这一页讲的是人工智能管理中的数据角色，重点包括数据驱动决策、机器学习和自动化等应用。

这一页讲的是人工智能（Artificial Intelligence, AI）管理中的数据角色。幻灯片标题强调了数据在人工智能系统中的核心作用。图片展示了多个关键应用领域，包括虚拟助手（Virtual Assistant）、机器学习（Machine Learning）、用户认证（User Authentication）、面部识别（Face Recognition）和自动化（Automation）。这些应用都依赖于数据的收集、处理和分析。例如，机器学习需要大量高质量数据来训练模型，而面部识别技术则依赖图像数据来实现身份验证。图中的芯片标注为“AI”，象征着数据通过人工智能技术转化为实际应用。数据驱动决策（Decision Making）也是一个重要部分，通过分析数据，企业可以优化运营、提高效率。总之，这一页强调了数据作为人工智能系统的基础资源，其质量和处理方式直接影响系统性能和应用效果。

这一页讲的是 Topic 4 的学习目标，包括理解数据在 AI 解决方案中的作用、分析大数据的特性与质量，以及识别数据相关的挑战。

这一页讲的是 Topic 4 的学习目标，重点有三个方面。首先是理解数据在设计和实施 AI 解决方案中的关键作用，这强调了数据在驱动 AI 算法和模型性能中的重要性。其次是分析大数据的关键特性和质量，特别是在教程中将重点讨论大型语言模型（LLMs），这涉及数据的规模、准确性和多样性对模型训练的影响。最后是能够识别潜在的数据相关挑战，例如数据偏差、不完整性或隐私问题，这些问题可能直接影响 AI 系统的可靠性和公平性。通过掌握这些目标，学生可以更好地理解数据在 AI 开发中的核心地位，以及如何应对数据质量和挑战以优化模型性能。

这一页讲的是今天的任务安排，包括分组活动和提交提案的要求。

这一页讲的是今天的任务安排。首先，Exercise 2 将由两位负责人领导，分别是 Lily（负责 T02、T04 和 T05）和 Daeun（负责 T01 和 T03）。其次，强调了活动是以小组形式完成的，每张桌子上的成员需要作为一个团队共同合作。最后，明确了在课程结束时需要上传提案，上传方式是通过最后一页提供的二维码。这种安排旨在促进小组协作，同时确保提案的顺利提交。

这一页讲的是 University of Auckland 提供的研究项目资助机会，要求撰写与 AI 管理相关的 1 页研究提案。提案需包含标题、三段内容、至少 8 篇学术参考文献，以及至少一句学术引用。

这一页讲的是 University of Auckland 提供的研究项目资助机会，要求申请者提交一份 1 页的研究提案，重点关注 AI 在组织管理中的应用。提案需满足以下要求：第一，提出一个与 AI 管理相关的研究项目；第二，字数限制在 500-550 字；第三，需包含一个描述性标题和三段内容，分别阐述研究内容、重要性及研究方法；第四，至少引用 8 篇最近（2020 年后）发表的学术文献，需采用 APA 第七版格式并附 DOI 链接；第五，至少包含一句来自学术论文的直接引用。这一要求强调了研究提案的结构性和学术严谨性，同时鼓励使用大型语言模型（LLM）辅助撰写。举例来说，申请者可以选择探讨 AI 在企业决策中的优化作用，结合文献支持和清晰的研究方法说明，来提高提案的竞争力。

这一页讲的是 LLM Exercise 的第一部分，介绍了六种大型语言模型（LLM）的特点和用途。

这一页讲的是 LLM Exercise 的第一部分，列出了六种大型语言模型（LLM），包括 ChatGPT、Copilot、Meta AI、Claude、DeepSeek 和 Gemini，并简要介绍了它们的特点和适用场景。表格中每一行对应一个模型，说明了其开发公司、发布时间、主要功能和使用方式。例如，ChatGPT 是由 OpenAI 于 2022 年推出的，擅长通用任务、对话能力和内容创作，并支持通过 Google/Gmail 登录使用；Copilot 是微软推出的，侧重于生成内容、提供建议和自动化任务；Meta AI 基于开源模型 LLaMa，擅长推理和数据分析；Claude 专注于编码和数据分析，并支持多种写作风格；DeepSeek 和 Gemini 分别侧重于数学、推理和数据分析。表格还指出了各模型的登录选项和免费使用的限制条件。这一页为用户提供了选择适合自己需求的 LLM 的基础信息。

这一页讲的是 LLM 实验任务的第一部分，要求记录每次输入的提示（prompt）的迭代次数，成功与否，以及存在的问题。

这一页讲的是 LLM（Large Language Model）实验任务的第一部分。主要内容是让用户对每次输入的提示（prompt）进行详细记录，包括以下几点：第一，记录提示的迭代次数（Prompt Iteration）；第二，分析执行的提示是否成功（What Went Well）；第三，识别执行提示中持续存在的问题（Which Issues Persisted）。此外，还需要包括那些生成了有趣回应的提示，并考虑所使用的 LLM 的主要目标和优势。页面还给出了一个提示，建议用户思考如果不使用 LLM，自己会如何撰写相关提案。这一练习的目的是帮助用户更好地理解 LLM 的工作原理、优势和局限性，同时培养对模型输出的批判性思维能力。

