上世纪90年代初，我在鲁尔大学波鸿分校攻读语音技术博士学位时，人工智能这个词还远未被广泛使用。那时我们只有隐马尔可夫模型、层数寥寥的神经网络，以及大量的人工特征工程。一切都必须理解。统计学——无论是数据、模型还是决策——都没有捷径可走。你必须清楚自己在做什么，以及为什么这么做。
时光荏苒，三十年过去了。如今，我与欧洲各地的大学教师合作，他们正努力向学生们教授同样的学科——统计推理和分析判断——而这些学生口袋里的电脑计算能力，比我们整个研究所1994年拥有的电脑计算能力还要强大。许多学生来到这里，期望有一个工具可以替他们思考。
本系列探讨的正是这种张力。并非人工智能是否应该进入统计学课堂——它确实应该以某种形式进入——而是我们如何确保它能够提升而非取代我们试图教授的推理能力。
不过，在讨论人工智能之前，我想先阐述一个更根本的问题：在人工智能出现之前，一个真正好的教学工具应该是什么样的。
大多数教学工具的问题在于
统计学很难教。主要原因并非数学晦涩难懂，因为大多数入门内容对于积极进取的本科生来说并不难。真正的难点在于如何将方法与实际目的联系起来。学生们会学习t检验、卡方检验和回归分析，但他们往往学不到何时该用哪种方法，以及为什么这种选择至关重要。
像 R 或 Python 这类需要编程的工具会将认知负荷转移到语法上。学生们往往把时间花在调试循环上，而不是思考数据本身。这并非对这些工具的批评；它们确实功能强大且非常重要。但对于统计学入门课程而言，这类工具常常会成为学习的阻碍。
另一方面，全自动工具甚至在学生有机会提问之前就能给出答案。
大多数教师都在寻找却鲜少找到的是一种介于两者之间的工具：既要功能强大到足以进行真正的分析，又要结构清晰到足以支持学习。它必须是在专业环境中使用的工具，而不是简化的教学工具。
JMP学生版实际提供哪些内容
JMP 学生版 [2] 是专为学术用途设计的 JMP 版本。它并非功能缩减版，涵盖了入门和中级统计课程实际所需的分析范围，并且与许多学生毕业后进入工业界或从事研究工作时将遇到的环境相同。
它之所以非常适合教学，是因为它具备一些容易被低估的特质：
- 视觉呈现先于数值分析。JMP将图表置于分析的核心。学生先看到数据，然后才看到统计结果。这并非设计上的偏好，而是一种教学选择，它符合统计直觉的实际发展过程。
- 默认启用交互式功能。图表实时更新。您可以选择一个点、一个区域或一个柱状图，其余输出都会随之变化。学生可以探索而非计算。
- 需要解读。JMP不会直接告诉学生结果的含义。它生成输出结果，无论是分布图、残差图还是检验统计量，然后期望分析人员自行解读。学习就发生在输出结果和解读结果之间的鸿沟里。
- 内容全面而不复杂。该平台涵盖了GAISE学院报告框架[5]，这是广泛用于教授入门统计学的指导原则，但不会给初学者造成负担。完整的课程菜单可供灵活调整，以便课程能够根据实际情况进行合理安排。
最后一点的重要性可能超乎想象。我和 Koo Rijpkema 教授在最近一次 JMP Discovery Summit Europe 的演讲和网络研讨会上直接探讨了这一特性[4]：JMP 是一款专业级工具，其强大的功能可能会让新用户感到不知所措。通过决定使用哪些菜单、工作流程以及输出级别来构建学习环境本身就是课程设计的重要组成部分。JMP 学生版为教师提供了足够的空间，让他们能够有意识地做出这些选择。
自然的学习过程
许多教授选择 JMP 学生版，是因为他们更欣赏 JMP 的统计分析流程：从数据入手，进行可视化探索，然后逐步得出推论。这种顺序并非随意而为，它反映了经验丰富的分析师的实际工作方式，并且能够培养出在课程之外也能有效应用的习惯。
GAISE 大学报告 [5] 是统计学入门教育中最被广泛引用的框架，它推荐的正是这种方法：
- 教授统计思维，而不仅仅是统计程序。
- 使用真实数据。
- 重视概念理解，而非机械计算。
