高等教育数字化的技术部署节奏与路向——以147所高校DeepSeek布局为例

2025年伊始，国产大模型的集中涌现标志着我国在通用人工智能（AI）领域迈出了具有战略意义的探索步伐。深度求索（DeepSeek）自问世以来，以相对较低的成本快速实现了多模态智能、推理能力与行业落地之间的高度耦合，展现了我国人工智能研发实力的跃升，也为全球多模态智能的发展提供了具有参考价值的样本。DeepSeek通过构建开放生态体系，大幅降低本地部署AI模型的门槛。在国家政策积极引导、技术门槛降低、应用场景日益丰富的多重作用下，各高校于2025年逐步对DeepSeek进行本地部署，推动高等教育智能转型，2025年可被视为我国高校的“DeepSeek元年”。

2025年高校布局校园版DeepSeek的趋势统计

自2025年初以来，随着我国在通用人工智能领域战略布局的不断深化，以及国产开源大模型研发体系的日益完善，高校加快推动以DeepSeek为代表的大模型工具在教学与科研体系中的部署与应用。DeepSeek依托其在语言理解、复杂推理与跨模态生成等方面的优势，以及开放源代码、低部署门槛、高适配能力等技术特性，逐渐成为高校推动人工智能赋能教育教学和科研创新的重要工具[1]。在国家政策支持、技术生态开放和成本结构优化的多重驱动下，部分高校率先完成本地部署，推动模型嵌入到智能教学辅助、科研支持、跨学科知识建模、行政管理自动化等具体场景。整体来看，DeepSeek在高校的推广使用已由早期的观望尝试阶段转向系统性接入阶段，呈现出部署规模化、应用体系化、功能协同化的趋势。

1.时空特征与分布态势

2025年以来，高校相继推进DeepSeek系统的本地化接入。为梳理高校部署现状，本文选取2025年1月1日至8月30日期间，147所“双一流”高校作为主要研究对象，聚焦其在校园内本地部署DeepSeek系统的情况进行统计分析。数据主要来源于高校官方网站与教育新闻平台，并开展多轮人工校验与时间节点比对，从而确保数据的准确性与时效性。统计结果显示，在上述高校中，已有125所高校明确披露完成本地部署，显示出当前高校在推进AI基础设施建设方面的高度积极性与响应力度。

如图1所示，从“双一流”高校本地部署DeepSeek的累加次数与百分比分布，可以清晰观察到DeepSeek在高校中的推广过程呈现出典型的S型扩散曲线特征，部署学校累加数量与百分比均显示出由缓到快、再趋于平稳的演进轨迹，与创新扩散理论（Diffusion of Innovations Theory）中所描述的技术采纳模式高度契合。在图示初期阶段（第1至7周，即2025年1月1日至2月18日），部署DeepSeek的高校数量缓慢增长，主要由以“985”高校为代表的技术创新者（Innovators）引领。这类高校具备雄厚科研基础、较强风险承担能力和对前沿技术的敏锐判断力，是技术扩散的先行试点。进入中段（第8至10周，即2025年2月19日至3月11日）后，随着早期部署高校的经验示范效应增强以及大模型技术自身稳定性提升，越来越多“211”高校和部分其他“双一流”高校开始加入部署行列，构成扩散中的早期多数（Early Majority）群体。此阶段部署高校数量迅速上升，呈现加速扩张态势，是扩散曲线的跃升期。随着部署高校数量逼近饱和，图示后期（第11至18周，即2025年3月12日至5月6日）增长曲线逐渐平缓，进入稳定扩散阶段。剩余未部署高校为晚期多数（Late Majority）或滞后者（Laggards），其部署受限于资源条件与组织能力，往往需要政策激励、区域协同等外部强干预力量推动[2]。

