讓我先講一個雖小但很有意義的故事。
一位學生曾經向我展示過一份格式精美的迴歸分析報告——輸出清晰，p值正確，一切看起來都很完美。但問題在於：他們完全誤解了結果。當我問他們是如何得出結論時，他們的回答很簡單：“人工智慧這麼說的。”
那一刻我記憶猶新。並非因為人工智慧錯了（它沒錯），而是因為思考甚至在開始之前就停止了。在學生還來不及形成任何假設之前，推理過程就已經被外包出去了。
簡而言之，這就是人工智慧在數據分析教育中面臨的真正風險。
問題不在於工具。,這是工作流程。
當我們談到人工智慧在教育領域的風險時，討論往往集中在學術誠信問題上，例如抄襲和自動生成的作業。這些的確是值得關注的問題。但對統計學教育者來說，更深層的問題在於認知層面：當一個工具能夠在學生提出問題之前就產生分析結果、解釋輸出結果並給出結論時，學生的推理能力會受到怎樣的影響？
在2025年關於人工智慧與批判性思維的TED演講中，阿德瓦伊特·薩卡爾[3]將此稱為“成為我們自身思想的中層管理者”，即認可人工智慧的輸出結果，而非產生想法。每當我看到學生提交一份文筆流暢卻無法用自己的話複述的報告時，這種說法都讓我深有同感。文字擺在那裡，但理解卻缺失了。
這就是我所說的「能力錯覺」 ：人工智慧讓學生能夠產生令人信服的分析和敘述，卻缺乏識別錯誤所需的底層理解。輸出結果看起來正確，但背後的思考過程可能根本不存在。
我反覆看到的三種模式
- 未經核實的自信。
人工智慧工具往往會給予權威的回答，即使他們並不確定。學生詢問其變異數分析的假設，得到的答案聽起來合理。沒有人去檢查殘差圖。在傳統的實驗室裡，老師會說：「很好，但請給我看看診斷結果。」這種摩擦在教學上很有價值。我們不應該讓它消失。
下圖正好說明了這一點。乍一看，對企鵝資料集進行簡單的線性回歸（但忽略物種）似乎可以接受。但殘差圖卻揭示了不同的情況。
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.這是基於企鵝資料集進行線性迴歸的殘差與預測值圖，但圖中的模式表明該模型遺漏了某些信息，在本例中指的是物種資訊。
如果不加以核查，就會失去：健康的懷疑精神。
- 報告流暢，理解脆弱。
人工智慧產生的解釋聽起來可能很流暢專業。但如果讓學生用自己的語言解釋結果，就會發現其中的不足。我開始要求學生口頭複述他們人工智慧生成的文本。他們提交的內容和他們能夠清晰表達的內容之間的差距有時非常顯著。
真正失去的是理解。
- 跳過混亂的中間部分.
如果人工智慧可以直接進行結果解釋，為什麼還要費力地進行模型設定？但關鍵洞見恰恰蘊藏於此：發現資料不平衡、注意到變數定義中的缺陷、在假設違背擴散到整個分析過程之前將其捕獲。
容易被忽略的是：實踐中學習。
| “如果一項任務無需理解就能完成，那麼它就從來沒有真正考察過理解能力。” |
更好的方法：設計，而不是限制。
迴避人工智慧並非解決之道，深思熟慮的整合才是。以下四種策略在實務上行之有效：
- 在合適的時機引入人工智慧。
在使用人工智慧工具之前，先讓學生探索數據、建立模型並提出假設。這樣，人工智慧就成為他們思考的夥伴，而不是替代品。順序很重要：先形成觀點，然後再用工具產生的資料來驗證。
- 問一些人工智慧無法回答的問題。
不要問“如何解讀這個模型”，而是問：
- 數據中哪些內容讓你感到驚訝？
- 下次你會做出哪些不同的選擇？
- 這與目前的決定有何關係？
這些問題需要個人思考，而不是自動產生的文字。
- 將人工智慧的錯誤轉化為教學契機。
人工智慧會出錯，所以要善加利用這一點。向學生展示一個有缺陷的人工智慧建議，並問：「你會相信這個建議嗎？你會如何驗證？」當學生學會識別人工智慧的錯誤時，他們就培養出了批判性評估能力，這種能力可以遷移到其他任何分析情境中。人工智慧將成為批判性思考的引擎，而不是捷徑。
- 要坦誠地說明期望。
學生通常都能接受清晰的指導原則。利用人工智慧進行學習是可以的，但用人工智慧取代思考則不行。這種區別至關重要，而且如果能儘早、明確且一致地闡明，就能發揮作用。尼爾‧塞爾溫[4]提醒我們，人工智慧在教育中的應用是一種選擇，而非必然。教師仍負責設計學習環境。
JMP 工具本身的功能
JMP學生版中的AI工具內建了安全防護措施。每次使用LearnBot和Assistant時，都會有明確的提示：「AI生成的內容：使用前請評估其準確性和適用性。」作為一種教學提示，它恰好能幫助學生培養批判性思維。
正如JMP的Russ Wolfinger所說[6]：人工智慧是增強而非取代。這些工具的設計正是基於這個原則。至於它們在課堂上是否以這種方式使用，則取決於教師。
大局
尼爾‧塞爾溫[4][5]關於人工智慧在教育領域的結構性限制的研究值得更多關注。他認為，課堂上使用人工智慧是一種選擇，而非必然。問題不在於是否使用人工智慧，而是誰能從每一種具體應用中受益——以及統計推理的核心技能是在發展，還是在悄悄被取代。
優秀的數據分析並非在於快速得出答案，而在於應對不確定性、質疑結果、捍衛決策，有時甚至要坦誠地說： 「我還沒有完全理解。」而當人工智慧在學生有機會思考之前就包辦一切時，這些技能恰恰最容易受到威脅。
第 5 集展望未來：資料素養教育的未來會是什麼樣子，JMP 等工具在其中扮演什麼角色？
試試這個
選取學生目前藉助人工智慧完成的一項作業。增加一個人工智慧無法回答的問題：這項分析中最令你擔憂的假設是什麼？為什麼？然後將學生的答案帶到課堂上。學生指出的問題——以及他們忽略的問題——比分析本身更能反映他們對作業的理解。
參考
[1] JMP學術項目，jmp.com/academic
[2] JMP 學生版，jmp.com/student
[3] Advait Sarkar：「如何阻止人工智慧扼殺你的批判性思維」 ，TED演講，2025年
[4] 尼爾‧塞爾溫：《機器人該取代教師嗎？ 》 ，Polity出版社，2019年
[5] 尼爾‧塞爾溫：論人工智慧在教育中的局限性，2024
[6] Russ Wolfinger：《科學家和工程師應為人工智慧時代做好準備的七大方法》 ，JMP 白皮書
[7]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，統計嚴謹性和工程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 4 集（共 5 集）• 下一集： 下一步是什麼－資料素養教育的未來
