摘要：数字经济与人工智能技术的发展，对 MBA 学生管理能力提出了数智化要求。本文基于 219 份有效问卷，从智能技术感知与理解、管理场景中的 AI 应用、复杂环境中的数据决策、组织变化的理解与应对、商业逻辑与价值创造变化的理解、伦理、数据隐私与边界意识六个维度，考察陕西 MBA 学生数智素养现状。研究发现，陕西 MBA 学生数智素养总体处于中等偏上水平，总体均值为 5.61。其中，伦理、数据隐私与边界意识、组织变化的理解与应对得分较高，管理场景中的 AI 应用和复杂环境中的数据决策得分相对靠后。进一步分析发现，管理岗位经验、AI 或数据相关课程训练经历以及 AI 工具使用频率与数智素养水平具有较明显关联。据此，陕西 MBA 教育应优化数智化课程体系，强化 AI 工具应用和数据驱动决策训练。

关键词：MBA教育；数智素养；人工智能素养；数据驱动决策；专业学位教育；陕西高校

一、引言

数字经济和人工智能技术的快速发展，正在推动企业经营管理方式发生深刻变化。人工智能、大数据、云计算和智能算法等技术不断嵌入市场分析、财务预测、客户管理、供应链优化、人力资源配置和战略决策等环节，使企业决策越来越依赖数据资源、智能工具和算法模型。在这一背景下，管理人才的能力结构也随之发生调整。传统管理知识仍然重要，但已经不足以支撑企业在数字化、智能化环境中的持续竞争。未来管理者不仅需要理解战略、组织、市场和财务问题，还需要具备理解数字技术、使用智能工具、开展数据驱动决策以及识别技术风险的综合能力。对于 MBA 学生而言，数智素养已成为其适应数字经济发展、参与企业转型和提升职业竞争力的重要能力基础。

从已有研究看，数字素养、数据素养和人工智能素养为理解数智素养提供了重要基础。早期数字素养主要强调个体获取、理解、评价和使用数字信息的能力，关注信息检索、数字工具使用和网络交流等基础技能。随着大数据、人工智能和算法技术广泛应用，数字素养的内涵逐渐扩展，开始强调数据理解、智能工具应用、问题解决和技术伦理意识。数据素养更关注数据收集、分析、解释和决策能力，人工智能素养则强调对 AI 技术原理、应用场景、使用方式和潜在风险的理解。数智素养更突出数字技术与智能技术在具体场景中的融合应用，不仅要求个体“会使用工具”，还要求其能够理解技术价值、判断应用边界、识别数据风险，并将技术能力转化为解决实际问题的能力。

MBA 教育是培养高层次、复合型和应用型管理人才的重要路径，其培养目标始终与企业管理实践和产业发展需求密切相关。过去，MBA 教育主要围绕战略管理、市场营销、财务管理、组织行为和人力资源管理等传统知识体系展开。随着人工智能和数据技术快速进入企业管理实践，MBA 教育也面临新的转型要求。MBA 学生通常具有一定工作经验和行业背景，其数智素养不能简单等同于普通学生的数字技能，也不能停留在软件操作和工具使用层面，而应体现为在真实管理情境中运用 AI 工具和数据资源进行问题识别、方案设计、风险判断和价值创造的能力。因此，MBA 教育数字化转型的重点，不只是增加若干技术类课程，而是要将数智能力培养嵌入案例分析、课程作业、项目实践、企业调研和管理决策训练全过程。

目前，关于数字素养、数据素养和人工智能素养的研究已经形成一定基础，但仍存在三方面不足。第一，研究对象较多集中于普通高校学生、教师群体或企业员工，对 MBA 学生这一兼具学习者和管理实践者双重身份的群体关注不足。第二，研究内容较多关注数字工具使用能力或一般信息技术能力，对 AI 工具应用、数据驱动决策、组织变革适应、商业价值创造和数字伦理意识等方面的综合考察仍显不足。第三，区域研究中对西部地区 MBA 学生数智素养的实证分析相对较少，难以充分反映地方产业数字化转型背景下管理人才培养的现实需求。

陕西是西部地区重要的高等教育基地和产业基地，国有企业、装备制造、能源化工、电子信息、物流交通和文化旅游等行业在区域经济发展中占有重要地位。这些行业正处于数字化转型和智能化升级过程中，对既懂管理又具备数智能力的复合型人才需求不断增强。陕西 MBA 学生多数来自相关行业和单位，其数智素养水平不仅关系到个人职业发展，也关系到地方高校MBA教育改革、区域产业升级和管理人才供给质量。从战略发展角度看，提升 MBA 学生数智素养，不只是教育教学层面的课程调整，更是服务区域数字经济发展、支撑产业转型升级和培养新型管理人才的重要任务。

