智媒融合背景下人工智能驱动的广告学互动教学模式创新与实践

摘要

随着人工智能技术的飞速发展与智媒融合时代的到来，广告行业正经历着深刻的变革。传统的广告创意与策略制定模式日益受到数据驱动的挑战，对广告人才的能力结构提出了新要求。然而，当前高校广告学专业的教学体系，尤其是在编程和技术应用层面，普遍存在知识门槛高、学生参与度低、与产业需求脱节等困境。本文旨在探索一条有效的教学路径，解决无编程基础的广告学学生如何快速具备利用技术进行消费者洞察的核心问题。为此，本研究提出并构建了一种以生成式AI为“协同编程助手”的创新互动教学模式。该模式的核心思想是摒弃传统的、复杂的编程语法学习，转而引导学生通过“提示词工程”这一更直观、更高效的方式，与AI进行深度协作。学生不再需要从零开始编写代码，而是通过提出清晰、结构化的问题，引导AI生成能够执行特定任务的Python代码。通过将AI定位为全天候的编程助理与灵感伙伴，我们在广告学教学中构建了一套可复制、可扩展的教学实践框架，该框架以“项目式学习”为驱动，通过“问题定义—数据清洗—数据分析—洞察报告”的四步循环教学法，系统性地培养学生的技术思维与广告专业知识的融合能力。教学实践表明，该模式能够有效降低学生的技术恐惧感，激发其学习兴趣，初步形成人机协作的思维模式，为其未来在AI驱动的广告行业中具备核心竞争力奠定坚实基础。

关键词

智媒融合 广告学教学 人工智能 提示词工程

Abstract

With the rapid advancement of artificial intelligence technologies and the advent of the intelligent media convergence era, the advertising industry is undergoing profound transformations. Traditional models of advertising creativity and strategy formulation are increasingly challenged by data-driven approaches, placing new demands on the skill sets of advertising professionals. However, current teaching systems in higher education advertising programs—particularly in programming and technical application—commonly face challenges such as high knowledge barriers, low student engagement, and disconnection from industry needs. This study aims to explore an effective teaching pathway to address the core challenge of enabling advertising students without programming backgrounds to rapidly develop the ability to leverage technology for consumer insights. To this end, we propose and construct an innovative interactive teaching model that positions generative AI as a “collaborative programming assistant.” The core concept of this model is to abandon the traditional and complex learning of programming syntax, instead guiding students to engage in deep collaboration with AI through “prompt engineering,” a more intuitive and efficient approach. Rather than writing code from scratch, students learn to guide AI in generating Python code capable of executing specific tasks by posing clear, structured questions. By redefining AI as an always-available “programming assistant”and “inspiration partner,”we have established a replicable and scalable teaching framework for undergraduate advertising education. This framework, driven by project-based learning, systematically cultivates students’ ability to integrate technical thinking with advertising expertise through a four-step iterative teaching method: “problem definition—data cleaning—data analysis—insight reporting.” Teaching practice demonstrates that this model effectively reduces students' technological anxiety, stimulates their learning interest, and initiates the formation of human-AI collaborative thinking patterns, thereby laying a solid foundation for their future competitiveness in AI-driven advertising industries.

Keywords

Intelligent media convergence Advertising education Artificial intelligence Prompt engineering

1 引言

进入21世纪第三个十年，我们正处在由人工智能、大数据、物联网等技术驱动的新一轮信息革命浪潮之中。在这场浪潮的核心，是“智媒融合”的深刻变革。智媒融合，是指智能技术与媒体业态的深度融合，它不仅重塑了信息的生产、传播与消费方式，也对整个广告产业链产生了颠覆性影响。在这个新的生态系统中，广告的精准投放、效果评估、用户关系管理等环节都离不开对海量数据的分析与洞察。广告从业者的角色定位已发生深刻转变：他们不再局限于依靠天马行空的创意灵感的艺术创作者角色，更需要转型为依托数据工具精准洞察用户需求、科学优化营销策略的数据洞察者与策略规划者。他们需要具备从纷繁复杂的数据中发现规律、提炼洞察，并将其转化为有效商业行动的核心能力。未来的广告人才必须具备“技术思维”与“广告专业”的双重素养，能够在技术与创意之间找到完美的平衡点。