为深入分析我国“双一流”高校在本地部署DeepSeek过程中的总体趋势与差异特征，本文选取办学层次、地域分布与部署时间三重变量交叉分析，以厘清不同类型高校在部署节奏与应用广度上的差异，试图以有限数据分析制度响应、组织惯性与资源环境配置的三元机制。具体而言，将“双一流”高校按照办学层次分为“985”高校、“211”高校以及其他“双一流”高校，按照地域分布分为东部、中部与西部高校，并以首批部署时间为起点按照部署时间进行分类，通过列联表卡方检验，分析DeepSeek的部署情况是否因高校属性的差异而有所不同。结果如表1所示。

从创新扩散的视角来看，DeepSeek在高校层级与地域层面的推广过程呈现出典型由上而下的扩散路径，部署态势表现出显著的层级化差异。从办学层次来看，DeepSeek部署比例随着高校办学层次递减而逐级降低。如表1所示，截至2025年5月，全国“985”高校中已有38所部署DeepSeek，占比高达97.44%，“211”高校部署率为90.43%，而在非“211”高校但仍属于“双一流”建设高校中，仅有69.63%的高校完成部署，不同办学层次的高校在是否部署DeepSeek上有显著的统计学差异（p<0.001）。这一趋势表明，办学层次较高的高校更易获得人工智能布局的政策与资源支持，部署节奏也更为迅速，展现出较强的先行示范效应。国家重点建设的“985”与“211”高校，通常拥有更充裕的科研经费与更强的技术基础设施，在校内具备较为完善的信息化管理体系，更容易对接并落地通用大模型。相较之下，部分普通“双一流”高校在硬件投入、技术团队建设和跨部门协同方面仍存在短板，使其在部署大模型时面临更多的现实制约。从高校地域来看，部署率在不同区域间的总体差异并不显著，但仍呈现出一定的地域分布规律。地域差异的成因既包括地区经济发展水平、教育信息化建设程度等客观因素，也受到地方政策引导、教育行政管理方式与高校间协作机制的影响。中部地区有较强的区域协同传统与高校联盟体系，使得新技术推广可以通过以点带面的模式快速扩展。相较之下，东部地区的部署节奏反而略显滞后，可能与高校自主性较高有关。从部署时间来看，高校大规模部署DeepSeek的时间集中在二月中旬到四月上旬，呈现出迅速增长到逐渐饱和的规律，“双一流”高校对DeepSeek的部署时间上存在显著的统计学差异（p<0.001）。

2.功能结构与场景谱系分析

为进一步揭示DeepSeek在“双一流”高校中的功能定位与实际应用路径，对其典型应用场景进行了系统梳理与归类分析。结合政策文件、公开报道、高校实践案例等多元数据来源，参考现有人工智能教育应用分类框架，本文将高校部署DeepSeek的主要应用场景划分为六大类：即教学辅助中的“助教”类应用、学生支持中的“助学”类应用、教育“评价”类应用、学校治理中的“管理”类应用、“科研”类应用，以及涵盖多个领域功能的“综合”应用[3]。在分类基础上，对样本高校中各类应用出现的频次进行了统计分析。结果如表2所示。

从当前统计数据来看，高校对DeepSeek模型的应用以综合性部署为主，占比高达72%，涵盖教学支持、科研辅助、教学管理与学习评价等多个功能，显示出高校在顶层设计上对大模型赋能教育的系统性思维。相较之下，聚焦于助教（3.2%）、管理（12%）、科研（4%）、评价（0.8%）与助学（8%）的单一功能部署比例较低。不同类型高校在部署DeepSeek的场景选择上存在差异，可能受制于组织数字能力、学科布局结构、教师数字素养等多重变量。后续研究可结合问卷与个案访谈，进一步识别影响各类场景部署优先级的深层因素。未来应进一步推动各场景应用之间的协同、数据互通与机制联动，在保障数据安全与伦理合规的前提下，建构以大模型为核心的教育数智生态体系。