基于此，本文以陕西 MBA 学生为研究对象，采用问卷调查法，围绕智能技术的感知与理解、管理场景中的 AI 应用、复杂环境中的数据决策、组织变化的理解与应对、商业逻辑与价值创造变化的理解、伦理、数据隐私与边界意识六个维度展开分析。本文共获得 219 份有效问卷，旨在揭示陕西 MBA 学生数智素养的总体水平、结构特征和主要短板，并在此基础上提出针对性的提升路径，为陕西高校 MBA 教育改革、区域产业数字化转型和数智化管理人才培养提供参考。

二、研究设计

（一）研究对象与数据来源

本文以陕西 MBA 学生为研究对象，采用问卷调查法获取数据。选择该群体，是因为 MBA 学生通常具有一定工作经历和管理实践背景，其数智素养不仅体现为一般数字工具使用能力，更体现为能否将人工智能、大数据和智能工具运用于企业管理实践。同时，陕西作为西部重要高等教育和产业基地，国有企业、制造业、能源化工、电子信息等产业基础较为突出，MBA学生来源行业具有一定区域特色。

本次调查共回收问卷 247 份，剔除填写不完整、答题明显规律化或不符合研究对象要求的无效问卷 28 份，最终获得有效问卷 219 份，有效率为 88.6%。后续分析均基于219份有效样本展开。

（二）问卷设计与维度设置

问卷围绕 MBA 学生在数字化、智能化管理环境中的能力需求设计，重点考察数智技术认知、AI 工具应用、数据驱动决策、组织变化适应、商业价值理解以及数字伦理和数据隐私意识。

结合 MBA 教育培养目标、企业数字化转型背景和陕西区域产业发展需求，本文将陕西 MBA 学生数智素养划分为六个维度：智能技术的感知与理解、管理场景中的 AI应用、复杂环境中的数据决策、组织变化的理解与应对、商业逻辑与价值创造变化的理解、伦理、数据隐私与边界意识。其中，前三个维度侧重技术认知、工具使用和数据判断，后三个维度侧重组织适应、商业转化和责任边界，能够较全面反映 MBA 学生在管理场景中的数智素养水平。

（三）量表赋值与数据处理方法

问卷采用 Likert 七级量表进行测量，选项由“强烈不同意”到“强烈同意”，依次赋值为 1—7 分。分值越高，表示受访者在相应题项上的认同程度越高，也说明其在该维度上的数智素养水平相对较高。

数据分析主要采用描述性统计、维度比较和背景变量比较。本文先对样本基本信息进行频数和百分比统计，再计算各题项和各维度均值，以判断陕西 MBA 学生数智素养总体水平和结构差异；同时结合管理岗位经验、AI 或数据相关课程训练经历、AI工具使用频率等变量，对不同群体表现进行比较。

（四）问卷信度与效度检验

为保证问卷数据可靠性，本文对数智素养量表进行信度与效度检验。量表共包括24个测量题项，对应上述六个维度，检验均基于219份有效问卷数据展开。

在信度方面，本文采用Cronbach’s α系数检验量表内部一致性。

表1 数智素养量表信度检验结果

六个维度的 Cronbach’s α 系数均高于 0.7，总体量表 α 系数为 0.961，说明量表内部一致性较好，能够较稳定地反映陕西 MBA 学生数智素养水平。在效度方面，本文采用KMO检验和Bartlett球形检验判断问卷数据是否适合进一步分析。

表2 数智素养量表效度检验结果

KMO 值为 0.934，Bartlett 球形检验结果显著，说明各题项之间存在较强相关关系，问卷具有较好的结构适配性，可以用于后续样本特征分析、总体水平分析和维度比较分析。

三、研究结果

（一）样本基本特征

样本整体呈现出较强的在职化和实践化特征。受访者以在职 MBA 学生为主，多数 具有较长工作年限和管理岗位经验，能够较好反映陕西MBA学生的职业实践背景。

表3 样本基本特征

从样本结构看，在职学生占 99.1%，工作 7 年以上的学生合计占 95.0%，具有管理岗位经验的学生占90.4%。说明受访者普遍具有较丰富的职业经历和管理实践基础，其数智素养表现与实际工作场景联系较为紧密。与此同时，接受过 AI 或数据相关课程训练的学生占58.4%，仍有41.6%的学生缺乏系统训练，提示MBA教育在AI工具应用、数据分析和数智化管理课程建设方面仍有完善空间。