正是在这样的背景下，以生成式AI为代表的新一代人工智能技术为广告学教学改革提供了前所未有的机遇。AI技术，尤其是大语言模型，其核心能力在于理解和生成自然语言，这使得非技术背景的用户能够通过“对话”的方式与AI进行交互，完成复杂的任务。具体到编程领域，GitHub Copilot等AI编程助手的出现，已经彻底改变了程序员的工作方式。它通过分析用户代码上下文，实时提供智能的代码补全、函数调用建议甚至完整的代码片段。这种“AI协同编程”的模式，将编程的复杂性从人类开发者身上部分转移到了AI身上。基于这一思路，我们可以将其应用于广告学教学中，将AI从一个被动的“工具”转变为一个主动的“协同编程助手”。这意味着，广告学学生无须精通Python的所有语法，就能与AI高效协作，完成数据采集、分析等工作。这为我们破解“无编程基础学生难以掌握技术”这一教学难题提供了一条切实可行的新路径。

本文挑战了传统广告学教育中“先掌握技术再应用”的线性思维模式，提出了一种“人机协同”的新型教学范式。它将AI定位为教学过程中的关键一环，而非简单的辅助工具。这一模式的构建，将有助于丰富和完善智媒融合背景下的广告教育创新理论，为如何利用先进技术提升人才培养质量提供新的理论视角和分析框架。它不仅探讨了技术在教学中的应用方式，更深入地研究了人机协作对学生学习心理、思维模式和能力结构的影响，从而推动广告教育理论向更具前瞻性和实践性的方向发展。

本研究的核心价值在于其高度的实践导向性。研究构建的“AI驱动”互动教学模式并非空中楼阁，而是一套经过精心设计、详细阐述并附有具体案例的可复制、可推广的实践方案。它为国内各高校广告学专业的一线教师提供了现成的教学改革蓝本，无须从零开始探索。通过遵循该模式，教师可以在现有教学资源和技术条件下，快速、有效地将数据驱动的教学内容融入课程体系，指导学生完成具有商业价值的消费者洞察项目。这不仅能够显著提升学生的学习兴趣和专业能力，也为高校与行业企业的深度合作搭建了一座坚实的桥梁，使人才培养更精准地对接产业需求。

2 “AI驱动”的广告学互动教学模式构建

2.1 模式核心理念：从“学习编程”到“驾驭AI解决问题”

本教学模式的核心理念改变了传统计算机科学或数据科学课程中“先学习编程语言，再应用编程解决问题”的线性逻辑。在本模式中，学习的核心目标不再是掌握Python或R语言的所有语法和API，而是“驾驭AI来解决特定的广告学问题”。

具体来说，学生的学习路径被重构为：首先，面对一个真实的、有价值的广告学问题；其次，学习如何将这个问题转化为一个可以被AI理解和执行的任务；最后，通过与AI进行“对话”，引导AI生成能够完成该任务的代码，并对结果进行解读和应用。整个过程强调的是“问题定义”和“人机协作”，而不是“代码编写”和“语法调试”。这种模式将AI从一个被动的“工具”转变为一个主动的“协同编程伙伴”，学生的角色也从一个“代码的学习者”转变为一个“策略的制定者”和“洞察的生产者”。

2.2 教学目标重构：培养“技术通感”与“数据叙事”能力

为了适应新模式，教学目标也必须进行重构。我们不再仅仅追求学生能够写出“正确”的Python代码，而是要培养以下两种核心能力：

首先是“技术通感”。“技术通感”是指学生能够将复杂的技术概念和过程，以一种非技术性的、形象化的方式进行感知和理解。这是一种突破语法表层、直击问题本质的思维能力。在本教学模式中，该能力具体外化为两大核心维度：将实际问题转化为技术可解的精准表述，以及对数据特征与规律形成直观敏锐的把握。问题的技术化表达是指学生能够将一个模糊的商业问题，比如“用户为什么不喜欢我们的新品？”清晰地拆解为一个结构化的、可被AI处理的技术任务。数据的直觉化理解是指学生能够通过可视化的图表，快速把握数据的核心特征，而不是被一堆枯燥的数字所淹没。此外，学生能够预测AI生成代码的大致功能和潜在局限，并能通过进一步的提示词引导，使其输出更符合预期。这种能力的培养，使学生能够建立起与技术的“亲密感”，而不是隔阂感，从而更愿意主动去探索和利用技术。