综合性部署高校数量占据主导，反映出高校教育数智化正在由点状试验向面状布局跃迁。综合性部署不只是简单的技术叠加，也体现出高校在资源协同、场景联通与数据集成方面的深度整合。浙江大学部署了全套DeepSeek-V3与R1系列模型，构建专属算力平台，确保校内师生获得高效、稳定的模型服务。结合华通云数据提供的算力池化技术，学校实现了GPU资源的动态调度，有效应对教学、科研、办公等不同场景的负载需求。山东大学则提出“校内版DeepSeek-R1+本地知识库”的融合架构，实现教学资料、科研文献、行政文件的智能整理、深度分析与个性化推荐，为教师科研办公、学生自主学习提供全天候、多模态支持服务。作为DeepSeek应用的重点领域，“智能助教”已在多个高校取得初步成果。北京师范大学在本地部署DeepSeek-R1模型基础上，深度整合本校教学大纲、课程手册与教学案例库，为近万门课程开发定制化智能助教系统。该助教能根据课程特点与学生的学习进度和薄弱点，动态推荐适配的学习资源与习题。本地部署保障了数据安全，还提升了知识库定制的灵活性。高校基于大模型开发各类伴学智能体，面向学生需求提供个性化学习资源与路径。上海交通大学将DeepSeek接入AI应用平台，开发数学深度推理智能体，针对学生解题薄弱环节提供分步骤引导和错题归因分析，形成完整的认知反馈闭环。部分高校图书馆接入DeepSeek，帮助学生进行数据库检索，提升学生的效率。DeepSeek模型在科研领域的部署主要聚焦于大数据处理与跨学科问题建模。吉林大学利用本地部署的大模型系统，高效处理海量科研数据并辅助预判科研方向。华中科技大学则通过将AI系统与超算平台结合，服务于材料科学与生物医学研究，实现多模态数据的关联分析与模型生成，为复杂研究任务提供算法支撑。此外，河北工业大学以DeepSeek为基础，在多个产业领域构建知识体系与智能服务矩阵，为产学研协同提供高频次、高保密性、高精度的智能支持。管理层面的应用强调大模型对教学管理、行政办公与事务性流程的支撑能力。高校通过构建本地智能系统，将大模型嵌入到教务管理、科研申报、资料归档等关键节点，实现文本自动分类、事务智能检索与流程节点优化。四川大学通过打造“大川智问”校园问答智能体，将DeepSeek嵌入学生服务全流程中，实现从新生入学导引、教务办理指引到毕业离校手续等事项的智能应答与流程提醒。部分高校将DeepSeek接入招生问答系统中，为考生提供了定制化的报考答疑，减少了教师行政负担。在评价方面，DeepSeek为实验课程与技能实训提供了新型解决方案。东南大学推出的“实验Talk”平台，通过模型分析学生上传的图像、图表、文本与波形数据，自动生成实验报告质量评估意见，突破了传统“一对多”教学模式下指导不足的瓶颈。

高校部署DeepSeek的内在机制可从“技术—组织—环境”（Technology-Organization-Environment，T-O-E）框架视角进行系统分析，组织在面对新技术时，其采纳与扩散受到技术属性、组织条件与外部环境三重维度的共同影响[4]。从技术维度看，戴维斯基于理性行为理论与计划行为理论提出的技术接受模型（Technology Acceptance Model，TAM）指出，用户使用信息技术的行为由行为意向决定，行为意向由使用态度和感知有用性共同决定，而使用态度又由感知有用性和感知易用性共同决定[5]。DeepSeek所具备的开源灵活性、部署门槛较低及多模态任务能力，增强了技术的感知可用性与感知易用性，降低了高校技术采纳的不确定性与初期成本，凸显其在高校环境下的兼容性与响应性优势。从组织维度看，组织内部资源结构、领导意愿、专业人力与数字化治理能力成为部署的决定性因素。多数率先部署的高校具备更强的算力基础设施和教师数字素养，其组织结构也具备快速响应新技术的能力，体现出主动适配的组织行为特征。在环境维度方面，国家教育数字化战略、区域算力布局计划及大型科技企业开放生态共同构成高校本地接入DeepSeek的制度环境基础。高校间的竞争机制也促成了竞争同形（Competitive Isomorphism）的扩散趋势[6]，加快了平台部署的群体性演化。