表4 样本行业分布情况

行业来源主要集中在国有企业、制造业和能源化工环保等传统重型领域。其中，国有企业占比最高，制造业次之。这一结构与陕西地方产业特点较为一致，也说明陕西MBA学生数智素养培养不能脱离区域产业背景，尤其需要关注国有企业数字化转型、制造业智能升级和能源化工数据治理等现实场景。

表5 AI工具使用频率

AI 工具已较明显进入 MBA 学生的学习和工作场景。经常使用和高频使用 AI 工具的学生合计占 68.1%，说明多数学生已经具备一定接触基础。但偶尔使用和很少使用者仍占 32.0%，表明学生之间在使用习惯、应用深度和稳定性方面仍存在差异。总体来看，该样本既具有较强管理实践基础，也暴露出系统化数智训练不足的问题。

（二）陕西MBA学生数智素养总体水平

为了解陕西 MBA 学生数智素养整体情况，本文对六个维度得分进行统计。问卷采 用 Likert 七级量表，理论中值为 4 分。统计结果显示，陕西 MBA 学生数智素养总体 均值为5.61，标准差为0.72，整体处于中等偏上水平。

表6 陕西MBA学生数智素养各维度得分情况

从维度结构看，伦理、数据隐私与边界意识得分最高，组织变化的理解与应对排名第二，说明受访学生对 AI 应用中的隐私保护、信息安全、人工复核、责任归属以及组织协同问题较为敏感。相比之下，复杂环境中的数据决策和管理场景中的 AI 应用排名靠后，反映出学生在数据偏差识别、AI 建议判断、工具选择和结果整合方面仍有不足。

为更直观呈现陕西 MBA 学生数智素养不同维度之间的结构差异，本文进一步将六 个维度置于“当前表现水平—改进紧迫性”的二维框架中进行分类展示，结果见图 1。

改进紧迫性

图1 陕西MBA学生数智素养模型分类结果图

从图 1 可以看出，伦理、数据隐私与边界意识、组织变化的理解与应对、智能技术的感知与理解处于相对优势位置，说明受访学生在技术责任意识、组织适应意识和基本技术认知方面表现较好。相比之下，管理场景中的 AI 应用、复杂环境中的数据决策和商业逻辑与价值创造变化的理解更接近重点提升区域，表明学生在 AI 工具深度应用、数据辅助决策和商业价值转化方面仍存在短板。

结果说明，陕西 MBA 学生数智素养并非基础薄弱，而是存在结构不均衡。学生在伦理意识、组织适应和技术认知方面表现较好，但在 AI 工具深度应用、数据驱动决策和商业价值转化方面仍需加强。

（三）各维度具体表现分析

为进一步识别优势和短板，本文对各题项均值进行比较。整体来看，得分较高题项集中在持续学习、人工复核、伦理责任和组织协调方面；得分相对较低题项则集中在AI适用边界、输出偏差识别、工具选择、成果整合和执行风险评估方面。

表7 得分较高的主要题项

这些高分题项表明，陕西 MBA 学生具有较强的持续学习意愿，也能够认识到 AI不能完全替代管理者判断。尤其是在人工复核、公平性、透明性、责任归属、数据隐私和授权边界等方面，受访学生表现出较强的技术责任意识。这与其较丰富的职业经历和管理实践背景具有一定关系。

表8 得分相对较低的主要题项

低分题项则进一步揭示了能力短板。部分学生虽然认可 AI 工具的重要性，但对AI 并非适用于所有管理问题这一点理解不够充分；同时，对 AI 输出中可能存在的偏差、片面性或不合理之处，识别能力仍需提升。此外，工具选择、成果整合、商业价值判断和执行风险评估等题项得分偏低，也说明学生对 AI 工具的使用还没有充分进入复杂管理任务层面。

由此可见，陕西 MBA 学生的问题不是缺少数智化意识，而是缺少把数智技术嵌入管理场景的能力。后续培养重点应从“知道技术重要”转向“会在具体管理问题中使用、判断和优化技术”。

（四）不同背景学生数智素养表现分析

为考察不同群体之间的差异，本文结合管理岗位经验、AI 或数据相关课程训练经历、AI 工具使用频率以及工作年限等变量，对总体数智素养均值进行比较。

表9 不同背景学生数智素养总体均值比较

比较结果显示，具有管理岗位经验、接受过 AI 或数据相关课程训练、较高频率使用 AI 工具的学生，总体数智素养均值相对更高。其中，AI 工具使用频率的差异尤其明显，高频使用者总体均值为 5.79，而很少使用者为 4.92。这说明数智素养并不是单纯依靠概念学习形成的，而是在持续使用、真实任务和结果反思中逐步积累起来的实践能力。

