深度主题探索大师

# 主题概述
生成式AI在高等教育评估中的应用，指利用以大语言模型和多模态模型为代表的生成式人工智能，支持或实施学生学习证据的收集、解释与决策。它的重要性在于：一是解决大规模教学环境中反馈与评估资源不足的问题；二是推动评估从“评分为中心”向“学习为中心”的转型；三是在课程、项目与机构层面提供更及时、更个性化、更情境化的反馈与证据链。同时，该领域面对有效性、公平性、透明性、学术诚信、数据治理与可解释性等系统性挑战，需要以测量学与教育学的原则为约束进行设计与实施。

应用范围包括：
- 评估类型：诊断性、形成性、总结性与发展性评估
- 证据形态：文本、代码、数据分析过程、口语与演示、作品集、多模态产出
- 层级场景：课程作业、考试与口试、项目/实习评估、跨课程项目化评估、项目/院系质量保证

# 核心概念
- 生成式AI（GenAI）：基于深度学习的模型，可生成文本、图像、音频、代码与复合多模态内容，用于任务设计、反馈生成与证据提取。
- 有效性（Validity）：评估结果对目标能力的解释是否成立（内容、结构、外部、后果；Messick框架）。
- 信度（Reliability）：评分或判断的一致性与稳定性（含一般化理论）。
- 公平性（Fairness）：评估不因群体属性产生系统性不利影响；包含可及性与差异影响的监测与缓解。
- 证据中心设计（ECD）：以构念模型—证据模型—任务模型为核心的评估设计方法，将任务与可观测证据对齐。
- 建构性对齐（Constructive Alignment）：学习目标—教学活动—评估之间的对齐（Biggs）。
- 真实情境评估（Authentic Assessment）：面向真实或近真实情境与复杂任务的评估。
- 形成性评估与反馈素养：用于促进学习的持续反馈循环与学生对反馈的理解、运用能力。
- 人机协作评分（Human-in-the-loop）：将AI作为“第二评分者/助理”，由教师裁决与校准。
- 学术诚信与评估安全：对代写、代考与不当AI使用的预防与设计性抑制（以任务设计与口头验证替代“检测主义”）。
- 数据治理与可解释性：合法合规的数据收集、处理与存储；对AI决策的可追溯与可解释。

# 历史发展
- 1990s—2000s：早期智能辅导系统与自动作文评分（如e-rater、IntelliMetric）；计算机化考试与题库管理成熟。
- 2010s：在线与混合教学环境普及；MOOC自动评分（编程、客观题）与学习分析进入教学实践；证据中心设计推广。
- 2022—2023：大语言模型能力跃迁（如ChatGPT）带来内容生成、对话式反馈与多任务迁移能力；高校从“限制使用”向“情境性整合与政策治理”转向；AI检测工具的局限性被广泛讨论，推动从“检测”转向“设计与证明”。
- 2024—至今：多模态与代理式系统出现；机构层面的AI治理、课程大纲AI条款、质量保障与伦理审查流程逐步成型；开放与本地化模型用于隐私保护与学科定制。

# 关键人物
- Paul Black 与 Dylan Wiliam：形成性评估的理论与证据综述，奠定“评估促进学习”的基调。
- John Biggs：建构性对齐与SOLO分类，强调目标-教学-评估一致。
- Lorrie Shepard：学习导向评估与有效性证据的综合视角，强调评估后果。
- Samuel Messick：现代有效性统一观，为评估解释与使用提供理论基石。
- Grant Wiggins 与 Jay McTighe：逆向设计（UbD），强调以目标导向设计任务与证据。
- Cees van der Vleuten：项目化与项目性评估（programmatic assessment），主张多来源证据与纵向判断。
- Randy Bennett（ETS）：证据中心设计与AI在测评中的方法学探索。
- Philip Dawson：高等教育评估安全、学术诚信与以设计为先的防作弊策略。
- Rose Luckin、Mike Sharples、Ethan Mollick：AI与高等教育教学/评估的实践与传播，促进高校层面策略与案例共享。
- David Williamson Shaffer：情境化复杂技能的“情节框架/情景评估”，启发真实任务与过程数据分析。

