生成式人工智能：社会科学研究的革新工具

Update: 2025/7/8  
主页 | 推文 | 公开课 | 机制分析 | 暑期班 | 社会网络

生成式人工智能，特别是像 ChatGPT 这样的大型语言模型 (LLMs)，具有彻底变革研究方式的潜力。
    —— Anton Korinek (University of Virginia)

目录

1. 课程概览

A. 基本信息

• 嘉宾：杨阳 (香港浸会大学)
• 时间：2025 年 9 月 13, 14, 20 日 (共三天)
• 方式：线上直播 + 30 天回放
• 课程主页：https://course.lianxh.cn/AIR.html
• PDF大纲：https://course.lianxh.cn/AIR.pdf
• 助教招聘：https://www.wjx.top/vm/ebkJYGr.aspx#
• 报名链接：https://www.wjx.top/vm/Q9SgxwR.aspx#

B. 嘉宾简介

杨阳，香港浸会大学商学院会计、经济与金融学系研究助理教授，加州大学圣迭戈分校计算社会科学博士，主要研究领域包括媒体经济学、劳动经济学与教育经济学。曾任斯坦福大学中国经济与制度研究中心 (SCCEI) 博士后研究员，现为 SCCEI 访问学者，加州大学全球冲突与合作研究所 (IGCC) 研究员。其研究成果发表于 Pacific Basin Finance Journal、Political Science Research and Methods、《经济学 (季刊)》、《世界经济》等期刊。杨阳博士目前正在主持多项超大规模数据采集项目。其中，招聘数据自动采集项目 Chinese Job Market Tracker，已累计采集超过 7 亿条招聘信息，致力于通过数据洞察劳动力市场变迁。

C. 为什么要学会这门课？

在研究过程中，大家或许也经常有这样的感受：

• 虽然阅读了大量文献，但写综述时总觉得像在「堆砖头」而不是「盖房子」。 你发现自己不太清楚哪些文献是最重要的，也理不清文献之间的演化脉络，写出的综述似乎只是堆砌了很多零散的总结，无法凸显自己的“边际贡献”。
• 研究假设难以系统化，缺乏清晰的逻辑框架将想法转化为可验证的假设。 虽然心里有了方向，但总是缺少系统化的框架把想法转化为明确的研究假设。有时候自己甚至分不清是在写另一个版本的文献综述还是研究假设。而且不知道这个想法是否已经被别人研究过了，往往要花费大量时间去验证。
• 数据采集和分析总是耗时又繁琐，难以保证数据质量和一致性。 你可能需要从多个来源收集数据，但每个来源的格式和质量都不尽相同。清洗和整理数据占用了大量时间，而且容易出错。即使有了数据，在分析时也常常不知从何入手，或者担心自己的分析方法是否恰当。
• 写作时，总觉得论点不够有力，论证缺乏清晰的逻辑。 尽管文献整理得很充分，但最终的论文总是缺少深度和逻辑性。你写的论点没有足够的支撑，论证过程显得松散，只能简单堆砌文献的零碎片段，而没有系统地组织起来。而且不同期刊有不同的写作风格和要求，每次改投都要花费大量时间重新调整论文结构和表述方式。
• 总觉得自己的研究难以引起同行的共鸣和关注。 你的研究可能很有价值，但在学术会议或研讨会上，却难以用简洁有力的方式展示核心发现。你的演讲 slides 看起来很专业，但听众似乎无法抓住重点，也记不住你的主要结论。

本课程将帮助你：

• 利用 AI 工具，从海量文献中智能提炼关键节点，快速梳理文献演化脉络，找到研究空白，精准定位自身研究；
• 借助大语言模型，辅助生成和完善研究假设，自动推演可行性，避免思路受限于个人经验；
• 用 AI 获取大规模数据、结构化多模态数据、生成新颖的测量指标，同时提升数据处理的效率和创新性，
• 通过 AI 驱动的写作框架，自动生成结构化提纲和论点建议，让论文更具逻辑性和说服力；快速转换论文写作风格，适应不同期刊的偏好。
• 利用 AI 工具打造个人学术品牌，提升学术传播能力，快速生成高质量 slides、海报和学术邮件，让你的研究成果更易被同行关注和认可。

