让我先讲一个虽小但很有意义的故事。
一位学生曾给我展示过一份格式精美的回归分析报告——输出清晰，p值正确，一切看起来都很完美。但问题在于：他们完全误解了结果。当我问他们是如何得出结论时，他们的回答很简单：“人工智能这么说的。”
那一刻我记忆犹新。并非因为人工智能错了（它没错），而是因为思考甚至在开始之前就停止了。在学生还没来得及形成任何假设之前，推理过程就已经被外包出去了。
简而言之，这就是人工智能在数据分析教育中面临的真正风险。
问题不在于工具。,这是工作流程。
当我们谈到人工智能在教育领域的风险时，讨论往往集中在学术诚信问题上，例如抄袭和自动生成的作业。这些的确是值得关注的问题。但对于统计学教育者来说，更深层次的问题在于认知层面：当一个工具能够在学生提出问题之前就生成分析结果、解释输出结果并给出结论时，学生的推理能力会受到怎样的影响？
在2025年关于人工智能与批判性思维的TED演讲中，阿德瓦伊特·萨卡尔[3]将此称为“成为我们自身思想的中层管理者”，即认可人工智能的输出结果，而非产生想法。每当我看到学生提交一份文笔流畅却无法用自己的话复述的报告时，这种说法都让我深有同感。文字摆在那里，但理解却缺失了。
这就是我所说的“能力错觉” ：人工智能让学生能够生成令人信服的分析和叙述，却缺乏识别错误所需的底层理解。输出结果看起来正确，但其背后的思考过程可能根本不存在。
我反复看到的三种模式
- 未经核实的自信。
人工智能工具往往会给出权威的回答，即使他们并不确定。学生询问其方差分析的假设，得到的答案听起来合情合理。没有人去检查残差图。在传统的实验室里，老师会说：“很好，但请给我看看诊断结果。”这种摩擦在教学上很有价值。我们不应该让它消失。
下图恰恰说明了这一点。乍一看，对企鹅数据集进行简单的线性回归（但忽略物种）似乎可以接受。但残差图却揭示了不同的情况。
Residual by Predicted Plot from a linear regression on the penguin data set, but the pattern signals that the model is missing something. Species, in this case.这是基于企鹅数据集进行线性回归的残差与预测值图，但图中的模式表明模型遗漏了某些信息，在本例中指的是物种信息。
不去核实就会失去：健康的怀疑精神。
- 报告流畅，理解脆弱。
人工智能生成的解释听起来可能很流畅专业。但如果让学生用自己的语言解释结果，就会发现其中的不足。我开始要求学生口头复述他们人工智能生成的文本。他们提交的内容和他们能够清晰表达的内容之间的差距有时非常显著。
真正失去的是理解。
- 跳过混乱的中间部分.
如果人工智能可以直接进行结果解释，为什么还要费力地进行模型设置呢？但关键洞见恰恰蕴藏于此：发现数据不平衡、注意到变量定义中的缺陷、在假设违背扩散到整个分析过程之前将其捕获。
丢失的是什么：实践中学习。
| “如果一项任务无需理解就能完成，那么它就从来没有真正考察过理解能力。” |
更好的方法：设计，而不是限制。
回避人工智能并非解决之道，深思熟虑的整合才是。以下四种策略在实践中行之有效：
- 在合适的时机引入人工智能。
在使用人工智能工具之前，先让学生探索数据、构建模型并提出假设。这样，人工智能就能成为他们思考的伙伴，而不是替代品。顺序很重要：先形成观点，然后再用工具生成的数据进行验证。
- 问一些人工智能无法回答的问题。
不要问“如何解读这个模型”，而是问：
- 数据中哪些内容让你感到惊讶？
- 下次你会做出哪些不同的选择？
- 这与当前的决定有何关系？
这些问题需要个人思考，而不是自动生成的文本。
- 将人工智能的错误转化为教学契机。
人工智能会出错，所以要善加利用这一点。向学生展示一个有缺陷的人工智能建议，并问：“你会相信这个建议吗？你会如何验证？”当学生学会识别人工智能的错误时，他们就培养出了批判性评估能力，这种能力可以迁移到其他任何分析情境中。人工智能将成为批判性思维的引擎，而不是捷径。
- 要坦诚地说明期望。
学生通常都能接受清晰的指导原则。利用人工智能进行学习是可以的，但用人工智能取代思考则不行。这种区别至关重要，而且如果能尽早、明确且始终如一地阐明，就能发挥作用。尼尔·塞尔温[4]提醒我们，人工智能在教育中的应用是一种选择，而非必然。教师仍然负责设计学习环境。
JMP 工具本身的功能
JMP学生版中的AI工具内置了安全防护措施。每次使用LearnBot和Assistant时，都会有明确的提示：“AI生成的内容：使用前请评估其准确性和适用性。” 作为一种教学提示，它恰好能帮助学生培养批判性思维。
正如JMP的Russ Wolfinger所说[6]：人工智能是增强而非取代。这些工具的设计正是基于这一原则。至于它们在课堂上是否以这种方式使用，则取决于教师。
大局
尼尔·塞尔温[4][5]关于人工智能在教育领域的结构性局限性的研究值得更多关注。他认为，课堂上使用人工智能是一种选择，而非必然。问题不在于是否使用人工智能，而在于谁能从每一种具体应用中受益——以及统计推理的核心技能是在得到发展，还是在悄然被取代。
优秀的数据分析并非在于快速得出答案，而在于应对不确定性、质疑结果、捍卫决策，有时甚至要坦诚地说： “我还没有完全理解。”而当人工智能在学生有机会思考之前就包办一切时，这些技能恰恰最容易受到威胁。
第 5 集展望未来：数据素养教育的未来会是什么样子，JMP 等工具在其中扮演什么角色？
试试这个
选取学生目前借助人工智能完成的一项作业。添加一个人工智能无法回答的问题：这项分析中最令你担忧的假设是什么？为什么？然后将学生的答案带到课堂上。学生指出的问题——以及他们忽略的问题——比分析本身更能反映他们对作业的理解。
参考
[1] JMP学术项目，jmp.com/academic
[2] JMP 学生版，jmp.com/student
[3] Advait Sarkar：“如何阻止人工智能扼杀你的批判性思维” ，TED演讲，2025年
[4] 尼尔·塞尔温：《机器人应该取代教师吗？》 ，Polity出版社，2019年
[5] 尼尔·塞尔温：论人工智能在教育中的局限性，2024
[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方法》 ，JMP 白皮书
[7]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，统计严谨性和工程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 4 集（共 5 集）• 下一集： 下一步是什么——数据素养教育的未来
