• 现代软件工程 学生自我评价表


    每年上完 <现代软件工程课>, 我都要收集同学们对自己上课前/后的评价。这样可以看到同学们到底在什么地方得到提高, 提高了多少.  这样可以分析课程设计各个环节的效果, 以便跟踪和改进。

    下面是我使用的自我评价表:

    匿名调查,整个学期, 你在这门课平均每周花_________ 小时 (包括上课时间)。
    你在这门课中写了大约 ______________行代码. 
    please write down you anonymous self-assessment, 

    1: minimal level; 3: basic theory;  5: basic theory and working knowledge; 8: can effectively use it as a professional; 10: complete fluency in both theory and practice.
    请填写你上课前后的水平评估。 填 [1..10] 数字即可,数字参考:
    1: 最低水平;  3: 基本的书面知识; 5: 基本的理论和实践知识, 可以通过企业面试;
    8: 可以像专业人士一样自如地运用; 10: 全面精通理论和实践。 

    表格由 15 - 18条问答组成, 有些条目的覆盖范围略有重复,下面是具体的条目:

    Software Engineering(SE)Overall / 对软工整体的理解
    SE: Requirement (需求分析,典型用户,场景,创新)
    SE: Project Management (项目管理,风险管理,spec)
    SE: Design (架构设计,模块化设计,接口设计)
    SE: Design (效能分析,效能改进)
    SE: Implementation (阅读代码的能力,实现,单元测试)
    SE: Test (测试方法、测试工具、测试实践、代码覆盖率)
    Software Tools (performance tool, version control, work item, TFS) 
    Code Review/Writing Solid Code (代码复审/代码规范/代码质量)
    Programming Language (C/C++/C#/Java) (pick one language)
    App development: Web/Mobile/PC (choose one)
    Task Plan, estimation and Prioritization (计划任务,估计时间和优先级)
    Task Execution (按照质量要求、按期完成任务)
    Work with others (协同工作,提供反馈, 说服别人)
    Presentation  (报告项目状态,提出想法,写博客等)

     

    大多数同学都很客观地填写了反馈,  有些条目有较大提高, 有些条目提高很小, 或者没有。  但是每年都有一些 “噪音”,例如有人填自己课前水平都是“1”,  课后都是 “10”。  这本无妨,  我一般把这些明显的噪音去掉。 不过, 今年的噪音似乎更奇怪了。这是几个例子:

    例1: 在报告每周花费10小时, 总共写了3000 行代码之后, 这位同学报告了他的比较。 在两个项目中, 他的水平由上课前的10 (全面精通理论和实践), 变成了课后的1。  看来我这门课上得误人子弟。

    WP_000100

    这位同学也是, 艺术地表达了上课一无所获的心情:

    WP_000096

    这位干脆就是省略号了… 你懂的。

    WP_000098 

    同学们有大约半小时的时间填写这个反馈, 我想他们是经过考虑的。 花了这么长时间上课, 居然毫无收获, 甚至有些地方由 10 变成 1, 原因在哪里?  请选择:

    a) 同学们随意填的   //辛辛苦苦上了一个学期,  得到这样的结果, 有些伤不起。  改进:  以后多提醒

    b) 老师讲课的确不好,  并有吸星大法, 把一些同学的功力由十成变成一成.     //改进: 以后换老师  (这里有以前学生正式的评价)

    c) 同学们没学好     //改进: 重修

    d) 其他…

  • 相关阅读:
    [bug] C:warning: implicit declaration of function ‘getline’
    [Java] 内部类
    [架构] 数据库技术选型
    [bug] Maven修改pom文件后jdk版本回退
    [物联网] 电气 & 工控
    [bug] mysql 忘记密码
    [物联网] 电路分析
    机器学习sklearn(二十五): 模型评估(五)量化预测的质量(二)分类指标
    机器学习sklearn(二十四): 模型评估(四)量化预测的质量(一)scoring 参数: 定义模型评估规则
    机器学习sklearn(二十三): 模型评估(三)交叉验证:评估估算器的表现(三) 交叉验证迭代器
  • 原文地址:https://www.cnblogs.com/xinz/p/2084201.html
Copyright © 2020-2023  润新知