1. 引言
在数字化转型背景下，生成式人工智能(AIGC)作为新一代信息技术的重要代表，正深刻重构内容生产逻辑与传媒产业格局。AIGC具备自动生成文本、图像、音视频等多模态内容的能力，其代表性工具如ChatGPT、DeepSeek、Sora等，推动内容创作模式由“辅助创作”向“人机协同”乃至“智能主导”转变。中国信息通信研究院发布的《人工智能治理蓝皮书》(2024)指出，AIGC在内容生产效率、创意生成与个性化输出等方面展现出显著优势，已成为数字内容产业的重要增长动力[1]。
作为内容生产与传播的前沿领域，传媒行业在AIGC驱动下正加速迈入“智能内容生产”新阶段。近年来，从中央主流媒体到地方媒体的实践表明，AIGC已广泛应用于新闻采编、广告创意与视听内容制作等环节，推动行业由传统“人 + 工具”模式向“人 + 算法”协同模式转型。这一变化不仅重塑了传媒行业的岗位能力结构，也对高校传媒类专业的人才培养提出了新的要求。2023年教育部修订的《普通高等学校本科专业类教学质量国家标准(传媒类)》首次将“人工智能与数据素养”纳入核心能力指标，标志着传媒教育正式进入“AI+”发展阶段[2]。
在此背景下，高校传媒类专业数字化转型已成为教育改革的重要目标。传统教学模式与课程体系难以适应快速演进的市场需求，推动新闻传播教育与新技术融合、构建契合智能传播产业发展需求的传媒人才培养体系，显得尤为迫切。AIGC技术的引入不仅能丰富教学资源与手段，更有助于师生在实践中探索“人机协同”创作新模式，整体提升数字素养与综合职业能力。然而，AIGC在传媒教育中的应用仍面临多重挑战：教师技术应用能力不足、学生工具接受程度不均、教学设计与技术融合不深，以及随之而来的伦理规范、版权归属等现实问题，均需系统审视与应对。
因此，随着AIGC技术快速渗透至教学场景，高校亟需辨析其应用过程中哪些要素“重要性高而表现不足”，以形成精准的改进策略。重要性–表现性分析(Importance-Performance Analysis, IPA)凭借其直观、量化、易操作的特点，已成为评估教育服务质量与优先改进领域的有效工具。本研究以高校传媒类专业教学为背景，聚焦AIGC技术的教育应用，通过问卷调查与IPA分析，识别影响其成效的关键要素及其表现落差，旨在为传媒类专业数字化转型提供实证依据与路径参考。
2. 研究设计
2.1. 研究方法
本研究以高校传媒类专业教学情境为研究背景，综合采用文献分析法、问卷调查法与重要性–表现性分析(Importance-Performance Analysis, IPA)进行研究。以安徽理工大学网络与新媒体专业大三本科生为研究对象，系统考察学生对“AIGC技术在高校传媒类专业教学中的应用”的重要性认知与感知体验状况，为后续实证分析提供数据基础。
2.2. 问卷调查及分析
本研究于2025年11月11日至17日，通过“问卷星”平台对安徽理工大学网络与新媒体专业大三本科生开展问卷调查，共发放问卷110份，回收有效问卷92份，有效率为83.6%。问卷内容主要包括受访者基本信息以及AIGC技术在高校传媒类专业教学中应用要素的重要性评价与感知体验评价。测量量表的构建在系统梳理相关研究的基础上，参考了Davis、Venkatesh & Davis、Teo、Tondeur、Kahu、Linus等学者关于技术接受与教育技术应用的研究成果[3]-[7]，并结合高校传媒类专业教学实际，从“课程与教学内容”“教师能力”“学生参与”“AIGC平台易用性”“教学资源与支持”五个维度构建“AIGC技术在高校传媒类专业教学中的应用”影响因素测量量表。
在量表构建的理论依据上，除技术接受模型(TAM)及相关教育技术研究外，本文进一步引入整合技术的学科教学知识(Technological Pedagogical Content Knowledge, TPACK)与ICAP (Interactive-Constructive-Active-Passive)学习参与框架，对“AIGC技术在高校传媒类专业教学中的应用”影响因素进行深化解释。
