大学本科健康服务与管理专业三年级《医保风控大数据智能分析》单元教案

大学本科健康服务与管理专业三年级《医保风控大数据智能分析》单元教案

一、教学背景与课程定位

（一）学科属性与时代语境

本单元隶属于健康服务与管理专业核心限选课程《医疗保险学》的高阶实务模块，直接对标教育部“新医科”建设中“医工融合”“医管交叉”的战略导向。在国家医疗保障局全面推进“全国统一的医保信息平台”及“智能监控知识库”建设的政策强驱动下，【热点】医保基金风控已从经验型人工抽审转向数据驱动的实时全量监控。本单元并非孤立的技术课程，而是扎根于医疗保险学、卫生统计学、公共管理学的交叉地带，旨在培养既懂医保政策又具备数据思维，能将业务问题转化为分析任务的复合型应用人才。与前序课程《卫生统计学》《健康大数据分析》形成能力递进，为后续《健康保险精算》《医保支付方式改革》提供实务认知铺垫。

（二）教材整合与内容重构

摒弃传统教材中“风控=合规审查”的陈旧框架，本单元以“数据-信息-知识-智慧”DIKW模型为底层逻辑，整合国家医保局发布的《医疗保障基金飞行检查问题清单（2023版）》《智能审核和监控规则库指引》等权威政策文件，【非常重要】并引入《柳叶刀-数字医疗》及《JMIR医学信息学》中关于医疗欺诈检测的前沿算法综述。核心内容模块包括：医保风控政策谱系与伦理边界、医保结算数据结构与清洗逻辑、风险画像特征工程、不平衡分类建模、可解释人工智能在风控规则转化中的应用、策略闭环与效果评估。全单元以“真实任务驱动”贯穿，所有实践环节均基于某副省级城市医保中心脱敏后的百万级结算流水数据。

（三）学情深层诊断

授课对象为本科三年级健康服务与管理专业学生。优势层面：已完成《医疗保险学》基本概念与《卫生统计学》参数检验学习，【一般】部分学生通过选修课接触过Python或R语言基础，对数据分析有好奇心和尝试意愿。痛点与难点：其一，对医保专有数据标准认知匮乏，无法区分ICD-10诊断编码与ICD-9-CM-3手术编码的业务层级关系，【难点】常将“数据”等同于“数值”，忽视文本型字段的特征价值；其二，算法应用停留于“调包”，对模型结果缺乏业务诠释能力，易陷入“AUC至上”的技术迷思；其三，伦理意识模糊，【非常重要】极易在项目模拟中忽略患者隐私匿名化与算法公平性审查。基于此，本单元将“数据伦理沉浸”与“业务视角平移”作为隐性教学目标。

（四）专业认证与毕业要求支撑

对应新文科建设背景下公共管理类专业教学质量国家标准，本单元精准支撑以下毕业要求指标点：指标点2.3（能够应用管理学、统计学理论识别复杂医保问题），指标点5.2（能够选择与使用恰当的信息技术工具进行数据分析），指标点8.2（理解健康数据隐私保护的法律法规与职业伦理）。【高频考点】

二、单元教学目标体系

（一）知识与概念目标

1.陈述医保风控中欺诈、滥用、浪费三类的操作化定义与法律边界，【重要】准确复述《医疗保障基金使用监督管理条例》第四十条所列违规情形。【高频考点】

2.辨识医保结算清单的核心数据元，包括但不限于：主要诊断编码（MDC）、手术操作编码、医保三位目次、基金支付类型、个人账户支付金额等，【重要】并说明各字段在风险识别中的提示性价值。

3.解释不平衡分类评价指标（召回率、精确率、F1-score、AUC-PR）在风控场景中的业务代价差异，【非常重要】能够区分“漏报”与“误报”在拒付审核与约谈整改中的不同管理成本。

