南学院金融系连玉君副教授发表题为《数据分析与经济决策课程建设》的主旨演讲。本文根据连玉君教授现场发言内容整理。
各位老师、各位同仁，大家好！
非常荣幸在这里与大家分享我个人在“数据分析与经济决策”这门课程建设上的一些心路历程和经验总结。首先，我要衷心感谢主办方和承办方的邀请，让我能够有这次宝贵的机会，与各位学术同仁进行面对面的深入交流。对我而言，今天的分享不仅是一次简单的经验传递，更是一次自我梳理与反思，它帮助我重新审视了过去一年里，我们与学生们共同走过的这段教学探索之路。
今天的分享，我想围绕三个核心部分展开：第一部分，是关于我整体的教学感受；第二部分是这门课程的主要内容——“教什么”；第三部分教学模式与方法——“如何教”。
整体感受：敬畏之心与因材施教
回想当初接到这门课的任务时，我的内心首先涌起的是一种强烈的敬畏之心。在我的学术生涯中，我一直专注于公司金融和金融计量经济学领域，习惯于处理高维度的微观数据，主要使用Stata软件。然而，这门课的授课对象是数字经济专硕的学生，大家的知识背景存在诸多差异，很多学生并非经济学或统计学专业出身。这意味着，我无法简单地把我以往的教学模式和知识体系平移过来。
为此，在正式开课前，我准备先摸个底——我向全班70名同学发放了一份问卷，包含八个问题，涉及学生的常用的软件、已经掌握的计量和统计方法、使用哪些AI工具、喜欢哪种教学模式等。
我原计划用R或Stata作为主要教学工具，但问卷显示，只有5%的学生掌握R，而懂Stata的更少。相比之下，会用Python的同学反而多一些，约有15%。更让我震惊的是，当问及“直方图代表什么”时，超过一半的学生都给出了错误的回答，他们误以为直方图的高度代表均值，而非频数或密度。当然，学生们的优势也很明显：班上的学生分布于金融、传媒、保险、政府机构等各个行业，多数有2年以上的工作经验。他们对自己所在领域面临的问题有深刻的认识，也知道如果要进行数据分析或预测，他们期望得到的结果是什么样子。对于数据分析而言，这些背景知识和经验是非常重要的。
除了摸底，我还与其他几门相关课程的任课老师进行了沟通，了解他们课程的内容和大纲。我希望我的课程能与他们的课程顺畅衔接，形成一个有机的整体。
完成上述摸底工作后，我将备课的重点从“我能讲什么”转向了“学生需要什么”。最终，我决定自学Python，用 Python作为编程工具；得益于ChatGPT、豆包等AI工具的便利性，学生们很容易实现自然语言编程——大家只需要写好提示词，就能完成特定的分析任务。当然，“搭好戏台”就显得尤为重要。我花了1周的时间，边学边记录，写了一份详细的环境配置说明，确保大家使用VScode编辑器+AI插件即可通过提示词来编写和运行Python代码。
接下来，我想分享一个我自认为非常成功的教学策略——如何让学生“卷起来”。这里的“卷”不是指无意义的内耗，而是指一种内在的学习驱动力。我发现，仅仅依靠外部压力是远远不够的，老师需要创造一个环境，让学生们自己产生学习的渴望和竞争的动力。
我采取了多种方法。首先是作业设计。我把每次作业都设计成一个完整的项目，而不是简单的习题集。当学生提交作业后，我会在微信群里公布提前提交的同学名单。这种看似简单的行为，却出乎意料地激发了学生们的“荣辱心”和竞争意识。当他们看到自己的同学已经完成了作业，而自己还没有开始时，那种无形的压力会促使他们立即行动起来。
其次是课堂讨论和小组作业。我鼓励学生组成小组，共同完成一个案例分析。当某一组做得非常出色，不仅代码写得规范，而且分析思路清晰、展示内容专业时，其他小组自然会被激发。他们会看到差距，会主动向做得好的小组学习，从而在下一次的作业中明显改进。这种 Peer-to-Peer 的学习和竞争，比老师单向的灌输要有效得多。
我还喜欢在课下和一些学生保持密切的联系，我称他们为我的“线人”。我经常和他们聊天，了解课程中存在的问题，听取他们的真实反馈。这些人不仅是我的信息来源，也是我在课堂上的“助攻”。当我在课堂上提出一个问题，而全班同学都陷入沉默时，我的“线人”通常会站出来，给出一个不一定完美但足够引人思考的答案。他们的勇敢回答，会打破僵局，让其他同学感到“原来这个问题并不难”，从而踊跃参与进来。这种师生之间的良性互动，是让课堂充满活力的关键。
课程内容：“教什么”的核心——推理和拆解
我们这门课的名称是“数据分析与经济决策”，它天然地要求我们将数据分析的工具与经济决策的思维有机结合。然而，市面上很难找到一本能同时兼顾这两者的教材。因此，我决定自己编写讲义，并利用GitHub仓库为学生提供一个统一的资源入口。这本讲义并非一成不变，而是根据学生的反馈和我的教学实践不断迭代。
在内容设计上，我遵循了教指委的大纲，但根据学生的实际情况进行了大幅调整。课程主要分为五大块：数据清洗、描述性统计与可视化、统计推断、机器学习与深度学习，以及经济决策。我的目标不是蜻蜓点水地讲很多内容，而是把最核心、最基础、最通用的东西讲透，然后给学生一张“地图”，让他们可以根据自己的兴趣和需求，继续深入探索。
