Aiming at the current problems of theory-oriented,practice-light,and lack of innovation ability in the teaching of postgraduate software engineering courses,a multi-stage feedback teaching mode for software engineering postgraduates based on competition project_driven is proposed. The model is driven by the competition project,and implementing suggestions are given in terms of stage allocation of software engineering course tasks and ability cultivation,competition case design and process evaluation improvement,etc. Through the implementation of this teaching mode,students enthusiasm and initiative are expected to be stimulated,and the overall development of students professional skills and comprehension ability would be improved to meet the demand of society for software engineering technical talents.

在过去五年的工程模块中，在工程模块中试验了依赖基于团队的学习的项目学习的混合教学方法。我们的动机是将学生揭示了现实世界真实的工程问题，并从古典的“银行业务”方法中引导他们，以期通过更深入和更加合作的学习来开发其系统工程技能。我们的第三年模块被称为团队设计和项目技能，并关注320名学生将自己分成队伍，以开发智能电子系统。我们揭示了模块设计细节，并通过在过去五年中分析了学生成绩的教学方法的有效性，以及68名学生完成的调查数据。 64％的受访学生一致认为，该模块有助于扩大电子系统设计的视角。此外，84％认识到该模块在其学位计划中是一个有价值的组成部分。在工程课程中采用这种方法使学生能够将知识集成在包括控制系统，图像处理，嵌入式系统，传感器以及团队工作，决策，故障排除和项目规划的领域。

尽管机器人学课程在高等教育方面已建立，但这些课程通常专注于理论，有时缺乏对开发，部署和将软件应用于真实硬件的技术的系统覆盖。此外，大多数用于机器人教学的硬件平台是针对中学水平的年轻学生的低级玩具。为了解决这一差距，开发了一个自动驾驶汽车硬件平台，称为第1 f1 f1tth，用于教授自动驾驶系统。本文介绍了以“赛车”和替换考试的竞赛为主题的各种教育水平教学模块和软件堆栈。第1辆车提供了一个模块化硬件平台及其相关软件，用于教授自动驾驶算法的基础知识。从基本的反应方法到高级计划算法，教学模块通过使用第1辆车的自动驾驶来增强学生的计算思维。第1辆汽车填补了研究平台和低端玩具车之间的空白，并提供了学习自主系统中主题的动手经验。多年的四所大学为他们的学期本科和研究生课程采用了教学模块。学生反馈用于分析第1个平台的有效性。超过80％的学生强烈同意，硬件平台和模块大大激发了他们的学习，而超过70％的学生强烈同意，硬件增强了他们对学科的理解。调查结果表明，超过80％的学生强烈同意竞争激励他们参加课程。

由于Covid-19的大流行，许多大学课程不得不突然转变以实现远程教学。在嵌入式系统和微控制器上调整课程是非常具有挑战性的，因为与真实硬件的互动是它们不可或缺的一部分。我们首先将我们的经验与教学嵌入式系统的四个基本替代方案进行比较：1）在学校与硬件进行交互，2）远程访问硬件，3）向学生借给学生进行家庭工作和4）虚拟化硬件。之后，我们详细评估了我们从传统的离线户外硬件编程课程到使用实验室中存在的真实硬件的快速过渡的经验。事实证明，这种不寻常的远程硬件访问方法是教授嵌入式系统的完全可行的替代方法，从而实现了相对较低的过渡。我们的设置基于现有的解决方案和稳定的开放技术，而无需使用需要高维护的定制应用程序。我们评估了学生和老师的经验，并评估了未来课程的凝结外卖。特定的环境设置可在线获得，作为他人的灵感。

在这项工作中，我们向阿姆斯特丹大学的人工智能（_MACE-AI）的技术，研究生，保密性和透明度的技术，审查，保密性和透明度的设置，它通过再现性的镜头教导了概念。该课程的焦点是基于从顶级AI会议的现有事实-AI算法的基础项目，并撰写关于他们的经历的报告。在课程的第一次迭代中，我们创建了一个具有来自组项目的代码实现的开源存储库。在第二次迭代中，我们鼓励学生将他们的小组项目提交给机器学习再现性挑战，这导致了我们课程所接受的9个报告。我们反映了我们在两个学年课程教学的经验，其中一年恰逢全球大流行，并通过研究生级AI计划的可重复性提出了教学局面的指导。我们希望这可以成为教师在未来在其大学建立类似课程的有用资源。

这项研究深入研究了机器人支持的翻转课程的可行性，以阅读理解。在16项课程中，比较了444名学生的阅读理解和工作空间表现，并进行了商业化和自我生成的机器人的班级。结果表明，翻转的课程为医学目的的英语中学教育带来了良好的教学学习氛围（EMP）阅读理解，并采用主动方法来进行工作空间表现。在同时，混合效应模型表明，学生参与自我生成的机器人支持的翻转班级的效果大小（+17.6 \％）比商业机器人机器人支持的翻转类别更大。分析产生了EMP阅读理解和工作空间表现的五个促成主持人：阅读能力，态度，实践方式以及学生和教师的角色。