4.列举随机森林、XGBoost、逻辑回归三类模型在医保欺诈预测中的适用情境与输出差异，【热点】阐述特征重要性排序如何转化为审核规则库的权重赋值。

（二）能力与过程目标

1.能够运用Python的Pandas库对原始结算流水表进行数据质量核查，【重要】识别并处理医保数据中特有的重复住院流水号、诊断编码与性别逻辑冲突、费用极端离群值三类典型脏数据。

2.能够依据业务假设自主构建聚合特征，【非常重要】包括个体历史就诊熵指数、同机构处方偏离度、时间间隔序列模式，并使用可视化工具揭示风险样本在特征空间的分簇规律。

3.能够使用Scikit-learn构建医保欺诈风险预测基线模型，【非常重要】通过SHAP或LIME对单条高风险记录的预测结果进行局部解释，并向假设的医保监管人员撰写可读的《风险线索说明单》。

4.能够设计包含阈值预警、拒付规则、信用记分、机构约谈分层处置的风控策略包，【热点】并运用成本-效果分析思维比较不同策略组合下的基金挽回率与复核人力负荷。

（三）情感态度与价值观目标

1.在数据操作全流程中自觉恪守《个人信息保护法》及医疗数据保密协议，【非常重要】建立“数据即责任”的职业敬畏感。

2.理性看待算法预测结果，拒绝“唯指标论”，在模型公平性评价中主动审视不同性别、年龄、地域亚组间的假阳性率差异，【难点】体认医保制度作为社会安全阀的公平正义价值。

3.通过模拟风控顾问角色，体会医保基金监管者“守门人”角色的复杂性与专业性，激发投身医疗保障治理现代化的专业使命感。

三、教学核心重难点

（一）教学重点

1.医保欺诈典型场景的数据反光镜特征。【高频考点】包括但不限于：一日内多次就诊（频次异常）、长期处方集中结算（药品堆积）、低码高编（诊断升级）、体检式住院（无治疗项目清单）。要求学生在数据中不仅能计算，还能将业务违规点映射为具体的字段取值组合。

2.基于病例对照设计的风险特征构造方法论。【重要】核心是从原始流水数据中提取出能区分“已查实欺诈样本”与“正常样本”的定量指标，重点掌握时间窗聚合、比值构造、文本稀疏编码三类技术。

3.风控规则的颗粒度与可解释性平衡。【热点】过度细化的规则易被规避，过于宽泛的规则误伤率高，教学中需引导学生把握规则阈值设定的“灰度智慧”。

（二）教学难点

1.非结构化医疗文本信息的特征提取。【难点】如手术记录、出院小结等半结构化文本，需引导学生思考如何利用正则表达式捕获关键术式或药品名称，并转化为哑变量。此处不要求完美实现，重在建立“文本即特征”的意识。

2.样本不平衡条件下的过拟合抑制。【难点】医保欺诈率通常低于千分之三，模型极易偏向多数类。教学中不追求极致AUC，重在让学生体验SMOTE过采样、调整类权重、使用AUC-PR替代ROC等策略对少数类召回率的实际影响。

3.从统计关联到因果推断的谨慎性思维。【难点】发现“某类耗材使用量高”与“欺诈标签”相关，不等于前者是后者的因。引导学生拒绝简单归因，在策略设计中区分“强相关信号”与“疑似违规线索”的措辞差异。

四、教学策略、环境与资源

（一）教法与学法顶层设计

采用“三阶四维”项目化学习模式：课前（知识传递）—课中（能力内化）—课后（综合迁移）三阶，贯穿“政策-数据-算法-策略”四维主线。摒弃单项灌输，综合运用案例教学、同伴教学、认知学徒制策略。具体而言，政策维度以案例思辨为主，数据与算法维度采用“代码示教-模仿修改-迁移应用”的渐进脚手架，策略维度采用角色扮演与听证会模拟。特邀具有医保监管实务经验的行业导师（线上）参与部分环节的点评，构建校内外双师课堂。

