数字化转型网人工智能研习社关注人工智能从技术到落地的全方面，包含机器学习算法、深度学习架构、自然语言处理（NLP）技术、计算机视觉技术、AI+医疗健康、AI+交通出行、AI+金融、AI+制造、AI+消费品、AI+互联网、数据隐私和安全、算法公平性、产业生态建设、政策法规制定与完善等。
大模型重新定义了思想政治教育的场景思维,它在“场景生成—场景使用—场景分析—场景整合”的运行逻辑中实现了场景思维的智能升维,揭开了思想政治教育场景革命的高阶思维序幕。
一、场景生成：教育场景的连接思维创新
思想政治教育场景的连接思维是以用户体验为靶向和以社群认同为导向的人际交互思维与时空体验思维。大模型的生成功能激活了思想政治教育的场景连接思维,并促使教育场景连接日益精准化、高质化与持续化。一是以用户体验为核心的精准化连接。在思想政治教育活动中,教育对象尤为注重体验,生成与教育对象需求相适配的教育场景并强化教育对象的体验更为重要。一方面,大模型依托其智能化搜索与记忆功能,能够精准对接教育用户的认知需求与体验要求,并在此基础上即时生成相应的知识场景。另一方面,大模型生成的教育场景通过对体验层次的精准塑造、体验细节的精准强化以及对用户自主体验的精准把握,能够凸显教育场景的真实性、提升教育场景的流量度以及培养教育用户的学习惯习。二是以时空重构为核心的高质量连接。一方面,大模型带来的娱乐模式与交互模式以其场景设置与场景交互优势在时间维度提升了场景连接质量。具体来讲,大模型通过对音视频制作等的赋能能够升级教育用户的体验,通过对虚拟现实、增加现实以及数字孪生等技术的赋能强化教育用户间的场景交互,增强用户的同频共振体验。另一方面,大模型不仅能够依托其空间连接优势,促使教育场景生活化、标签化与全渠道化,而且能够依托其跨界整合优势实现教育场景的几何级增长与叠加性整合。三是以社群认同为导向的可持续连接。教育场景的可持续性运用离不开教育用户群体的认同。大模型依托其数据、算法与算力优势,不仅能够对用户群体的场景需求、价值导向、网络评价等进行差异化整合与系统性分析,创设契合社群需求的适配性场景,在流量的营造中不断建构认同,而且能够触动用户的情绪与情感,引发社群的情感共鸣,进而奠定教育场景持续运用的情感基础。
二、场景使用：教育场景的设计思维创新
思想政治教育场景的设计思维是在场景洞察、场景制造以及场景进化的过程中展现出来的科学规划思维。大模型在数据挖掘、智能生成与迭代演化层面的优势激活了教育场景的设计思维,并促使教育场景设计日益系统化、个性化与智能化。一是大模型的数据挖掘与对教育场景的系统洞察。场景洞察作为开展场景活动的前提性预设,是对场景用户、场景产品以及场景效用的洞见与反思。大模型通过对教育数据的收集、清洗、标注、聚类、分析等,不仅能够对用户的生活方式、学习方法、消费方式、使用惯习等开展微观洞察,而且能够对用户与场景内容、场景载体、场景方法等的黏性关系进行中观洞察,还能够对教育场景应用的稳定性、扩展性与持续性进行宏观洞察。二是大模型的智能生成与对教育场景的个性化制造。场景制造始终围绕用户需求展开,主要通过场景的嫁接、复制、参与、叠加等得以实现。[5]大模型依托其强大的生成、迭代与创造优势,推动了场景制造的智能化转型。具体来讲,大模型不仅能够对接用户的个性化与体验性需求,实现流量文化、情感代码以及角色符号的智能场景嫁接,而且能够契合用户的主体性与创造性需求,增强用户借助场景道具开展场景社交的获得感,还能够遵循场景的生活逻辑实现原生场景的智能复制与嵌入,更能够在场景追踪与过滤的基础上实现用户的生活场景、学习场景与社交场景等多场景的智能叠加,即形成“场景流”。三是大模型的迭代演化与教育场景的智能进化。场景进化是克服场景同质化的必要手段,它主要通过“场景流”与超预期体验得以实现。大模型通过模型开源、模型部署以及对齐技术创新等,能够在对接教育场景发展需求与用户体验诉求的基础上,推动教育场景的开源创造、可控体验以及动态监测,推进教育场景的组合迭代与循环创新。数字化转型网www.szhzxw.cn
三、场景分析:教育场景的实验思维创新