TPACK理论强调技术知识、学科内容知识与教学法知识之间的动态整合关系，尤其强调教师如何将新技术有效嵌入具体学科情境中开展教学实践。传媒类专业具有高度实践性与技术敏感性，其教学效果不仅取决于技术工具的可获得性，更依赖教师能否将AIGC技术与新闻采编、内容创意、媒介表达等专业任务进行有机融合。因此，本文在“教师能力”“课程与教学内容”等维度中，重点关注教师AIGC操作能力、教学引导能力以及技术与课程目标的匹配程度，以体现TPACK框架在传媒教育情境中的适用性。
同时，ICAP框架从学习者参与深度的角度区分被动、主动、建构与互动等不同学习状态，为分析学生在AIGC教学环境中的参与方式提供了重要视角。基于该框架，本文在“学生参与”维度中不仅考察学生是否使用AIGC工具完成任务，更关注其是否通过AIGC开展主动探索、创作建构与协作互动，从而反映AIGC对学习方式转变的影响。在此基础上，结合传媒专业对内容真实性、价值判断与社会责任的高度敏感性，本文在指标体系中纳入AIGC伦理与版权教育等相关要素，以回应生成式技术在内容质量评估、算法偏见识别与责任归属方面对传媒人才培养提出的新要求。
3. 结果与分析
3.1. 样本人口统计特征分析
本次调查共发放问卷110份，剔除无效问卷后，获得有效问卷92份，有效率为83.6%。其中，男生40人，占43.5%；女生52人，占56.5%。样本性别结构分布相对均衡，能够较为客观地反映受访学生的整体特征。
3.2. “AIGC技术在高校传媒类专业教学中的应用”影响因素IPA分析
3.2.1. 重要性与感知体验描述性统计分析
本研究对“AIGC技术在高校传媒类专业教学中的应用”影响因素的5个维度、15个评价指标的重要性与感知体验均值进行了统计分析，结果如表1所示。具体而言学生对AIGC在专业课程中的应用整体持有高期待(重要性均值普遍超过4.0)，但实际体验仍有明显落差。落差最突出的三个方面依次是：学校应提供AIGC软件/平台(题项14，差值0.4)、AIGC平台响应速度应快速高效(题项12，差值0.47)以及平台界面应友好易操作(题项10，差值0.48)。这说明学校在技术支持和平台建设上尚未满足学生需求，成为当前应用的明显短板。
值得肯定的是，学生认为AIGC确实能让教学内容更有趣(题项2)且与课程目标一致(题项3)，这两项体验甚至略超预期，反映出AIGC在提升教学吸引力和贴合度方面已初见成效。
3.2.2. 重要性与感知体验信效度分析
为检验测量工具的信效度，本文采用SPSS 23.0软件对问卷数据进行分析，结果“见表1”。信度检验结果显示，重要性五个维度的Cronbach’s α系数分别为0.868、0.923、0.852、0.889和0.875；感知体验五个维度的Cronbach’s α系数分别为0.902、0.938、0.903、0.916和0.951，均高于0.8，表明量表具有较高的内部一致性。
在效度检验方面，探索性因子分析结果显示，重要性与感知体验数据的KMO值分别为0.875和0.887，均大于0.8，适合进行因子分析。两类数据均提取出5个公因子，各题项因子载荷均高于0.8，累计方差解释率分别达到74.448%和88.283%，表明量表结构清晰、解释力较强，具有良好的结构效度。
Table 1. Results of the analysis of the importance and perceived experience of “Application of AIGC Technology in Media-Related Majors in Higher Education Institutions” and its reliability and validity