（二）教学环境与媒介

1.物理环境：智慧多媒体教室，配备双投影系统，主屏用于教师演示，副屏实时轮播各小组代码运行状态与学习通词云。

2.软件环境：提前部署AnacondaNavigator，统一Python3.9内核，预装Pandas、NumPy、Matplotlib、Scikit-learn、Imbalanced-learn、SHAP库。所有学生机已配置同源环境，避免包版本冲突。使用JupyterNotebook作为交互式编程界面，教师下发.ipynb半成品模版，学生补充核心代码段。

3.数据资源：核心为“某市2023年医保结算模拟数据集”，经严格脱敏并加入人工合成的欺诈标签。数据字典包含28个原始字段，共计12万条住院结算记录，正负样本比例1：100。另提供3份《国家医保局曝光台》典型文本案例用于情境导入。

4.平台工具：超星学习通用于课前预习材料推送与课堂实时测试；GitLab班级群组用于小组项目版本控制与代码互评。

五、教学实施全过程（核心篇幅）

本单元共计6学时，分3次课完成。以下按120分钟/次课的超课时容量设计，充分体现金课“两性一度”要求。

第一课次：医保风控认知建模与数据生态初探（2学时）

（一）课前自适应学习（线上，要求于课前24小时完成）

教师通过学习通发布三项任务。第一项：观看15分钟微课视频《解码“医保飞检”：智能监控如何锁定异常流水》，微课由教师联合市医保中心信息技术科共同录制，展示真实审核界面与预警规则弹窗。第二项：精读《医疗保障基金智能审核和监控知识库、规则库管理办法（试行）》节选，并以思维导图形式梳理知识库构成的三个层级。第三项：完成一个5题在线自测，【一般】内容涉及监管办法中的时效规定与罚则，系统自动批阅并反馈错误率。教师课前查阅自测数据，精准定位学生对“中止结算”与“解除协议”等行政措施适用情境的混淆点。

（二）课中实施流程

1.沉浸式导入与问题聚合（10分钟）

上课铃响，教室灯光调暗，教师直接播放一段48秒的音频——来自国务院督查组暗访录音片段，内容为某民营医院院长指使员工编写虚假病历的对话截取。音频戛然而止，灯光恢复。教师以低沉平缓的语气提问：“如果给你这张表，除了金额，你还能从哪些字段闻出‘谎言的香水味’？”学生沉默数秒后，学习通讨论区开始弹幕滚动。教师随机抓取三个高频词（“入院途径”“离院方式”“手术级别”）写在白板上，【非常重要】以此证明学生已经能够基于前知识进行初步的业务-数据关联。此环节不追求标准答案，重在触发认知冲突。

2.政策锚点与概念精析（25分钟）

教师结合《条例》第四十条，系统讲授医保违规行为的法律定性三支柱：主体、手段、后果。重点区分“诱导住院”与“分解住院”在手段特征上的本质差异。此处采用“判断修正”教学法：教师出示6个高度相似的短案例（例如：“某医院将患者一次住院拆分为两次结算，规避超支考核”与“某医院要求轻症患者多次办理出入院，虚增住院人次”），要求学生两两配对，讨论为何前者多定性为“违规”，后者可直接定性为“欺诈”。【高频考点】小组代表发言时，教师追问“如果是系统算法，你会分别设置什么监测指标？”将法条解读自然引向数据特征预设。此环节中“虚构医疗服务”与“串换项目”的认定边界是历年医保条线考试的必考内容，【高频考点】教师在总结时必须给出清晰可复述的判断流程图。

3.数据生态沉浸与字段考古（30分钟）

此环节为认知转换关键点。教师下发“数据包—原始流水”，但不急于演示代码，而是先展示一张A3纸大小的《医保结算清单物理表头结构图》，要求学生以小组为单位，在图上圈出“你认为与风险可能性高度相关的5个字段”，并写出理由。各组将成果拍照上传学习通。教师选取三组典型答案进行对比：有的组聚焦金额字段，有的组聚焦诊断与手术匹配度，有的组关注转诊标志。教师顺势讲解三个核心业务逻辑：【非常重要】（1）诊断编码的首位为字母，其章、节、类目层级直接反映资源消耗强度；（2）医保支付类型代码（如01为普通门诊，02为住院）决定了风控规则库的挂载路径；（3）离院方式代码“5”（医嘱转社区卫生服务机构）是分解住院核查的重点触发字段。随后启动第一次实操：教师慢速演示使用Pandas读取约5万行样本，使用.info()

