四集节目以来，我们取得了长足的进步。我们首先探讨了在人工智能介入之前，JMP 学生版在教学环境中真正发挥作用的原因。我们研究了人工智能如何改变教师的角色，探索了 JMP Assistant 和 LearnBot 在实践中的实际功能，并认真审视了其中的风险，特别是人工智能可能带来的阻碍以及如何在课程设计中构建相应的保障措施。
现在我想退后一步，问一个更大的问题：这一切最终会走向何方？
我没有水晶球，谁也没有。但我与欧洲各地的大学教师合作超过15年，亲眼目睹他们如何适应新的工具和新的压力——起初缓慢，然后迅速转变。而我目前所看到的，与以往的转型有所不同。这并非因为人工智能有多么神奇，而是因为它迫使统计学教育者认真地探讨一个问题：我们究竟想教什么？
课程问题那人工智能迫使我们回答
几十年来，统计学入门课程都是围绕程序展开的。教t检验，教方差分析，教回归分析。这很合理。学生需要理解这些方法的作用、适用场景以及它们所基于的假设。目前受到挑战的并非这些知识本身，而是“讲解程序就足够了”这种观念。人工智能可以驾驭各种程序，但它无法判断所选程序是否正确，也无法理解结果在特定情境下的实际意义。
现在人工智能也能驾驭程序化学习了。虽然并不完美，也并非绝对可靠，但足以让学生感觉问题得到了解答。人工智能正迫使我们回答一个我们多年来一直回避的问题：我们究竟想让学生学到什么？
我认为答案是：所有最重要的东西。统计思维。将现实世界的问题转化为数据问题的能力。判断结果是否可信的判断力。以及自觉地提出“等等，这真的合理吗？”并认真思考这个问题的能力。
这里存在一个重要的相似之处。在那些最需要人类统计判断的问题上——例如新颖的数据、罕见的情况、以及没有既定模板的真正复杂的分析问题——人工智能工具往往最不可靠。机器学习模型（LLM）基于大量数据进行训练，但它们在处理稀有和新颖的数据时会显得力不从心。数据分析的探索性、创造性和创新性维度，本质上仍然是人类的领域。这并非安慰奖，而是说明为什么统计思维仍然需要教授，而且必须教授得好。
该行业正在做出回应。,缓慢但认真地
统计学教育界并未忽视这一点。GAISE学院报告[13]是统计学入门教育领域引用最广泛的框架，目前正在进行新的修订[14]，其明确动力源于人工智能的出现，这一点意义重大。这意味着该领域正将其视为一项真正的课程挑战，而不仅仅是课堂管理问题。
这份实时草案值得一读，并非因为它包含了所有答案，而是因为它提出的问题恰恰切中要害。学生应该能够利用数据做哪些人工智能无法做到的事情？在2026年，理解统计结果意味着什么？
我一直非常关注这项修订。如果最终形成的框架以统计推理、判断和解释能力为核心，而非程序性内容，那么它将为教师提供专业的支持，使他们能够重新设计课程，而人工智能则难以轻易破坏这些设计。
尚未解决的问题
我想坦诚地谈谈我们目前还没有好答案的问题。有三个问题值得我们认真思考：
评估。如果人工智能可以完成大多数传统的统计学作业，那么有意义的评估应该是什么样的呢？口试？基于作品集的评估？不经准备的实时数据问题？这些想法并不新鲜，但在大型本科课程中大规模实施却困难重重。目前还没有完美的答案。
尼尔·塞尔温[10][11]提出了一个更为尖锐的问题：当我们重新设计评估方式以适应人工智能时，我们是否会面临教育变得机器可读的风险，使其优化目标是人工智能能够评估的内容，而不是人类真正需要学习的内容？这个问题值得我们给予更多关注。
公平性。人工智能工具的获取并不均衡。资源充足、拥有良好数字基础设施和强大师资支持的院校学生，与那些资源匮乏的学生相比，学习体验截然不同。如果人工智能技能成为毕业生的核心能力之一，我们就必须坦诚面对哪些学生做好了准备，哪些学生没有。
好的人工智能应用是什么样子？我们仍处于转型初期，因此，人工智能融入统计学教育并取得显著成效的案例寥寥无几，这些案例能够清晰地证明，学生在人工智能的辅助下学习得更多、推理能力更强、分析判断力也更出色。我相信这样的案例是存在的，我希望看到更多案例被记录下来并分享。
| “最优秀的分析师、工程师和科学家总是能比他们使用的工具领先一步。” |
JMP 在这张图中扮演什么角色？
在本系列文章中，我一直刻意避免将其变成产品推销。JMP学生版确实是一款工具，在我看来，它是一款非常优秀的教学工具，但它终究只是一款工具。本系列文章中的教学论证的成败取决于其自身价值，而非JMP的功劳。
话虽如此，我确实认为JMP在人工智能方面的设计理念——增强而非取代分析推理、将可视化和探索性工作流程置于核心地位、使思维过程可见而非隐藏——是正确的方向。其他工具是否会遵循类似的原则，或者市场是否会朝着更高自动化程度和更低透明度的方向发展，还有待观察。
我确信的是：无论使用何种工具，那些了解学生学习目标并围绕这一目标设计课程的教师，都能顺利度过这一过渡期。教学方法才是最重要的，工具是其次的。
开放式结局
本系列文章的开篇，我回顾了上世纪90年代初，那时人工智能还是一个研究课题，而非浏览器标签页；统计推理能力的培养，也需要通过对数据和方法的深入研究和实践。我并不怀念那个时代。我们现在拥有的工具确实更加先进，如今的学生所掌握的分析能力，足以令我的博士生导师瞠目结舌。
