教师研究项目

Dr. 贝蒂有几个研究项目. 这些都是针对本科生的. 也可以在 http://53u.dektinary.com/undergraduate-research-creative-scholarship-program/undergraduate-research-conference/.

1. 轻量级的“完美交互” honeypot. 它是用Python编写的，使用Docker，可以在 http://github.com/drsjb80/HPotter. 可以做的工作有很多，包括:
   • 改进防火墙代码     
   • 添加到单元和系统测试中
   • 修复ssh和telnet客户端
   • Easing deployment
   • 集中威胁发布
2. A Java DNS server. DNS是互联网的重要组成部分，多年来一直存在许多缺陷. See http://github.com/drsjb80/JDNSS.  这个DNS服务器做很多工作，包括MDNS、TLS和DOH. 需要做的一些工作包括:
   • Adding JSON DOH
   • 添加到单元系统测试
3. 一种寻找人口贩卖迹象的暗网蜘蛛. Source at http://github.com/drsjb80/darkenigma. 需要做以下工作:   
   • 除了当前使用的ElasticSearch之外，创建一个MongoDB实现
   • 添加Mongo指南针更容易搜索

Please email [email protected] 如果你对其中任何一个感兴趣.

Projects/Research

对于感兴趣的密歇根州立大学学生，这里有一些项目可供选择. 可能会有资金用于这些工作, 视学期而定, 但总是有机会将这些扩展到一个可以发表在 The Rowdy Scholar 或者在 本科生研究会议. 这些项目大多围绕着计算机科学教育或用技术改善教育(是的, 让学生进入计算机科学领域是另一个问题, 但我还没有深入研究这个问题).

1. 提高学生在计算机科学课程中的成功率

该项目范围广泛，涉及分析数据和开发/实施工具，以帮助学生更有效地学习使用持续评估的核心计算机科学课程.g. 每周测验)和同伴指导(e.g. 课堂上的任务/作业由学生两人一组或小组合作完成). 考虑到广泛的范围，完全专注于以下其中一个是可能的.

• 为持续评估创建内容(例如.g. quizzes) – create a library of quiz content on specific core CS topics at varying levels of difficulty to help students learn core CS concepts
• 执行(可重复的)数据分析 – this is a Data Science type of task that involves writing Python code/notebooks to collect and analyze quiz/exam data (from Canvas); the two main parts of this task are 1) collecting the data, 主要是通过Canvas API, and b) running statistical analyses on the data; an early version of this can be found at github.com/sgeinitz/picata
• 实现通信工具 -这个最后的任务是帮助自动选择成对/小组的学生，并给他们一个简短的测验/作业, with a longer-term goal of offering students personalized study tips/guidance in a course; this will likely involve the creation of a chatbot or similar messaging tool

2. 自然语言处理

这个项目是关于将深度学习模型应用于文本和顺序数据，其中一个具体用例是分析对调查/测验的开放式回答. However, NLP可能的应用是广泛的，所以如果你对将NLP应用到另一个领域感兴趣，这也是一种可能性. 例如，该领域的另一个项目是利用现有的大型语言模型(例如.g. BERT)，并对其进行微调，以便在CS课程中用作“课程助理”. 这可能包括上述第三项任务(e)的各个方面.g. 实现一个MS Teams聊天机器人).

3. 通用数据科学/机器学习

虽然不是一个明确的项目, 如果你对参加Kaggle比赛感兴趣的话, 或者有一些其他的数据科学或机器学习任务，你想解决，但需要一些额外的帮助, 然后随时寻求咨询和可能的指导.

Please email [email protected] 如果您对其中任何一个感兴趣或想了解更多信息.

Dr. 蒋一直在努力 research projects on Computer Vision. Machine Learning. 用于教育和智能农业的人工智能工具. (See also, http://www.fengjiang8.com/blog )

对这些领域感兴趣的学生可以发邮件 [email protected] 安排会议/面试.