和.describe()

进行全域数据概览，重点展示“年龄”字段最小值显示“-1”的异常，【重要】引导学生思考数据录入环节的差错与主观造假甄别的区别。学生跟随操作，在各自电脑上运行代码，教师与助教巡堂，逐一纠正因文件路径设置导致的读取失败。

4.脏数据侦探与清洗哲学（20分钟）

基于上一步发现的年龄负值、男性患者分娩诊断、住院天数0天等典型异常，教师发起“脏数据侦探”活动。学生分组在限定时间内尽可能多地发现数据集中不合常理的记录，并推测背后可能的业务动因。例如，一组发现“住院天数=0且总费用＞5000元”的记录共17条，推测可能是当日手术当日出院但费用极高，疑似虚假住院特征。教师不做是非判断，而是介绍医保风控中的“二次核对”机制：此类记录通常不直接判定为欺诈，而是自动生成预警工单，由人工复核病案首页。此环节旨在让学生理解数据清洗不仅是技术操作，更是风控流程的发令枪。【热点】

5.虚拟项目契约发布与角色代入（20分钟）

教师以某市医保局聘任第三方专业机构为背景，正式发布本单元贯穿性项目任务书。任务名称为“基于2023年度住院结算数据的医保运行风险画像及监控策略优化”。每4人一组，分别扮演风控分析师（负责特征构建）、算法工程师（负责模型训练）、政策研究员（负责规则解读与策略设计）、项目汇报人（负责可视化与报告撰写）。任务最终交付物包括：（1）可复现的JupyterNotebook分析脚本；（2）15页以内PPT，含数据发现、风险分布、模型指标、策略矩阵；（3）一份《高风险线索核查建议表》，需列出排名前20的患者或医疗机构ID及疑似违规类型。教师下发项目评价量规，将AUC值、策略创新性、伦理审查声明列为三大加分项。【非常重要】剩余时间各组破冰，初步浏览数据字典，助教加入各组群聊记录技术栈疑问。

6.认知重组与思维留白（5分钟）

教师以两个问题收尾：“今天我们看到的数据是已经清洗过的，如果面对每日千万级的真实流水，什么会比模型更重要？”“代码报错时，除了查StackOverflow，你还能从哪里获得业务依据？”不要求学生回答，作为思维种子留在课后。

（三）课后延展学习

各小组登录GitLab，Fork教师端仓库，尝试运行完整的数据概览脚本并提交第一个commit。教师发布讨论帖：列举本组发现的“最可疑字段组合”，鼓励跨组互评。

第二课次：风险特征工程与欺诈模式数据画像（2学时）

（一）课前诊断与代码复盘（10分钟）

教师展示学习通上关于“特征构造时，以下哪种聚合函数对欺诈识别最敏感？”的投票结果，发现多数学生选择“均值”而非“极值”或“变异系数”。【难点】教师以此为切入点，展示一段存在逻辑错误的特征构造代码（组内错误地将住院总费用直接除以住院天数得到日均费用，却未剔除住院天数为0的记录），请学生快速识别漏洞，强调特征工程的业务合理性先于数学优雅性。

（二）新课建构：特征工程的业务逻辑谱系（30分钟）

教师系统性讲授医保风控特征的三个层次，每一层次均配以欺诈实证研究结论。【非常重要】

第一层：静态人口学特征。除年龄性别外，引入“参保身份”（职工/居民）在欺诈风险中的调节效应，居民医保因统筹层次低、监管力量弱，往往成为骗保高发区。学生需构造“是否城乡居民”虚拟变量。

