四集節目以來，我們取得了長足的進步。我們首先探討了在人工智慧介入之前，JMP 學生版在教學環境中真正發揮作用的原因。我們研究了人工智慧如何改變教師的角色，探索了 JMP Assistant 和 LearnBot 在實踐中的實際功能，並認真審視了其中的風險，特別是人工智慧可能帶來的阻礙以及如何在課程設計中建立相應的保障措施。
現在我想退後一步，問一個更大的問題：這一切最終會走向何方？
我沒有水晶球，誰都沒有。但我與歐洲各地的大學教師合作超過15年，親眼目睹他們如何適應新的工具和新的壓力——起初緩慢，然後迅速轉變。而我目前所看到的，與以往的轉型有所不同。這並非因為人工智慧有多神奇，而是因為它迫使統計學教育者認真地探討一個問題：我們究竟想教什麼？
課程問題那人工智慧迫使我們回答
幾十年來，統計學入門課程都是圍繞著程式展開的。教t檢驗，教變異數分析，教迴歸分析。這很合理。學生需要理解這些方法的作用、適用場景以及它們所基於的假設。目前受到挑戰的並非這些知識本身，而是「講解程序就足夠了」這種觀念。人工智慧可以駕馭各種程序，但它無法判斷所選程序是否正確，也無法理解結果在特定情境下的實際意義。
現在人工智慧也能駕馭程式化學習了。雖然不完美，也並非絕對可靠，但足以讓學生感覺到問題得到了解答。人工智慧正迫使我們回答一個我們多年來一直在迴避的問題：我們究竟想讓學生學到什麼？
我認為答案是：所有最重要的東西。統計思維。將現實世界的問題轉化為數據問題的能力。判斷結果是否可信的判斷力。並自覺地提出「等等，這真的合理嗎？」並認真思考這個問題的能力。
這裡存在著一個重要的相似之處。在那些最需要人類統計判斷的問題上——例如新穎的數據、罕見的情況、以及沒有既定模板的真正複雜的分析問題——人工智慧工具往往最不可靠。機器學習模型（LLM）是基於大量資料進行訓練，但它們在處理稀有和新穎的資料時會顯得力不從心。數據分析的探索性、創造性和創新維度，本質上仍然是人類的領域。這並非安慰獎，而是說明為什麼統計思維仍然需要教授，而且必須教授得好。
該行業正在做出回應。,緩慢但認真地
統計學教育界並未忽視這一點。 GAISE學院報告[13]是統計學入門教育領域引用最廣泛的框架，目前正在進行新的修訂[14]，其明確動力源於人工智慧的出現，這一點意義重大。這意味著該領域正將其視為一項真正的課程挑戰，而不僅僅是課堂管理問題。
這份即時草稿值得一讀，並非因為它包含了所有答案，而是因為它所提出的問題恰恰切中要害。學生應該能夠利用數據做哪些人工智慧無法做到的事情？在2026年，理解統計結果意味著什麼？
我一直非常關注這項修訂。如果最終形成的框架以統計推理、判斷和解釋能力為核心，而非程序性內容，那麼它將為教師提供專業的支持，使他們能夠重新設計課程，而人工智慧則難以輕易破壞這些設計。
尚未解決的問題
我想坦誠地談談我們目前還沒有好答案的問題。有三個問題值得我們認真思考：
評估。如果人工智慧可以完成大多數傳統的統計學作業，那麼有意義的評估應該是什麼樣的呢？口試？基於作品集的評估？不經準備的即時資料問題？這些想法並不新鮮，但在大型本科課程中大規模實施卻困難重重。目前還沒有完美的答案。
尼爾‧塞爾溫[10][11]提出了一個更為尖銳的問題：當我們重新設計評估方式以適應人工智慧時，我們是否會面臨教育變得機器可讀的風險，使其優化目標是人工智慧能夠評估的內容，而不是人類真正需要學習的內容？這個問題值得我們給予更多關注。
公平性。人工智慧工具的取得並不均衡。資源充足、擁有良好數位基礎設施和強大師資支持的院校學生，與那些資源匱乏的學生相比，學習體驗截然不同。如果人工智慧技能成為畢業生的核心能力，我們就必須誠實地評估哪些學生做好了準備，哪些學生沒有。
好的人工智慧應用究竟是什麼樣子？我們仍處於這一轉型初期，因此，人工智慧融入統計學教育並取得顯著成效的案例寥寥無幾，這些案例能夠明確地證明，學生在使用人工智慧後學習效果更佳、推理能力更強、分析判斷力也更勝一籌。我相信這樣的案例是存在的，我希望看到更多案例被記錄下來並分享。
| “最優秀的分析師、工程師和科學家總是能比他們使用的工具領先一步。” |
JMP 在這張圖中扮演什麼角色？
在本系列文章中，我一直刻意避免將其變成產品推銷。 JMP學生版是一款工具，在我看來，它確實是一款優秀的教學工具，但它終究只是一款工具。本系列文章中的教學論證的成敗取決於其自身價值，而非JMP的功勞。
話雖如此，我確實認為JMP在人工智慧方面的設計理念——增強而非取代分析推理、將視覺化和探索性工作流程置於核心地位、使思考過程可見而非隱藏——是正確的方向。其他工具是否會遵循類似的原則，或者市場是否會朝著更高自動化程度和更低透明度的方向發展，還有待觀察。
我確信的是：無論使用何種工具，那些了解學生學習目標並圍繞這一目標設計課程的教師，都能順利度過這一過渡期。教學方法才是最重要的，工具是其次的。
開放式結局
本系列文章的開篇，我回顧了上世紀90年代初，那時人工智慧還是一個研究主題，而非瀏覽器標籤頁；統計推理能力的培養，也需要透過對數據和方法的深入研究和實踐。我並不懷念那個時代。我們現在擁有的工具確實更加先進，如今的學生所掌握的分析能力，足以讓我的博士生導師瞠目結舌。
