大语言模型冲击与高等教育远期暴露率：测度方法、就业效应与满意度分析

随着生成式人工智能快速发展，大语言模型应用对高等教育的冲击日益显著。本文从高等教育视角出发，借助大语言模型对《中华人民共和国职业分类大典》和816个本科专业进行任务标注及职业选择模拟，构建了“任务—职业—专业”三级风险传导模型，使用多模型标注数据、教育部官方数据、专家评分数据、真实使用场景数据四类大数据进行交叉验证，量化测算不同本科专业面临的大语言模型暴露风险，并分析其对就业市场及专业满意度的影响。研究发现：高校专业均面临着一定的远期暴露风险，不同专业间差异显著；高暴露率专业普遍具有结构化的课程体系与标准化就业路径，低暴露率专业则更强调实践技能、深度思维和情境交互能力。从外部劳动力市场需求和内部学生反馈两个维度看，专业暴露率越高，其对口岗位招聘份额下降越明显，学生对专业学习体验与就业前景的评价也越低。研究还发现，中国高校近年来已通过新增与撤销专业的动态调整机制，有效降低专业体系的远期暴露率，并提升专业满意度，体现出高等教育供给侧对人工智能技术冲击的主动回应和自我调适能力。