第二层：诊疗行为特征。重点讲解三类高阶特征构造方法。（1）偏离度特征：患者个人次均费用相对于同DRG病组均值的标准差倍数，【高频考点】此处教师展示代码实现分组聚合与映射合并；（2）组合特征：基于FP-Growth算法从药品、耗材、诊疗项目中挖掘高频次项集，如“头孢菌素+地塞米松”在儿科门诊的超高频率可能是过度医疗的信号，【热点】但限于学时，教师仅展示关联规则结果表，不要求实时编程；（3）时序特征：两次住院间隔天数的倒数作为“重复入院强度”，对分解住院敏感度极高。【重要】教师演示如何使用shift函数与groupby计算同一患者ID的相邻就诊时间差。

第三层：社交网络特征。此部分为拓展视野，教师展示一张“患者-医生-机构”三方网络图，部分节点因度数中心度异常突出而被标红，介绍同伙式骗保的社区发现逻辑。不要求实现，但要求学生理解“连边”关系也是特征。

（三）特征车间：结构化实战演练（40分钟）

学生进入高强度代码实操。任务阶梯设计如下：

基础级（必达）：依据教师提供的代码骨架，补全对“年龄分段”、“手术标志”、“急诊入院标志”的哑变量转换，并生成三个新特征：药品费用占比、自费项目个数、节假日住院频次。【重要】教师巡回指导，重点帮助学生区分“手术标志”字段中的空值究竟是“未手术”还是“数据缺失”。

进阶级（可选）：尝试构造“同院同病种住院间隔≤14天次数”特征。此任务需多层分组与条件筛选，逻辑嵌套复杂，【难点】教师引导小组内代码能力强的学生作为“技术助教”，流动支援。

挑战级（展示）：若小组提前完成前两级任务，可尝试使用TF-IDF思想对出院诊断的文本描述（非编码）进行关键词权重计算，提取“意外”“摔伤”“中毒”等具有意外伤害险欺诈风险的特征词汇。此部分仅为示范前沿，不作统一考核。

实操后半段，教师使用数据大屏实时投射各组生成的特征数量与警告线（如无限定小数位）。特征构造结束后，教师演示使用matplotlib

绘制箱线图，将欺诈样本与非欺诈样本在“日均费用”“重复住院率”两个特征上的分布进行并排可视化。当箱线图显示出欺诈样本在日均费用上有更长的上须时，教室响起惊叹声，【非常重要】此即“数据讲故事”的具身认知时刻。

（四）欺诈模式镜像：典型骗术的数据表征（25分钟）

教师跳出代码，以投影片形式集中展示四种国家级飞行检查中高频出现的骗保模式及其数据镜像：【高频考点】【热点】

1.假住院模式：数据镜像为“住院天数=1且手术费=0且床位费=0且药费占比＞80%”。教师提问：“为何不直接设住院天数=1为规则？”学生讨论后明确：部分日间手术为正常医疗。

2.挂床住院模式：数据镜像为“住院天数＞3且床位费=0且无每日护理费记录”。

3.串换耗材模式：数据镜像为“医保支付类别为甲类且耗材单价＞全省该耗材平均单价200%”。

4.分解住院模式：数据镜像为“同一患者、同一机构、同一诊断、14日内再次住院”。

教师同步下发一份简化版“规则库”，要求学生对照本组正在构造的特征，思考哪些特征可以直接作为规则阈值，哪些特征更适合输入模型进行非线性组合。此环节承上启下，为下一课时的模型融合做认知铺垫。

（五）项目里程碑提交与互评（15分钟）

各小组在课结束前15分钟提交阶段性成果1——特征列表及业务含义说明表。该表需包含至少10个已成功构造的特征，并注明每个特征是“业务驱动型”（基于文献或经验规则）还是“数据驱动型”（基于探索性分析发现）。提交后开放查阅权限，每组需为其他任意两组填写一份简短互评表单，从特征创造性、业务相关性、技术实现难度三维度打星。教师汇总后挑选一份特征集进行现场点评，表扬其构造了“周末入院比例”这一新颖特征，并引导学生思考为什么周末入院可能成为诱导住院的信号（常规择期手术较少安排在周末）。