表1. “AIGC技术在高校传媒类专业教学中的应用”重要性与感知体验均值与差值、信效度分析结果
重要性与感知体验均值、差值 |
重要性–因子载荷系数、信度值 |
感知体验–因子载荷系数、信度值 |
题项 |
重要性(I) |
感知体验(P) |
差值(I-P) |
课程与教学内容 |
教师
能力 |
学生
参与 |
AIGC平台易用性 |
教学资源与支持 |
信度值 |
课程与教学内容 |
教师能力 |
学生参与 |
AIGC平台易用性 |
教学资源与支持 |
信度值 |
1 |
4.04 |
3.99 |
0.05 |
0.901 |
|
|
|
|
0.868 |
0.931 |
|
|
|
|
0.902 |
2 |
3.93 |
3.96 |
−0.03 |
0.887 |
|
|
|
|
0.919 |
|
|
|
|
3 |
3.9 |
3.92 |
−0.02 |
0.881 |
|
|
|
|
0.896 |
|
|
|
|
4 |
4.13 |
3.93 |
0.2 |
|
0.948 |
|
|
|
0.923 |
|
0.951 |
|
|
|
0.938 |
5 |
4.14 |
3.97 |
0.17 |
|
0.932 |
|
|
|
|
0.948 |
|
|
|
6 |
4.1 |
4.05 |
0.05 |
|
0.912 |
|
|
|
|
0.937 |
|
|
|
7 |
4.13 |
3.93 |
0.2 |
|
|
0.902 |
|
|
0.851 |
|
|
0.95 |
|
|
0.903 |
8 |
4.09 |
3.97 |
0.12 |
|
|
0.881 |
|
|
|
|
0.925 |
|
|
9 |
3.97 |
3.91 |
0.06 |
|
|
0.85 |
|
|
|
|
0.876 |
|
|
10 |
4.36 |
3.88 |
0.48 |
|
|
|
0.954 |
|
0.889 |
|
|
|
0.942 |
|
0.916 |
11 |
4.27 |
3.91 |
0.36 |
|
|
|
0.891 |
|
|
|
|
0.94 |
|
12 |
4.35 |
3.88 |
0.47 |
|
|
|
0.88 |
|
|
|
|
0.9 |
|
13 |
4.07 |
3.91 |
0.16 |
|
|
|
|
0.906 |
0.875 |
|
|
|
|
0.96 |
0.951 |
14 |
4.28 |
3.88 |
0.4 |
|
|
|
|
0.9 |
|
|
|
|
0.953 |
15 |
4.16 |
3.82 |
0.34 |
|
|
|
|
0.881 |
|
|
|
|
0.951 |
|
KMO = 0.875，近似卡方 = 1120.721，df = 105，p = 0.000，累计方差解释率 = 74.448% |
KMO = 0.887，近似卡方 = 1535.267，df = 105，p = 0.000，累计方差解释率 = 88.283% |
注：1) AIGC工具在本专业课程中应该被广泛使用；2) AIGC应该让本专业教学内容更有趣；3) AIGC应用应该与本专业课程目标高度一致；4) 老师应该具有丰富的AIGC操作能力；5) 老师应该指导学生用AIGC创作；6) 老师应该接受系统的AIGC培训；7) 学生自己应该主动使用AIGC工具学习；8) 使用AIGC提升了我的创作效率；9) 能用AIGC完成课程任务；10) AIGC平台的界面应该友好且易于操作；11) AIGC平台应该运行稳定，很少出现技术故障；12) AIGC平台的响应速度应该快速且高效；13) 学校应该有AIGC教学激励政策；14) 学校应该提供AIGC软件/平台；15) 课程应该强调AIGC伦理与版权教育。
3.2.3. “AIGC技术在高校传媒类专业教学中的应用”影响因素IPA分析
