Page 208 - 人工智能时代会计发展研究

人工智能时代会计发展研究
Research on the Development of Accounting in the Era of Artificial Intelligence

财务管理理论时，增加计算机财务管理实践内容；对于审计学课程，在初期不成
熟的条件下，可以增加面向财务审计的实践内容。需要指出的是，我们不建议选
择过多的编程语言，以流行的“胶水语言”Python 作为主编程语言为宜，足以支
持我们完成信息系统设计、数据处理和数据建模的全部教学和实践任务。

2. 新兴课程的课程时序
对于智能化技术课程群和智能会计类课程群，注意课时时序要按从易到难、
由基础到专业的逻辑进行组织。例如，学生先学习基于数据库的结构化数据存储
与读取，进而在 Python 数据分析课程中，学习非结构数据获取与处理。如果有

足够的教学资源支持，可以在选修课阶段增加较高难度的 Hadoop、Spark 平台的
数据处理。对于分析模型和算法的学习，也适合以经典的数据挖掘模型为主，对
于较高难度的自然语言处理、知识图谱等，建议增加在选修课程中。同时，智能
会计类课程群要与前几类课程在内容和时序上做好对接，处理好基础内容和前沿

发展的关系。
综上所述，我们认为智能会计人才培养的目标决定了相关学科课程群的内容，
学校师资条件决定了智能技术与会计学的融合方式，合理进行课程组织，才能设
计出清晰、可行的智能会计课程体系。

三、智能会计类课程内容整合

跨学科课程的本质是知识整合，是通过多个学科之间的知识互动与思维整合，
更加科学地解决复杂问题。融合先进技术的智能会计课程群建设难点就在于如何

有效融合或拼接会计学和数据科学相关课程。会计学主干课程主要遵循“会计信
息的收集、记录、报告、解释、分析、验证”步骤，偏重数据分析的智能化技术
则遵循“数据采集、数据处理、数据建模分析、数据可视化”步骤，那么智能会
计类课程群要选择各领域中最重要、最有价值的主题，围绕智能会计人才核心能
力分工合作，不仅要体现各课程的能力要求，还要保证课程间的整体性。因此，

我们建立了“会计数据场景与存储（数据基础）—业财流程设计与运营（数据处
理逻辑）—业财数据分析与决策（数据建模与分析）—财务分析可视化（商务智
能与可视化）”的跨学科智能会计类课程群的设计逻辑（如图 6-1 所示）。

·200·