其次是数据叙事能力。数据叙事能力是广告学专业的核心竞争力之一。在本模式中，数据叙事不再仅仅是将数据转化为图表，而是要将数据洞察与品牌故事、营销策略紧密结合[2]。这种深度融合的目标，是产出具有实际商业价值的洞察报告，这些报告不仅要体现数据分析的专业性，更要确保其内容能够被广告从业者和市场营销人员准确理解并实际采纳，真正发挥驱动商业决策的作用。具体要求包括：洞察的准确性与深度：能够从数据中提炼出有价值、有深度的结论，而不是停留在表面的描述。故事的吸引力：报告的结构、语言和呈现方式要能够吸引读者的注意力，使复杂的数据变得生动、易懂。建议的可操作性：数据洞察必须能够直接转化为对广告策略的具体建议，具有明确的商业价值。通过培养“数据叙事”能力，学生能够真正理解技术在广告业中的价值，并将其作为一种工具，为商业决策提供支持。

2.3 教学核心要素设计

一个成功的教学模式离不开清晰的要素设计。在“AI驱动”互动教学模式中，主要涉及以下四个核心要素：

其一，教师的角色定位实现了根本性重构：从传统的知识传授者转型为项目引导者与思维教练。在这一创新模式中，教师不再是课堂中单一的知识权威，而是演变为学习过程的引导者与思维方法的训练者。其核心职能具体体现在以下关键维度：教学项目的系统化设计与选题策划——通过设计蕴含真实商业价值的实践项目，有效引导学生深入问题情境，激发其探究与解决实际问题的能力。当学生遇到困难时，该种教学模式可以提供方向性的启发和引导，帮助他们将问题拆解得更清晰，将思路理得更顺畅。同时，该模式还会教授学生“提示词工程”的基本原理和技巧，指导他们如何与AI进行高效协作。因此，在最终评估学生的项目成果时，不仅需要关注代码的有效性，更需要关注学生洞察的深度和报告的质量，并给予及时、建设性的反馈。使用该种互动教学模式，意味着教师要将AI技术与广告学、传播学、市场营销等专业知识进行有机整合，确保学生的学习是服务于专业目标的，其工作重心从教授转向了引导，从角色上而言更像一个经验丰富的教练，而非单纯的讲师。

其二，学生角色实现了深刻转变：从传统的被动知识接受者，转变为主动的、与AI深度协作的探索者[3]。在这一新型教学关系中，学生的学习过程呈现出高度参与和自主驱动的特征。具体而言，学生需要承担以下关键角色：问题定义者、任务规划者、人机协作探索者和洞察生产者。在教学初期，学生需基于教师提供的项目背景，自主界定研究方向和洞察目标，培养发现真问题的能力。随后，学生需要掌握将复杂问题拆解为可操作性任务的技能，并为每个子任务设计精准的人工智能交互指令。这种角色转变使学生真正成为学习过程的主体，通过人机协作的方式开展探索性学习，既提升了解决实际问题的能力，又培养了数智时代的核心素养。在教学过程中，学生需要通过与AI的对话，不断调试和优化代码，解决数据获取、清洗、分析等过程中的技术问题。最终，由学生自行生成洞察报告，将冰冷的数据转化为有温度、有洞见的商业故事。

其三，AI工具成为全天候的编程助理与灵感伙伴。在教学过程中，AI扮演着多重角色，不仅需要实时响应用户的提问，生成代码片段，帮助学生快速实现数据采集、处理和分析等功能，还能够解决烦琐的语法问题、库调用问题和API调试问题，让学生的注意力集中在更高层次的思考上。同时，AI还承担着启发式灵感伙伴的角色，不仅能执行任务，还能通过对话启发学生的思路。例如，当学生不知道如何挖掘更深层次的主题时，AI可以通过提问引导他们思考“用户还关心什么？背后的心理动机是什么？”等问题，让学生能够进行更加深度和丰富的洞察。而当AI生成的代码出现错误时，学生可以直接询问AI，它会解释错误原因并提供修改建议，这极大地降低了学生独立调试代码的难度。这种将人工智能定位为协同创新的智能伙伴而非单纯的技术工具的理念，重构了人机互动关系，为教学模式注入了新的活力，能够有效激发学生好奇心和探索欲的认知伙伴。