本研究以“AIGC技术在高校传媒类专业教学中的应用”影响因素重要性与感知体验的平均值(横坐标 = 3.927，纵坐标 = 4.128)为坐标原点进行象限图分析“见图1”，15个指标分布在优势保持区、适度调控区、拓展开发区、重点改进区等4个区域。
Figure 1. IPA analysis of influencing factors for “Application of AIGC technology in media-related majors in colleges and universities”
图1. “AIGC技术在高校传媒类专业教学中的应用”影响因素IPA分析
基于重要性–感知体验(IPA)分析结果，如图1所示，15个评价指标在四个象限中呈现出较为清晰的分布特征。
其中，第I象限为重要性高且感知体验高的优势保持区，反映了学生高度重视且实际体验良好的关键要素。题项4、5、7分布于该象限，表明当前相关教学实践已较好满足学生期望，应在后续教学改革中持续巩固并进一步强化其优势地位。
第II象限为重要性相对较低但感知体验较高的适度调控区。题项1、2、6、8位于该区域，说明尽管学生对这些要素的主观重要性评价不高，但在实际教学中已获得较好的体验效果。对此，可在保证现有教学成效的基础上，适当优化资源配置，避免投入过度。
第III象限为重要性低且感知体验低的拓展开发区，题项3、9、13集中于此。该象限所涉及要素当前尚未引起学生足够关注，且教学体验水平相对有限，短期内可作为次要改进方向，但从专业长远发展角度看，仍具备一定的挖掘与提升潜力。
第IV象限为重要性高但感知体验偏低的重点改进区，是本研究中亟需关注的关键领域。题项10、11、12、14均落入该象限，表明学生普遍认为相关要素对AIGC在传媒类专业教学中的应用至关重要，但现实体验尚未达到其期望水平，应作为后续教学改革和资源投入的优先改进方向。
4. “AIGC技术在高校传媒类专业教学中的应用”感知体验提升建议
基于重要性–感知体验(IPA)分析结果，15项评价指标在四个象限中呈现出差异化分布特征，反映出学生对AIGC在高校传媒类专业教学中应用要素的认知关注与实际体验之间存在一定程度的不匹配。为进一步提升AIGC教学应用的整体效能，本文依据IPA分析框架，从优势巩固、资源调控、潜力挖掘与重点改进四个层面提出针对性优化建议。
4.1. 巩固高重要性–高体验要素，发挥示范引领效应
IPA分析结果表明，教师AIGC操作能力、教师对学生AIGC创作的指导以及学生主动使用AIGC工具学习等要素在重要性与感知体验两个维度上均处于较高水平，构成当前AIGC教学实践中的核心优势。对此，应在既有基础上持续巩固并放大其示范引领效应。
一方面，高校可通过设立常态化的AIGC技术培训机制，重点强化技术操作能力与教学设计能力的融合，并辅以定期开展的教学反思与经验交流活动，引导教师在实践中不断优化AIGC在课堂教学中的应用方式，从而提升技术赋能教学的转化效率。另一方面，在具体教学实施过程中，教师应通过互动式创作指导模式，引导学生在真实或拟真的专业任务情境中使用AIGC工具开展创作实践，例如通过设置阶段性创作任务、组织小组协作与成果展示等方式，强化过程性指导与反馈支持，促进学生在实践中提升技术应用能力、创造性思维与自主学习能力。
4.2. 优化资源配置，防止高体验要素的过度投入
第II象限指标虽在学生重要性认知中相对靠后，但其感知体验水平较高，表明相关教学实践在一定程度上已超出学生的基本期望。该象限主要涉及AIGC工具使用广度、教学趣味性提升、教师培训以及创作效率改善等方面。基于此，高校在肯定现有教学成效的基础上，应对AIGC相关教学资源的配置进行理性调控。具体而言，可依据课程类型与学生技术接受水平，分层次、差异化地推进AIGC技术应用：在基础课程中，将AIGC作为辅助性工具以支持教学内容呈现与基础训练；在高年级或实践导向课程中，则适当加深其应用深度，引导学生在复杂任务中开展综合性创作实践。通过实现课程目标与技术应用的精准对接，避免技术使用的形式化与泛化倾向，从而提升教学投入的整体效益。
