在90年代初，我在魯爾大學波鴻分校攻讀語音技術博士學位時，人工智慧這個詞還遠遠未被廣泛使用。那時我們只有隱馬可夫模型、層數寥寥的神經網絡，以及大量的人工特徵工程。一切都必須理解。統計學——無論是數據、模型還是決策——都沒有捷徑可走。你必須清楚自己在做什麼，以及為什麼這麼做。
時光荏苒，三十年過去了。如今，我與歐洲各地的大學教師合作，他們正努力向學生們教授同樣的學科——統計推理和分析判斷——而這些學生口袋裡的電腦計算能力，比我們整個研究所1994年擁有的電腦計算能力還要強大。許多學生來到這裡，期望有工具可以替他們思考。
本系列探討的正是這種張力。並非人工智慧是否應該進入統計學課堂——它確實應該以某種形式進入——而是我們如何確保它能夠提升而不是取代我們試圖教導的推理能力。
不過，在討論人工智慧之前，我想先闡述一個更根本的問題：在人工智慧出現之前，一個真正好的教學工具應該是什麼樣的。
大多數教學工具的問題在於
統計學很難教。主要原因並非數學晦澀難懂，因為大多數入門內容對於積極進取的本科生來說並不難。真正的困難在於如何將方法與實際目的連結起來。學生會學習t檢定、卡方檢定和迴歸分析，但他們往往學不到何時該用哪種方法，以及為什麼這種選擇至關重要。
像是 R 或 Python 這類需要程式設計的工具會將認知負荷轉移到語法。學生往往把時間花在調試循環上，而不是思考數據本身。這並非對這些工具的批評；它們確實強大且非常重要。但對於統計學入門課程而言，這類工具常常會成為學習的阻礙。
另一方面，全自動工具甚至在學生有機會提問之前就能給出答案。
大多數教師都在尋找卻很少找到的是一種介於兩者之間的工具：既要功能強大到足以進行真正的分析，又要結構清晰到足以支持學習。它必須是在專業環境中使用的工具，而不是簡化的教學工具。
JMP學生版實際提供哪些內容
JMP 學生版 [2] 是專為學術用途設計的 JMP 版本。它並非功能縮減版，涵蓋了入門和中級統計課程實際所需的分析範圍，並且與許多學生畢業後進入工業界或從事研究工作時將遇到的環境相同。
它之所以非常適合教學，是因為它具備一些容易被低估的特質：
- 視覺呈現先於數值分析。 JMP將圖表置於分析的核心。學生先看到數據，才看到統計結果。這並非設計上的偏好，而是一種教學選擇，它符合統計直覺的實際發展過程。
- 預設啟用互動功能。圖表即時更新。您可以選擇一個點、一個區域或一個長條圖，其餘輸出都會隨之改變。學生可以探索而非計算。
- 需要解讀。 JMP不會直接告訴學生結果的涵義。它產生輸出結果，無論是分佈圖、殘差圖或檢定統計量，然後期望分析人員自行解讀。學習就發生在輸出結果和解讀結果之間的鴻溝。
- 內容全面而不複雜。該平台涵蓋了GAISE學院報告框架[5]，這是廣泛用於教授入門統計學的指導原則，但不會令初學者感到不知所措。完整的課程菜單可供合理安排課程範圍。
最後一點的重要性可能超乎想像。我和 Koo Rijpkema 教授在最近的 JMP Discovery Summit Europe 大會上就此特性進行了深入探討[4]：JMP 是一款專業級工具，其強大的功能可能會讓新用戶感到不知所措。透過選擇使用哪些選單、工作流程以及輸出等級來建立學習環境本身就是課程設計的重要組成部分。 JMP 學生版為教師提供了足夠的空間，讓他們有意識地做出這些選擇。
自然的學習過程
許多教授選擇 JMP 學生版，是因為他們更欣賞 JMP 的統計分析流程：從資料入手，進行視覺化探索，然後逐步得出推論。這種順序並非隨意設定，而是反映了經驗豐富的分析師的實際工作方式，並且能夠培養出在課程之外也能有效應用的習慣。
GAISE 大學報告 [5] 是統計學入門教育中最被廣泛引用的框架，它推薦的正是這種方法：
- 教授統計思維，而不僅僅是統計程式。
- 使用真實數據。
- 重視概念理解，而非機械計算。
- 鼓勵主動學習。