但阿德瓦伊特‧薩卡爾的警告[7]一直縈繞在我心頭：風險不在於人工智慧過於強大，而在於我們還來不及培養出評估人工智慧成果的判斷力就停止了思考。伊森·莫利克[9]的觀點是正確的，人工智慧將成為輔助教師、教練和合作者。塞爾溫[10][11]提出的關於誰將從人工智慧在教育領域的應用中受益的結構性問題，是每位教師都應該深思的問題。
未來脫穎而出的，不是那些只會做分析的人，而是那些能夠審視分析結果並說：「我並不認同，原因如下。」 這才是真正值得傳授的技能。而這正是統計學教育（如果做得好的話）一直以來所追求的技能。
如果您在教學中使用過 JMP 學生版、LearnBot 或 Assistant，哪些方面效果顯著？哪些方面讓您感到意外？您還有哪些問題需要思考？歡迎直接聯絡我，我的信箱是volker.kraft@jmp.com 。
| 本系列使用的軟體版本 JMP 學生版 19.1.3 • 資料分析總監 4.0 • LearnBot 1.1.1 • JMP 助理 2.3 |
參考
[1] JMP學術項目，jmp.com/academic
[2] JMP 學生版，jmp.com/student
[3]JMP社群
[4] 數據分析總監（JMP Marketplace） ，marketplace.jmp.com
[5]LearnBot（JMP Marketplace） ，marketplace.jmp.com
[6] JMP Assistant（JMP Marketplace） ，marketplace.jmp.com
[7] Advait Sarkar：「如何阻止人工智慧扼殺你的批判性思維」 ，TED演講，2025年
[8] Amy Bruckman：「人工智慧引進後重塑教學」 ，TEDx演講，2026年
[9] Ethan Mollick：《協同智慧：與人工智慧共存與共事》 ，Portfolio/Penguin出版社，2024年
[10] 尼爾‧塞爾溫：《機器人該取代教師嗎？ 》 ，Polity出版社，2019年
[11] 尼爾‧塞爾溫：論人工智慧在教育中的局限性，2024
[12] 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
[13]GAISE學院報告（2016）
[14]GAISE學院報告修訂（進行中，2025年）
[15] 迷失在 JMP 中？精簡裝備以獲得更佳的穿著體驗，Kraft 和 Rijpkema，2026 年歐洲 JMP 探索高峰會
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5集（共5集）• 本季完結
我也很讚賞大家對人工智慧如何改變統計學教育的重視，我認為幾乎所有人都認同，重點必須從程序和方法轉移到問題定義、溝通和結果應用。這在人工智慧出現之前就已經是一種趨勢了，除非你把JMP和其他類似的軟體也看作是人工智慧（而我的確這麼認為）。根據我的經驗——我知道這是一種過於簡化的說法——人類必須保留的關鍵技能是資料清洗（而這正是JMP的優勢所在）。資料清洗需要專業知識、對變異的理解以及許多批判性思考能力。人工智慧可以輔助資料清洗，但我所見過的幾乎所有自動化清洗的嘗試都差強人意。事實上，這種做法是錯誤的。
我認為人類需要理解他們正在處理的數據，並據此進行數據清洗。異常值就是一個例子——有時它們是錯誤，但通常也揭示了一些重要的資訊。缺失資料也是如此。任何試圖自動處理這些資料的嘗試都注定會失敗，因為在某些情況下，異常值表示錯誤，而在其他情況下，它則代表了真實的變異性。上下文至關重要，而上下文正是人工智慧最難處理的問題。 JMP 是一款優秀的工具，可以幫助你探索數據，了解哪些清洗、轉換、過濾等操作是合適的。這為利用人工智慧完成人類或他們使用的軟體無法完成的任務奠定了基礎。
接下來我要說的，可能是軟體供應商（包括 JMP）不太想聽到的。這些功能齊全的軟體包固然不錯，但並非完全必要。我發現，一旦我準備好數據，並且對合適的分析方法有了大致的了解，人工智慧在分析方面的能力遠勝於我用 JMP 完成的工作。舉個例子——加權調查數據。 JMP 無法對複雜的分層加權資料進行正確的推斷，但人工智慧可以。 SAS、R 和 Python 也都可以。學生需要學習這些程序嗎？有些學生需要，這取決於他們的職涯規劃，但許多學生（或許是大多數學生）並不需要。我並不了解如何正確地進行這類分析，但我曾使用人工智慧來完成這項工作，並且從人工智慧那裡了解到加權如何影響推論——在概念層面上。我願意讓人工智慧來完成細緻的分析（對我來說，這很繁瑣）。
我認為這會對軟體供應商的財務狀況產生影響。人工智慧會減少他們從個人或團體訂閱中獲得的收入，但它也可能擴大市場。由於幾乎人人都能使用人工智慧，他們可能會傾向於完全依賴人工智慧來獲取答案，但這將是一個錯誤。如果他們想要獲得正確且恰當的分析，就需要認真地與數據互動——而這正是 JMP 的優勢所在。但他們並不需要那麼多複雜的工具，也不太可能願意為這些工具支付高昂的費用。我認為他們會欣賞 JMP 運行提升樹模型的功能，但最終「最佳」的此類模型更有可能來自人工智慧，而不是 JMP。
我很想聽聽大家的看法。它正在迅速改變我的思考和教學方式——速度太快了，但我們別無選擇。