其四，教学内容上以“项目式学习”作为核心架构。将真实且有挑战性的实践项目贯穿教学全过程。项目的遴选紧密围绕广告学领域的核心议题，包括品牌形象深度解析、用户需求洞察、竞争对手策略比对以及营销活动效能评估等关键维度。这种以项目为主线的教学安排具有显著优势：它将抽象的专业理论自然融入具体实践情境，促使学生在解决实际问题的过程中自主构建知识体系。项目不仅作为知识传授的载体，更成为方法论训练和思维模式培养的重要平台。通过项目式学习的系统实施，学生能够在真实商业环境中运用所学知识，培养从问题识别到解决方案落地的完整能力链条，实现理论知识向实践能力的有效转化。学生在完成一个项目的过程中，自然地串联起数据采集、预处理、分析、可视化和报告撰写等一系列技能，实现了知识的融会贯通。

2.4 教学流程设计：四步循环教学法

为了将上述理念和要素系统化，我们在广告学本科专业课程《数字营销与广告》与硕士课程《新媒体研究》中设计并实践了“四步循环教学法”。该教学流程遵循从问题到洞察的完整闭环，探索人机协作的每一个环节。

第一步：问题界定。作为项目实施的初始环节，问题界定在整个教学流程中具有基础性地位。这一阶段的核心任务在于精准识别和分析关键议题，为后续所有工作奠定方向性基础。在具体事件中，由教师提供一个具体的项目背景，如“分析某国产新锐美妆品牌与国际大牌在小红书上的用户评价差异”。学生需要在此基础上，将其拆解为可执行的洞察目标，并且准确地定义这些目标，因为它们将直接决定后续数据采集的范围和分析的方向（见图1）。

图1 问题定义的目标顺序及内容

第二步：AI协同数据清洗与分析。原始数据通常是杂乱无章的，需要进行清洗和预处理。同样，学生可以利用AI生成数据预处理的代码。例如，提示词可以是：“我已经获取了包含标题和正文的DataFrame，请编写一个函数，对文本进行清洗，包括去除HTML标签、数字、停用词和特殊符号。”随后，将进入数据的分析阶段。学生可以引导AI生成各种分析代码（见图2），学生需要根据分析结果，不断与AI交互，调整参数，以获得更准确的洞察。

图2 AI协同数据清晰与分析

第三步，在数据可视化与解读阶段，学生需要借助人工智能工具将分析结果转化为直观的图形化呈现。在这一关键环节，学生可以运用智能工具自动创建散点图、热力图、趋势曲线等多种可视化形式，将复杂的分析数据转化为易于理解的视觉信息。例如，提示词可以是：“请为两个品牌分别绘制一个柱状图，展示其正面、中性、负面评价的数量对比。”图表生成后，学生的专业素养在这一步得到充分体现。因为他们需要结合广告学相关理论，对图表背后的数据进行深入解读。例如，当看到国产品牌的高频词是“性价比”，而国际品牌是“效果”时，学生需要分析这背后反映出的品牌定位差异和消费者认知差异。数据可视化与解读环节在整个人机协作教学流程中具有承前启后的关键作用，它有效搭建了技术分析与广告实践之间的重要桥梁。

第四步：在项目流程的最终阶段，学生需要将前期各个环节的发现与成果进行系统性整合，形成具有专业水准的商业洞察报告。这一步骤不仅是对整个学习过程的总结，更是将数据分析能力转化为实际商业价值的关键环节。最终报告需要包含项目背景、研究方法、数据结果、核心洞察和策略建议等部分。学生需要将前面三步的成果，以清晰、有逻辑的方式呈现出来，并最终形成对广告策略有指导意义的具体建议。这种综合性训练不仅培养了学生的专业报告撰写能力，更重要的是锻炼了其将技术分析转化为商业洞察的系统性思维，为未来从事广告策划、市场营销等职业奠定了坚实基础。