第三课次：风险预测建模、可解释性与策略设计（2学时）

（一）模型认知热身与伦理困境导入（10分钟）

上课伊始，教师不开启编程环境，而是展示一个真实的两难案例：某市医保局采用智能监控系统后，对65岁以上独居老人的疑似违规复核率显著高于其他年龄组，但最终查实率并未更高。教师提问：“模型没有歧视意图，但它是否产生了歧视效应？如果为追求公平而人为下调老年组的风险评分，是否又违背了医保基金应收尽收的原则？”【非常重要】这个问题没有标准答案，课堂沉默30秒后，几位学生尝试从精算公平与个体公平的差异进行辨析。教师不做裁决，仅提示今天的建模全程需将“亚组绩效分析”作为模型评估的必选项。

（二）核心建模逻辑精讲与代码对齐（30分钟）

教师摒弃数学公式推导，完全以业务场景倒逼算法选择逻辑。讲解三条主线：

1.为什么是监督学习？因为已有历史核查标签（虽然可能有噪声）。重点介绍逻辑回归作为基准模型的不可替代性——权重系数直接等同于特征的风险贡献倍数，【高频考点】极其适合向无技术背景的监管领导汇报。教师演示从sklearn.linear_model

导入LogisticRegression，拟合后输出各特征的系数，并告诫：多重共线性会使系数膨胀，因此需先剔除高相关特征。

2.样本不平衡的代价敏感性。教师展示如果不做任何处理，模型会将所有样本预测为“正常”，获得99.7%的准确率，却是彻底的废模型。【非常重要】随即介绍两种处理路径：数据层面（SMOTE过采样）与算法层面（设置class_weight=‘balanced’

）。学生分组实践，一半小组尝试SMOTE，另一半尝试调整类权重，后续对比效果。

3.树模型的优势与解释代价。以随机森林为例，展示特征重要性图表的柱状输出，说明其能自动捕捉非线性关系与交互项，【重要】但无法像逻辑回归那样给出清晰的“每增加一单位，风险倍数增加多少”的解读。教师提出“模型可解释性谱系”概念，引导学生根据汇报对象选择模型：给信息科看，可炫技XGBoost；给基金监管处看，最好用逻辑回归或规则清单。

（三）建模实战工坊：从训练到评估（45分钟）

此环节为全单元技术密度最高处。教师下发已分割训练集与测试集，要求学生完成四项子任务。

子任务一：基线模型跑通。使用逻辑回归（已调class_weight）在训练集拟合，在测试集预测概率。教师提示注意随机种子固定，确保结果可复现。

子任务二：多维度模型评估。不仅计算AUC-ROC，强制要求输出混淆矩阵、召回率、精确率以及F2-score（设定召回率权重为精确率的2倍，以模拟“漏过欺诈损失远大于误判复核成本”的管理偏好）。【热点】教师巡堂时发现某组召回率高达0.85但精确率仅0.12，随即组织一分钟小组讨论：“这意味着每揪出1个真正的欺诈，需要复核约7个正常案例。值不值？”学生结合当地医保复核人力配置展开辩论。

子任务三：SHAP局部解释。教师使用预训练模型演示对测试集中某条高风险样本进行SHAPwaterfall分析，可视化哪些特征将该样本的预测概率从全局平均0.003拉升至0.92。学生虽不要求手写SHAP代码，但需在小组内解读教师给出的三份SHAP图，并尝试撰写《风险线索说明单》，用自然语言描述“该患者主要因为既往3个月住院5次、且每次均使用非甾体抗炎药注射剂，导致风险评分异常”。【非常重要】

子任务四：亚组公平性审计。教师提供分组评估代码片段，学生运行后查看模型在不同性别、年龄组（65岁为界）的假阳性率差异。发现假阳性率在老年组偏高后，引导学生反思特征集中是否包含了“年龄”的代理变量（如慢病种数）。部分小组提出可尝试剔除年龄特征重新训练，但教师指出这并不能完全消除偏见，因为合并症指数本身与年龄高度相关。此环节不要求彻底解决问题，重在建立公平性敏感度。