# 理论框架
- 建构性对齐（Biggs）：用学习成果驱动任务与标准；GenAI可用于对齐验证（检视任务是否真正引发目标表现）。
- 证据中心设计（ECD）：构念模型→证据模型→任务模型→评分模型→运维；GenAI在任务生成、证据提取与评分建议中扮演“可审计”的部件。
- 形成性评估与反馈循环（Black & Wiliam；Hattie；Nicol & Macfarlane-Dick）：GenAI加速高频、可操作的反馈，支撑自评与同伴评。
- 项目性评估（van der Vleuten）：跨时间、跨情境、多证据聚合；GenAI支持纵向作品集的标注、摘要与风险提示。
- 真实情境与逆向设计（Wiggins & McTighe）：先定标准，再溯源任务；GenAI用于生成情境、角色、数据集与评分锚例。
- 测量学原则：有效性（Messick）、信度与一般化理论、公平性与差异项功能（DIF）；GenAI引入的偏差需以实验与监测量化。
- 人机协作与责任分配：AI作为辅助证据生成与建议，不替代最终判断；需要可解释与可追踪的决策链。

# 实践应用
1) 文本与多模态作业的形成性反馈
- 用途：结构、论证、证据使用、风格、引用规范的即时反馈；口头演示与报告的视频要点与改进建议。
- 设计要点：
  - 以明确Rubric引导反馈维度（如论点清晰、证据质量、学术规范、原创性、学科方法）。
  - 提供“反馈-修订-再反馈”的循环与修订日志。
  - 对AI反馈加入“证据指向”（标注文本片段/时间轴），提高可验证性。
- 质量控制：抽样二评、锚例校准、学生对反馈有无采用的跟踪。

2) 编程与数据分析评估
- 用途：单元测试自动化、代码可读性与复杂度建议、错误定位、算法解释。
- 设计要点：
  - 双层评价：功能正确性（自动）、风格与解释（人机协作）。
  - 防止“直接答案”：采用开放数据、变体生成、口头复盘（explain code live）。
- 质量控制：随机口试验证思路，日志与提交过程（notebook/版本控制历史）纳入证据。

3) 试题与任务生成/变体化
- 用途：根据学习目标快速生成多层次题目、情境与数据集；对等难度变体减少串题。
- 设计要点：
  - 以蓝图（内容×认知水平）控制覆盖率。
  - 以锚题与试测数据校准难度与区分度。
- 质量控制：专家审题、偏差扫描（文化/性别/语言负载）、可读性与事实核验。

4) 口试与临场表现评估
- 用途：模拟口试/答辩、情景面谈、案例问答；AI实时生成追问，覆盖不同深度层级。
- 设计要点：
  - 以“深度梯度”追问（理解→应用→分析→综合）。
  - 记录转录与要点提取，辅助教师评分。
- 质量控制：问题池透明、考后记录可审计、对英语/非母语者的语言偏差控制。

5) 同伴评审与自评支持
- 用途：AI辅助解读Rubric、生成对等反馈提示语、检测过度宽松/苛刻的评分倾向。
- 设计要点：匿名分配、交叉复核、反馈素养训练（如何给出基于证据的建议）。
- 质量控制：同伴评分与教师评分的一致性分析与偏差修正。

6) 作品集与纵向发展评估
- 用途：AI对跨学期作品进行主题聚合、能力映射、成长轨迹可视化；生成个性化发展建议。
- 设计要点：学习成果框架对齐、元反思（metacognition）提示、隐私控制。
- 质量控制：人工抽查与二次验证、敏感信息脱敏、本地化部署以保护数据。

7) 学术诚信与评估安全
- 核心策略：以任务设计为先（真实情境、口头复核、过程证据、个性化数据）；明确允许与禁止的AI使用边界；促进可证明的学习过程（版本历史、思路说明、草稿进化）。
- 不建议将AI检测作为高风险决策依据；如使用，仅作初筛并以多源证据与沟通核实。

8) 教师工作流与机构治理
- 人机协作评分流程：Rubric设定→AI试评分→人类校准与差异审查→记录决策依据→学生申诉通道。
- 评估实验与改进：小规模试点→A/B或前后测→效度与公平性分析→迭代。
- 关键指标：评分一致性（人-机、人-人）、反馈可操作性、学生学习收益（前后测/表现任务）、工作量与时效、差异影响分析。

示例Rubric（节选）
- 论点与结构：论题明确、逻辑连贯、段落组织
- 证据与分析：证据相关性、批判性解读、替代解释
- 方法与规范：方法适切、引用准确、伦理合规
- 原创性与洞见：新颖性、跨域关联、限度与展望
- 表达与呈现：清晰度、可读性、数据可视化质量