高校布局校园版DeepSeek的实践问题分析

DeepSeek正在成为推动我国高等教育智能化转型的重要技术力量，高校将其嵌入到教学辅助、科研支持、行政管理与教育评价等环节，形成以“大模型+教育”融合发展为特征的新型应用格局。从整体趋势来看，DeepSeek在高校部署呈现出起步迅速、覆盖面广、场景丰富的特点。然而，尽管部署高校数量持续上升、应用范围不断拓展，大模型在推广过程中仍面临一系列现实挑战。首先，高校部署缺乏差异化战略，即总体性与技术性部署多，缺乏精细化应用性布局；其次，高校接入部署的供需衔接不畅，即技术供给过剩，需求侧调研不足；此外，集成式人工智能技术凸显了高校数据库建设底层基础设施薄弱；最后，高校接入DeepSeek的成本效益未被充分评估，资源投入与实际产出不成正比。总体而言，当前DeepSeek在高校的应用仍处于过渡阶段，既需要技术路径上的持续优化与场景适配，也亟需系统设计与支持，以实现人工智能与高等教育体系的真正融合。

1.DeepSeek部署的技术导向偏误与场景契合困境

高校在部署DeepSeek过程中，更加关注技术层面的建设指标，侧重于建设大规模算力平台、私有大模型系统和统一管理平台等技术指标，而忽略了以用户需求、教学目标和学科特点为导向的精细化应用布局。从T-O-E模型的视角看，高校的技术采纳不仅受制于技术本身的可用性，还深受组织内部资源配置与外部政策环境的影响[7]。竞争同形式的集体响应缺乏精细化应用性布局，未进行充分的需求和场景调研，缺乏将教学目标、学科特点与模型功能进行分层匹配的系统性研究，从而难以形成针对性强的场景适配方案[8]。高校在前期规划中未能明确教师、学生与管理者等不同用户群体的功能需求，未将技术部署与教学场景深度融合，导致部署后的大模型应用缺乏持续推进机制，难以形成有效的教育、学习、科研闭环。一方面，高校致力于搭建模型平台，但缺乏直观的可视化界面、终端工具和使用培训，使得其无法真正融入师生日常教学与管理中。另一方面，高校尚未建立完善的应用评估与反馈体系，导致部署后使用热情下降，未能充分发挥大模型对教学模式和管理创新的带动作用。当前，多数高校尚未开展部署效果的系统评估与用户调研，缺乏基于数据驱动的反馈机制与成本效益模型，制约了模型部署的精准性与可持续性。后续研究拟补充专家访谈与学生、教师问卷，重点聚焦高校在部署阶段的管理机制、师生参与度与评估路径等维度，提升研究的实证解释力。

2.DeepSeek推广的供需匹配失衡与用户参与缺位

高校接入部署DeepSeek的供需衔接不畅，即技术供给过剩，需求侧调研不足。参与式设计（Participatory Design）理论强调系统开发过程中用户的早期参与对于工具功能适配性与用户采纳意愿起决定性作用。当前在高校推广中，DeepSeek的技术供给往往由信息化部门或合作企业主导，导致教师与学生边缘化，一线教学主体的参与不足使得需求方声音难以充分反映在系统设计中。一方面，需求方未能参与设计与评价，容易形成技术与需求脱节，教师与学生在教学、学习、科研等层面的真正需求可能被忽视。另一方面，用户群体的数字素养存在差距，部分教师与学生对新技术不够熟悉，也削弱了新技术的感知可用性与易用性[9]。从感知易用视角出发，DeepSeek供给侧冗余叠加，而需求侧使用率低、满意度差。供给端过度堆砌工具而不聚焦实质需求，造成经费投入与实际效益之间的错配。当前市场和校内供给端同时涌现出生成式AI平台、智能学习系统等多种AI产品，在功能上存在较多重叠，且多由不同部门各自推进，造成资源浪费。尽管部分高校将不同AI应用集成于校内智能体，融入现有教学平台，但由于应用场景设置不清晰、指导不足，师生对新系统的使用率不高、使用深度有限，难以真正将AI深度融入教学与学习实践。在环境资源配置中，高校在教育技术项目中普遍缺乏专业的产品管理能力。多数项目以技术实现为出发点，缺少面向用户的需求调研和使用场景分析，也未建立持续收集用户反馈的机制。技术部门无法及时了解教师和学生在使用过程中的痛点，难以根据反馈迭代技术并完善功能。同时，高校也缺乏系统的效果评估指标，对不同应用场景的投入产出比没有精准测算，无法依据数据调整资源分配[10]。

