常见问题 | FAQ

本页目录

这里集中回答课程考核、选题、数据分析、协作方式与 AI 工具使用中的高频问题。

没有。当前考核只有课程汇报。仓库中的练习和旧模板可用于自学、课堂讨论或准备汇报，但不作为独立成绩项。

不一定。可以做真实数据分析，也可以做方法设计或案例拆解。关键是必须清楚区分“已经运行并得到的结果”“基于文献或课件的流程设计”和“尚待验证的假设”。

更看重科学解释。优秀汇报需要理解工具输入、输出、假设和局限，而不是堆叠软件名称。方法越复杂，越需要解释为什么这样做以及结果为什么可信。

可以，但需要核查。AI 可以帮助整理思路、解释文档或润色表达；数据库版本、命令参数、文献事实和生物学结论必须由学生自行验证。

课程允许从概念和方法设计切入。建议先理解数据类型、流程图和关键判断点，再逐步学习命令行、数据库检索和结果解释。最终汇报应体现你能严谨地组织证据，而不只是展示代码量。

可以。请明确数据 accession、获取日期、原始研究与许可条件；若直接使用文献结果，需要说明哪些结论来自原文、哪些是你自己的方法分析或再解释。

建议在最后一页或附录列出成员分工，包括问题设计、数据准备、流程实现、图表、文献核查与口头汇报。所有成员都应理解整体证据链，而不只是自己负责的软件步骤。

优先限制一个维度：环境系统、目标类群、功能过程、数据类型或方法比较。一个适合课堂汇报的问题，通常可以由 2–4 张关键图表回答，并能在有限时间内讲清假设、证据与边界。

尝试用一句话说明它支持的判断。如果这句话与核心问题无关、需要大量背景才能成立，或图中没有可核查的比较对象，这张图更适合放在附录而不是主线。

先回到课程大纲、教学进度和资源索引定位对应模块；涉及具体课堂安排时，以任课教师的最新说明为准。文档错误或链接失效可通过 GitHub Issues 反馈。