# 发展趋势
- 多模态与真实任务：音视频/代码/数据流的综合评估，情境化复杂技能测量更可行。
- 代理式与流程化AI：从“工具”到“工作流伙伴”，支持从任务生成到证据汇总的端到端协作。
- 本地化与隐私保护：校园私有模型与边缘计算，满足数据主权与合规需求。
- 学习分析融合：将过程数据（交互、修订、口头答辩记录）纳入纵向证据，支持项目性评估。
- 质量保障与监管：AI使用可追溯、可解释与偏差监测进入院校与认证机构的常规要求；与资格框架、项目评估标准联动。
- 评估再设计：从易被代写的低层次产出转向高层次、过程可见、需要整合与反思的任务。
- 能力与AI素养并重：AI使用能力本身成为评估对象（如提示工程、批判性验证、责任使用）。

# 学习资源
- 评估与课程设计经典
  - Black & Wiliam: Inside the Black Box（形成性评估）
  - Biggs & Tang: Teaching for Quality Learning at University（建构性对齐）
  - Wiggins & McTighe: Understanding by Design（逆向设计）
  - Messick: Validity（有效性统一观）
  - Nicol & Macfarlane-Dick: Formative assessment and self-regulated learning（反馈原则）
  - van der Vleuten 等：Programmatic assessment（项目性评估综述）
  - Mislevy, Almond & Lukas: A Brief Introduction to Evidence-Centered Design
- 机构与指南
  - UNESCO：生成式AI在教育与研究中的指导原则与政策建议
  - OECD：AI与教学学习的政策洞见与案例
  - Jisc：英国高校生成式AI教学与评估实践指南
  - EDUCAUSE：高等教育AI应用、治理与教学变革报告
  - AAC&U：VALUE Rubrics与高阶能力评估资源
  - ETS Research：AI与测评、公平性与有效性研究
- 实践与社区
  - 高校CTL/教学发展中心发布的AI与评估手册与工作坊材料
  - 开源教育技术社区的生成式AI评估工具包与案例库
  - 学术期刊与会议：Assessment & Evaluation in Higher Education、Computers & Education、LAK（学习分析）、AIED（教育中的AI）

附：实施清单（精简）
- 目标与对齐：明确学习成果→蓝图覆盖→任务与证据映射
- 政策与伦理：AI使用边界→知情同意→数据治理→无障碍支持
- 设计与试点：Rubric与锚例→小规模试用→偏差与难度校准
- 人机协作：评分建议→二评与争议裁决→可解释记录
- 监测与改进：效度/信度/公平性指标→学习成效→滚动优化

该框架将生成式AI置于严谨的评估科学与教学法之中，以“证据、对齐、公平、可解释”为底座，支撑高等教育评估的质量提升与规模化可持续实施。

# 主题概述
“城市夜经济的可持续叙事”指通过叙事框架将夜间经济的经济活力、社会公平、环境友好与文化认同统合起来，作为城市治理、规划与产业发展的共同语言和行动指南。其重要性在于：夜间消费与文化活动是城市活力与就业的重要来源，同时伴随噪音、治安、光污染与不平等等外部性；以“可持续叙事”重塑目标、制度与实践，有助于在后疫情复苏、低碳转型与城市竞争中实现质量与韧性并重。

# 核心概念
- 夜经济（Night-time Economy, NTE）：日落至日出期间发生的生产、消费与服务活动总和，涵盖餐饮、文化演出、文博夜游、体育、夜间服务业、物流等。
- 可持续叙事：以叙事（价值、目标、符号与故事）统合政策与行动，确保三重底线（经济、社会、环境）平衡，并强化长期性与公共性。
- 夜间治理（Night-time Governance）：政府、产业、社区与专业机构共同制定与实施夜间相关的规划、许可、执法、安全、交通与服务的制度安排。
- 时序/时间规划（Chronourbanism/Temporal Planning）：将“时间”作为规划维度，优化营业时段、交通班次、公共服务与居民节奏的匹配。
- 夜间生态与光环境：关注光污染、生物节律与能源效率的照明设计（如自适应调光、色温控制、暗空友好）。
- 安全与健康：人群密度管理、伤害减少（harm reduction）、性别与少数群体的安全与可达性。
- 多元业态与文化生产：避免“酒精单一化”，发展文化创意、体育、教育、公共服务等夜间供给。

