Group 29
汇总意见
收获：学生普遍通过课程掌握了GitHub操作、R、Python、VSCode等工具的使用，并通过环境搭建、数据分析实战、神经网络模型练习和个人网站制作，提高了实际问题解决与科研操作能力。
意见：部分同学反映课程进度偏快、内容信息量大，基础讲解不足，导致零基础学员在环境配置、编程和案例实践中遇到较大困扰；此外，部分操作细节和错误解决指导不够明确。
建议：建议课程由浅入深、模块化设计，增加课前预习资料、详细步骤讲解、教学视频及PPT辅助，并构建常见问题库，帮助不同基础的同学稳步跟进和消化知识，进一步提升教学实效。
2024******027
在本课程的学习过程中，我收获了许多关于 GitHub 协作的知识，并且熟悉了 Pull Request 的提交流程。这些知识对于团队协作和版本控制非常有帮助。
但在未来的课程内容方面，我希望能够加入更多关于编程数据模型的学习。例如：
- 如何构建和应用数据模型，以便能够用于毕业设计的研究；
- 进一步学习数据处理（如 Pandas、NumPy）和数据预测（如机器学习基础）的方法；
- 结合实际案例讲解数据分析和可视化的应用，提升实际操作能力。
我相信这些内容不仅对课程学习有帮助，同时也能够帮助我们在科研、数据分析、项目实践等方面提升能力。期待课程能够在后续拓展相关技能，谢谢老师的辛勤付出！
2024******008
在本次数据驱动的可重复性研究课程中，我学到了很多，不管是手搓神经网络模型还是使用github，都是我之前没有接触到的 希望这门课程的教学中，能够贴近学生的学习能力，能让每个学生都有所收获，通俗的来讲，就是教学简单化，但又不失去内容 最后，谢谢老师一学期的辛苦付出.
2024******064
在深入探索这门课程的体系后，我深刻感受到它不仅是技能传授的平台，更是对传统学习思维的革新。课程设计以「数据分析-人工智能-开发协作」为三大支柱，构建了一个从基础技能到前沿应用的完整闭环，让我在实战中掌握科研可重复性的核心。这门课程的真正价值，在于它让数据驱动通过系统化的实战训练，让我完成最终项目时收获的不仅是一个可复现的分析流程，更是一套应对未来科研挑战的思维铠甲。 不论是手搓神经网络模型，还是python等变成软件配合大数据模型的一次次实践，都让我受益匪浅。这门课程也让我明白，在科学探索的道路上，确保研究结果的可重复性是提高研究质量和推动学术进步的基石。通过标准化实验设计、统一数据格式、规范数据预处理和透明数据分析，我们能够有效应对当前的可重复性危机。构建跨平台、标准化的研究环境不仅有助于验证现有结论，更为未来科学创新奠定了坚实基础。只有全社会共同推动可重复性研究的落实，才能在全球范围内建立起一个开放、透明且可信的科学研究生态. 感谢老师在课上用尽量通俗且符合像我这种0编程基础的小白的指导，让我有所收获。感谢老师！
2024******034
在这次课程的学习中，我对可重复性研究的基础理念和技术工具有了系统的认识。从最开始的环境搭建（如Python/R配置、Git版本控制）到数据分析实战，课程内容层层递进，让我逐步在自己的 电脑上构建一个集 R、Python、Git、Quarto 以及多种 IDE（如 RStudio、VSCode 或 Cursor）于一体的、可重复使用的数据分析环境，并且后续在vscode上进行数据分析实战（分组数据、 转录组学）；在分组分析实战中，虽然遇到代码报错或逻辑漏洞，但通过调试和查阅资料，以及前面跟着老师在电脑上配置的AI大模型,最终独立解决了问题。这让我深刻体会到，编程不仅是语法 记忆，更是解决问题的思维方式.
在本课程中我最喜欢的部分就是将理论与实践紧密结合。例如，“AI读文献”和“手搓神经网络模型”模块，让我接触到前沿工具的同时，也意识到代码在科研中的实际价值。尤其是转录组数据分析实 战，虽然过程复杂，但完成后的可视化结果让我成就感满满.