4.3. 激活低关注要素，释放AIGC教学应用潜力
位于第III象限的相关指标在重要性与感知体验两个维度上的评价均相对较低，反映出其在当前教学实践中尚未得到充分关注与有效发挥。对此，可从课程目标对齐、学生能力支持与评价反馈机制三个层面加以改进。
在课程设计层面，应进一步明确AIGC在传媒类专业教学中的功能定位，使其围绕具体课程目标发挥作用，避免技术应用与教学目标脱节。例如，在新闻传播类课程中，可引导学生利用AIGC进行新闻文本生成或内容结构分析；在广告与创意写作课程中，则侧重其在创意构思与表达优化中的辅助功能。在学生能力支持层面，可通过设置专项培训模块与实践导向课程，提升学生对AIGC工具的操作熟练度与应用能力。同时，学校可依托资源共享平台整合教学案例与工具资源，为学生开展自主学习与实践探索提供支持。在评价机制层面，应构建涵盖教师评价、同伴评价与自我评价的多维评价体系，并通过多元反馈渠道及时回应学生的学习体验，以逐步增强其对AIGC教学价值的认知与参与意愿。
4.4. 聚焦高重要性–低体验要素，突破AIGC应用瓶颈
第IV象限指标普遍呈现出“重要性高但感知体验不足”的特征。从传媒教育的视角来看，该象限所反映的问题并非仅源于技术条件不足，更与AIGC介入教学后“教”与“学”关系尚未完成系统性重构密切相关。AIGC技术在一定程度上改变了传统以教师为中心的知识传递模式，使学生在内容生成、创意构思与技术操作中获得更高的能动性，但平台条件与制度支持的滞后限制了这一潜在变革的实现。
在具体教学实践中，可通过模块化教学方案推动AIGC由“工具性使用”向“人机协同创作机制”转变。例如，在专业核心课程或实践课程中引入“提示词工程作坊”教学模块，引导学生围绕新闻写作、广告文案或短视频脚本等任务进行多轮提示词设计、优化与反思，使AIGC成为参与创作过程的协作主体而非简单替代工具。同时，可在采编与融媒体实训课程中引入“人机协同采编”教学模式，通过模拟真实内容生产流程，对选题策划、素材生成、文本编辑与伦理审查等环节进行任务化拆解，强化学生对AIGC生成内容质量、潜在偏见与责任边界的判断能力。在制度与资源层面，高校可以通过统一平台建设、正版软件授权及技术支持团队配置，为相关教学活动提供稳定保障，从而将AIGC有效嵌入传媒人才培养的核心环节。
5. 结语
本研究通过对AIGC技术在高校传媒类专业教学中应用情况的实证调查与分析，揭示了当前教学中各影响要素的重要性与表现特征。基于IPA象限分析，研究识别出教师AIGC操作能力、平台易用性、学校资源支持等关键维度在教学实践中的优势与短板，并从巩固优势、重点改进、挖掘潜力与适度调控四个方面提出了针对性建议。
这些发现不仅为理解AIGC融入传媒教育的现实困境提供了实证依据，也为地方高校推动专业数字化转型指明了可操作的路径。在“AI + 教育”深度融合的背景下，本研究进一步印证了技术赋能与教学重构的协同必要性，为传媒类专业适应智能传播时代、系统提升人才培养质量提供了理论与实践参照。未来研究可扩大样本范围、开展纵向追踪，并进一步探讨AIGC教育应用中的伦理框架与评价体系构建，以持续推动传媒教育在技术变革中的守正与创新。
基金项目
1) 课题来源：安徽省高校大学生思想动态分析课题
课题名称：AIGC技术下大学生心理健康教育的创新路径研究
课题编号：SXDTYB2024008
2) 课题来源：教育部产学合作协同育人项目
课题名称：数字化时代网络与新媒体专业教学内容与课程体系改革探索
课题编号：2409103105
3) 课题来源：安徽省高校大学生思想动态分析课题
课题名称：圈群化视域下大学生网络舆情风险评估研究
课题编号：SXDTYB2024007