GenAI 正在彻底改变社会科学研究者的工作模式。每一次技术革命，最先敏锐感知并积极拥抱变化的人，往往能够率先受益、获得先发优势。无论是文献综述、假设生成、数据采集还是学术写作，AI 工具都在重塑我们的研究流程和思维方式。相信这门课能够为你提供系统的工具方法和实操经验，帮助你把握时代机遇，在学术研究中走在前列。

2. 课程详情

本课程为期 3 天，包括 6 大模块，旨在帮助大家掌握如何利用 AI 工具提升文献综述、研究设计、数据收集与分析等研究各环节的效率与质量。每个模块都配有实操案例的演练和分析，突出 1-2 个关键 AI 工具的课堂演示或练习，使学员能够灵活将所学工具应用于自身研究中。

T1. 生成式 AI (Generative AI) 概览

我们正在经历一场关于语言与思维的底层革新。

大语言模型 (LLM) 不只是一个写作工具，它正在成为研究者的协作者、模拟者与对话者。它能复述文献、生成假设、设计问卷、解释结果——以极快的速度、极高的语义一致性，给出看似“合理”的输出。但这种合理性，是否真的可靠？它的回答，是否真的理解？

理解 LLM 的前提，是理解它的工作方式。为什么它能“看出”文本之间的逻辑？又为何它有时会“胡说八道”？这一切的答案，藏在它的底层结构里：Transformer 架构、自注意力机制、Token 嵌入与预训练策略。

本专题将帮助你：

• 看懂语言模型的“成因”：模型的架构如何塑造它的能力边界；
• 比较主流模型的异同：GPT、Claude、Gemini、通义千问、文心一言等，各自擅长什么、缺什么；
• 理解它的“强项”与“幻觉”共存：零样本学习与上下文推理的背后逻辑；
• 建立判断感：面对模型输出，你应信什么、查什么、质疑什么。

LLM 是一个极具潜力的工具，但只有理解它，我们才能不依赖它。这一讲，不教你“如何使用”，而是教你“为什么不能盲用”。

专题要点

• LLM 基本原理：介绍大型语言模型 (LLM) 的基础架构和工作原理，包括 Transformer 模型结构及其自注意力机制 (即模型在生成文本时会重点关注输入中的相关部分)，预训练与微调机制的区别，以及 Token 表示与向量嵌入等概念，帮助学员理解 LLM 背后的技术基础。
• 代表模型：展示当今主要的大型语言模型及其特点，如 OpenAI 的 GPT 系列、Anthropic 的 Claude、Google 的 Gemini、Meta 的 LLaMA 等，以及国内的大模型 (如 DeepSeek、百度文心、阿里通义等) ，比较它们的规模、训练数据和适用场景，了解业界最新的发展。
• 当前能力：总结 LLM 目前在各领域展现的能力，包括流畅的语言生成、基本逻辑推理，以及多模态扩展 (例如 GPT-4 的图像理解能力)，讨论这些模型在对话问答、内容创作、辅助决策等方面的表现。
• 优势：分析 LLM 相较传统方法的独特优势，如零样本和小样本学习能力 (无需大量标注数据即可完成新任务) 、知识迁移与泛化能力 (在不同领域的问题上表现出色) 、上下文学习 (根据提示动态调整输出) 等，为社会科学研究带来的潜在益处。
• 局限：强调当前 LLM 存在的局限性，包括可能产生的不真实信息或“幻觉”现象、内在偏见和歧视风险、上下文窗口长度限制 (一次性交互信息量有限) 等，提醒学员对模型输出保持审慎，并探讨这些问题对社会科学研究的影响。
• 应用注意事项：针对在社会科学研究中使用 LLM 的特殊考虑，讨论如何正确解读模型输出、避免过度依赖，结合实例说明在问卷分析、政策研究等场景下使用 LLM 时需要注意验证事实、保护数据隐私和遵守伦理规范等。

使用的工具或技术

• Transformer 工作原理可视化动画：通过动态图演示自注意力机制和编码解码过程，加深对模型结构的理解
• Hugging Face 大模型在线 Demo：直观体验中文/英文大模型的文本生成效果，如自动续写文本或回答问题
• OpenAI Playground 互动平台：现场演示如何调整提示词与参数与 GPT 模型交互，并观察模型在不同设置下的输出变化

练习/案例

• LLM 能力演示：由讲师现场提问同一大型语言模型简单和复杂的问题各一例，以对比展示 LLM 在常识问答和逻辑推理上的表现差异。
• 幻觉现象体验：要求 LLM 解释一个社会科学术语 (如“沉默的螺旋”理论)，然后由学员对其回答进行事实核验，找出其中可能的不准确之处，借此讨论模型幻觉产生的原因及应对方法。

