Group 4
意见汇总
收获
- 学会使用 AI 大模型提升文献研读与数据处理效率，探索 GitHub 协作开发模式，培养科研严谨性与工程化思维；
- 理解数据驱动可重复性研究核心理念，通过项目实践提升实操能力，体会编程解决问题的乐趣与成就感。
意见
- 课程难度较高，零基础学员面临软件下载、环境配置、代码复现等入门问题，复杂术语和操作理解困难；
- 部分内容与专业方向衔接不足（如转录组分析、图像识别），应用性较弱，学习驱动力不足；
- 教室设备配套不足（插座短缺、网络不稳定），影响实操体验；
- 班级规模大，互动效率低；
- 讲义细节不够完善，关键操作注释不清晰，课后复习缺乏参考。
建议
- 拆分课程难度，前期增加基础知识铺垫，后期进阶内容分轨教学（按专业需求分组）；
- 缩短单次课程时长，增加课程节数；
- 课前提供关键工具预习资料，录制操作演示短视频（如 Git 冲突解决、环境配置）；
- 讲义补充详细注释与案例代码模板；安排机房授课解决设备问题，推行小班教学提升互动；
- 增加小组实践练习与组内交流环节，强化案例分析（结合真实数据集全流程演示）；
- 增强通用知识占比（如 AI 文献阅读、GitHub 协作），专业相关内容分方向定制（如土壤营养数据分析、遥感图像识别）。
2024******112
课程不足
- 课程难度较高，对设备要求大：对没有相关代码基础的同学难度太大，建环境就要很久，而且上课还必须一步步跟着弄，不然容易落下某一环节
- 部分内容应用性较弱：有些关于转录基金组、图像识别等数据处理的内容与自己专业方向相关性较弱，无法应用到实际，导致学习时驱动不足或者学完就忘了
建议
- 把课程内容分为课前课后部分：讲义中比较详细的部分和简单一般不会出错的部分要求大家课前自己完成，课上直接带大家一步步完成难一点的部分
- 分流教学：多设置课程助教，帮忙检查大家课前操作的完成情况，课上帮助大家看问题，能及时跟上课程也能带动所有同学的积极性
收获
通过课程学习掌握了很多代码相关的知识，此外还学会了如何更好的调用人工智能完成自己的需求。
2024******076
课程总结：
通过学习数据驱动这门课程让我对一些软件比如：Vs code，R语言，GitHub等有了一定的认识，也稍微会一点比如利用GitHub创建一个自己的个人网站，发一些个人动态，通过老师的讲解对文件格式以及自己的文件存放上有了新的想法，也会用AI大模型deep seek结合阿里云百炼在那个chatBOX上进行一些运行。总的来说学了一点皮毛。
课程评价：
老师准备的讲义很详细，备考很全面，也会听取同学们的意见进行课程安排，在讲课的时候很认真，也很想教会我们一些东西。
课程意见：
上课的同学可能有一部分是没有计算机专业学生的那种基础，学起来相对吃力一点，建议可以从最基础的教，也可以教一些科研中可以用到的数据分析软件，对同学们的论文写作实验比较有帮助。课程安排可以放在白天，晚上上课感觉可能会稍微疲倦一点。
2024******137
课程收获
（1）在AI课程的相关学习中，我学会了使用相关AI模型提高自己的学习能力，显著提升了文献研读与数据处理效率。 （2）在编程语言的学习中，我系统掌握R语言在数据可视化与统计分析中的应用，突破了只会使用python语言的瓶颈，完善技术工具箱。 （3）关于github协作的学习，我收获良多。从代码检索者转变为协同开发者，探索到了更多Github的应用。
课程不足与建议
（1）课程对电脑设备要求较高，阶梯教室插座不足，电脑无法长时间待机。建议拆分两个班级，调整至二教上课，插座充足。 （2）课程难度分布有待调整。建议可以适当缩短单次课程时长，增加课程节数，前期加入一些入门课程，后期再进行进阶课程的学习。 （3）课程内容设置有待调整。建议增加一些通用学习内容，如课程后期的AI阅读文献、Github协作等对于不同专业的研究生适用性较高，前期转录组分析等对于信工农信的学生可能难以理解且实际作用不大。这一与专业有强相关部分可以分轨教学，如第3周安排土壤植物营养等专业上课教授分析大模型应用，第四周安排信工农信专业教授图像识别大模型应用等。