# 历史发展
- 19世纪—电气化：街道照明与夜间商业雏形出现，夜间公共空间延展。
- 20世纪中后期—娱乐区集聚：影院、酒吧、演艺等夜生活形态成熟，相关外部性问题凸显。
- 1990s—“夜间经济”进入公共政策（英国为代表）：围绕许可、治安与城市活力展开治理实践与学术研究。
- 2010s—“夜间官/夜市长”与协同治理扩散：阿姆斯特丹、伦敦、纽约等城市设立专职机构，推动产业多元与社区参与。
- 2020s—疫情冲击与复苏：夜间业态数字化、户外化与分布式布局增强，低碳与韧性成为主线。

# 关键人物
- Luc Gwiazdzinski（地理学者）：系统研究夜间城市与时序空间，为时间治理提供理论支撑。
- Phil Hadfield（治理与监管研究）：关注夜间许可、治安与外部性治理。
- Will Straw（文化研究）：从文化与场景角度解析夜生活与城市身份。
- Mirik Milan（阿姆斯特丹前“夜市长”）：推动夜间官模式、行业协作与“全球夜间复苏计划”实践传播。
- Amy Lamé（伦敦“夜间事务专员”）：推进多元业态与社区参与，强化数据与政策联动。
- 机构与网络：伦敦夜间委员会、纽约市夜生活办公室、阿姆斯特丹夜市长基金会、英国城镇与城市管理协会（Purple Flag 评估）、VibeLab（全球夜间治理与复苏资源）。

# 理论框架
- 三重底线与SDGs对齐：SDG11（可持续城市）、SDG8（体面工作）、SDG12（责任消费）、SDG13（气候行动）指导目标体系。
- 叙事与政策框架：以“可持续夜城”故事线塑造愿景、角色与承诺，连接政策议程与公众认知。
- 时间治理与分时分区：通过“时间分区”“弹性营业时段”“夜间交通时刻表优化”缓解冲突、均衡流量。
- 协作治理与共创：政府—产业—社区—研究机构的多主体协作，运用参与式设计与试点迭代。
- 公共健康与伤害减少：人群密度管理、酒精与药物风险干预、街区照护网络与安全步行路线。
- 环境与生态设计：基于证据的照明（CCT、照度、眩光与溢散控制）、低噪声材料与运营、夜间废弃物闭环。

# 实践应用
- 空间与交通
  - 夜间公共交通加密与换乘保障（夜班公交、轨道末班对接、夜间共享出行站点）。
  - “安全回家路线”与导视系统，步行优先与微更新（照明、座椅、应急点）。
- 业态与供给
  - 从“酒饮中心”转向“多元组合”：演艺与文化、夜读与学习空间、深夜体育与康养、夜间服务与便利业。
  - 夜间物流与冷链微枢纽，减少高峰拥堵与白天占道。
- 环境与能源
  - 自适应LED与分区调光、暗空友好策略，兼顾安全与生态。
  - 噪声分级管理与声景设计；运营端能效与废弃物分类回收。
- 社会与安全
  - 性别与少数群体友好设施（照明与可见度、无障碍、公共厕所与哺育空间）。
  - 场馆责任制、服务员与保安培训、旁观者干预与药物检测支持。
- 治理与规则
  - 绩效导向许可（以噪声、群聚、投诉率等KPI为依据的动态许可）。
  - “夜间官/办公室”、夜间理事会与社区协商；Purple Flag 等第三方评估。
- 文化与品牌
  - 夜间节庆、博物馆夜场、社区夜市；以文化叙事连接在地历史与新消费。
- 数据与评估
  - 指标体系：夜间就业与产出、多样性指数、女性与弱势群体安全感、噪声与能耗、夜间客流与出行方式占比、投诉与事件率。
  - 数据治理：隐私保护、开放共享与跨部门联动。

# 发展趋势
- 低碳与生态友好化：全链条节能、暗空友善城市、夜间绿地与生态廊道保护。
- 多中心分布与社区化：从单一核心区向“15分钟夜生活圈”转型，缓解拥挤与外溢。
- 数字化与精细运营：实时客流与运力调度、预约与分时票务、动态许可与监管。
- 包容与安全升级：性别主流化、无障碍与价格可负担；以伤害减少为核心的公共健康策略。
- 跨界融合：文化+旅游+体育+教育，夜间公共服务与市民生活并重。
- 风险与韧性：面向极端天气、公共卫生与能源波动的夜间应急与备灾机制。