T2. AI 辅助研究设计、假设生成与文献调研

研究设计的难点不在于技术门槛，而在于它要求研究者同时具备理论判断力、方法意识与对领域文献的深度感知。尤其是在早期阶段，很多研究者会面临这样的挑战：

• 面对大量的文献，难以识别哪些是“关键节点”，哪些只是重复性的补充；
• 缺乏对文献之间逻辑结构的把握，导致综述内容“堆而不精”，难以定位研究的边际贡献；
• 引用文献时，只关注“内容”，忽略了“语境”——同一篇文献在方法部分、结果部分被引用，语义可能截然不同；
• 有研究想法，却难以发展为清晰、可检验的假设，或者无法系统化地展开推论。

本专题正是为这些“研究起点阶段”的关键问题而设。我们将系统演示如何借助 ChatGPT、FutureHouse、Elicit、ChatPDF 等 AI 工具，完成从文献识别与脉络分析，到假设生成与推理验证的全过程：

• 利用 AI 快速定位关键节点文献，构建清晰的领域知识图谱；
• 借助 LLM 对话模型，围绕研究问题构建假设，并推演其背后的逻辑链；
• 对引用文献的“meta 信息”进行分析，理解其在不同研究中的角色与语境变化，从而提升方法适配与论证精度；
• 最重要的是，训练如何“与 AI 协作而不盲信”，让技术工具成为延伸思考的触角，而非替代判断的黑箱。

本专题的目标，不是生成答案，而是帮助你构建一套能“提出好问题”的思维工具箱 —— 在文献中站稳脚跟，在设计中走出自己的路径。

专题要点

• 研究灵感与问题定义：展示如何借助 AI 进行头脑风暴来激发研究创意。通过人机对话，大语言模型可以根据研究领域提出潜在有价值的研究问题或假设，帮助拓展学术灵感。
• 假设生成与推敲：演示使用 AI 根据既有文献和直觉生成研究假设，并通过追问让模型论证这些假设的合理性。AI 可以从自动化文献综述中提炼依据，辅助推演假设成立与否的情境。研究者据此对 AI 提供的假设进行批判性评估和必要修改。
• AI 辅助文献查找：演示如何使用 AI 工具智能检索学术文献，超越关键词匹配，理解语义以发现隐藏相关性。介绍智能文献推荐系统，让研究者不错过重要参考文献。
• 实践中的注意事项：强调 AI 生成内容的真实性验证。指导学员在使用 AI 摘要文献后，如何回到原始文献核对细节，避免“大模型幻觉” (hallucination) 带来的错误。注意核查 AI 推荐的参考文献的真实性和可靠性，防止出现引用错误或杜撰的文献条目。讨论版权和学术诚信问题，如引用不当可能带来的风险。

使用的工具或技术

• 文献综述 AI 助手 (如 FutureHouse、Perplexity、Elicit 等，可利用语言模型自动执行文献综述任务)
• 大型语言模型 (如 ChatGPT/GPT-4 或 DeepSeek) 用于论文摘要、问答；学术搜索引擎 (Semantic Scholar 智能摘要、知网学术助手等)
• PDF 文献对话工具 (如 ChatPDF、Claude 等) 用于与长篇文献交互提问

练习/案例

• 练习：研究方案头脑风暴：学员针对各自领域的一个初步研究想法，使用 ChatGPT 进行头脑风暴，让 AI 提出该主题可能的研究问题和对应假设。
• 案例：快速综述起草：提供一个研究主题 (如“数字媒体对选民参与的影响”)，学员利用 Elicit 或学术搜索 AI 工具检索 3-5 篇相关文献，获取主要发现要点。

T3. AI 辅助数据收集与预处理

在社会科学研究中，“找数据”和“清洗数据”几乎占据了整个研究流程的一半时间。面对问卷、访谈、网页、语音视频等多种数据源，很多人常常陷入数据难找、格式混乱、处理效率低的困境。

本专题聚焦「AI 驱动的数据收集与预处理流程」，帮助学员掌握从原始信息提取到结构化建表的核心技能。课程将系统讲解如何利用 Whisper、Firecrawl、ScrapeGraphAI 等工具实现网页抓取、语音转写与图像识别，并展示如何借助 LLM 对杂乱无章的数据自动完成清洗、重命名与变量重构。同时，我们也将介绍一类前沿工具 —— 多智能体平台 (如 Stanford Smallville、AutoGen) ，它们正在成为“新型数据产生器”，为实验研究提供模拟数据的新路径。