如果使用得當，JMP 學生版可以支援所有四個目標。
一座實用的橋樑：R基於規則的指導與DAD
我最喜歡的課堂工具之一是JMP的一個名為「資料分析精靈」（Data Analysis Director，簡稱DAD）的擴充功能[3]。由於它並非生成式人工智慧，因此不會聊天、生成文字或透過語言模型產生解釋。它的功能是遵循結構化的分析邏輯，引導使用者選擇適當的分析方法。
當學生面對特定的分析任務時，DAD會提出幾個重點突出的問題：你的反應變數是什麼？資料是連續型、名目型還是順序型？你的預測變數是什麼？基於這些答案，它會建議一種合適的分析方法，並解釋建議背後的原因。
它看似簡單，但作為一種教學工具卻非常強大。
課堂上，我經常給學生一個資料集，例如包含多種變數類型的客戶滿意度數據，並讓他們使用DAD方法選擇分析方法。然後我會問一個出乎意料的問題：你們同意這個選擇嗎？
- 該工具基於哪些假設？
- 你會做出不同的選擇嗎？
- 它可能缺少什麼？
Use case for Data Analysis Director 19數據分析總監 19 的應用案例
真正的學習發生在這些問題得到解答之時。 DAD 將經驗豐富的分析師自動應用、但初學者往往甚至不知道存在的決策邏輯外化。它使推理過程清晰可見，學生可以對其進行審視、質疑並從中學習。
這就是關鍵區別：DAD 不是預言機，而是基於規則的分析導航器，它透明、可檢查且具有確定性。學生不會被直接告知答案，而是會看到一個經過深思熟慮的起點，並被要求參與其中。
“人工智慧應該增強我們的推理能力，而不是取代我們。” |
在人工智慧出現之前
本期節目刻意避開了生成式人工智慧——大型語言模型、聊天機器人以及能夠編寫程式碼、生成解釋並回答學生幾乎任何問題的工具。這些內容將從第二集開始講解。
我特意以這篇部落格文章作為本系列的開篇，旨在解釋 JMP 學生版如何在未啟用任何 AI 功能的情況下，依然能夠支持強大的統計思維。我並非反對 AI，只是想在評估它之前先打好基礎。如果你不了解在 AI 介入之前，優秀的分析推理是什麼樣的，就很難判斷 AI 究竟能帶來什麼，以及它會在不知不覺中剝奪什麼。
下一集將探討這個問題：當大型語言模型進入統計學課堂時會發生什麼，它們真正能為教師提供什麼，以及第一個難題從哪裡開始出現。
試試這個
從 JMP Marketplace 安裝資料分析精靈 [3]，然後從「插件」選單開啟它。接下來，根據你手邊的數據回答所有問題。讓它給出分析建議，然後詢問學生是否同意，以及原因。隨後的討論往往比分析本身更有啟發性。
參考
[1] JMP學術項目，jmp.com/academic
[2] JMP 學生版，jmp.com/student
[3] 數據分析總監（JMP Marketplace） ，marketplace.jmp.com
[4] 迷失在 JMP 中？精簡版型，更合身，Kraft & Rijpkema，JMP Discovery Summit EMEA 2026
[5]GAISE學院報告（2016）
[6]GAISE學院報告修訂（進行中，2025年）
作者簡介
Volker Kraft 是 JMP Statistical Discovery（SAS 旗下公司）的首席學術大使（歐洲、中東和非洲地區），也是 JMP 全球學術團隊的成員。自 2011 年以來，他一直致力於幫助歐洲各地的大學將 JMP 應用於教學和研究。他的研究背景是語音技術，在人工智慧成為家喻戶曉的概念之前，統計學的嚴謹性和工程的實用性就已在該領域得到充分的整合。您可以透過JMP 社群或LinkedIn聯繫他。
第 1 集（共 5 集）• 下一集： 人工智慧進入課堂－為教師帶來機會
感謝@volker_kraft如此精彩地闡述了 JMP 為什麼如此適合教授統計思維和統計學概念理解。如果幾十年前我學習統計學時就有 JMP，我肯定能更快掌握這些概念！