3 教学效果评估与反思

3.1评估方法

为了全面、客观地评价“AI驱动”互动教学模式的成效，本文采用了多元化的评估方法，包括过程性评估和结果性评估相结合，量化评估与质性评估相结合。

学生项目成果评估是评估的核心。我们的评估指标主要包括三个核心指标：报告质量、代码有效性和洞察深度。首先，报告质量层面：重点评估洞察报告的结构、逻辑、深度和可读性，看报告是否能将数据与广告策略有效结合，提出的建议是否具有可操作性。其次，代码有效性层面，重点评估学生提交的代码是否能够正确运行，并准确完成数据采集、清洗、分析等任务。同时，考察其代码的规范性、注释的完整性和文档的撰写情况。最后，洞察深度层面：重点评估学生从数据中提炼洞察的能力，看其是否能超越表面的描述，深入挖掘用户行为背后的动机和心理（见图3）。

图3 学生项目成果的评估指标

在项目结束后，我们会对所有参与互动教学项目的学生进行匿名问卷调查。问卷旨在了解学生对教学模式的满意度、学习体验、自我效能感的变化以及对未来学习的影响。问卷设计了李克特五点量表（从“非常不同意”到“非常同意”），并设置了开放式问题，以获取学生的主观感受和具体建议。

在评估研究过程中，我们还对部分参与学生开展了半结构化深度访谈，旨在从质性研究角度获取更丰富、更深入的一手资料。通过与学生就项目体验、能力提升、人机协作感受等主题进行面对面交流，我们收集到了大量鲜活的个案经验和真实感悟。有不少同学谈道：“通过完整的项目实践，我真正体会到了从数据发现到传播策略落地的全过程，这种学习体验是传统课堂难以比拟的。”这些质性数据与之前的量化结果形成有效互补，共同构建起对教学模式成效的立体化评估。访谈结果显示，学生普遍认为这种创新的教学模式不仅提升了专业技能，更重要的是培养了他们批判性思维和解决复杂问题的能力。

3.2教学成效分析

通过对评估结果的初步分析，我们发现该教学模式取得了显著的成效：首先是学生技术恐惧感显著降低，解决问题的自信心增强。大部分学生认为该模式“极大地降低了学习编程的难度”，并“让他们对使用技术解决专业问题更有信心”。许多学生表示，因为没有任何编程基础，在项目初期面对Python时感到恐惧，但在AI的帮助下，他们能够逐步完成任务，这种“小步快跑”的成功体验极大地提升了他们的自我效能感。其次是能够产出具有实践价值的消费者洞察，连接了理论与现实。学生提交的项目报告普遍展现出较高的质量。他们不仅完成了从数据获取到洞察生成的完整流程，更重要的是，能够将技术分析的结果与“品牌定位理论、消费者行为理论”等广告学理论紧密结合。

这表明，该教学模式成功实现了学生角色的根本性转变——从被动的数据消费者转型为主动的洞察生产者，有效打通了理论认知与实践应用之间的壁垒。更为重要的是，学生在此过程中初步构建了人机协同的新型思维范式。在项目实践中，学生展现的核心能力已不再局限于传统的技术操作层面，而是能够界定复杂问题的能力和使用智能工具的人机协作能力。他们学会了如何向AI清晰地表达自己的需求，如何解读AI生成的代码，以及如何通过与AI的反复对话来优化解决方案。这种新型的人机协作思维模式，或许是未来广告人才所必需的核心竞争力之一。

3.3 面临的挑战与反思

在教学实践中，我们也清晰地认识到该模式仍存在若干需要完善之处，这也为后续的教学改进提供了明确方向。

首先是AI生成代码的准确性与调试过程仍需教师深度介入。虽然AI能生成大部分基础代码，但在处理复杂任务或代码出现错误时，其生成的解决方案有时并不完全正确。这就需要教师具备更高的技术素养，能够快速识别AI生成代码中的潜在问题，并引导学生进行有效的调试。

其次是在教学实践过程中，另一个亟待加强的环节是数据伦理与隐私保护教育。随着课程深入，学生需要处理大量来源于真实社交平台的用户数据，这对其数据合规使用意识提出了更高要求。如何引导学生在数据采集、使用和分享过程中遵守法律法规，保护用户隐私，是一个不容忽视的问题。因此，未来需要在课程体系中系统增加数据合规、隐私保护等伦理教育内容，培养学生形成负责任的数据使用观念，这既是数字时代广告人才的基本素养，也是项目可持续发展的重要保障。

