Python 环境配置与数据预处理自动化
用大模型生成环境配置清单与数据清洗脚本，学生按步骤搭建环境并核对每一步的执行结果，把“装不上、跑不通”变成可复现的流程。
AI 赋能
把大模型与智能工具引入备课、实训与过程评价
梳理 AI 在本课程中的具体赋能场景、工具链与可观测的能力画像。
AI 赋能教学
本课程大纲直接把“AI 提示词基础”列为正式实验项目——这在经济学课程里并不多见。课程的立场是：先让学生学会用 AI 提需求、调代码、做检验，再回头用经济学理论判断结论是否站得住。工具能力与理论判断力，缺一个都不算学会。
AI 教学场景
将大模型与智能工具引入课堂，覆盖从概念理解、代码实现到结果解释的全流程。
AI 提示词三步法训练
按“角色—任务—约束”的结构化写法训练提示词设计，比较模糊指令与结构化指令在产出可用代码上的差异。
基准回归与中介／调节效应的批量实现
让 AI 给出基准回归、中介效应与调节效应的模型设定与代码模板，学生用自己的数据跑通并解释每一组系数的经济含义。
网络数据抓取与指标体系构建
用 AI 辅助设计数字经济测度指标体系，编写公开数据的抓取与整理脚本，并讨论数据的代表性与口径问题。
平台经济与数据要素的分析框架生成
围绕平台反垄断、数据确权等议题，让 AI 生成多视角分析框架（效率、公平、创新、安全），再由课堂用经济学理论逐项检验。
课程实验中的 AI 协同
三个实验中，学生用 AI 生成代码框架与调试建议，再用 Python 实际跑通并逐项核对，形成“AI 起草—人工调试—报告说明”的工作流。
AI 工具矩阵
以下工具可在本课程学习与实验中辅助检索、编码、建模与可视化。
Python（pandas／statsmodels）
课程实验的指定工具，完成数据预处理、基准回归、中介／调节效应与稳健性检验。
大模型（DeepSeek、通义千问等）
实验二的主角：生成代码框架、调试报错、解释概念；课程要求核验其输出。
Jupyter Notebook
把代码、图形与文字说明整合为可复现的分析记录，便于提交实验报告。
网络数据采集工具（requests／BeautifulSoup）
用于公开数据的抓取与整理，需遵守网站的 robots 协议与数据使用条款。
数据可视化库（matplotlib／pyecharts）
绘制数字经济指标的区域分布图与时序变化图。
中国信通院白皮书与官方统计
数字经济规模、数据要素市场等权威口径来源，用于第四、八部分的教学。
实践现场
即学即用的提示词
以下提示词可直接复制到主流大模型，辅助学习与本课程实验（请核验输出、遵守学术规范）。
用结构化提示词让 AI 写出能跑通的数据处理脚本
请你扮演一位 Python 数据分析助教。任务：帮我写一段脚本，读入 CSV 格式的省级数字经济相关数据，完成缺失值处理、异常值识别、按年份与省份排序、生成人均口径指标并输出描述性统计表。约束：1）只使用 pandas 与 numpy；2）每一步都要有中文注释；3）所有可能出错的地方加 try-except 并打印提示；4）最后输出一段 100 字的运行说明。请先复述你对任务的理解，确认无误后再给出代码。对比模糊指令与结构化指令的产出差异
我想在课堂上演示提示词质量对产出的影响。请给我三组提示词示例：第一组是模糊指令（如“帮我分析一下数字经济”），第二组是加入角色与任务的中等指令，第三组是包含角色、任务、约束、输出格式、示例的完整结构化指令。对每一组，请模拟大模型可能给出的回答要点，并说明第三组为何更容易得到可用的分析代码。完成基准回归到稳健性检验的完整流程
我要研究“数字经济渗透度对企业全要素生产率的影响”，数据为 2015—2023 年上市公司面板。请给出 Python（statsmodels 或 linearmodels）代码，依次完成：1）数据预处理与缩尾；2）基准双向固定效应回归；3）中介效应检验（以技术创新为中介）；4）调节效应检验（以行业竞争度为调节）；5）异质性检验（按所有制与地区分组）；6）稳健性检验（替换被解释变量、滞后一期、剔除异常年份）。请在每组结果后说明应该重点看哪个系数、如何解释，以及哪些结果不足以支撑因果结论。设计一套数字经济测度指标体系
请帮我设计一套可用于省级比较的数字经济发展水平测度指标体系，要求：1）至少包含 3 个一级维度、8 个二级指标；2）每个二级指标说明数据来源、计算口径与方向（正向／逆向）；3）给出指标标准化与权重确定的两种方法（如熵权法与主成分分析）及各自的适用条件；4）指出这套指标体系最可能存在的三个偏差来源。请用表格形式输出。分析平台“大数据杀熟”的经济学与监管含义
请从四个角度分析平台基于用户数据实施差别定价的行为：1）经济学角度——属于哪一级价格歧视，成立的前提条件是什么；2）效率角度——对总产出、消费者剩余与社会福利的影响；3）公平与伦理角度——算法歧视与信息不对称问题；4）监管角度——比较欧盟、美国与中国在平台反垄断与数据治理上的主要制度工具。最后给出你的判断：这类行为应当被严格禁止还是个案规制，并说明理由。AI 伦理与规范
使用 AI 须恪守学术诚信、数据安全与行业合规底线。
AI 写的代码必须自己跑通
实验二训练的是“让 AI 产出可用代码”的能力，但交付前必须在本地环境实际运行并核对结果；跑不通的代码不能进报告。
数据抓取要守规矩
采集公开数据须遵守网站的 robots 协议与使用条款，不得抓取个人信息与受版权保护的内容，报告须注明数据来源。
指标体系与权重需要论证
AI 可以快速生成一整套指标体系，但权重确定方法与指标代表性必须有依据；不得为了得到漂亮结论而调整指标或权重。
学术诚信与可追溯
实验报告须标注哪些环节使用了 AI 辅助（代码框架、调试建议、文字润色），保留提示词与修改记录，核心分析由学生本人完成。