我发现，学生们的需求与老师的预期存在差异。老师关注的是如何发表高水平文章、如何研究高深的计量方法，而学生们更关心如何将数据分析应用于实际工作，比如如何通过数据分析来优化广告投放，或者如何预测用户的消费行为。因此，我将课程的重点放在了方法论和应用上。例如，我用了很长时间去讲授推理和拆解的思路。我告诉学生，解决任何复杂问题的第一步，就是把它拆解成一个个可执行的小问题，并形成一个有层次结构的步骤。这种思维方式，就像写代码或写提示词一样，只要思路清晰，任何问题都能被解决。
我经常用一个生动的比喻来解释这个思路——钓鱼。我说，世界的财富就像湖里的鱼，它们是开放的，谁有本事谁就能钓上来。今天的AI工具就像一个巨大的鱼库，里面充满了各种数据和信息。而我们学习的推理和拆解能力，就是你的鱼饵、鱼线和渔网，它能帮助你在这片数据之海中找到你想要的东西。这个比喻让学生们豁然开朗，他们意识到，学习的真正目的不是记忆多少知识点，而是掌握解决问题的工具和思维。
在课程内容的安排上，我刻意减少了对理论推导的讲解。例如，当讲到机器学习中的线性回归时，我不会花大量时间去推导最小二乘法（OLS）的公式，而是直接告诉学生它的核心思想和应用场景。我告诉他们，数学上的推导可以交给AI工具，而我们人类的优势在于“思考”，在于如何将现实问题转化为一个可以用数据解决的数学问题，以及如何对结果进行合理的解释。
教学模式：“如何教”的变革——拥抱AI，颠覆传统
在我的教学经历中，我发现传统“填鸭式”的教学模式（90%老师讲授，学生课后作业）并不能激发学生的积极性。在教MBA学生时，我曾尝试用“6-4模式”或“5-5模式”进行授课，也就是老师讲授核心理论，而将大部分时间留给学生进行案例讨论和展示。这种模式下，学生们非常投入，讨论甚至能持续到晚上六点，教学效果非常好。
然而，当我向这届数字经济专硕的学生征求意见时，有超过70%的人选择了传统的“9-1模式”。他们担心自己能力不足，害怕做出来的东西不够好，浪费学费和时间。面对这种矛盾，我选择了折中。我告诉他们，我将按照“9-1模式”来讲授，但在实际授课过程中，我采用了更接近“6-4模式”的方式。我减少了纯粹的理论灌输，而是更多地通过案例分析和互动讨论，引导他们思考。我发现，一旦你改变了教学模式，学生们会在不知不觉中被卷入其中，最终收获了更好的学习效果。
在具体的教学方法上，我全面拥抱了AI工具。我告诉学生，现在是AI的时代，我们没有必要再像以前那样苦练Stata或R语言的编程，因为AI已经可以辅助我们完成这些任务。我教他们如何写提示词（prompt），如何将一个复杂问题拆解成多个步骤，并用AI工具逐步解决。我经常用ChatGPT、豆包、文心一言等多个AI工具同时解决一个问题，再比较它们的答案，这本身就是一种学习和辨别真伪的过程。
我告诉学生，我们的优势不在于掌握多少存量知识，而在于我们能够构建一个“框架系统”，知道如何利用这些工具，如何去想问题。AI的出现，让老师的重要性大幅下降，但也让我们有了更广阔的空间，去专注于更高维度的思考，比如如何培养学生的思维、如何引导他们进行有效的提问和探索。
展望未来：课程建设与师资培养
除了课程本身的建设，我还想分享一些关于未来数字经济专硕课程发展的思考。在昨天的会议上，我也与其他老师进行了深入的交流，我们一致认为，未来数字经济专硕的教学，将是一个持续探索和创新的过程。
其中一个核心议题是“案例库的建设”。我强烈建议，各个开办数字经济专硕的学院，一定要把自己的案例库构建起来。未来数字经济专硕教指委会逐步形成一个统一的案例库，但首先会对各大学进行开放。比如像上海财经大学，他们在案例研究方面已经有非常好的基础，我们可以授权他们先来建设上海这边的案例中心。为什么案例研究如此重要？因为整个数字经济专硕的未来导向是“实践导向”，而实践导向最终落地的结果，一定是案例研究。
我们必须认识到，中国不同地区的案例是完全不一样的。西北和西南地区的案例，其独特性和复杂性，是我们中国最丰富也最有条件去形成中国特色的数字经济研究和教学体系的宝藏。因此，我希望我们每一个学院，都能形成自己典型的案例研究模板。只有这样，才能真正形成以案例为基础的教学模式，让学生们在解决真实世界问题的过程中，掌握知识，提升能力。
另一个关键点是“师资队伍的建设”。现在数字经济专硕面临的最主要问题，就是师资的稀缺。要解决这个问题，我们不能只依靠传统的内部培养，必须把外部的优秀师资力量“引进来”。我建议，数字经济专硕教指委未来组织更多的常态化交流活动，比如定期举办线下交流，或者线上研讨会，让不同学校、不同背景的老师们能够互相学习，共同进步。我们甚至可以邀请一些企业界的专家、数据分析师来参与到课程中，让他们作为“实践导师”共同指导学生。
未来的数字经济专硕教育，不应该是一个孤立的体系，而是一个开放的、协同的生态。在这个生态中，老师、学生、企业、甚至AI工具，都扮演着重要的角色。老师不再是唯一的知识传递者，更是知识的整合者和思维的引导者；学生不再是简单的知识接收者，他们是问题的发现者和解决方案的创造者。
总而言之，我认为这门课程的成功在于打破了传统的教学模式，将AI工具与教学流程深度融合，将老师的“存量知识”与学生的“实践经验”相结合，共同构建了一个以“推理和拆解”为核心的课程体系。通过这种方式，我们不仅帮助学生掌握了数据分析的工具和方法，更重要的是，培养了他们解决问题的思维方式和持续学习的能力。这，才是这门课程建设的真正价值所在。
我的分享到此结束，谢谢大家！
