促进计算领域广泛参与的十大系统性变革
《Communications of the ACM》:10 Systemic Changes to Broaden Participation in Computing
【字体:
大
中
小
】
时间:2026年09月26日
来源:Communications of the ACM 7.1
编辑推荐:
摘要
包容性计算中心(CIC)成立于2019年,旨在与美国大学计算部门合作,识别并消除阻碍学生发现计算科学并在其中蓬勃发展的障碍。我们获得了独特的机会,以确定哪些干预措施在消除这些障碍方面最为有效,并且是在前所未有的规模上做到这一点;截至本文撰写之时,CIC已与美国规模最大
摘要
包容性计算中心(CIC)成立于2019年,旨在与美国大学计算部门合作,识别并消除阻碍学生发现计算科学并在其中蓬勃发展的障碍。我们获得了独特的机会,以确定哪些干预措施在消除这些障碍方面最为有效,并且是在前所未有的规模上做到这一点;截至本文撰写之时,CIC已与美国规模最大的100多个计算部门开展合作。我们在此呈现22所学校的结果,这些学校在2020年至2022年间开始对其本科项目做出改变。随着我们预计在接下来3至5年内与另外30至40所学校就其本科计算项目展开合作,我们将逐步增加这些数据。凭借这第一批结果,我们描述了学校可以做出的十项系统性、可持续的改变,以及这些改变如何根据不同机构背景进行调整。我们基于证据展开讨论,展示实施这些改变带来的积极影响。
包容性计算中心(CIC)于2019年在东北大学成立,旨在扩大美国大学在计算领域的参与度(BPC)。BPC是美国计算机科学(CS)社区数十年来一直追求的目标,为设计并实施最佳实践方面已做了大量工作。但文献中报告的大多数努力仅在单所学校或少数几所学校探索BPC活动的成效。此外,全国范围内的BPC进展缓慢;2019年,自认为女性和/或来自历史上在科技行业被边缘化的种族和族裔群体的学生,在计算领域中的代表性相对于其在高等教育中的代表性仍然不足。2018年的报告《重启代表性》指出,尽管在BPC最佳实践方面似乎达成了共识,但采用速度却十分缓慢。该报告关注这一"悖论",推测大学计算部门缺乏足够的动力和资源来进行改变。在既往研究基础上,并依托Pivotal的核心资金支持,CIC着手确定哪些BPC实践在不同大学背景下有效。CIC资助那些为本科生创造更加包容性环境的改变。我们所说的包容性环境,指的是所有学生——包括从未编程过的学生——都感到被欢迎去尝试计算科学,并得到支持去攻读该领域专业的环境。
关键洞察
■ 包容性计算中心(CIC)于2019年成立,旨在与美国大学计算部门合作,识别并消除阻碍学生发现计算科学并在其中蓬勃发展的障碍。我们获得了独特的机会,以确定哪些干预措施在消除这些障碍方面最为有效,并且是在前所未有的规模上做到这一点。
■ 我们报告了22所大学中我们发现有影响力的10项系统性改变的结果,并描述了这些改变如何根据不同机构背景进行调整。
■ 结果显示,实施这些改变中的一部分即可在所有人群中带来保留率和吸引力的提升。
在CIC,我们与美国最大的大学合作,以覆盖尽可能多的本科生。我们的方法旨在检验两个假设。第一个假设是,通过做出系统性改变(例如,对课程和/或学位结构进行修改),更多的学生将尝试和/或保留在计算领域(即如果我们专注于改进机构本身,而不是改进学生,会发生什么?)。第二个假设是,通过针对系统性改变,大部分工作将是可持续的(即不会需要持续募捐或给部门预算增加实质性成本)。
本文描述的是该实验第一阶段的成果。具体而言,我们分享了在本科层面获得资助实施的第一批22所学校的汇总数据。这22所学校在2020年至2022年间开始实施改变,意味着已有足够的时间来衡量其影响。(第二阶段将包括超过50所学校的结果。)对于每所大学,CIC提供:用于覆盖实施成本的多年期20万美元(或更多)的资助;通过项目主管提供的技术支持(由计算领域教师和CS教育专家担任);以及一个收集和分析数据的平台,以追踪改变的影响。每所大学的资助每年评估一次,下一笔资金的发放取决于对前一年工作计划的满意努力和进展。