如果你曾遇到这些问题，本课程将提供实用解法：

• 网络文本、PDF 表格太杂，提不出有效变量？→ 我们教你用 AI 工具提取关键字段；
• 访谈音频、会议录音难以转化为数据？→ 我们演示 Whisper 等模型的转写与摘要能力；
• 想用爬虫但不懂代码？→ 本课程提供无需编程的智能采集解决方案；
• 想做行为实验但没有足够的受试者？→ 我们展示如何用 AI 智能体生成虚拟行为数据。

本专题将带你跨越从“信息”到“数据”的鸿沟，把更多精力投入到真正有价值的分析之中。

专题要点

• 智能数据收集简介：分析社会科学研究常见数据收集形式 (问卷数据、访谈文本、网络爬虫数据等)，介绍如何借助 AI 大幅提高数据获取效率。
• 语音与视频转写：讲解 AI 语音识别技术 (如 OpenAI Whisper) 在如何将非传统数据进行结构化。
• 数据清洗与预处理：说明 AI 在处理杂乱数据上的作用。
• AI 智能体作为数据产生器：介绍 AI 代理 (如 Stanford Smallville、CAMEL、AutoGen 等平台) 作为虚拟人类实验体的创新应用。

使用的工具或技术

• AI 驱动网页数据提取工具：Firecrawl 和 ScrapeGraphAI 等工具
• 语音识别与文本处理工具：Whisper 模型用于语音转文字，OCR 技术 用于图像/PDF 文字提取。
• Stanford Smallville、CAMEL、AutoGen：多智能体平台

练习/案例

• 练习：AI 辅助网页结构化信息提取：学员选择两种方式完成提取任务。
• 案例：虚拟人群社会互动实验：利用平台设计不同人格特征的 AI 智能体，模拟经典社会实验。

T4. LLM 驱动的文本分析实践

在数字经济和政策研究日益依赖非结构化数据的今天，传统的问卷与数值分析已无法满足对民意表达、政策回应、企业行为等复杂现象的深度理解。如何高效提取文本中的有效信息、捕捉语义中的潜在机制，成为众多研究者与从业者的核心挑战。

本专题聚焦于「大型语言模型 (LLM) 驱动的文本分析实践」，系统讲授如何将 ChatGPT、BERT 等先进模型用于情感分析、主题建模、观点挖掘与信息抽取等核心任务，帮助学员从“会用工具”迈向“理解方法、掌握策略”。课程不仅对比 LLM 与传统 NLP 技术的异同，更聚焦实操层面，结合社交媒体评论分析、开放式问卷自动编码等真实案例，手把手教你构建文本分析管线。

无论你是社会科学研究者、政策分析师，还是企业战略部门的数据分析师，这门课程都将帮助你解决以下痛点：

• 想分析文本但不懂 NLP 编程？→ 我们教你用 ChatGPT + Python 快速上手；
• 拿到问卷文本却无从下手？→ 我们演示如何构建主题结构并高效归类；
• 听说 GPT 很强，但不知如何落地实证？→ 本课程将带你实现从“模型”到“实用”的关键一跃。

通过本专题，你将获得一套适用于社科研究、舆情监测、政策评估、用户反馈分析等多个场景的通用技能，真正把 LLM 变为你的研究助手。

专题要点

• 文本数据的社会科学价值与 LLM 优势：介绍文本数据在社会科学研究中的价值。
• 情感分析与观点挖掘：从传统的情感词典法演进到基于 LLM 的预训练模型。
• 主题建模与自动分类：比较 LDA 模型与 BERT、GPT 模型在主题识别上的差异与优势。
• 信息抽取与内容分析：利用 LLM 实现复杂信息结构的自动抽取。

使用的工具或技术

• 大型语言模型接口：ChatGPT API (OpenAI)、DeepSeek API
• 开源 NLP 工具包：Hugging Face Transformers、spaCy
• 在线文本分析平台：Google Cloud NLP API

练习/案例

• 练习：社交媒体情感分析：学员使用 Python 调用 ChatGPT API 对社交媒体评论数据进行情感分析。
• 案例：开放问卷答案自动编码：学员手工总结问卷的主要主题，使用 ChatGPT 自动归类。