鉴于HEP研究的核心，数据科学（DS）和机器学习（ML）在高能量物理学（HEP）中的作用增长良好和相关。此外，利用物理数据固有的对称性激发了物理信息的ML作为计算机科学研究的充满活力的子场。 HEP研究人员从广泛使用的材料中受益匪浅，可用于教育，培训和劳动力开发。他们还为这些材料做出了贡献，并为DS/ML相关的字段提供软件。物理部门越来越多地在DS，ML和物理学的交集上提供课程，通常使用HEP研究人员开发的课程，并涉及HEP中使用的开放软件和数据。在这份白皮书中，我们探讨了HEP研究与DS/ML教育之间的协同作用，讨论了此交叉路口的机会和挑战，并提出了将是互惠互利的社区活动。

使用数据挖掘工具使用大数据正在迅速成为教育行业的趋势。当前收集，存储，管理和处理数据的能力及时的结合以及在线教育平台的数据是教育机构，学习者，教育工作者和研究人员的前所未有的机会。在该立场论文中，我们考虑了一些有关教育数据挖掘和学习分析的基本概念以及大多数流行的工具，方法和技术，并特别讨论语言学习中的大数据应用。

虽然AI有利于人类，但如果没有适当发展，它也可能会损害人类。 HCI工作的重点是从与非AI计算系统的传统人类交互转换，以与AI系统交互。我们在HCI视角下开展了高级文献综述，对当前工作的整体分析。我们的审核和分析突出了AI技术引入的新变更以及HCI专业人员在AI系统开发中应用人以人为本的AI（HCAI）方法时，新挑战的新挑战。我们还确定了与AI系统人类互动的七个主要问题，其中HCI专业人员在开发非AI计算系统时没有遇到。为了进一步实现HCAI方法的实施，我们确定了与特定的HCAI驱动的设计目标相关的新的HCI机会，以指导HCI专业人员解决这些新问题。最后，我们对当前HCI方法的评估显示了这些方法支持开发AI系统的局限性。我们提出了可以帮助克服这些局限性的替代方法，并有效帮助HCI专业人员将HCAI方法应用于AI系统的发展。我们还为HCI专业人员提供战略建议，以有效影响利用HCAI方法的AI系统的发展，最终发展HCAI系统。

在Covid-19大流行中，本文的作者为数据科学领域的一所研究生院组织了一门加强学习（RL）课程。我们描述了尽管无处不在的变焦疲劳，但仍在定性地评估课程，以创造令人兴奋的学习体验的策略和材料。关键的组织特征是专注于团队中竞争性的动手设置，并提供了最少的讲座，从而提供了RL基本背景。该课程的实用部分围绕着Hearts Gym，这是我们作为RL的入门级教程开发的RL环境。参与者的任务是培训代理人探索奖励成型和其他RL超参数。为了进行最终评估，参与者的代理人相互竞争。

Datathon是一项涉及应用于特定问题的数据科学的时间限制的竞争。在过去的十年中，DATATHON已被证明是领域和专业知识之间的宝贵桥梁。生物医学数据分析是一个具有挑战性的领域，需要工程师，生物学家和医生之间的合作，以更好地了解患者生理学以及指导诊断，预后和治疗干预措施以改善护理实践的指导决策过程。在这里，我们反思了我们在2022年3月底在MIT关键数据组，Rambam Health Care Campus（Rambam）和Haifa技术以色列技术研究所（Technion Institute of Haifa）在以色列组织的活动的结果。要求参与者完成有关他们的技能和兴趣的调查，这使我们能够确定机器学习培训对医疗问题应用的最新需求。这项工作描述了以色列背景下医学数据科学的机会和局限性。

大数据一词是为了指代传统数据处理技术无法处理的大量数据。大数据仍然是一个新颖的概念，在以下文献中，我们打算以明显的方式详细说明它。它从主题本身的概念及其属性以及处理该主题的两种一般方法开始。大数据为教育机构提供了一个机会，可以从战略上利用其信息技术资源来提高教育质量，指导学生提高完成率并改善学生的毅力和成果。本文探讨了与教育机构有关的大数据的属性，研究了影响大数据和分析机构中采用大数据的因素，并试图建立阻碍在高等教育机构中使用大数据的限制因素。在进行这项研究时采用了调查研究设计，问卷是用于数据收集的仪器。

This study evaluated the ability of ChatGPT, a recently developed artificial intelligence (AI) agent, to perform high-level cognitive tasks and produce text that is indistinguishable from human-generated text. This capacity raises concerns about the potential use of ChatGPT as a tool for academic misconduct in online exams. The study found that ChatGPT is capable of exhibiting critical thinking skills and generating highly realistic text with minimal input, making it a potential threat to the integrity of online exams, particularly in tertiary education settings where such exams are becoming more prevalent. Returning to invigilated and oral exams could form part of the solution, while using advanced proctoring techniques and AI-text output detectors may be effective in addressing this issue, they are not likely to be foolproof solutions. Further research is needed to fully understand the implications of large language models like ChatGPT and to devise strategies for combating the risk of cheating using these tools. It is crucial for educators and institutions to be aware of the possibility of ChatGPT being used for cheating and to investigate measures to address it in order to maintain the fairness and validity of online exams for all students.

