几年前，统计学课堂发生了一些变化，但这种变化并非以正式公告的形式出现。学生们开始带着人工智能生成的、流畅自信的JMP输出结果解读来上课，这些解读有时完全错误。分析本身没问题，但理解却往往不足。
如今，强大的思维能力与脆弱的思维模式之间的鸿沟，是数据分析教学面临的核心挑战，但禁止人工智能并非解决之道。真正的问题在于，我们设计的作业是否真正需要思考。
在本系列博客的第一集中，我阐述了在人工智能出现之前，优秀的统计教学应该是什么样子。本集将探讨人工智能的应用会带来哪些变化，以及教师如何利用这些变化，而不仅仅是应对它们。
课堂现实的改变
伊桑·莫利克（Ethan Mollick）的著作《协同智能》（Co-Intelligence）[5]已成为所有认真思考人工智能在教育领域应用的人的必读书目。他直言不讳地指出：我们所知的家庭作业时代已经结束了。我认为他的说法大致正确，但这与其说是一场危机，不如说是一项设计挑战。
如今的学生非常擅长生成答案，但他们却不太擅长判断答案的正确性。他们可以将 JMP 的输出结果粘贴到通用人工智能工具中，然后得到一段精心撰写的解释。然而，他们却无法总是判断这种解释是否正确，模型是否选择得当，假设是否经过检验，以及结论是否真正基于数据。
这时，教师的角色就可以发生转变，从信息的传递者转变为更像推理指导者的角色。当重点不再是解释诸如p值是什么之类的概念时，教师应该转而设计学习体验，让学生思考为什么某种分析方法是合适的，以及分析结果在实际情境中的意义是什么。
增强，而非自动化
任何人工智能工具在教育领域的设计核心问题在于：它是用于自动化还是辅助？自动化取代人类决策，而辅助则支持并改进人类决策。这两种功能截然不同，混淆二者正是课堂人工智能应用引发诸多焦虑的根源。
统计学教育的目标始终应该是增强：人工智能应该帮助学生更清晰地思考，而不是替他们思考。这种区别决定了从使用哪些工具、如何使用这些工具，到哪些作业仍然能够可靠地检验学习效果等方方面面。
人工智能真正能提供什么
在讨论风险之前（这些风险是真实存在的，并在第四集中进行了全面探讨），值得一提的是，人工智能实际上如何使统计学课程受益：
- 随时提供帮助。学生可以随时提问，无需等待办公时间，也无需因为没听懂讲座而感到尴尬。
- 拥有无限的耐心。人工智能会根据要求，用任意多种不同的方式，反复解释同一个概念。
- 这样可以节省课堂时间。当常规的程序性问题转移到课堂之外时，剩余的时间就可以集中用于讨论、解读以及人工智能真正无法解决的那种模糊不清的问题。
另一种人工智能：JMP 中的 LearnBot
LearnBot [3] 是一款免费插件，可从 JMP Marketplace 下载，也可从 JMP 学生版的“帮助”菜单访问。它基于 JMP 文档和学习资源进行训练，因此是一款专注且能感知上下文的辅导工具，而非通用聊天机器人。
LearnBot 是一款基于文本的对话式人工智能，可作为 JMP 和统计学辅导工具。它无法访问学生的数据或输出结果。学生只需用自己的语言描述所看到的内容，LearnBot 便会根据描述做出回应。
这种近距离接触至关重要。学生无需切换到浏览器标签页，只需点击一下即可留在分析环境中，直接在工作进行的地方完成任务。
向 LearnBot 描述输出结果本身就是一个学习过程。在提出好问题之前，你必须先找到合适的词语来描述你所看到的内容。正是这种清晰的表达，要么揭示了理解的本质，要么阻碍了理解的形成。
举个具体的例子。一位学生运行回归分析，发现 R² 值为 0.71，同时残差图呈现出明显的模式。他在 LearnBot 中输入：“我的多元回归模型显示 R² 值为 0.71，但残差图呈现出一些明显的结构或模式。这是什么意思？”
Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.学生使用 JMP 学生版中的 LearnBot 描述他们的回归输出，并获得统计和 JMP 指导。