- 鼓励主动学习。
如果使用得当，JMP 学生版可以支持所有四个目标。
一座实用的桥梁：R基于规则的指导与DAD
我最喜欢的课堂工具之一是JMP的一个名为“数据分析向导”（Data Analysis Director，简称DAD）的扩展程序[3]。由于它并非生成式人工智能，因此不会聊天、生成文本或通过语言模型生成解释。它的功能是遵循结构化的分析逻辑，引导用户选择合适的分析方法。
当学生面对特定的分析任务时，DAD会提出几个重点突出的问题：你的响应变量是什么？数据是连续型、名义型还是顺序型？你的预测变量是什么？基于这些答案，它会建议一种合适的分析方法，并解释建议背后的原因。
它看似简单，但作为一种教学工具却非常强大。
课堂上，我经常给学生一个数据集，例如包含多种变量类型的客户满意度数据，并让他们使用DAD方法选择一种分析方法。然后我会问一个出人意料的问题：你们同意这个选择吗？
- 该工具基于哪些假设？
- 你会做出不同的选择吗？
- 它可能缺少什么？
Use case for Data Analysis Director 19数据分析总监 19 的应用案例
真正的学习发生在这些问题得到解答之时。DAD 将经验丰富的分析师自动应用、但初学者往往甚至都不知道存在的决策逻辑外化。它使推理过程清晰可见，学生可以对其进行审视、质疑并从中学习。
这就是关键区别：DAD 不是预言机，而是一个基于规则的分析导航器，它透明、可检查且具有确定性。学生不会被直接告知答案，而是会看到一个经过深思熟虑的起点，并被要求参与其中。
“人工智能应该增强我们的推理能力，而不是取代我们。” |
在人工智能出现之前
本期节目特意避开了生成式人工智能——大型语言模型、聊天机器人以及能够编写代码、生成解释并回答学生几乎任何问题的工具。这些内容将从第二集开始讲解。
我特意以这篇博文作为本系列的开篇，旨在解释 JMP 学生版如何在未启用任何 AI 功能的情况下，依然能够支持强大的统计思维能力。我并非反对 AI，只是想在评估它之前先打好基础。如果你不了解在 AI 介入之前，优秀的分析推理能力是什么样的，就很难判断 AI 究竟能带来什么，以及它会在不知不觉中剥夺什么。
下一集将探讨这个问题：当大型语言模型进入统计学课堂时会发生什么，它们真正能为教师提供什么，以及第一个难题从哪里开始出现。
试试这个
从 JMP Marketplace 安装数据分析向导 [3]，然后从“插件”菜单打开它。接下来，根据你手头的数据回答所有问题。让它给出分析建议，然后询问学生是否同意，以及原因。随后的讨论往往比分析本身更有启发性。
参考
[1] JMP学术项目，jmp.com/academic
[2] JMP 学生版，jmp.com/student
[3] 数据分析总监（JMP Marketplace） ，marketplace.jmp.com
[4] 迷失在 JMP 中？精简版型，更合身，Kraft & Rijpkema，JMP 探索峰会 EMEA 2026
[5]GAISE学院报告（2016）
[6]GAISE学院报告修订（进行中，2025年）
作者简介
Volker Kraft 是 JMP Statistical Discovery（SAS 旗下公司）的首席学术大使（欧洲、中东和非洲地区），也是 JMP 全球学术团队的成员。自 2011 年以来，他一直致力于帮助欧洲各地的大学将 JMP 应用于教学和研究。他的研究背景是语音技术，在人工智能成为家喻户晓的概念之前，统计学的严谨性和工程的实用性就已在该领域得到充分的融合。您可以通过JMP 社区或LinkedIn联系到他。
第 1 集（共 5 集）• 下一集： 人工智能进入课堂——为教师带来机遇
感谢@volker_kraft如此精彩地阐述了 JMP 为什么如此适合教授统计思维和统计学概念理解。如果几十年前我学习统计学时就有 JMP，我肯定能更快地掌握这些概念！