3.DeepSeek应用的知识底座薄弱与数据融合滞后

DeepSeek大模型本质上是一种基于海量数据训练的集成性工具，其效果不仅依赖模型能力，也高度依赖其与本地知识库、教学资源库的融合。然而，部分高校未能将本地化教学内容、课程案例与科研成果等数据接入校园DeepSeek，导致大模型无法与高校设置的具体课程和科研内容相对接，制约了模型的使用深度与专业化表现，本质上揭示了底层数据基础设施建设的不足[11]。在组织结构层面，高校缺乏统一规划的教育大数据平台。部分高校的数据资源底板薄弱，学校教务、科研、图书资源等数据分布在不同系统中，缺少统一标准和接口，各学院自行建设数据库，没有形成跨部门共享的完整数据资源库，限制了大模型的知识底座建设。由于数据来源零散且更新不及时，供AI训练的本地语料质量难以保证，影响专业化支持效果[12]。在技术配置层面，当前部署的DeepSeek大模型多为通用模型，更多基于公开大规模语料训练，与本地教学资源耦合度低。由于本地化微调和专业知识嵌入成本高，不少学校暂时未对模型进行定制化改造，模型输出容易出现通用性强但针对性弱的回答。DeepSeek的教育智能体功能未能精准对接各学科需求，限制了其在专业课程教学和研究指导中的价值。在环境维护层面，现有知识基础设施建设多为一次性投入，缺乏持续更新维护机制。部分高校虽建立了知识图谱或数据库，但更新频率较低，难以跟上学科进展与教育需求变化。知识图谱构建和维护需要投入大量人力、物力以及专门技术，然而目前投入不足，致使知识底座建设难以形成良性循环。

4.DeepSeek建设的成本压力增加与效益评估缺位

大规模部署DeepSeek大模型系统需要投入大量的软硬件资源，包括算力中心建设、模型微调、人力培训、安全审查等。其中，算力成本尤其突出。训练或微调大型模型需要大量GPU/AI芯片资源，运行时也需持续高性能算力支持。此外，持续支出的系统维护成本也不容忽视，高校需要专门团队负责模型监控、升级、故障处理、安全加固等工作。综合来看，本地部署模式短期投入巨大，且高校在DeepSeek大模型项目上尚未建立系统的评估指标与机制，难以评估长期运行的投入产出比[13]。具体而言，对模型在教育教学中所产生的实际效果缺乏量化考核方法，对科研辅助和管理优化所带来的效益也缺少清晰的评估框架。投入决策更多依赖经验和预期，缺少科学依据。部分高校只关注短期的功能验收，忽视了后续使用情况和价值产出。在当前教育数字化热潮中，部分高校为了紧跟政策和潮流，倾向于盲目部署先进技术，而不考虑实际可用性。这种“为部署而部署”的思维导致资源使用效率不高。技术平台建成后，如果教师和学生不适用或者未充分培训学习，系统就可能长期闲置而价值难以体现。部分学院或项目组追求最新最强的模型版本，却忽视了本校特色和需求特点，造成重复建设，浪费人才和经费资源。