这一页讲的是 LLM Exercise 的第一部分，讨论生成的最终输出质量、迭代次数、人类干预任务以及 AI 的适用范围。

这一页讲的是 LLM Exercise 的第一部分，主要通过课堂讨论来分析使用大型语言模型（LLM）完成任务的效果。首先，提出了一个问题：最终输出是否满足提案要求，目的是评估生成内容的质量和与目标的匹配程度。其次，讨论了完成最终输出所需的迭代次数，这可以反映模型的效率以及调整过程的复杂性。第三，探讨了哪些任务需要人类干预，即 LLM 无法独立完成的部分，强调人类在复杂决策或需要创造性思维的任务中的重要性。最后，提出了一个开放性问题：如果你是学术或工业领域的研究者，哪些任务适合用 AI 自动化，哪些任务不适合。这鼓励学生思考 AI 的局限性和应用场景，例如数据分析可以自动化，但伦理决策可能需要人类介入。

这一页讲的是如何确保研究提案引用信息系统领域的顶级期刊。列出了多个期刊名称，并建议用 LLM 协助完成任务。

这一页讲的是确保研究提案的引用来源于信息系统（Information Systems, IS）领域的顶级期刊。这是为了保证研究引用的来源具有可信度和相关性，从而为高质量的研究工作奠定坚实基础。幻灯片列出了多个被认为是顶级的 IS 期刊，包括 Decision Support Systems、European Journal of Information Systems、Information & Management 等。这些期刊涵盖了信息系统领域的重要研究方向，例如决策支持系统、信息管理和战略信息系统等。幻灯片的建议是修改提案，确保所有参考文献都来自这些列出的期刊，并使用分配的 LLM（大语言模型）来协助完成这一任务。例如，如果研究涉及信息系统的战略应用，可以参考 Journal of Strategic Information Systems (JSIS) 中的相关文献。这种方法不仅提高了研究的学术质量，还增强了研究的可信度和专业性。

这一页讲的是学术论文质量检查的关键点，包括参考文献的真实性、字数要求、引用格式和来源可靠性等内容。

这一页讲的是学术论文质量检查的具体要求和标准。首先，需要确认提供的参考文献是否真实存在，可以通过搜索 DOI 或网站链接验证。其次，检查论文是否符合字数要求（500-550 字），可以通过文字统计工具确认。第三，确保至少包含 8 篇学术参考文献。第四，引用格式是否正确，是否符合 APA 第七版规范，包括参考文献是否按字母顺序排列而非编号，以及期刊名称和卷号是否使用斜体。第五，确认引用的文章是否来自可信的学术来源。最后，检查引用的内容是否确实来自所列的学术论文。比如，如果引用某篇论文的观点，需要核对该观点是否真实存在于该论文中。这些质量检查步骤对于确保论文的学术性和可信性至关重要。

这一页讲的是 LLM 的局限性、输入质量对输出质量的影响 (GIGO)，以及 AI 工具使用的伦理和用户素养。

这一页讲的是 LLM 的局限性、输入质量对输出质量的影响 (Garbage In Garbage Out, GIGO)，以及 AI 工具使用的伦理和用户素养。首先，LLM 在学术写作方面有局限性，包括无法访问完整的期刊文章、训练数据过时、训练内容广泛但未经筛选，以及作为“随机鹦鹉”无法保证内容的真实性和准确性。其次，GIGO 强调输入质量决定输出质量，建议用户在输入提示时明确目标（例如撰写研究提案）、提供上下文（例如关于 AI 管理的提案）、设定预期（内容和结构要求），并指定来源（例如顶级信息系统期刊）。最后，AI 素养 (AI Literacy) 强调用户需要全面了解 AI 工具的优缺点，并具备批判性评估其输出的能力。这些内容对于正确使用 LLM 和提高学术成果质量非常重要。

这一页讲的是研究提案提交的要求和流程。主要包括选择正确的教程组、注明表格编号和小组成员信息，以及通过二维码提交提案。

这一页讲的是研究提案提交的具体要求和流程。首先，学生需要将自己的研究提案提交到正确的教程组(Tutorial)，页面列出了不同组的时间安排，例如 T01 (Julia - 9am)、T02 (Jade - 9am) 等。学生需确保选择与自己时间匹配的组。其次，提交时需要注明表格编号(例如 1, 2, 3 等)以及小组成员的姓名信息，以便老师能够准确识别和分类提交内容。此外，页面中央提供了一个二维码，学生可以通过扫描二维码直接进入提交页面，简化了提交流程。这种方式不仅高效，还能减少错误提交的可能性。例如，如果某学生属于 T03组，他需要选择对应的时间段，并通过二维码完成提交，同时确保填写完整的表格编号和成员信息。