本文首先概述了用于选择22所学校(以及后续加入组合的学校)的方法论以及参与CIC意味着什么。接着,我们描述了10项系统性干预措施(通过反复试验我们发现这些措施无论学生此前是否有CS接触经验,都能有效地为本科生创造包容性环境)。然后我们将22所学校映射到这10项干预措施上并分享汇总结果,包括计算专业招生人口统计变化与大学整体招生变化之间的比较。最后,我们描述未来计划并从工作中得出结论。
系统性改变的框架
CIC的方法论包括以下六个步骤:
1. 我们通过网站和邮件列表公布资助的可用性。根据核心资金的条款,初始资格标准为毕业200名以上学生的美国非营利机构(按IPEDS CIP代码11统计)。我们现在接受毕业150名以上学生的申请(按CIP代码11统计)。
2. 我们与各学校在线会面,审查其申请并就障碍和潜在改变制定初步假设。随后我们根据领导层的承诺程度、系统性干预措施与所讨论障碍的相关性以及教师的认可程度来决定是否进行实地考察。
3. 如果我们决定继续,我们会安排实地考察,这是一系列为期4至6小时的面对面会议(疫情期间除外),与会者包括项目团队、入门序列教师、助教(TAs)、学术顾问、学生和院长。目的是听取各方利益相关者的意见,以进一步诊断障碍并评估改变的可能性。
4. 我们通过一份备忘录总结实地考察情况,识别关键主题,将发现与基于证据的干预措施联系起来,并对具有相似机构背景的其他学校进行模式匹配。
5. 如果我们选择资助该学校,我们会与项目团队共同制定工作计划和预算。我们现在提供成本指导方针,显示每项干预措施的预算范围。工作计划和预算(包括数据收集资金和15%的管理费用)作为附录包含在资助合同中。
6. 入选学校实施商定的改变,根据需要进行调整,并与CIC及其项目主管协商,提交年度进展报告。资金分批发放,意味着后续款项的发放取决于前一年活动的满意完成。
受资助学校每半年提交一次数据,包括启动前两年的历史数据。通常,教师和部门难以获取交叉性招生和结果数据,因为这类数据往往由中央机构统一管理。我们的经验是,CIC的资助解锁了对此类数据的访问权限。具体而言,每学期,学校需为CS1–3课程提交以下变量的数据:
- 学生人数:非负整数
- 种族身份:西班牙裔/拉丁裔,任何种族;美洲印第安人或因纽特人,非西班牙裔(AIAN);亚裔,非西班牙裔;黑人或非裔美国人,非西班牙裔;本土夏威夷人或太平洋岛民,非西班牙裔(HPI);白人,非西班牙裔;非居民外国人,种族/族裔未知
- 性别身份:性别X/U,男性,女性
- 专业:CS,其他计算专业,非计算专业,未确定
- 转校生:在本学年期间从另一所学校转入的学生
- 课程结果:通过,不及格或退课(PFW)
CS1–3定义为CS专业前三门必修编程课程,且不在同一学期修读(即不包含离散数学)。通常这些课程是:编程入门、面向对象编程和数据结构。如果某部门没有必修的第三门课程,则CS3是由大多数CS专业学生在CS2之后修读的课程。对于这些变量值的每种组合,学校输入学生人数(不允许缺失数据),从而确保数据的交叉性。初始设置和提交的平均耗时为40小时;后续提交平均耗时为8至10小时。最后,我们指出,该系统允许学校将其数据与CIC组合中18个不同的大学同侪群体进行比较。
10项系统性干预措施
我们通过大量的文献检索、最初两轮实地考察的观察、跨学校的模式识别以及对首批22所大学结果的数据分析,逐步聚焦到10项干预措施上。为了精确定位这10项干预措施,我们首先从文献入手,然后记录了似乎普遍存在于所有大学且与保留和发现相关的问题。具体而言,在最初两轮实地考察中,各校学生分享了诸多顾虑,包括:如果他们是编程新手,在已有经验者与新手混合的班级中有多困难;与助教相处的体验不理想;不同教授教授的不同班级对序列中下一门课程的准备程度不一;在专业申报存在额外障碍的学校中班级动态极差;难以投入某些作业;以及除非他们在第一学期就发现CS,否则不可能按时毕业。我们从助教和顾问那里听到许多相同的顾虑,并进一步观察到顾问有时无法解释不同路径(例如本校B.S.和B.A. CS学位之间的区别),这让我们意识到需要让顾问及时了解情况。
前三项干预措施专注于对入门序列的改变,以吸引学生并让他们留在专业中。接下来的四项专注于学位的获取途径和学位结构。最后三项专注于专业学生的辅修支持。