进一步发挥DeepSeek赋能高等教育的思考

当前我国高校对DeepSeek系统部署已初具规模，整体应用呈加速扩展态势。然而，从已有实践经验来看，部署过程中暴露出的问题也不容忽视，特别是在模型与教育场景的适配深度、资源利用效能及长效运行机制等方面，尚未形成稳定、成熟的体系。要实现从初步接入向深度融合的转变，必须超越技术部署层面，从T-O-E模型出发，推动技术资源配置、组织协同与制度环境建设的系统提升。从教育实践视角来看，模型部署引发教育理念、教学方法与组织流程的深度变革。因此，技术系统的有效嵌入必须与教育目标保持一致，服务于育人过程。从系统建设角度出发，应以整体性眼光构建包括基础数据平台、教师支持体系、学生使用反馈机制在内的复合型技术支持环境，为人工智能系统在高校的持续优化提供反馈闭环。推动DeepSeek在高校的高质量应用，不仅是人工智能技术发展的延伸，更是高等教育体系现代化转型的重要契机，唯有技术—组织—环境协同多维发力，才能真正实现教育技术为育人赋能。

1.区域协同推动资源共享与应用落地

DeepSeek模型的有效运行高度依赖算力资源与技术平台支撑。受制于地区间经济发展不均与学校层级差异，高校在部署能力上存在显著分化。以区域资源共享为基础、以分层部署策略为保障，推动资源的高效配置，是提升DeepSeek部署效能的现实路径[14]。在数字化环境共建中，应构建区域算力协作网络，实现高校间异地部署与资源共享。借鉴美国国家科学基金会于2024年启动的国家人工智能研究资源（NAIRR）试点项目的经验，可以由教育主管部门统筹，联合优势高校、科研机构与算力平台，设立区域性AI资源节点，支持高校异地访问与远程调用，以打破“强校强、弱校弱”的资源鸿沟[15]。在组织结构层面，应推动分层分级部署策略，实现因校制宜的模型落地。鼓励行业联盟或省级教育集群共建共享基础设施，重点高校可建设本地高性能AI节点，并承担服务共享职能。目前，浙江大学智能体“浙大先生”向全国CARSI联盟的800余所高校开放，华南理工大学本地部署DeepSeek应用，面向广东省内院校共享，促进了区域共建与教育公平。普通本科院校与职业院校则通过云端方式接入统一平台，实现轻量化部署，减少重复投资与建设成本。在部署形态上，应探索“私有+公有+混合云”协同机制，以满足高校不同场景的灵活接入需求。应集聚科研资源、人才与技术力量，构建协同发展的共建共用平台，形成基础设施协同、数据资源共享、场景开发共创的良性生态。

2.校企协同促进应用扩维与人才培养

DeepSeek赋能教育的实效性依赖模型架构的先进性，更取决于其与教育实践的深度耦合。当前高校在应用层面面临专业适配不足与人才供需错配等问题，须通过校企协同，推动产学研一体化体系建设[16]。其一，鼓励高校围绕人工智能加快学科专业布局，构建“顶尖科学家人才+技术研发人才+应用实践人才”的人工智能人才培养矩阵，加大对高素质人工智能人才培养的要素投入，提升人才供给能力。以课程、专业、能力三层级目标体系为牵引，推动教学内容、培养目标与AI应用场景的协同适配。其二，鼓励校企联合开发行业垂直模型，满足教育、医学、金融等不同专业的应用需求。当前DeepSeek在教育实践中的拓展能力受限于语义迁移能力不足与场景适配结构的缺失。要打破模型通用性与专业化需求之间的矛盾，亟需在产学协同中引入垂直嵌入策略，即通过与企业共建领域知识图谱，将教育语境下的教学流程、评价体系、学科标准等嵌入模型底层架构，形成语义对齐机制，提升其垂直领域效能。其三，在资源整合层面，鼓励高校与企业共建AI教育联合实验室，集中整合课程数据、考试题库、科研论文、知识图谱等数据资源，为模型优化提供高质量语料支持。动员社会更多的资源力量投入人工智能与教育的融合创新应用，实现资源集约化、共享化利用。其四，在人才培养层面推行双聘制机制，实现人才跨界流动。高水平AI技术人才与教育应用人才之间存在断层，是制约DeepSeek落地的重要因素。高校应探索与企业之间的双聘机制，促进高校教师与企业工程师双向流动，以解决大模型研发、迭代、运维等人才供需错配问题。