思想政治教育场景的实验思维是在对教育场景的语义提取、虚拟仿真、极值计算以及改进检验的过程中展现出来的循证思维。大模型依托其实例性、集成性、计算性与关联性优势激活了教育场景的实验思维,使思想政治教育场景实验日益科学化。一是大模型的实例性与教育场景的语义提取。大模型是“由大量实例(语元和语元关联度)构成的模型”,[6]其“实例”为思想政治教育场景的生成提供了充足的“语料”。在“实例”的基础上,大模型不仅为教育场景的要素编码、参数扫描、代码训练等提供了数据保障,而且为教育场景信息的情感分析、相关分析、聚类分析以及信息自动提取提供了强力支持。二是大模型的集成性与教育场景的虚拟仿真。大模型是以功能模拟为主的集成智能,它为思想政治教育场景的虚拟仿真提供了智能基础。具体来讲,大模型既能够通过对用户知情意行的数据建模以及数字孪生体生成,实现场景语境、情境以及环境的可视化,又能够借助其智能复盘、数据挖掘、综合分析等优势对教育场景运行的复杂性规律进行总结与诠释。三是大模型的计算性与教育场景的价值评估。大模型通过其高性能计算、及时响应速度以及独特的模型训练逻辑,可以对教育场景要素间相关作用情况、教育场景系统运行的稳定性与持续性情况以及教育场景创新的潜力等作出全面的价值量化,为挖掘场景育人价值的极值、预测真实教育场景的运行趋势等提供评估基础,为及时干预教育场景运行与有效驱动场景发展等提供参考依据。四是大模型的关联性与教育场景的双向改进。基于大模型的虚拟仿真与计算为现实生活中教育场景的设置与展开提供了实验借鉴,现实的教育场景为大模型提供了源源不断的“实例”与决策支持,现实与虚拟两个方面的教育场景信息相互比照、相互促进,共同推动教育场景的改进。数字化转型网www.szhzxw.cn
四、场景整合:教育场景的涌现思维创新
思想政治教育场景的涌现思维是在教育场景的要素非线性作用、系统差异性整合以及信息有机性运作中呈现出来的整体性创新思维。大模型以其独有的生成逻辑、迭代属性以及整合特性激活了思想政治教育场景的涌现思维,使教育场景涌现日益智慧化。一是在“事件导向”的生成逻辑中增加场景涌现的可能性。大模型彻底改变了基于“问题导向”的传统教育场景的生成范式,使教育场景的生成从目的论范式走向可能性范式。具体来讲,大模型不仅能够全程全方位地实时捕获“实例”,而且能将“实例”构建为一个个的社会事件、文化事件、科技事件、教育事件等,进而生成关于各类“事件”的整体认知结构。基于“事件导向”的场景生成因其全局性、多维性、自适应性、灵活性等优势使教育场景的整体涌现成为可能。二是在“自我完善”的迭代中实现场景涌现的自足性。大模型在构建“事件”的过程中能够实现自我发展与自我修复,并促使教育场景成为一个自足的运行系统。一方面,教育场景的生成并不是单一的,它始终处于迭代进化之中。每当遇到新的“事件”,原有的教育场景就会通过其吸纳功能将新的“事件”加以整合,进而实现场景更新。另一方面,由于原有的场景会与新的“事件”发生冲突,大模型会基于纠错机制对教育场景进行调整和修复。三是在“跨界融合”的整合中实现场景涌现的开放性。一方面,大模型作为系统的信息整合平台,不仅能够实现教育场景的跨学科整合,进而触发集成性信息涌现,而且能够实现文化仪式、价值理念、交往规则等的社会整合,进而消融各种边界力量,真正实现教育场景的自主进化与开放涌现。另一方面,大模型作为代码开源与价值共享平台,打破了专业化界限与专家化垄断格局,为教育场景的共创共建提供了现实基础。
声明：本文来自网络，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。数字化转型网www.szhzxw.cn
数字化转型网人工智能研习社包含哪些内容
数字化转型网人工智能研习社关注人工智能从技术到落地的全方面，包含机器学习算法、深度学习架构、自然语言处理（NLP）技术、计算机视觉技术、AI+医疗健康、AI+交通出行、AI+金融、AI+制造、AI+消费品、AI+互联网、数据隐私和安全、算法公平性、产业生态建设、政策法规制定与完善等。
本文由数字化转型网（www.szhzxw.cn）转载而成，来源于思想理论教育；编辑/翻译：数字化转型网Jack。