1. 管理先前经验分布。美国60%的高中提供CS课程,但不到10%的高中生学习CS。因此,大学有重大机会促进在 college 阶段发现计算科学。为此,学校需要策略来管理先前经验的分布。但需谨慎,因为先前经验并非均匀分布于不同性别、种族和族裔中,且高中CS课程更多地出现在经济特权邮政编码区域。问题在于,没有编程经验的学生很容易迅速感到落后,而实际上他们才刚刚开始。学生反映,当有先前经验与无先前经验的学生在同一班级时,CS1课程过于困难且不友好。从教师角度来看,当学生先前知识差异悬殊时,教学具有挑战性,有时两组学生都难以投入。
在CRA《计算研究新闻》2022年6月刊中,我们分享了处理先前经验分布的策略。这些策略包括:学生参加评估以确定应从入门序列的何处开始(评估可以是自评估或教师评估);学生根据偏好自行选择从何处开始;部门为真正的新手提供重复班(可获学分);部门为非专业和没有经验的学生提供CS0课程(通常使用Python)和/或实施两条节奏不同的入门序列,在CS2或CS3汇合。
2. 在多班课程中实施共同评估。在入门序列课程的不同班级和实验室之间共享作业、考试、课程政策和评分标准,对于确保所有学生都能在计算领域蓬勃发展至关重要。一方面,没有先前编程经验的学生如果面对"超级难"的CS1课程,不太可能坚持下来。另一方面,"超级简单"的CS1课程无法让学生为CS2做好准备。因此,在CS1–3中实施共同评估对于建立共享基础至关重要,无论学生先前背景如何和/或任课教师是谁。此外,共同评估还可以集中与助教和评分相关的资源,从而实现更大的覆盖范围和更及时的评分。为实施这一改变,部门可以将课程管理权委托给轮换的课程协调员职位。
显而易见,共同评估的另一个好处是让下游课程的教师能够放心,因为他们知道自己所教的先修课程涵盖了哪些内容。
3. 创建在其他学科背景下展示计算课程的作业。通过将计算课程置于不同领域的情境中,学生能够看到它解决现实世界问题的适用性及其与其他学科的关联。计算机教育研究社区对此进行了广泛的研究。?,?,1?
4. 让CS0/CS1满足通识教育的要求。这有助于促进学生发现自己的兴趣所在。然而,我们也承认,在某些情况下这可能不可行。
5. 适当调整学位要求。各系必须评估其计算机科学学位中必修课程的数量和先修课程结构是否合理。22 一些系要求学生修读20门或以上的学期制计算课程,再加上数学和科学类课程。在这种情况下,学生要想探索计算机科学并在四年内毕业几乎是不可能的。一个经验法则是:学位要求应在三年内可以完成——这有助于学生探索兴趣,并减轻转专业学生延长毕业时间的压力。此外,研究表明,僵化的先修和共同先修课程结构会影响计算机科学专业的生源构成22 以及该专业的学生留存率。1? 其中,数学先修课程的安排尤为关键。我们建议,除非内容真正需要,否则不要在早期阶段要求修读数学课程。1? 例如,CS1、CS2或离散数学都不需要微积分1和微积分2作为先修课程。1? 如果一所大学的微积分1和/或微积分2的退课/不及格/辍课率很高,那么这一改变尤为关键,这意味着这些课程实际上阻碍了学生在计算机科学学位中的进展。
6. 降低或取消专业申报的门槛。由于计算机科学专业入学人数历史上呈爆发式增长,1?,21 许多学校难以满足学生的需求。对此问题的三种常见但存在问题的应对方式是:只允许直接被录取的学生主修计算专业;允许任何学生修读前两到三门计算课程,然后根据他们在这些课程中的GPA决定是否允许其进入该专业;以及对"高需求"专业收取更高的学分费用,这对低收入学生构成了障碍。将入学限制为直接被录取的专业学生,排除了学生在大学探索计算机科学的机会。基于GPA的入学限制偏向于那些入学时已有编程经验的学生。如果系部觉得必须限制入学人数,CIC建议采用替代策略,这些策略可以满足系部需求,同时不牺牲吸引和留住真正初学者的能力(这些策略在Brodley12中有讨论)。
7. 创建跨学科计算专业。文献中常称为"CS+X",跨学科计算专业(建于两个或多个学科交叉领域的专业)是扩大计算领域参与面的有效策略。?,13
8. 集中管理助教(TA)的招募、培训和评估。在许多大学,CIC观察到助教的培训很少甚至没有(如果有培训的话,通常由每位教师负责培训分配给他们的助教)。由于学生的体验和归属感往往与他们对助教的体验相关,因此培训和评估助教至关重要(可参阅AIICE1和Muzny等人2?的公开助教培训材料)。集中管理助教的招募还有一个额外的好处,即消除个别教师的偏见,并根据评估结果提供集中视角来决定哪些助教应当返聘。2?