3.制度设计完善治理体系与绩效机制

从教育治理视角来看，DeepSeek系统作为新型教学基础设施，其部署需纳入高校整体发展战略与质量保障体系之中。高校在推动DeepSeek应用过程中，应重视产品思维，将“可用”转化为“常用”。一是建立AI系统部署前期评估机制。美国非营利性组织EDUCAUSE发布的《AI政策与指南行动计划》中指出，人工智能政策和指南应涵盖机构治理、运营和教学的政策框架，并以此为基础不断发展[17]。高校应设立“人工智能教育指导委员会”，负责前期可行性研究、部署方案审查与需求匹配评估。借鉴项目生命周期管理理念，将DeepSeek部署分为需求调研、方案设计、试点应用、全校推广四个阶段，每一阶段设立明确绩效指标与验收标准。二是制定部署操作指引与伦理规范，提升技术落地的安全性与规范性[18]。欧盟《教育工作者在教学中使用人工智能和数据的道德准则》指出，应明确AI工具的角色边界与教学辅助性，避免教学权威的过度转移[19]。我国高校应结合网络安全法、个人信息保护法，制定《人工智能伦理规范》等制度文件，为教学场景中的AI应用划定清晰边界，保障人工智能技术在教学科研应用过程中的伦理规范。三是引入平台绩效考核体系，综合考评使用频率、满意度与成果转化比。欧洲11国高校联合启动了“高等教育中的生成式人工智能与大语言模型”项目，强调需求映射与政策制定相一致，通过与教学人员的合作，了解教学需求，制定相应的政策和实践指南，促进AI技术融入教学[20]。当前部分高校缺乏AI平台运行的系统性考核机制，难以判定其价值与效能。应建立涵盖系统数据使用、师生满意度调查、教学成效分析、科研成果转化等维度的综合评价指标体系，并结合预算分配与后续资源支持，形成以评促用、以评促优的动态优化机制。

4.数据底座支撑教学应用与科研创新

DeepSeek系统的智能水平不仅取决于算法与模型能力，更依赖于其所连接的数据底座。在高等教育环境中，模型必须与高校课程体系、教材资源、科研成果等本地知识深度耦合，才能实现真正的教学嵌入式支持。AI4EU是一个欧洲范围的AI平台，旨在为教育提供全面的资源支持。该平台建立结构化教育资源库，收集并整理各类AI相关的教育资源，供学生、教师和专业人士使用[21]。当前我国高校在数据资源建设方面尚属薄弱，亟需构建完善的教育知识基础数据底座。首先，加快本地教育知识库建设，实现DeepSeek模型与课程体系深度耦合。知识库建设应以课程标准与教学大纲为基础，整合教材章节、课件资源、历年试题、课堂笔记等教学内容，构建结构化知识单元与概念网络，以支持AI系统精准推理与语义理解。同时，应针对不同学科建立个性化知识图谱，满足多学科语义建模需求[22]。其次，推动结构化教学资源体系建设，为模型输入提供高质量语料支持。AI模型要发挥教育价值，必须基于结构化、标准化、可追踪的高质量语料体系。因此，应加快资源标签化、元数据标注、语义编码等工程，实现课程内容的深层语义组织与数据接口标准建设。最后，建立资源持续更新机制，完善知识图谱动态维护与智能反馈能力。高校应设置教育数据管理中心，负责教学数据收集、更新与知识图谱动态维护工作，实现教学内容与模型能力的实时协同演进。

参考文献：

[1]张乐，刘益伶.当高校“定制版”DeepSeek开启“深度求索”[N].中国新闻，2025-02-26（8）.