T5. AI 辅助专业学术写作

在正式投稿之前，我们往往会经历一段“写不出来、写不清楚、写得不满意”的煎熬期。尤其是在如下几个关键环节，很多研究者会卡壳：

1. 研究假设写得空泛，结果部分说不出“所以然”？ 虽然读了不少文献，但一到要“对比已有研究”或“论证我的结果为什么有意义”时，才发现缺少现成论据，只能临时翻文献、补文献，费时费力。现在可以借助 LLM 自动提取相似研究、辅助撰写“结果解释与对比”段落。
2. 准备改投，风格却完全不对口？ 不同期刊对语言风格、卖点展示的要求千差万别，一篇稿件常常需要改写数轮。现在可以用本地知识库 + LLM，学习特定期刊偏好，快速完成“风格迁移”。
3. 图表注释怎么写都不满意？ 图、表是论文的重要信息载体，但配套文字往往要“又具体、又清楚、又不啰嗦”，写起来耗时耗脑。现在借助 GPT-4 的图文理解能力，可自动生成清晰、规范、可复用的注释模版。
4. 有些段落写得很顺，有些怎么改都别扭？ 此时，不妨交给 AI，生成不同版本、建议替换句式、调整逻辑结构，从而打破写作瓶颈，让你保留“满意部分”的同时，有力优化“不满意部分”。

本专题「AI 辅助专业学术写作」，正是围绕这些核心痛点展开设计，涵盖从结果撰写、引用搜集、期刊风格化、图表注释，到摘要起草与合规发布的完整流程。通过一系列实操练习与案例，你将掌握将 LLM 真正嵌入学术写作流程的能力，做到事半功倍、精炼有力、风格对口。

专题要点

• 学术论文写作辅助：介绍 AI 如何帮助撰写和润色研究结果部分乃至完整论文。
• 相关引用搜寻与整合：使用 LLM 进行智能文献检索。
• 语言风格定制与提升：强调不同期刊对语言风格的差异要求。
• 图表与图片注释解读：展示如何借助 GPT-4 多模态模型，快速生成图表与图片注释。
• 摘要和结论生成：讲解如何利用 AI 快速起草论文摘要和结论段落。
• 发布规范与伦理：提醒在学术写作中使用 AI 需遵守期刊和机构规范。

使用的工具或技术

• ChatGPT：用于结果段落撰写、讨论启发和语言润色。
• FutureHouse：文献支持查找。
• Ollama：本地知识库的搭建与润色功能。

练习/案例

• 练习：期刊风格化润色：学员构建期刊风格化本地知识库，再利用 AI 工具润色稿件。
• 案例：图表解读与文字生成：学员使用 AI 根据图表数据撰写描述性文字。

T6. AI 赋能学术交流与传播

学术交流不仅仅是写论文、发文章，更关乎如何展示成果、对接合作、扩大影响。然而，在这些“非正式发表”的场景中，许多研究者常常面临以下困扰：

1. 学术汇报做得太赶、太乱？ 每次要准备 Slides 或 Poster，总觉得内容多、逻辑乱、不好看。AI 工具如 Beautiful.ai 和 Canva AI 可快速生成结构清晰、视觉美观的学术展示材料，帮助你高效传达核心观点。
2. 写学术邮件总是反复斟酌，怕写错？
   无论是联系导师、申请会议、投稿咨询，得体准确的邮件写作是一项必备技能。借助 ChatGPT 等工具，你可以快速生成语气适中、表达清晰的邮件草稿，大幅提升沟通效率。
3. 开会做笔记太累，回头还要整理？
   学术会议、讲座、组会信息量巨大，手动记录往往顾此失彼。使用 Otter、Notion AI 等工具，可以实时转写、自动提取会议要点，构建你自己的“交流知识库”。
4. 个人主页难维护，研究成果没人看？
   没有主页，搜索引擎查不到你的研究；有了主页，却又难以维护更新。AI 网站生成器如 Wix ADI、Squarespace AI 能帮助你快速上线并展示研究项目、出版成果与联系方式。