以上是本人对与本次课程的收获与建议，在数据驱动的可重复性研究这门课程中我学到了很多实用知识，对自己的研究方向（基于数据驱动的遥感图像识别）也有很大受益。
2024******117
课程建议
（1）希望可以在机房上课，方便连接电源； （2）希望课程内容可以拆分，不同专业背景的学生可以选不同的课；
课程收获
这门课程对我而言如同“师傅领进门”，带领我开启数据分析的新世界。我学会了新的数据分析方式，认识了新的平台（github），开启了新世界的大门。除了这些，也学习到了老师的科研态度，学会了如何更严谨更科学地做科研，文学化编程、老师的个人网站和拾遗分享都让我学习到了很多。
2024****10110
课程收获
通过对数据驱动的可重复性研究课程的学习，
（1）使我对深度学习进行一定了解
（2）并对手搓神经网络进行一定了解
（3）学会了如何制作一个简单的网页
以前觉得复杂的事情通过自己动手才明白原来并不困难，这也是我的专业及课题组需要我了解的知识，老师的课程是非常生动且有趣的，通过b站上一些简单的讲解让我对枯燥的知识有了形象化的认知，老师会通过弹幕了解学生的需求，并根据学生的需求讲授大部分学生希望学到的对自己有用的知识，并且可以在课堂上带领学生去实操。
课程建议
教室中插座不足，笔记本无法运行太久，建议之后多分几个班级进行授课。
对于这门课程，我认为是一门生动、有趣、受益匪浅的课程，希望老师可以继续延续这样的授课方式，谢谢老师！
2024******121
课程收获
通过这门课程，我掌握了 Python 和 R 语言的数据处理与可视化技能，熟悉了 Git 和 GitHub 的版本控制与团队协作流程，并理解了可重复性研究的核心理念。此外，我学会了使用 GitHub Pages 搭建个人网站展示研究成果，体验了 AI 大模型的应用，并通过自动化工具（如 GitHub Actions）提升了研究效率。
课程建议
（1）希望老师在课堂上可以多互动；
（2）课堂太大，网络不好，希望可以小班教学。
2024****20110
课程建议
（1）作为第一次接触大量计算机软件的小白，总会遇到很多困难，建议录制关键操作（如Git冲突解决）的短视频供课后复习。
（2）由于课后作业需要大量研究时间，所以建议讲义中可以有具体操作用以借鉴。
（3）课程内容比较难，没有了解过会很懵，建议课程设置由浅到深。
2024******149
总结
《数据驱动的可重复性研究》课程内容丰富且系统，其中 R、Python 等软件的使用对我的课题研究也具有一定的帮助。刚开始学的时候，面对复杂的代码和陌生的术语，我感觉特别难理解。但老师讲解得很细致，同组的同学们也很热心，大家一起讨论问题，我慢慢理解了一些知识，也可以按时的完成一些作业。现在我对代码也不再那么害怕了，甚至觉得它是一种很有趣的工具，相比于arcgis、envi软件可以很快的批量处理一些影像数据，给我的科研带来了很大的帮助。
建议
1）对于实践操作来说，要是能有更多详细注释和讲解就更好了或者增加一些网课视频让我们自学；
2）提供更多的实际案例分析，特别是结合真实数据集的完整流程展示，这样我就能更好地把理论和实践结合起来；
3）多一些组内小型的实践练习，可以大家一起多交流多讨论，能帮助我们更好地掌握知识，提高我们的动手操作能力。
2024******105
课程收获
- 在人工智能的相关学习中，我学会了用人工智能提高自己处理数据的效率。
- 对github有了一定了解，学会了如何建立个人网站，收获颇多。
课程不足与建议
- 学习难度较大，对于植保专业的同学来说，有很多软件都没有接触到，上手难度较大，有很多细节讲义里面不太清楚，使用过程缓慢。
- 建议加强小组间的交流。
- 讲义流程细致一点，因为对本科种地,没用过代码的同学来说，真的有点寸步难行，但结果是好。
以上是本人对数据驱动的可重复性分析课程的收获与建议，学到了很多，特别是关于数据处理方面的知识，受益很大。