经过课堂上的演练以及课后作业的练习，我对这些工具的使用愈发熟练，并且能够使用在课堂上配置的大模型AI进行文献的阅读，这已成为我解决问题的“新工具”。未来我会继续巩固Python基 础，尝试用自动化脚本处理重复工作，并探索深度学习在专业领域的应用。课程中提到的“可重复性研究”理念也让我意识到，代码的规范与文档同样重要. 希望自己能坚持实践，从写几十行的小程 序开始，逐步挑战更复杂的项目，让技术真正为科研赋能.
该课程对于编程小白来说还是过于困难，前几节课都没跟上，导致环境构建都没有完成，后面才慢慢摸索成功，浪费了很多时间，建议讲义或者是教学步骤更加详细一点.
2024******0133
本课程以数据驱动为核心，详细介绍了基础知识包括R语言、Git、GitHub入门，优点：理论与实践融合：通过R语言和VScode等进行分析数据和作图实操，还学习了如何调用API KEY，老师详细的介绍了手搓神经网络模型和机器学习算法的实现；提高了协作能力，受益匪浅。并且老师上课很有耐心，有责任心，让我了解到许多知识，都是之前没有接触的，所以希望这门课程的教学能更通俗易懂一些. 感谢老师的辛勤付出!
2024******0139
总结:在本次课程学习中，简单学会使用 GitHub、R、VSCode等 工具，Git 用于代码版本控制；R 语言涉及数据处理、绘图和统计分析；VSCode 助力高效代码编辑. 很好的提高了我今后在科研、数据分析、项目实践方面的能力. 课程评价：优点：理论实践结合紧密，学完知识点即有实操，利于知识掌握与动手能力提升 缺点：实践项目难度梯度不合理，难者过难、易者过易，无法兼顾不同基础学生意见与建议：实行分层教学，按学生基础设基础、进阶、挑战项目；同时在课程结束后生成PPT让学生课后学习.
2024******088
在这学期开展的数据驱动的可重复性研究课程中，我学习到了很多东西：
- 比如利用Rstudio进行转录组测序分析和分组数据实战分析；
- 利用GitHub进行协作并生成了属于自己个人简介的网站；
- 使用人工智能获取指令帮助批量阅读文献；
- 利用Pull Request 进行协作提交课程评价和建议.
对课程的心得体会和建议：
- 对0基础计算机小白来说课程难度很大，还有英语薄弱的同学在软件利用和编写的过程中都遇到了问题；
- 上课的进度有点快，一步没跟上老师的步骤就跟不上了；
- 希望老师可以加入一些浅显的代码编程逻辑语言的学习，能够简要的学习并感受到到计算机的魅力;
- 在课程上对于数据处理的能够更加通用化，可以教我们在一些需要更改的地方着重强调，让我们能有自己动手的能力.
最后感谢老师一学期辛苦的教学!
2024******063
整体课程对于零基础小白还是偏难的，往往听老师讲一遍，自己复现的时候会忘记某些细节或因各种原因的报错而手足无措，但在多节课的学习和摸索后，最终成功复现了课堂案例. 对于该课程的教学，我建议老师可以将课程案例的具体操作步骤录制成视频或制作成PPT，提供给学生作为课前预习、课中对照、课后复习的材料. 另外，我建议老师对于学生在复现案例的过程中遇到的报错可以制成问题库，一方面老师可以有效快速解答学生的疑问，另一方面学生可以查漏补缺，在问题库中查找自己的原因，查找不到的问题再进行提问，使解疑更高效.
2024******051
在经过这门课程的系统学习之后，我了解了一些软件，创建了自己的第一个网站. 以后应该多加强实践型应用，巩固学习到的知识. 另一方面，对于一些专业词汇了解较少，应加强对软件的熟悉，多学习，多在网上找一写讲解视频，会更能帮助到学习.
2024******073
课程很有用，学习到了很多关于R语言，pvthon等等的一些东西，对于这些我之前是纯不会的，建议多一些应用性实践. 老师很认真负责，因为学生基础薄弱就带着我们一步一步的做，为课程准 备了五百多页的PPT，非常敬业，能及时且耐心的解决学生提出的问题.