该教学模式对师资队伍的知识结构提出了全新的复合型要求。教师不仅需要具备扎实的广告学专业理论基础，还必须同步掌握计算机科学、数据科学及人工智能等相关领域的知识体系。教师需要不断学习和更新自己的知识体系，才能有效引导学生[4]。因此，构建具备“广告学+数据科学”复合知识背景的师资团队，成为推动教学模式深化发展的关键所在。这需要通过系统的师资培训和跨学科人才引进，不断提升教师队伍的数智化教学能力。

最后是如何平衡技术工具使用与广告学本体理论深度学习的关系。在实践中，我们发现学生可能会过度沉迷于技术操作，而忽略了对广告学核心理论的深入学习。如何在利用AI工具提升效率的同时，保证学生对传播学、营销学、广告创意等专业基础理论的掌握，是一个需要在课程设置和教学管理上进行精心设计的问题。

4 结论与展望

本研究以智媒融合为背景，针对广告学教学在技术赋能方面的困境，提出并构建了一种以生成式AI为“协同编程助手”的广告学互动教学模式。初步探索了一条在解决问题过程中学习驾驭AI工具的教学路径。在实践过程中，我们观察到这种“做中学”的方式有助于学生更快地建立技术自信，它通过将AI定位为协同编程伙伴，将复杂的编程任务转化为可通过“提示词工程”解决的人机协作问题，降低了学生的技术门槛，提升了其利用技术进行消费者洞察的能力。学生们实现了从被动执行指令的技术操作者，向具备全局视野的复合型广告人才的转型——能够自主界定核心问题、系统规划解决路径，并产出具有商业价值的深度洞察报告。这种从技术执行者到策略思考者的跃迁，正是本教学模式的核心成果，这一探索不仅是对教学方法的局部改进，更希望能为教学理念的更新提供一些参考。

尽管本研究取得了一定的成果，但仍存在一些局限性：首先是样本量与普适性问题，本研究的教学实践案例和评估数据来自特定班级和特定课程，样本量相对有限，其结论的普适性有待在更大范围、更多样化的教学环境中进行验证。其次是长期效果跟踪问题，本研究对教学效果的评估主要集中在项目结束后，而要全面了解该模式对学生长期的专业发展、职业选择和行业适应能力的影响，需要进行长周期、跨年度的跟踪研究。最后是技术工具的局限性：本研究主要依赖通用的生成式AI模型，随着更专业、更易用的AI编程助手和更强大的AI模型的出现，教学模式的效果和边界也可能发生变化。

面向未来，随着AI技术的不断演进和广告行业的持续变革，广告学教育的创新之路仍有广阔的探索空间。目前的教学主要以文本分析为主，未来的教学可以进一步拓展。比如引导学生利用多模态AI技术，分析社交媒体上的图片、视频等内容，或通过AI识别图像中的产品、场景和人物情绪，利用视频内容分析工具分析视频中的关键帧和用户评论，从而实现更丰富、更立体的消费者洞察。

随着广告教育与行业发展的深度协同，未来教学工具将朝着更垂直、更智能的方向迭代——例如研发专用于广告学场景的AI编程助手，这类工具内置典型广告分析场景模板，学生无须从零定义任务，仅需选择匹配的场景选项，即可快速生成结构化分析报告。此类工具的普及将显著降低技术应用门槛，推动数据分析能力成为广告学专业学生的基础素养。本研究构建的模式创新，本质上是为这一趋势提供了一个实践起点。面向未来，需在此基础上推进广告学课程体系的系统性重构：一方面，打通“理论奠基—技术应用—前沿探索”的能力培养链条，形成从基础概念到智能工具实操、从经典理论到行业前沿动态的完整知识图谱；另一方面，需联合行业力量持续优化教学工具的功能适配性，并在更广泛的教学场景中验证模式有效性。我们深知，当前模式的成熟度仍有提升空间，其推广价值也有待更多实践检验。因此，期待与全国广告教育同仁携手，在工具迭代、课程联动与模式优化中形成合力，共同探索更具普适性、更能呼应AI时代需求的广告人才培养路径。

基金项目：本文为北京工商大学教育教学改革研究一般项目《智媒融合：构建人工智能驱动的广告教学模式》（项目号：jg245230）的研究成果。

作者简介

孙铭欣 北京工商大学语言与传播学院广告系主任，副教授

牛聪钰 北京工商大学语言与传播学院2025级硕士研究生

樊安懿 北京工商大学语言与传播学院广告系讲师

注释