9. 协调课外支持。当学校对其入门课程和学位要求进行改革时,更新和调整课外支持至关重要,并需为学业顾问配备相关信息,以帮助学生在各种路径选择中进行了解和规划。支持还包括辅导和同伴咨询等服务,这些是满足学生需求的可扩展且低成本的方法。
10. 在系部网站上展示清晰的学位路线图。许多学生首先通过系部网站上的学位计划了解该专业。因此,网站必须既准确又具有欢迎性。我们特别强调确保网站包含多种学习计划样本,包括为转学学生、入学时未修过高数课程的学生以及在大二才探索计算机科学的学生准备的学习计划。
n影响
在此,我们呈现22所?大学实施CIC改革三年或以上的结果。我们等待三年是因为某些改革需要一年或更长时间才能通过大学治理程序或完全实施。我们首先总结各校进行的系统性改革,然后讨论这些改革对计算机科学专业生源的影响,分享CS1的入学和通过率数据。最后,我们讨论导致部分学校成效不及其他学校的挑战。
投资组合中的各项改革。在图1中,我们列出了22所大学各自实施的干预措施(根据CIC资助协议的规定,学校名称匿名处理;也未按字母顺序排列)。图中,我们标示了每项干预措施的实施程度(见图例)。我们的编码规则如下所述。请注意,我们未纳入跨学科计算专业(ICM),因为该项干预措施直到2024年才新增。此外,在我们的五年报告中?,我们展示了四所学校的详细数据。
图1. 已实施的系统性和可持续性改革。
管理先修经验分布:若学校遵循前文描述的某种方法,则编码为完全实施,否则编码为未实施,例外情况是:若学校为编程新手提供了额外支持但未给予额外学分,则编码为部分实施。
共同评估:若学校在CS1–3中实施了共同作业和考试,则编码为完全实施。若共同评估仅涵盖CS1–3的一部分和/或仅包含共同考试或共同作业而非两者兼有,则编码为部分实施。对于六所学校,该干预措施标记为不适用(N/A),因为相关课程只有一节。
情境化计算:若系部在CS1–3全部课程中实施了该干预措施,则编码为完全实施;若仅适用于部分课程,则编码为部分实施。
CS0/CS1满足通识教育要求:此项要么为真(完全实施),要么为假(未实施)。
适当调整学位要求:若以下三点同时满足,则编码为完全实施:计算学分≤60(含离散数学但不含其他必修数学);微积分1不是CS1或CS2的先修课程;且学位的先修课程结构不过于复杂。若三项标准中满足一项,或学校的理学学士(B.S.)不符合标准但学校提供符合条件的文学学士(B.A.),则编码为部分实施。我们注意到,在22所大学中,计算机科学理学学士平均需要56.3±12.3个计算学分,文学学士需要40.5±6.5个计算学分。
低/无专业申报门槛:若以下情况之一成立,则编码为完全实施:除所属学院规定外无其他专业申报限制,或GPA限制≤2.5。部分实施意味着学生必须在入学后有机会申请进入该专业,且系部采用全面评估或技术GPA要求介于(2.5, 3.2)之间。否则,编码为未实施。
集中化助教招募与培训:若助教招募和培训均已集中化,则编码为完全实施;若仅其中之一,则编码为部分实施。
课外支持:若学校提供CS辅导、顾问指导的学生数≤375人,且有政策要求学生在关键学业节点与顾问会面,则编码为完全实施。部分实施意味着仅满足其中一或两项标准。若均未满足,则编码为未实施。
网站上的清晰学位路线图:若学位要求和/或学习计划中包含面向所有学生的路径,包括转学生、在大二才探索计算机科学的学生以及不具备微积分基础的学生,则编码为完全实施。若仅包含部分而非全部路径的指导,则编码为部分实施。否则,编码为未实施。
在图1中,我们看到大多数学校实施了许多但并非所有干预措施,因为并非所有干预措施在所有情境下都可行。例如,让CS0/CS1满足通识教育要求或推行共同评估需要大量教师的支持。其他干预措施,如集中管理助教招募与培训以及情境化计算,则被广泛采纳。在许多情况下,我们在初始资助结束后提供了后续资金,以便学校能够实施更多干预措施。例如,第6所大学的领导层在与我们合作的早期阶段尚未准备好推进共同评估,但目前正在制定相关政策。由于截至撰写本文时,我们仅有22所学校在三年前或更早实施了改革,因此对哪些干预措施影响最大的分析在统计上并不成立。这是我们未来工作的重点领域。已有四所学校发表了CIC资助工作的研究成果:罗格斯大学1?、华盛顿大学3?、加州大学河滨分校31和科罗拉多州立大学。1?