Technology has transformed traditional educational systems around the globe; integrating digital learning tools into classrooms offers students better opportunities to learn efficiently and allows the teacher to transfer knowledge more easily. In recent years, there have been many improvements in smart classrooms. For instance, the integration of facial emotion recognition systems (FER) has transformed the classroom into an emotionally aware area using the power of machine intelligence and IoT. This paper provides a consolidated survey of the state-of-the-art in the concept of smart classrooms and presents how the application of FER systems significantly takes this concept to the next level

在软件项目中引入机器学习（ML）组件创造了软件工程师与数据科学家和其他专家合作。虽然合作可以始终具有挑战性，但ML介绍了探索性模型开发过程的额外挑战，需要额外的技能和知识，测试ML系统的困难，需要连续演化和监测，以及非传统质量要求，如公平性和解释性。通过采访来自28个组织的45名从业者，我们确定了在建立和将ML系统部署到生产时面临的关键合作挑战。我们报告了生产ML系统的开发中的共同合作点，以获得要求，数据和集成以及相应的团队模式和挑战。我们发现，这些挑战中的大部分挑战围绕通信，文档，工程和流程以及收集建议以解决这些挑战。

近期和快速转变为大流行迅速的数字学习，也受到数字工具和平台无处不在的可用性的影响，使数字学习更加接近。扩展数字学习和教学中最困难的部分中的一个积分和一个是能够评估学习者的知识和能力。教育者可以录制讲座或创造数字内容，可以传递到数千名学习者，但评估学习者是非常耗时的。在本文中，我们提出了基于人工智能（AI）的解决方案，即VidVersityQG，用于自动从预先记录的视频讲座产生问题。基于从视频推断的上下文和语义信息，该解决方案可以自动生成不同类型的评估问题（包括短答案，多项选择，真/假并填写空白问题）。所提出的解决方案采用以人为本的方法，其中教师提供了修改/编辑任何AI生成的问题的能力。这种方法鼓励教师参与教育的使用和实施教育。评估了基于AI的解决方案，以便通过我们的行业合作伙伴Vidversity提供给我们的多个域名的经验丰富的教学专业人员和117名教育视频的准确性。 VidVersityQG解决方案显示有希望自动从视频产生高质量问题，从而大大减少了在手动问题中为教育工作者的时间和精力。

解决编码问题的同时学习过程非常复杂。了解学习编码期间所需的技能是非常重要的。作为了解学生在学习编码期间的学生行为和方法的第一步，两个在线编码分配或竞争通过1小时的时间限制进行​​。在每个编码测试结束时进行了一项调查，并收集了不同问题的答案。在深度统计分析中，完成了解学习过程，同时解决编码问题。它涉及许多参数，包括学生行为，他们的方法和编码问题的难度水平。包含情绪和情绪相关问题可以提高整体预测性能，但在提交状态预测中难度级别。通过深入研究229（第一编码竞争数据集）和325（第二编码竞争数据集）数据点，通过深入研究分析两种编码分配或竞争。主要结果是有前途的，这些结果深入了解如何在学生行为，他们的方法，情感和问题难度水平受到学习问题的影响。

第44届软件工程国际会议（ICSE 2022）于2022年5月22日至2022年5月27日在美国宾夕法尼亚州匹兹堡亲自举行。在这里，我们总结了我们在会议上观察到的软件工程和测试领域的研究主题以及研究方向。

此导频研究侧重于称为L2L的工具，允许第二语言（L2）学习者可视化和分析其与母语人员的缩放交互。 L2L使用Zoom转录程序自动生成对话指标，其播放功能与时间戳允许学生重放会话后的任何所选部分的会话反映和自我评审。这项探索性研究调查了一个七周的Teletandem项目，来自爱尔兰大学的本科生学习法国（B2）与来自法国大学学习英语（B2 +）的同龄人通过放大互动。从调查（n = 43）和半结构化访谈（n = 35）收集的数据表明，定量对话指标和对同步内容的定性审查有助于提高学生的置信水平，同时与母语扬声器汇集。此外，它允许他们设定有形的目标来提高他们的参与，并更加了解他们是如何学习的原因。

本文探讨了大语言模型的自然语言生成能力，并应用于编程课程中常见的两种学习资源类型。使用OpenAI Codex作为大语言模型，我们创建编程练习（包括示例解决方案和测试用例）和代码说明，从定性和定量上评估这些练习。我们的结果表明，大多数自动生成的内容既新颖又明智，在某些情况下可以按原样使用。在创建练习时，我们发现仅通过提供关键字作为模型输入来影响编程概念和它们所包含的上下文主题非常容易。我们的分析表明，大规模生成机器学习模型是指导者的工具，尽管仍然需要进行一些监督以确保生成的内容的质量在传递给学生之前。我们进一步讨论了OpenAI Codex和类似工具对入门编程教育的含义，并强调了未来的研究流，这些研究流有可能提高教师和学生的教育体验质量。