工作年限方面，12—15 年组总体均值相对较高，表明较长职业经历可能有助于学生将 AI 工具、数据分析与具体管理问题联系起来。管理实践经验、课程训练和 AI工具使用频率，是影响陕西 MBA 学生数智素养表现的重要因素。这也提示后续培养应更加注重实践性和场景化，通过真实任务训练、行业案例分析和持续工具使用，推动学生从“了解”转向“善用”。

四、结论与建议

本文基于 219 份有效问卷，对陕西 MBA 学生数智素养现状进行调查。结果显示，陕西 MBA 学生数智素养总体处于中等偏上水平，总体均值为 5.61，六个维度均高于理论中值，说明受访学生已经具备一定的数智化意识和技术适应基础。其中，伦理、数据隐私与边界意识均值最高，为 5.80；组织变化的理解与应对均值为 5.73，排名第二，表明学生对人工复核、责任归属、数据安全和组织协同等问题具有较强敏感性。

但从结构上看，陕西 MBA 学生数智素养仍存在明显短板。管理场景中的 AI 应用均值为 5.48，在六个维度中最低；复杂环境中的数据决策均值为 5.49，商业逻辑与价值创造变化的理解均值为 5.55，也处于相对靠后位置。这说明当前问题并不是学生不知道数智技术重要，而是 AI 工具、数据分析与真实管理任务之间的结合还不够深入。部分学生虽然已经接触 AI 工具，但使用层次仍偏基础，更多停留在信息查询、文本生成和材料整理等环节，在市场分析、财务预测、运营优化、人力资源管理和战略方案设计等复杂任务中的应用能力仍需提升。

具体题项也印证了这一判断。学生在持续学习、人工复核和伦理责任方面得分较高，但在 AI 适用边界判断、AI 输出偏差识别、工具选择、成果整合和执行风险评估方面得分相对较低。这表明，AI 工具接触率高并不等于数智素养高，真正关键的是能否围绕管理问题完成任务拆解、数据判断、结果筛选、方案优化和价值评估。不同背景变量比较进一步显示，管理岗位经验、AI 或数据相关课程训练经历以及 AI 工具使用频率，与学生数智素养水平具有较明显关联。其中，高频使用 AI 工具者总体均值为 5.79，明显高于很少使用者的 4.92，说明数智素养更依赖真实任务中的持续使用和反思积累，而不是单纯概念讲授。

基于上述发现，陕西 MBA 教育后续改革应重点推进三个方面。第一，课程体系要从“知识补充”转向“能力重构”，将 AI 工具应用、商业数据分析、智能决策和数字伦理嵌入战略管理、市场营销、财务管理、组织行为和人力资源管理等核心课程。第二，教学方式要从“理论讲授”转向“场景训练”，围绕市场预测、客户分析、成本控制、供应链优化、组织协同和风险评估等任务，引导学生使用AI工具和数据资源发现问题、形成方案并判断风险。第三，培养内容要从“一般数字技能”转向“区域产业应用”，结合陕西国有企业、制造业、能源化工、电子信息等产业数字化转型场景，引入真实案例和项目训练。

总体而言，陕西 MBA 学生数智素养提升的关键，不是让学生简单会用 AI，而是让学生能够判断何时用、如何用、用到什么程度，并将 AI 和数据转化为管理决策、

组织改进和商业价值。未来 MBA 教育应把数智素养作为管理能力重构的重要内容，推动学生从“工具使用者”成长为“数智化管理者”。

参考文献：

[1] 刘怡 ， 张炜 . 基于卓越工程师培养的研究生数字素养：内涵结构、影响 机 理 与 提 升 策 略 [J]. 学 位 与 研 究 生 教 育 ，2025，（10）：48-56.DOI：10.16750/j.adge.2025.10.008.

[2] 赵益民 ， 彭雪琴 ， 寸国美 . 人工智能素养的内涵、结构和评价体系 [J]. 图书情报工作 ，2025，69（13）：83-93.DOI：10.13266/j.issn.0252-3116.2025.13.007.

[3]屈廖健，温晓芳. 世界一流大学学生人工智能素养培养的内容维度与实践路径——以卡内基梅隆大学为例 [J]. 中国高教研究 ，2025，（05）：56-64.DOI：10.16298/j.cnki.1004-3667.2025.05.08.

