F题：拥抱生成式 AI，抑或拒绝？
在这里插入图片描述
短短数年间，生成式人工智能（生成式 AI）已从一款功能有限、仅为少数早期使用者所用的工具，发展为深度融入日常生活、功能强大且无处不在的资源。相关研究表明，生成式 AI 或将深刻影响未来的职场格局。例如，在部分领域，生成式 AI 可能取代人类工作（或大幅减少人力投入），而在另一些领域，其影响则微乎其微，甚至可能推动相关领域的人才需求增长。
本赛题要求你探究各类高等教育机构应如何结合这一新技术，为未来的毕业生做好最充分的职业准备。具体而言，你需要完成以下任务：
- 选取三个职业，三类职业分别对应以下不同领域，各选其一：
- 理工科职业：从事该类职业者通常持有理工科、工程学或数学相关专业的四年制大学本科学位；
- 技能型职业：从事该类职业者通常接受过职业技术学校的专业培训和 / 或参与学徒制项目，如厨师、水管工、电工等；
- 艺术类职业：从事该类职业者通常就读于艺术院校、音乐学院或文化中心并接受专业培养，如音乐家、舞蹈演员、画家等。
- 结合生成式 AI 当前的发展趋势与预期影响，设计一个数据驱动模型，探究你所选的三个职业的未来发展前景。请明确标注数据来源，并阐释你认为生成式 AI 会推动各职业发生变革的核心驱动因素及其背后的逻辑。注：你可参考现有关于未来职场发展的研究成果，但需注明引用来源，并说明如何将这些已有研究用于支撑你的分析。
- 为你分析的每个职业各选定一所对应的高等教育机构及相关专业（一所综合性大学、一所职业技术学校、一所艺术院校各对应其一），并围绕这些院校和专业提出针对性建议。即你需要形成三组建议，每组建议均需回答核心问题：基于你的分析，你将为这些院校的管理者提供何种建议，使其能在对应职业的相关专业建设中，应对生成式 AI 带来的挑战与机遇？
以下是一些可供参考的思考方向，参赛队伍无需逐一展开分析，可将其作为思路启发，开展连贯且深入的研究分析，各队伍的分析内容应具有独特性。
- 受生成式 AI 引发的职业变革影响，相关专业的招生规模是否应扩大或缩减（即培养更多还是更少的专业人才）？若该领域的人才需求呈增长趋势，院校应如何扩大招生？若需求萎缩，院校是否有其他专业可扩大招生规模，吸纳原本就读该专业的学生？
- 这三类不同专业的课程体系中，应设置哪些与生成式 AI 相关的教学内容？许多高等教育机构都提出了这一问题，目前仍在探索应对方案。部分院校直接禁止学生在各类作业中使用人工智能工具，也有院校将人工智能的应用列为课程核心内容；一些院校旨在培养能深耕该技术前沿、做出专业贡献的技术人才，也有院校聚焦于培养非技术领域中能熟练运用该技术的从业者；部分院校鼓励学生探索该新技术的各类应用场景，还有院校引导学生结合生成式 AI 所需的能源消耗、水资源需求，以及其存在的创意或内容溯源不充分（往往缺失或错误标注原创者）等风险，审慎权衡使用该技术的利弊。针对你选定的三所院校的三个专业，你能提出哪些建议，最大程度提升其毕业生的就业竞争力？请结合数学模型的分析结果为建议提供支撑。
- 本赛题以生成式 AI 无处不在的背景下毕业生的就业竞争力为切入点展开探讨，但院校的相关政策是否成功，或许不能仅以就业市场的需求作为唯一衡量标准。你认为还应考虑哪些因素？当纳入这些因素后，你的模型和建议会做出哪些调整？
- 若你认为自己提出的具体建议可推广至更多院校和 / 或专业，需明确说明推广的适用范围，并为这一推广思路提供合理依据。
你需提交一份不超过 25 页的 PDF 格式解决方案，内容应包含：
- 1 页摘要页
- 目录
- 完整的解决方案
- 参考文献
- 人工智能使用报告（若使用了生成式 AI，该报告不计入 25 页的页数限制）
注：本次跨学科数学建模竞赛对参赛作品的最低页数无硬性要求。你可使用最多 25 页的篇幅呈现完整的解决方案，以及所有想要补充的内容（如图表、计算过程、表格等）。赛事接受部分完成的解决方案。参赛队伍可审慎使用 ChatGPT 等生成式人工智能工具，并非完成本赛题的必要手段。若选择使用生成式人工智能，必须遵守美国数学及其应用联合会的人工智能使用政策，且需在 PDF 解决方案末尾附加一份人工智能使用报告，该报告不计入 25 页的页数限制。
三大核心任务 基础思路 + 模型 + 步骤（极简版）
任务 1：选取三类职业（STEM / 技能型 / 艺术类各 1 个）
基础思路：按 Gen-AI 对职业的
影响类型（替代 / 辅助 / 赋能）筛选，优先选行业数据充足、Gen-AI 影响特征显著的职业，避免选边界模糊的职业。
基础模型：职业 AI 影响评估矩阵（维度：AI 替代度、AI 赋能效率、实操 / 创意不可替代性）。
完成步骤：1. 梳理现有 Gen-AI 职场影响研究，提取三类领域候选职业；2. 用矩阵量化评分（1-5 分）；3. 选定评分特征差异化的 3 个职业（如 STEM 选数据科学家、技能型选西餐主厨、艺术类选视觉设计师）。
任务 2：设计数据驱动模型分析 Gen-AI 对 3 个职业的未来影响
基础思路：多维度量化 Gen-AI 影响，结合行业趋势、就业数据、技术迭代，预测职业需求 / 技能要求变化，明确核心驱动因素，锚定权威数据来源。
基础模型：1. 定量核心：多元线性回归（分析 AI 指标对职业就业量的影响）+马尔可夫链（预测职业发展状态）；2. 辅助：德尔菲法（专家意见修正模型）、SWOT-AHP（量化职业发展优劣势 / 机遇威胁）。
完成步骤：1. 确定模型指标（替代率、赋能效率、行业增长率、技能更新率等）；2. 收集预处理数据（世界经济论坛、劳工统计局、AI 行业报告等）；3. 构建训练模型并验证精度；4. 预测 5-10 年职业趋势，提炼 Gen-AI 驱动职业变革的核心因素（如技术迭代速度、行业适配性）。
任务 3：选对应院校专业 + 提三类定制化建议
基础思路：匹配职业与院校类型（大学 / 技校 / 艺术院校），结合模型预测的职业趋势（需求增 / 减、技能缺口），提
**课程 / 招生 / 资源调配：**建议，建议需用模型量化结果支撑，可补充非就业因素修正。
基础模型：1. 技能 - 课程匹配度量化模型（熵权法）；2. 招生规模优化模型（线性规划，基于职业需求预测）；3. 非就业因素评估模型（层次分析法，维度：学科传承、教育公平、社会价值）。
完成步骤：1. 为 3 个职业选定对应院校及专业（如大学数据科学、技校西餐烹饪、艺术院校视觉传达）；2. 量化现有专业课程与职业新技能需求的缺口；3. 分院校提定制化建议（课程融入 AI、调整招生规模、跨专业资源整合等）；4. 纳入非就业因素修正建议，验证建议的普适性并说明推广范围。