平等伙伴关系:STEM (P4E:STEM)

培养工程与计算机科学的包容性职业身份
http://partnership4equity.org

P4E:STEM项目旨在通过课程设计和实施培养工程和计算机科学专业学生的包容性专业身份. 包容性的职业身份让学生意识到, skillful, 在从事与他们所选择的学科相关的努力时也会保持专注.

P4E解决的包容性职业身份的主要特征:

• 具有应用学科知识、技能和能力的能力
• 了解多样性如何强化一门学科
• 能够以包容的方式行事并创造包容的环境
• 考虑一项努力对不同人群的影响

In this project, 多样性和包容性是由工程和计算机科学学科以及那些利用学生在这些学科中的教育经验的事业和专业构成的.

P4E:STEM项目采用了广泛的多样性定义，涵盖了广泛的人口统计学特征, 重点是那些通常与代表性不足有关的问题, marginalization, and discrimination.

重新划分选区调查[开放源码]

用计算机进行地缘政治选区重划的实验
http://metrocs.github.io/redistricting/

重新划分选区计划提供了一个图书馆，支持调查将一个地理区域划分为选区，并开发工具:
•教育公众重新划分选区的过程;
•通过基于反映预期结果的给定参数的自动化过程来演示重新划分;
• Demonstrate how redistricting can be used to establish an advantage for a political party or group (Gerrymandering); and
•促进增量添加功能以重新划分建模能力.

初始作用域是一个Java包，它提供了用于构建调查重新划分场景的程序的实用程序.
扩展的范围包括一个用于重新划分场景探索的用户界面.

利益相关者识别:
•用户(公众、学生、程序员[新手] & experienced])
•教育者(讲师、导师、导师)
•维护人员(项目开发人员、维护人员、质量工程师)

ImageLab[开源]

一个框架和应用程序，供初级程序员开发和实验图像修改
http://metrocs.github.io/imagelab/

ImageLab是一个框架和应用程序，允许学生开发图像修改处理器(过滤器)，并在视觉和音乐上体验结果.

ImageLab产品旨在用于初级编程课程(如MSU Denver的CS1050).

交互式ImageLab应用程序以Java源代码和可执行JAR文件的形式提供.

BlueJ质量工具[开源]

为初级程序员提供使用质量评估工具的机会
http://github.com/MetroCS/QualityToolsForBlueJ

这项工作为BlueJ(一个为学生学习如何编写程序的IDE)提供了一个扩展，使其能够访问质量评估工具.

最初的可交付产品封装了Checkstyle，以验证对编码约定的遵守.

该项目继续更新和扩展源代码分析工具集.

JBoxes[开源]

探索Java编程和其他计算机科学概念的交互式基础
http://metrocs.github.io/jBoxes/

jBoxes软件的主要目标是为学习者提供一种类似java语言的语义模型, 计算机在执行程序中给定的指令时的行为的具体概念图.

jBoxes是Dr. 杰拉尔德·舒尔茨，密歇根州立大学丹佛分校名誉教授. 它已经转变为一个开源软件项目，隶属于MetroCS.

该项目包括交互式jBoxes应用程序(c++)以及相关的书籍和参考指南.

Please email [email protected] 如果您对其中任何一个感兴趣或想了解更多信息.

学习分析和教育数据挖掘 

学习分析试点:识别和探索可操作的数据来源，并使用分析构建计算工具来解决已识别的问题 微观(个人)，中观(部门)和宏观(机构)层面. 

当前项目:分析教学-可视化讨论板  

在Canvas中构建讨论板的可视化工具，以使用文本分析改进学生反馈系统, NLP和数据可视化.  

 1. 构建基于非结构化数据的内容相似度的基本文本分析模型. 

• 数据收集和预处理. 
• 比较不同文本分析算法的内容相似度. 
• 可视化讨论内容. 

 2. 从非结构化数据中构建一个基本的文本分析模型，用于自调节和共享调节. 

• 数据收集和预处理. 
• 主题代码分类的分类器模型. 
• 计算语言特征提取模型的比较 
• 可视化规定. 

Please email [email protected] 如果您对其中任何一个感兴趣或想了解更多信息.