[4] 方增泉 ， 刘泽峰 ， 祁雪晶 ， 等 . 数智时代人工智能素养研究的新趋势—2024 年人工智能素养研究综述 [J]. 教育传媒研究 ，2025，（01）：18-25.DOI：10.19400/j.cnki.cn10-1407/g2.2025.01.015.

[5]郭亚军，寇旭颍，冯思倩，等. 人工智能素养：内涵剖析与评估标准构建[J].图书馆论坛 ，2025，45（02）：42-50.

[6] 钟柏昌 ， 刘晓凡 ， 杨明欢 . 何谓人工智能素养：本质、构成与评价体系 [J]. 华 东 师 范 大 学 学 报 （ 教 育 科 学 版 ），2024，42（01）：71-84.DOI：10.16382/j.cnki.1000-5560.2024.01.005.

[7]黄如花，石乐怡，吴应强，等. 全球视野下我国人工智能素养教育内容框架的构建 [J]. 图书情报知识 ，2024，41（03）：27-37.DOI：10.13366/j.dik.2024.03.027.

[8] 施雨 ， 茆意宏 . 人工智能素养的概念、框架与教育 [J]. 图书馆论坛 ，2024，44（11）：90-100.

[9]周琼，徐亚苹，蔡迎春. 高校学生人工智能素养能力现状及影响因素多维分析 [J]. 图书情报知识 ，2024，41（03）：38-48.DOI：10.13366/j.dik.2024.03.038.

[10]张静蓓，虞晨琳，蔡迎春. 人工智能素养教育：全球进展与展望[J]. 图书 情报知识 ，2024，41（03）：15-26.DOI：10.13366/j.dik.2024.03.015.

[11] 刘嘉豪 ， 曾海军 ， 金婉莹 ， 等 . 人工智能赋能高等教育：逻辑理路、典型场景与实践进路 [J]. 西安交通大学学报 （ 社会科学版 ），2024，44（03）：11-20.DOI：10.15896/j.xjtuskxb.202403002.

[12]WANG Z， CHAI C S， LI J， et al. Assessment of AI ethical reflection： the development and validation of the AI ethical reflection scale （AIERS） for university students[J]. International Journal of Educational Technology in Higher Education， 2025， 22： 19.

[13]TZAFILKOU K， PERIFANOU M， ECONOMIDES A A. Development and validation of students’ digital competence scale （SDiCoS）[J]. International Journal of Educational Technology in Higher Education， 2022， 19： 30.

[14]CAROLUS A， KOCH M J， STRAKA S， et al. MAILS - Meta AI literacy scale： Development and testing of an AI literacy questionnaire based on well-founded competency models and psychological change- and metacompetencies[J]. Computers in Human Behavior： Artificial Humans， 2023， 1（2）： 100014.

[15] 丁继红 ， 郭丽媛 ， 张文轩 ， 等 . 基于 AHP-BPNN 方法的高校学生人工智能素养指标体系构建 [J]. 远程教育杂志 ，2025，43（01）：46-56.DOI：10.15881/j.cnki.cn33-1304/g4.2025.01.005.

[16] 苏文成 ， 郭浩然 ， 卢章平 ， 等 . 我国高校学生群体人工智能素养评价指标体系构建及实效性验证 [J]. 图书馆建设 ，2025，（01）：94-105.DOI：10.19764/j.cnki.tsgjs.20240599.

[17] 蔡迎春 ， 张静蓓 ， 虞晨琳 ， 等 . 数智时代的人工智能素养：内涵、框架与 实 施 路 径 [J]. 中 国 图 书 馆 学 报 ，2024，50（04）：71-84.DOI：10.13530/j.cnki.jlis.2024030.

[18] 李艳 ， 许洁 ， 贾程媛 ， 等 . 大学生生成式人工智能应用现状与思考——基于浙江大学的调查 [J]. 开放教育研究 ，2024，30（01）：89-98.DOI：10.13966/j.cnki.kfjyyj.2024.01.010.

作者简介：孙维彤（1991.11），女，汉族，山西省晋中市，博士，西安邮电大学数字艺术学院讲师，研究方向：高校教育教学；贠恒超（2000.11），男，汉族陕西省西安市，硕士，西安邮电大学数字艺术学院

项目来源：陕西省哲学社会科学研究专项 2025 年度人工智能背景下陕西 MBA 教育转型升级研究项目（项目编号：2025HZ1474）。