但阿德瓦伊特·萨卡尔的警告[7]一直萦绕在我心头：风险不在于人工智能过于强大，而在于我们还没来得及培养出评估人工智能成果的判断力就停止了思考。伊桑·莫利克[9]的观点是正确的，人工智能将成为辅助教师、教练和合作者。塞尔温[10][11]提出的关于谁将从人工智能在教育领域的应用中受益的结构性问题，是每位教师都应该深思的问题。
未来脱颖而出的，不是那些只会做分析的人，而是那些能够审视分析结果并说：“我并不认同，原因如下。” 这才是真正值得传授的技能。而这正是统计学教育（如果做得好的话）一直以来所追求的技能。
如果您在教学中使用过 JMP 学生版、LearnBot 或 Assistant，哪些方面效果显著？哪些方面让您感到意外？您还有哪些问题在思考？欢迎直接联系我，我的邮箱是volker.kraft@jmp.com 。
| 本系列中使用的软件版本 JMP 学生版 19.1.3 • 数据分析总监 4.0 • LearnBot 1.1.1 • JMP 助手 2.3 |
参考
[1] JMP学术项目，jmp.com/academic
[2] JMP 学生版，jmp.com/student
[3]JMP社区
[4] 数据分析总监（JMP Marketplace） ，marketplace.jmp.com
[5]LearnBot（JMP Marketplace） ，marketplace.jmp.com
[6] JMP Assistant（JMP Marketplace） ，marketplace.jmp.com
[7] Advait Sarkar：“如何阻止人工智能扼杀你的批判性思维” ，TED演讲，2025年
[8] Amy Bruckman：“人工智能引入后重塑教学” ，TEDx演讲，2026年
[9] Ethan Mollick：《协同智能：与人工智能共存与共事》 ，Portfolio/Penguin出版社，2024年
[10] 尼尔·塞尔温：《机器人应该取代教师吗？》 ，Polity出版社，2019年
[11] 尼尔·塞尔温：论人工智能在教育中的局限性，2024
[12] 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
[13]GAISE学院报告（2016）
[14]GAISE学院报告修订（进行中，2025年）
[15] 迷失在 JMP 中？精简装备以获得更佳的穿着体验，Kraft 和 Rijpkema，2026 年欧洲 JMP 探索峰会
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5集（共5集）• 本季完结
我也很赞赏大家对人工智能如何改变统计学教育的重视，而且我认为几乎所有人都认同，重点必须从程序和方法转移到问题定义、沟通和结果应用上。这在人工智能出现之前就已经是一种趋势了，除非你把JMP和其他类似的软件也看作是人工智能（而我的确这么认为）。根据我的经验——我知道这是一种过于简化的说法——人类必须保留的关键技能是数据清洗（而这正是JMP的优势所在）。数据清洗需要专业知识、对变异的理解以及许多批判性思维能力。人工智能可以辅助数据清洗，但我所见过的几乎所有自动化清洗的尝试都差强人意。事实上，这种做法是错误的。
我认为人类需要理解他们正在处理的数据，并据此进行数据清洗。异常值就是一个例子——有时它们是错误，但通常也揭示了一些重要的信息。缺失数据也是如此。任何试图自动处理这些数据的尝试都注定会失败，因为在某些情况下，异常值表示错误，而在另一些情况下，它则代表了真实的变异性。上下文至关重要，而上下文正是人工智能最难处理的问题。JMP 是一款优秀的工具，可以帮助你探索数据，了解哪些清洗、转换、过滤等操作是合适的。这为利用人工智能完成人类或他们使用的软件无法完成的任务奠定了基础。
接下来我要说的，可能是软件供应商（包括 JMP）不太想听到的。这些功能齐全的软件包固然不错，但并非完全必要。我发现，一旦我准备好数据，并且对合适的分析方法有了大致的了解，人工智能在分析方面的能力远胜于我用 JMP 完成的工作。举个例子——加权调查数据。JMP 无法对复杂的分层加权数据进行正确的推断，但人工智能可以。SAS、R 和 Python 也都可以。学生需要学习这些程序吗？有些学生需要，这取决于他们的职业规划，但很多学生（或许是大多数学生）并不需要。我并不了解如何正确地进行这类分析，但我曾使用人工智能来完成这项工作，并且从人工智能那里了解到加权如何影响推断——在概念层面上。我愿意让人工智能来完成细致的分析（对我来说，这很繁琐）。
我认为这会对软件供应商的财务状况产生影响。人工智能会减少他们从个人或团体订阅中获得的收入，但它也可能扩大市场。由于几乎人人都能使用人工智能，他们可能会倾向于完全依赖人工智能来获取答案，但这将是一个错误。如果他们想要获得正确且恰当的分析，就需要认真地与数据进行交互——而这正是 JMP 的优势所在。但他们并不需要那么多复杂的工具，也不太可能愿意为这些工具支付高昂的费用。我认为他们会欣赏 JMP 运行提升树模型的功能，但最终“最佳”的此类模型更有可能来自人工智能，而不是 JMP。
我很想听听大家的看法。它正在迅速改变我的思考和教学方式——速度太快了，但我们别无选择。