[2]王袁欣，刘德寰.接触与采纳：基于人工智能早期体验者的创新扩散研究[J].现代传播（中国传媒大学学报），2023（2）.

[3]马志强，崔鑫，尤欣雅，等.DeepSeek在国内高校中的应用态势分析：政策驱动、场景实践与风险应对[J].中国教育信息化，2025（4）.

[4]Awa H O， Ojiabo U O， Orokor L E. Integrated technology-organization-environment (T-O-E) taxonomies for technology adoption[J].Journal of Enterprise Information Management，2017（6）.

[5]Davis F D. Perceived usefulness， perceived ease of use，and user acceptance of information technology[J].MIS Quarterly，1989（3）.

[6]宋铁波，张雅，吴小节，等.组织同形的研究述评与展望[J].华东经济管理，2012（5）.

[7]罗杨洋，周国辉，韩锡斌.高校数字化转型如何适配有效策略？——基于技术、组织、环境协同的视角[J].现代教育技术，2025（6）.

[8]杨现民，曾佳尧，李新.人工智能与教育深度融合的场景细化及落地实践——基于探索性多案例分析法[J].开放教育研究，2025（1）.

[9]费建翔，刘丙利，党同桐.何以拥抱：高校教师教学人工智能技术采纳意愿研究[J].现代教育技术，2025（5）.

[10]李焕宏，薛澜.生成式人工智能应用的使能型风险规制——以高等教育应用为例[J].清华大学教育研究，2025（1）.

[11]杨宁霞，唐爱民.人工智能赋能高等教育治理：国际经验与中国选择[J].电化教育研究，2024（11）.

[12]刘骥，钱禹辰，郭桂真，等.2024年国际教育数智化转型的十大趋势[J].中国教育信息化，2025（3）.

[13]蔡君韬.生成式人工智能技术赋能高等教育现代化[J].中国高校科技，2025（4）.

[14]黄春晨，鲁长风，田友谊.人工智能赋能高等教育的政策嬗变与展望——基于“主题—工具—评价”的三维分析框架[J].高教探索，2025（1）.

[15]U.S. National Science Foundation. Democratizing the future of AI R&D: NSF to launch National AI Research Resource pilot[EB/OL].https://www.nsf.gov/news/democratizing-fu-ture-ai-rd-nsf-launch-national-ai#:~:text=Alexandria%2C%20Virginia%3A%20Today%2C%20the%20U.S.%20National%20Science%20Foundation，necessary%20to%20power%20responsible%20AI%20discovery%20and%20innovation.

[16]杨勇军，杨新荣.应用型高校深化产教融合的动力机制[J].继续教育研究，2024（4）.

[17]Robert J， McCormack M. 2024 EDUCAUSE Action Plan: AI Policies and Guidelines[R]. Boulder: EDUCAUSE，2024.

[18]沈苑，汪琼.人工智能在教育中应用的伦理考量——从教育视角解读欧盟《可信赖的人工智能伦理准则》[J].北京大学教育评论，2019（4）.

[19]鹿星南，高雪薇.人工智能赋能教育评价改革：发展态势、风险检视与消解对策[J].中国教育学刊，2023（2）.

[20]FernUniversitat in Hagen. ADMIT–Generative AI and Large Language Models in higher education[EB/OL]. https://www.fernuni-hagen.de/bildungswissenschaft/bildung-medien/forschung/projekte/admit.shtml.

[21]AI on Demand. About AI4EU[EB/OL].https://www.ai4eu-rope.eu/about-ai4eu.

[22]刘骥，赵询，罗阳.算法赋能高校治理的空间特性与与风险疏解[J].大学教育科学，2025（3）.

[本文为2025年教育部教育管理信息中心委托研究课题“生成式智能体赋能教育数字化的国际经验与应用研究及数据库建设”（编号：MOE-CIEM-2025007）的研究成果]

【作者单位：刘骥、薛梦姣，陕西师范大学教育学部；苏福根，教育部教育管理信息中心研究处】

（原载2025年第21期《中国高等教育》）