LearnBot 会解释残差图呈现的模式意味着什么，然后问道：“您是否需要关于在 JMP 中添加二次项或运行变换的指导？” 这个后续问题才是关键所在。其目的并非直接给出答案，而是引导学生进行下一步思考。
阿德瓦伊特·萨卡尔[4]警告说，我们有可能沦为“自身思想的中层管理者”，将推理外包给人工智能，而不是自己开发推理能力。LearnBot 的设计初衷正是为了抵制这种趋势。
“能回答你问题的工具和能帮助你提出更好问题的工具之间是有区别的。” |
真正的转变：A作业设计
对教师而言，最大的变化不在于选择允许使用哪些人工智能工具，而在于重新设计布置的任务。学生从任何人工智能工具中获得的成果质量，很大程度上取决于他们输入内容的质量。请比较以下两个提示：
- ✘ 运行回归并报告 R²。
- ✔ 比较两个模型，说明你选择的理由，并指出一个你无法验证的假设。
第二项任务若不加以理解，就无法外包。JMP 的可视化、探索式工作流程恰好能引导这种解读，这也是它在人工智能参与其中时，依然能作为教学环境发挥良好作用的原因之一。
更智能的课堂
在翻转课堂或混合式教学模式下，人工智能的优势更加显著。学生可以在课前探索数据并利用人工智能辅助解决难题。课堂时间则专注于讨论、判断以及解决目前人工智能尚无法有效应对的现实世界中的各种模糊问题。
正如JMP的Russ Wolfinger所言[6]：人工智能是增强而非取代。教师的职责是设计学习环境，使学生真正体验到的是增强，而不是绕过他们所需思考的捷径。
第 3 集深入探讨了 JMP Assistant：它的具体分析工作流程、它的功能和局限性，以及如何使用它来让学生掌握主动权。
试试这个
从 JMP Marketplace 安装 LearnBot [3]，然后从 JMP 学生版的“帮助”菜单中打开它。给学生一个数据集，让他们选择进行一项分析。然后，让他们用自己的语言向 LearnBot 描述一个他们不确定的结果，并将这次交流带到下一节课。他们写给 LearnBot 的内容往往比分析本身更能反映他们对数据的理解。
参考
[1] JMP学术项目，jmp.com/academic
[2] JMP 学生版，jmp.com/student
[3]LearnBot（JMP Marketplace） ，marketplace.jmp.com
[4] Advait Sarkar，“如何阻止人工智能扼杀你的批判性思维”， TED演讲，2025年
[5] Ethan Mollick，《协同智能：与人工智能共存与共事》， Portfolio/Penguin出版社，2024年
[6] Russ Wolfinger，“科学家和工程师应为人工智能时代做好准备的七大途径”， JMP 白皮书
[7]GAISE学院报告修订（进行中，2025年）
关于a作者
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 2 集（共 5 集）• 下一集： JMP Assistant 实践应用： 在它能为你做什么
嗨，Volker，文章写得真好。我惊叹于使用 LearnBot 后，我能如此快速、深入地运用 JMP 进行数据科学研究。你的论证清晰明了，你推荐的在课堂上使用 LearnBot 的方法也十分恰当。我非常期待阅读本系列的后续文章，并将它们应用到我们在墨西哥开展的混合式教学中。此致，DH
这是一场非常有趣的讨论，探讨了如何将人工智能作为学习辅助工具，而不是取代批判性思维。我尤其欣赏文中强调的作业要求学生解释其推理过程并论证其分析选择，而不仅仅是报告结果。这种方法能够使学术工作更有意义。英国学术论文网（Academic Papers UK）也通过其作业代写服务为学生提供支持，该服务侧重于研究、结构和更清晰的学术写作。
这是一场非常有趣的讨论，探讨了如何将人工智能作为学习辅助工具，而不是取代批判性思维。我尤其欣赏文中强调的作业要求学生解释其推理过程并论证其分析选择，而不仅仅是报告结果。这种方法能够使学术工作更有意义。英国学术论文网（Academic Papers UK）也通过其作业代写服务为学生提供支持，该服务侧重于研究、结构和更清晰的学术写作。
