严查!学生论文抽检不通过,教师重大教学事故

近日,上海一所高校发布的整改通报提及,有两名教师因连续两年指导的学生论文在抽检中不合格,已被予以相应处理。这一消息再次将本科毕业论文抽检工作推向舆论焦点。

图片

来源:某高校网站

随着教育部通知要求2025年9月开展2024-2025学年度全国本科毕业论文抽检工作,各高校已陆续发布相关通知并开展准备工作。毕业论文抽检制度正深刻影响着高校教师的教学评价体系。

论文抽检不通过,教师重大教学事故

本科毕业论文抽检的制度源头可以追溯到2020年出台的《深化新时代教育评价改革总体方案》。该方案明确提出要严格学业标准,并探索抽检试点。

2021年初,教育部发布《本科毕业论文(设计)抽检办法(试行)》,明确每年对上一学年授予学士学位的论文进行抽检,比例不低于2%。同时对连续出现问题的学校和专业设定了惩戒措施:包括通报、减少招生计划,严重的可能暂停招生甚至撤销学位授权点

在这一政策背景下,各高校也跟进制定了教师层面的规定。某985高校明确要求:只要在上级抽检中出现“存在问题论文”,指导教师要按重大教学事故处理。

图片

来源:某985高校《本科毕业设计(论文)检测、评阅、抽检及答辩相关工作的通知》

山西某高校也发文明确:教师指导的毕业论文若连续两届或单届2篇以上出现“存在问题毕业论文”的评议结果,三年内不得指导毕业论文,按重大教学事故处理

图片

来源:山西某高校《学位论文抽检评议结果处理办法(试行)》

近年来,已有多起高校教师因毕业论文指导问题被认定教学事故的案例。今年6月,福建省某高校对4篇不合格论文的指导教师给予二级教学事故处理。2023年,黑龙江某高校对抽检中“存在问题毕业论文”的指导教师作出通报:5名教师被认定为严重教学事故,一年内取消所有评奖、评优、评先资格。

毕业论文抽检制度从无到有,旨在构建一个“评价—反馈—改进—问责”的质量闭环。

教师指导论文的“隐形负担”

对指导教师而言,论文抽检的压力不仅来自“一旦出问题便受罚”的硬规则,更来自指导过程本身日益沉重的“隐形负担”。

每年春季,一位教师往往要同时指导六到十篇本科论文,而相当比例的学生习惯“突击成稿”。这样导致教师不得不在短期内集中处理大量问题。这种情况不仅打乱了正常的教学和科研节奏,也让论文质量难以保证。

更让人头疼的是,AI写作工具的普及给论文指导增加了新的不确定性,不少教师已经开始使用检测工具来甄别AI生成的内容。

简而言之,教师不仅要看论文的内容,还要负责分辨论文是不是“人写的”。

现在,一些高校已经针对AI写作出台了规定。复旦大学在2024年发布的文件就明确,AI工具不得用于研究设计、数据分析和论文写作等核心环节,违规的话可能直接影响答辩资格,甚至取消学位

图片

学生如果在写作中如果违规或质量不过关,最终受到影响的不只是学生,指导教师同样要承担责任。

这样一来,毕业论文指导就不再是单纯的教学环节,而是变成了学术审查、技术监管和责任追究的综合性工作。

本科毕业论文抽检的存废之争

随着论文抽检工作的推进,关于本科论文抽检的争议逐渐浮出水面并引发广泛讨论。

很多师生都同意取消毕业论文。理由主要有两个:第一,论文和培养目标脱节;第二,论文质量普遍偏低

北京大学教育学院研究员卢晓东在《中国科学报》发文提出质疑:本科论文抽检工作真的是“保证本科人才培养基本质量”的关键工作吗?在我国进入高等教育普及化阶段后,毕业论文作为一门必修课就不再适当。

卢晓东进一步提出,将本科生毕业论文作为一门选修课是高等教育普及化阶段早该完成的改革。这项改革不完成,就会遗留并引发更多问题。全国本科毕业论文抽检就是由此引发的一个涉及面广的问题——工作量极大的本科论文抽检关乎教育财政和教师宝贵的创新时间。要让本科生论文回归“选修课”属性,取消抽检势在必行。

本科毕业论文抽检制度作为保障人才培养质量的重要举措,其强化质量底线意识的积极意义值得肯定。然而,当前实践中暴露的教师负担加重、AI技术冲击等问题,以及对其存废价值的学术争议,均表明这项工作仍需不断优化与调适。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值