谁在修计算机专业?该工作最终的影响衡量标准是毕业生是否顺利毕业。然而,毕业数据意味着需要在实施后等待四年或更久。因此,目前我们最好的衡量指标是哪些人正在修读计算专业。(注意:专业申报时间各校不同。)在22所学校中,2019年至2024年?期间,专业人数增长至42,558名男性和15,533名女性。? 在此期间,专业的代表性也发生了变化,女性专业比例从22.4%增加到26.7%。需要注意的是,各大学的结果存在差异,如下文"挑战"部分所述;事实上,女性比例的平均增幅为4.0个百分点,标准差为3.2。在图2中,我们展示了每种种族/族裔和性别组合在净增专业人数和百分比变化方面的情况(色块越深,增长越大)。我们看到女性专业人数增长了80%,净增6,914名女性专业学生。增长最为显著的是非裔美国女性和拉丁裔女性,分别增长了128%和146%。部分群体的数字非常小(如美洲印第安人/阿拉斯加原住民),其百分比变化不具备实际意义。
图2. 2019年至2024年专业人数的数量变化和百分比变化。
一个随之而来的问题是:这种增长是干预措施的结果,还是大学整体人口结构变化的体现?在图3中,我们比较了计算领域代表性的变化(y轴)与大学整体代表性的变化(x轴)。我们使用IPEDS数据?计算各大学的入学变化。绘制各群体的数据后,我们看到对于所有群体,计算专业增长均超过相应的大学入学变化。事实上,即使在大学入学人数下降的群体中,其在计算领域的代表性仍在增加。
图3. 2019年至2024年CS专业百分比变化(y轴)与2019年至2024年大学整体本科入学人数百分比变化(x轴)的对比。
通过率的改善。在表1中,我们展示了从2019年秋季到2024年秋季CS1通过率的变化。几乎所有群体的通过率都有所提高。我们分别按性别?和种族/族裔展示结果。在某些情况下,提升幅度高达8至10个百分点。按种族/族裔划分的通过率差异在2024年较2019年有所缩小,但依然存在,表明仍有更多工作要做。
表1. 女性 男性 入学人数(N) 通过率(%) 入学人数(N) 通过率(%) 种族/族裔 2019 2024 2019 2024 2019 2024 2019 2024 美洲印第安人或阿拉斯加原住民 24 1 100 1 100 14 1 76 4 76 亚裔 1,346 1,404 89 90 2,763 2,710 87 89 非裔美国人 170 332 68 77 456 674 63 75 拉丁裔 446 675 73 75 1,537 1,868 77 80 多种族 119 157 82 84 303 349 80 85 夏威夷原住民或其他太平洋岛民 6 2 67 1 100 1 101 3 80 7 7 非居民外国人 67 97 44 88 89 1,576 1,574 82 86 种族不详 14 5 206 88 89 23 3 294 89 87 白人 875 760 85 84 3,114 2,316 83 86 所有种族和族裔 3,788 4,284 82 87 9,689 9,701 78 82 2019年和2024年CS1入学人数及2019年和2024年CS1通过率。
CIC研究结果的有效性威胁因素。
理想情况下,CIC(包容性计算中心)会将这22所学校的结果与一组未进行此类变革的规模相近的学校进行比较,但目前没有客观的方法来实现这一点,而且IPEDs(教育数据公共信息系统)公开提供的仅有毕业数据。再过几年,情况将会改变,届时我们将能够将我们22所学校的毕业数据与IPEDs随机样本的毕业数据进行比较。研究结果的一项局限性在于,我们仅与每年有200名或以上计算机科学专业毕业生的学校合作。因此,这10项干预措施是否在小规模学校——尤其是文理学院——同样有效,仍是一个悬而未决的问题。