（四）从模型到规则：阈值选取与策略转化（20分钟）

模型输出的概率值不能直接执行，必须转化为明确的处置动作。教师讲授“风险分层-阈值截断-规则生成-处置匹配”四步法。

1.风险分层：将预测概率分为低风险（<0.001）、中风险（0.001-0.01）、高风险（>0.01）三层。阈值选取需结合召回率-精确率曲线，【重要】教师演示使用precision_recall_curve

寻找拐点。

2.规则生成：将高贡献特征及其分界值提炼为“如果……则……”的原子规则。例如，教师展示从随机森林特征重要性前三位中提炼出“IF重复住院次数≥3AND药品占比≥0.85THEN黄色预警”。

3.处置匹配：黄色预警仅推送至机构自查；橙色预警触发智能拒付；红色预警移交飞行检查线索库。

学生以组为单位，结合本组模型特征重要性列表，撰写至少5条原子规则，并匹配处置措施。教师要求规则必须具体到字段与阈值，不得笼统写“费用过高”。部分小组写出的规则如“IF年龄<18AND住院天数=0AND住院总费用>5000THEN橙色预警，提请人工核实儿童日间手术合理性”已具备初步业务可行性。

（五）策略听证会：方案路演与跨组质询（15分钟）

随机抽取两个小组上台进行5分钟“风控策略包”路演。要求陈述：（1）你们认为本市基金最主要的风险敞口是什么？（2）核心三条规则及阈值设定依据；（3）预期每月增加多少复核工单，基金挽回金额估算逻辑。台下其他组模拟市医保局基金监督处、定点医疗机构代表、参保人代表等不同利益相关方进行质询。例如，某组提出“对住院费用超过同病种均值5倍以上的病例全部拒付”，立即被质询方指出“部分复杂病例费用确需超标，一刀切可能延误救治”。被质询组回应“可增设临床专家复核豁免通道”。教师在此环节扮演主持人，不做价值判断，仅引导双方提供证据支撑。【热点】最后20秒，教师亮出某市医保局真实的规则库节选，学生惊讶地发现真实的规则阈值设定比他们的小组作业更为谨慎。

（六）项目收束与单元认知升华（5分钟）

教师播放一段45秒的静音视频：医保经办大厅窗口工作人员敲击键盘、接听咨询电话、整理单据的日常蒙太奇。教师总结：“你们今天写下的每一行代码，将来都可能变成影响千万人生计的规则。算法输出0.95的概率不是终点，是责任起点。”全班静默，课程在肃穆感中结束。

六、学习评价全维设计

（一）过程性评价（60%）

1.课前自主学习数据与自测成绩（5%）：依据学习通任务完成度与自测正确率，【一般】旨在驱动前置知识储备。

2.课堂交互行为证据链（15%）：包括学习通投票响应次数、随堂代码提交规范性、小组互评参与质量。教师使用课堂智慧系统采集“求助频次”“代码运行错误类型”等非结构化数据，为后续辅导提供依据。

3.项目阶段性里程碑（40%）：特征工程报告（15%）重点评价特征构造量与业务合理性，代码运行通过且注释清晰；模型训练记录（15%）重点评价AUC-PR值及亚组公平性审计表；策略规则草案（10%）重点评价规则可操作性与阈值设定逻辑。【非常重要】

（二）终结性评价（40%）

1.小组最终报告评审（30%）：采用量规-等级模型。量规涵盖四个维度。维度一“问题界定与业务理解”（权重25%）：能否准确描述本项目所模拟城市的医保基金主要风险类型，避免将全国性风险简单平移；维度二“数据分析与技术实施”（权重30%）：代码完整性、特征工程复杂度、模型评估报告规范性；维度三“策略创新与现实考量”（权重25%）：规则库是否体现风险分级，是否考虑复核成本与申诉渠道；维度四“团队协作与项目管理”（权重10%）：基于Git提交记录与贡献度互评；维度五“伦理与合规反思”（权重10%）：是否在报告中独立章节讨论模型偏见、