本专题将系统演示如何将 AI 工具嵌入到你的日常学术交流流程中，让你省力又专业，既能展示研究，也能链接合作，真正实现“内容 + 表达”双重进阶。

专题要点

• AI 辅助的 Slides 与 Poster 生成：使用 AI 工具 (如 ChatGPT、Beautiful.ai) 快速生成高质量学术幻灯片和海报。
• AI 辅助的学术邮件撰写：指导如何利用 LLM 工具 (如 ChatGPT) 快速撰写规范、礼貌、准确的学术邮件。
• AI 帮助下的会议与交流笔记：展示如何使用 AI 工具 (如 Otter) 实时记录会议要点。
• AI 自动化文献追踪与知识库构建：如何使用 AI 技术自动跟踪领域最新研究成果。
• 个人学术网站建设与品牌构建：演示如何利用 AI 快速搭建并维护个人学术网站。

使用的工具或技术

• 文献追踪与知识库工具：Zotero、Research Rabbit、Semantic Scholar
• Slides 与 Poster 制作工具：Beautiful.ai、Canva AI
• 会议记录与总结工具：Notion AI、Otter、Granola
• 邮件撰写辅助工具：Spark Mail、ChatGPT
• 个人网站与品牌建设工具：Wix ADI、Squarespace AI

练习/案例

• 练习：AI 辅助 Slides 与 Poster 制作：学员使用 AI 工具生成幻灯片或学术海报。
• 练习：学术邮件撰写与优化：学员使用 AI 工具撰写邮件初稿，并进行优化。
• 案例：AI 自动化文献追踪与知识库构建：学员建立个人研究方向的 AI 自动追踪系统。
• 案例：AI 辅助个人学术网站搭建：学员使用 AI 工具创建个人学术网站。

3. 报名信息

• 主办方： 太原君泉教育咨询有限公司

• 标准费用 (含报名费、材料费)：

  • 全价：3600 元/人

• 优惠方案：

  • 专题课/现场班老学员：9 折，3240 元/人
  • 学生 (需提供学生证/卡照片)：9 折，3240 元/人
  • 连享会会员： 8.5 折，3060 元/人
  • 温馨提示： 以上各项优惠不能叠加使用。

• 联系方式：

  • 邮箱：wjx004@sina.com
  • 王老师：18903405450 (微信同号)
  • 李老师：18636102467 (微信同号)

报名链接： https://www.wjx.top/vm/Q9SgxwR.aspx#

长按/扫描二维码报名：

缴费方式

方式 1：对公转账

• 户名：太原君泉教育咨询有限公司
• 账号：35117530000023891 (晋商银行股份有限公司太原南中环支行)
• 温馨提示： 对公转账时，请务必提供「汇款人姓名 - 单位」信息，以便确认。

方式 2：扫码支付

温馨提示：

• 扫码支付后，请将「付款记录」截屏发给王老师 -18903405450 (微信同号)

4. 听课指南

4.1 软件和课件

听课软件：支持手机，ipad，平板以及 windows/Mac 系统的笔记本，但不支持台式机以及平板电脑

特别提示：

• 为保护讲师的知识产权和您的账户安全，系统会自动在您观看的视频中嵌入您的「用户名」信息。
• 一个账号绑定一个设备，且听课电脑不能外接显示屏，请大家提前准备好自己的听课设备。
• 本课程为虚拟产品，一经报名，不得退换。
• 为保护知识产权，课程不允许以任何形式录屏及传播。

4.2 实名制报名

本次课程实行实名参与，具体要求如下：

• 高校老师/同学报名时需要向连享会课程负责人 提供真实姓名，并附教师证/学生证图片；
• 研究所及其他单位报名需提供 能够证明姓名以及工作单位的证明；
• 报名即默认同意「连享会版权保护协议条款」。

5. 助教招聘

• 名额： 10 名

• 任务： 详情参见 连享会助教工作指南

  • A. 课前准备：完成 2 篇推文，风格参见连享会主页 www.lianxh.cn，选题参见 这里；
  • B. 开课前答疑：协助学员安装软件和使用课件，在微信群中回答一些常见问题；
  • C. 上课期间答疑：针对前一天学习的内容，在微信群中答疑 (8:00-9:00，19:00-22:00)；
  • Note: 下午 5:30-6:00 的课后答疑由主讲教师负责。

• 要求： 热心、尽职，熟悉常用的 AI 工具，能对常见问题进行解答和记录

• 特别说明： 往期按期完成任务的助教可以直接联系连老师直录。

• 截止时间： 2025 年 8 月 12 日 (将于 8 月 15 日公布遴选结果于 课程主页，及连享会主页 lianxh.cn)

申请链接： https://www.wjx.top/vm/ebkJYGr.aspx#