AI辅助项目式教学管理系统设计方案

方案A：多渠道自然语言反馈收集与智能分类

学生可以随时通过自然语言提交反馈——支持文字、语音转文字、截图标注等多种输入方式。AI自动将反馈分类为五类：

具体实现：

• 飞书多维表格：设置"反馈内容"字段（多行文本），添加AI字段自动分类和情感分析。学生通过飞书表单或机器人提交。
• 自建脚本：调用Qwen API，设计分类Prompt，将结果存入SQLite或飞书多维表格。可定时生成"班级反馈热力图"。

方案B：AI引导的结构化学习反思

每个项目结束后，不是让学生写"自由反思"，而是由AI根据项目类型和学生表现，生成个性化的反思引导问题。学生通过对话式界面回答，AI帮助结构化并提取学习模式。

AI反思引导Prompt示例：

• "在本次项目中，你遇到的最大困难是什么？你是如何解决的？"
• "你使用了哪些AI工具？它们分别在哪个环节帮助了你？"
• "如果重新做这个项目，你会做哪些不同的选择？"
• "对比项目开始前，你对AI的认知发生了什么变化？"

AI从反思中提取标签（如"API调试""提示词设计""团队协作"），自动积累为个人学习画像。学期末，AI自动生成成长报告，展示能力提升曲线。

具体实现：使用OpenWorker或飞书机器人作为对话界面，调用Qwen API生成个性化问题和总结。

方案C：情感分析与预警系统

AI不仅分析反馈的"内容"，还分析"情感"。系统持续监测全班和个人的情感趋势：

• 个人预警：对持续消极/焦虑的学生自动标记，教师收到提醒后定向沟通。
• 全班预警：当某个项目导致全班情绪低谷时，系统发出"教学干预建议"。
• 趋势分析：对比各项目的情感曲线，识别"高压力项目"，为下学期课程优化提供依据。

具体实现：调用Qwen API进行情感分析（正面/中性/负面 + 强度），结果以时间序列存入数据库，通过ECharts可视化。

代码类项目：Gitee（码云）

Gitee是国内最成熟的Git代码托管平台^[2]，在北京、上海、广州等多城市部署服务器，访问速度快，支持免费私有仓库，中文界面，适合中国学生使用。GitHub Classroom的国际访问不稳定，Gitee是更务实的选择。

• 教师创建组织：教师创建Gitee组织，为每个项目创建仓库模板。
• 学生Fork提交：学生Fork项目仓库，开发完成后发起Pull Request提交。
• 提交记录分析：通过Gitee API获取提交频率、代码量分布等数据，AI分析小组贡献分布。
• 版本追溯：完整的Git历史记录，可追溯每次修改，防止"搭便车"。
• 国内访问：无需VPN，学生注册简单（手机号即可），零网络障碍。

文档/媒体类项目：飞书多维表格

• 统一入口：每个项目设置一个飞书多维表格"提交视图"，学生填入作品链接/上传文件。
• AI自动检查：AI字段自动检查提交完整性（必填项、文件格式、链接有效性）。
• 多格式支持：文档、图片、视频、音频、代码链接均可提交。
• 自动归档：按项目/学期自动归档，形成结构化作品库。

AI增强：自动完整性检查

无论使用哪种收集方式，AI都可以在提交时自动检查：

• 必填项是否完整？文件格式是否正确？
• 代码是否可运行？是否有明显错误？
• 文档是否包含必要章节（需求分析/设计方案/实施过程/总结）？
• 不符合要求的，AI即时给出修改建议，减少教师重复提醒。

自动作品集生成

每个项目完成后，AI自动从提交记录中提取关键信息，生成作品集页面：

学期末自动成长报告

学期末，AI从全部项目数据中自动生成个人成长报告，包含：

• 能力雷达图：从10个项目中提取的能力维度得分（如"提示词设计""API调用""数据分析""创意表达""团队协作"）。
• 作品时间线：按时间顺序展示所有作品，标注关键里程碑。
• AI使用日志：学生在各项目中使用的AI工具和使用方式记录。
• 成长曲线：对比各项目的能力得分，展示成长趋势。
• 教师评语：AI生成的个性化评语草稿，教师审核修改后发布。

AI辅助评估流程（五步法）

1. 定义评分标准（Rubric）：教师定义评分维度和标准。AI可辅助生成Rubric模板——教师描述项目要求，AI生成多维评分标准草稿^[3]。
2. AI预评估：AI根据Rubric对每份作品进行预评估，生成评估报告（优点/改进点/具体建议）。研究表明，基于Rubric的AI评估在一致性上已接近人工评估水平^[4]。
3. 教师审核确认：教师审核AI评估结果，调整偏差后确认最终成绩。AI处理80%的重复性工作，教师聚焦于20%需要专业判断的部分。
4. AI辅助同伴互评：AI智能匹配互评对象（能力相近/作品互补），引导评分（提供评分引导问题），检测偏差（评分过高/过低自动标记）。
5. 生成成长反馈：AI将评估结果转化为学生可操作的改进建议，而非简单分数。同时更新个人能力画像。

评估维度设计（映射5D框架）

方案A：AI驱动的多源进度推断

不再依赖学生口头汇报，而是从多个数据源自动推断真实进度：

AI生成的进度不再是主观的"80%"，而是基于实际数据的客观评估。例如："代码提交活跃(本周5次push)，但文档2天未更新，测试通过率60%，预计需要额外1.5天完成。"风险等级：中。

方案B：智能检查点系统

每个项目设置2-3个检查点，AI在每个检查点自动执行：

1. 完成度评估：AI根据检查点要求自动评估已完成内容（代码可运行？文档章节完整？设计稿已提交？）。
2. 自动提醒：对未提交/进度滞后的学生/小组自动发送提醒（飞书消息/邮件），语气友好但明确。
3. 小组健康度报告：生成小组的三维健康度评估：
   • 进度维度：当前完成度 vs 预期完成度
   • 协作维度：成员贡献分布是否均衡（从提交记录推断）
   • 质量维度：已完成内容的质量评分（AI预评估）
4. 教师干预建议：AI对风险较高的小组生成干预建议（"小组A进度滞后，建议安排一次15分钟的进度沟通"）。

方案C：进度分析与预测

• 完成风险预测：基于历史数据（往届学生的进度模式），AI预测当前学生/小组的完成概率。对高风险者提前预警。
• 卡点识别：跨项目分析，识别学生普遍卡住的环节（如"API密钥配置""提示词调优"），为教学优化提供依据。
• 贡献分布分析：通过Git提交分布和飞书文档编辑记录，量化每个成员的贡献，防止"搭便车"。注意：贡献分布仅供参考，教师需结合实际情况判断。