# 学习资源
- 政策与实践
  - 伦敦：Night Time Commission 报告、伦敦总体规划中夜间经济章节。
  - 纽约市夜生活办公室：年度报告与行业指南。
  - 阿姆斯特丹夜市长基金会：夜间治理与社区协作案例。
  - Purple Flag（英国城镇与城市管理协会）：夜间区综合评估框架。
  - VibeLab《Global Nighttime Recovery Plan》：行业复苏与治理工具包。
- 学术与理论
  - Luc Gwiazdzinski：夜间城市与时间治理论文与著作。
  - Phil Hadfield：夜间经济治理与许可监管研究。
  - Will Straw：夜生活、文化场景与城市身份研究。
  - 城市与规划期刊（Urban Studies、Journal of Urban Affairs、Planning Theory & Practice）：夜间治理与可持续专题文章。
- 指导与标准
  - SDG11、SDG8、SDG12、SDG13 城市实施指引（联合国可持续发展议程）。
  - 照明与暗空：国际暗空协会（IDA）与本地照明规范的实践指南。

以上框架可作为制定地方“夜经济可持续叙事”与行动计划的参考：先确立价值与目标（叙事）、再以指标与制度落地（治理）、通过试点与评估闭环（实践），最终形成可复制的政策与场景组合。

## 1. 主题概述
项目式学习在高中物理教学中强调以真实情境与复杂任务为驱动，组织学生围绕“驱动性问题”展开探究、设计与建构，产出可展示的成果。其重要性在于：
- 促进物理核心概念（如能量守恒、牛顿运动定律、电磁相互作用等）的深层理解与迁移应用
- 培养科学探究能力、工程设计素养、数据分析能力与合作沟通等关键能力
- 增强学习动机，推动学科知识与真实世界问题的连接，提升综合学科素养

## 2. 核心概念
- 项目式学习（PBL）：以真实问题为导向，长期、跨步骤推进的学习方式，强调学生主体性、跨学科整合、公开产品与反思改进。
- 驱动性问题：开放、可探究、与学科核心概念紧密相关的问题，是项目的方向与评估基准。
- 金标准PBL要素：知识与技能目标对齐、具有挑战的驱动性问题、真实情境、学生主导、过程中的探究、持续性反馈、公开展示。
- 物理学科核心素养：物理观念、科学思维、科学探究、科学态度与责任；在PBL中体现为基于模型的解释、证据推理、量化分析与工程权衡。
- 评估矩阵（Rubrics）：从概念理解、证据质量、建模与计算、工程可行性、合作与沟通等维度对过程与结果进行形成性与终结性评估。

## 3. 历史发展
- 萌芽阶段：杜威倡导的做中学与情境化经验；基尔帕特里克提出“项目法”，强调以有意义任务组织学习。
- 体系化阶段：20世纪末以来，项目式学习在基础教育与工程教育中形成系统框架，明确了“驱动性问题—探究—产出—公开展示”的流程。
- 学科深化：物理教育研究（PER）推动基于模型的教学、同伴互评、探究式实验，与PBL相融合，强调数据驱动的建模与反思。
- 本土发展：在强调核心素养与综合实践活动的课程改革背景下，PBL逐步融入高中物理选修与校本课程，并渗透到常态课堂微项目中。

## 4. 关键人物
- 约翰·杜威：提出经验与反思为核心的“做中学”，为项目学习奠基。
- 威廉·基尔帕特里克：系统提出“项目法”，强调以目的性活动组织学习。
- 物理教育代表性人物与实践框架：
  - Eric Mazur：同伴互助学习（Peer Instruction），强调概念理解与课堂互动，可与PBL问答环节结合。
  - David Hestenes：建模教学（Modeling Instruction），强调模型构建—验证—应用，与PBL的探究链条高度契合。
  - Joseph Krajcik、Elliot Soloway：在STEM与科学教育中推进项目式与探究式整合，强调驱动性问题与真实任务。
  - BIE/PBLWorks 团队：提出“金标准PBL”框架，提供实施与评估工具。