影响部分学校成效的挑战。上述结果表明,该组合项目整体上在使计算机科学更具公平可及性方面取得了显著进展。然而,各校进展参差不齐,一些学校在实施了多项推荐干预措施的情况下仍未取得进展。我们发现了几个原因。首先,部分学校设置了过高的GPA主修专业申报门槛。当存在较高门槛时,我们接触的许多学生表示,CS1(大一计算机课程)和CS2(大二计算机课程)竞争极其激烈,且缺乏学术共同体氛围。这种环境可能会对正在考虑尝试计算机专业学习的学生产生负面影响。在设置了较高(>3.5 GPA)主修专业申报门槛的学校中,学生的人口统计特征几乎没有变化。其次,我们在两所学校观察到的第二个干扰因素源于大学层面的预算压力。在这两种情况下,尽管计算机科学专业的注册人数持续增长,但大学资源的紧张导致许多计算机科学教授离职,从而削弱了项目团队推行变革的能力。最后一个干扰变量是项目团队缺乏职位权力。某些干预措施在资金支持方面需求不大,但要求项目团队具备推行变革所需的权力。事实上,最难实施——但可能也是最有效的——变革是共同评估制度。教师们往往对此项变革持抵触态度,因为他们认为这侵犯了自己的学术自由。这一经验为我们提供了宝贵的教训,即确保院系领导层认同并能够执行所期望的变革至关重要。CIC现在要求院系主任必须加入项目团队。
CIC的下一步计划。预计到2027年,我们将拥有一个包含50所以上学校的组合项目,这些学校正在实施或已经实施了这些干预措施。届时,我们将拥有足够的数据,以更明确地揭示哪些干预措施以及干预措施的组合最具高效性——以及在哪些大学背景下最有效。这一未来研究对于在CIC终止运作后,为各大学提供系统性变革之路的路线图至关重要。
2024年,我们启动了一项工作,旨在了解跨学科计算专业(ICMs)所面临的挑战与机遇。目前我们正在与10所合作院校共同研究跨学科计算专业在不同院校背景下的实施情况,并展示这些学位对更广泛学生群体的吸引力。
最后,我们正在努力识别能够确保AI教育公平可及的干预措施。目前我们正在开展一项关于AI项目(详见 https://cicmap.ai/)和本科层面AI课程要求的全国性调研,旨在发现发展趋势和最佳实践。在2025年至2027年间,我们将发布数份招标提案(RFPs),以实施这些最佳实践,确保AI的迫切采用成为所有人的机遇。
结论
扩大计算领域的参与度是计算机科学界数十年来追求的目标。CIC深感荣幸能够获得机会,通过在各大学测试干预措施的效力来推进这一共同目标。我们在过去五年中开发的框架已在实施学校中推动了系统性和可持续性的变革。此外,在完成商定变革后,这些首批组合学校无需持续资金支持即可维持其影响力。此外,CIC还能够展示如何根据各大学的特定背景调整干预措施的实施方式。本文呈现的研究结果表明,系统性变革不仅是可行的,而且能够促进各类人群中计算领域发现能力的提升、学生留存率的提高以及主修专业的申报增加。随着组合学校数量的扩大,我们期待着将这些成果进一步丰富和拓展。
致谢
本项目部分由Pivotal和国家科学基金会(奖项编号:2216629、2434248和2533723)资助。我们感谢CIC合作院校、我们的项目经理和技术助理,以及东北大学签约、财务和拨款办公室。Christine Alvarado、Valerie Barr和Manuel Pérez-Qui?ones对本文章早期版本提供了宝贵的反馈意见。
作者介绍
Carla E. Brodley(c.brodley@northeastern.edu)是东北大学(美国马萨诸塞州波士顿市)Khoury计算机科学学院教授,兼任包容性计算学系主任。
Catherine Gill是东北大学(美国马萨诸塞州波士顿市)包容性计算中心执行主任。
Megan Giordano是东北大学(美国马萨诸塞州波士顿市)包容性计算中心本科生项目主任。
Caitlin J. Kidder是东北大学(美国马萨诸塞州波士顿市)包容性计算中心研究生项目主任。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号