## 5. 理论框架
- 建构主义：知识通过活动与反思建构，PBL通过任务驱动促进概念重建。
- 情境学习理论：学习嵌入真实情境与共同体实践，PBL强调真实世界的问题与社会化协作。
- 基于模型的科学实践：以模型解释与预测现象，通过实验数据迭代模型；PBL活动中落实“建模—推理—验证—优化”。
- 工程设计过程：定义需求—构思—原型—测试—迭代，适配电学、力学、能量系统等项目任务。
- 形成性评价理论：通过可视化进度、同伴互评、教师即时反馈促进学习调控。

## 6. 实践应用
- 实施路径（基础版）
  1) 目标对齐：选定学科核心概念与可测可评的能力目标（如“能量守恒+不确定度估计”）。
  2) 构建驱动性问题：开放但可行，如“如何利用太阳能为户外传感器稳定供电？”“如何用手机测g并评估误差？”
  3) 任务拆解与时间规划：微项目（1–2课时）、短周期项目（1–2周）、单元项目（3–4周）。
  4) 支架与资源：提供核心公式卡、实验安全清单、示范数据表、分析模板、参考文献与仿真工具（如PhET、Tracker）。
  5) 过程促进：站立式小组例会、看板（To-Do/Doing/Done）、里程碑检查、概念小测与即时纠错。
  6) 结果产出与公开：海报/演示/原型/技术报告；要求呈现模型、数据、误差与结论的证据链。
  7) 反思与迁移：对“概念—证据—模型—局限—改进”进行结构化反思，并连接到典型考题与新情境。

- 典型项目示例（对应概念）
  - 力学：设计并验证“最远投石器”或“缓冲装置”，用能量转换与动量守恒解释性能；用高速视频与Tracker分析轨迹与碰撞。
  - 电学与电路：构建稳压电源或低成本手摇发电手电，分析内阻、效率与热损失；用多表与数据记录。
  - 波与光：制作“最低可辨声屏障”或“简易光谱仪”，基于干涉与衍射解释观测结果。
  - 能源与可持续：太阳能灶/小风机叶片优化，进行功率曲线测量与材料权衡。
  - 数据驱动实验：用手机传感器测加速度/角速度，完成数据清洗、拟合与不确定度估计。

- 课堂管理与分工
  - 角色：项目经理、记录员、实验安全员、数据分析员、材料工程师轮换。
  - 工具：进度看板、里程碑清单、风险评估表与安全操作规程。

- 评价设计（示例维度）
  - 学科理解：概念—模型—公式适用性
  - 探究质量：实验设计、变量控制、数据与误差分析
  - 工程质量：可行性、效率、成本与约束权衡
  - 合作沟通：分工协作、文档完整性、展示表达
  - 创新与改进：迭代证据、替代方案比较

- 与考试的衔接
  - 从项目产出的数据与模型中抽取典型题型进行“二次表征”（图像判读、量纲分析、近似估计）
  - 建立“项目情境—概念图—题型库”映射，巩固核心题感与解题策略

## 7. 发展趋势
- PBL与数据素养融合：传感器、视频分析与编码工具在物理项目中的常态化应用，强调真实数据与不确定度处理。
- 跨学科STEAM项目：物理与信息技术、工程、艺术融合，如智能控制、可穿戴光学装置设计。
- 微项目与混合学习：将微情境项目嵌入常态单元教学，结合线上仿真与线下实验。
- 基于证据的改进：以学习分析与学习档案（Portfolio）跟踪概念变化与能力成长，驱动精准教学。
- 公民科学与社会议题：能源、环境与可持续主题项目，强化社会责任与科学共同体参与。

## 8. 学习资源
- 框架与指南
  - PBLWorks（Buck Institute for Education）：PBL金标准、项目设计模板与评价工具
  - AAPT（美国物理教师协会）资源：中学物理实验与教学建议
  - NGSS科学与工程实践框架：驱动性问题、建模、数据分析与工程设计的实践要素
- 工具与平台
  - PhET交互式仿真：力学、电学、波动等核心概念可视化
  - Tracker视频分析：运动学与动力学数据采集与模型拟合
  - OpenStax Physics：开放获取的物理教材与题库
- 研究与综述（入门级）
  - Thomas, J. W. Project-Based Learning Research Review
  - Krajcik, J. & Blumenfeld, P. Project-Based Learning in Science
  - Hestenes, D. Modeling Instruction in Physics
  - Mazur, E. Peer Instruction

以上路径适用于“基础”深度的实施落地，可据学校资源、课时与学生学情进行微项目或单元级项目的灵活组合与渐进推进。