ARTICLE · 1373365
AI时代,为什么必须重新认识小学数学中的统计与概率?——从2022年版课标出发,构建面向未来的数据素养教育体系

AI时代,为什么必须重新认识小学数学中的统计与概率?——从2022年版课标出发,构建面向未来的数据素养教育体系
导语
我们正进入一个由数据驱动的时代。
人工智能、大数据、云计算、智能算法正在深刻改变人类认识世界、解释世界和作出决策的方式。
天气预报依赖数据,医疗诊断依赖数据,经济预测依赖数据,城市治理依赖数据,人工智能模型的训练与运行更离不开数据。
未来,一个人是否具备理解数据、分析数据、判断数据和运用数据的能力,将直接影响他的学习、工作和生活。
那么,一个值得所有数学教育工作者认真思考的问题是:
当数据已经成为这个时代最重要的资源之一,我们的数学教育,是否真正教会了学生用数据认识世界?
重新审视《义务教育数学课程标准(2022年版)》,我们会发现:统计与概率绝不是小学数学中的边缘内容,而是面向未来的重要课程领域。
今天,我们需要重新认识它的教育价值,重新研究它的课程结构,更需要重新设计它的课堂教学。
一、时代变了:从计算时代走向数据时代
过去,数学教育比较重视数与运算、图形与几何。学生需要掌握计算方法、几何知识和基本数学技能。
这些当然仍然重要。
但是,今天的世界正在发生新的变化。
我们每天面对的信息,越来越多地以数据的形式出现。
例如:
- 手机告诉我们每天走了多少步。
- 天气软件告诉我们未来几天的降水概率。
- 新闻报道告诉我们经济增长率和人口变化趋势。
- 医疗机构通过大量数据研究疾病风险。
- 人工智能通过海量数据学习规律、生成内容。
- 社交媒体通过用户数据分析兴趣和行为。
面对这些信息,我们真正需要的已经不只是计算能力。
我们需要知道:
- 数据从哪里来?
- 数据是怎样收集的?
- 数据能说明什么?
- 数据不能说明什么?
- 不同数据之间有什么关系?
- 数据中是否存在偏差?
- 能不能依据数据作出合理判断?
这里有一个非常重要的国际研究依据。
OECD在《PISA 2022 Assessment and Analytical Framework》中,将数学内容划分为四个领域:
数量、变化与关系、空间与图形、不确定性与数据。
其中,“不确定性与数据”不仅包括数据收集、表达和解释,还包括数据变异、抽样、概率以及不确定条件下的判断。
OECD特别强调,现代社会的数据规模和复杂性不断增加,学生需要理解数据的性质,并能够在变化与不确定性背景下作出有依据的决策。
这说明,国际数学教育已经不再把统计与概率简单理解为几种图表和计算方法,而是把它看作现代数学素养的重要组成部分。
时代对数学教育提出了新的要求:不仅要让学生会计算,还要让学生会用数据思考。
二、重新研读2022年版课标:统计与概率究竟包含哪些内容?
我重新梳理了《义务教育数学课程标准(2022年版)》全文中小学和初中阶段的统计与概率内容。
课标明确指出:
义务教育阶段统计与概率领域包括三个逐步递进的主题:
- 数据分类
- 数据的收集、整理与表达
- 随机现象发生的可能性
进入初中阶段,进一步发展为:
- 抽样与数据分析
- 随机事件的概率
课标还明确提出,统计与概率领域的学习,有助于学生从不确定性的角度认识客观世界,理解通过数据认识现实世界的意义,感知大数据时代的特征,发展数据观念和模型观念。
这段话值得每一位数学教师反复研究。
下面,我们从学段进阶的角度,重新梳理整个知识体系。
1. 第一学段:1—2年级——从分类开始,建立初步的数据意识
核心内容:数据分类。
课标要求学生:
- 能够对物体、图形或数据进行分类。
- 初步了解分类与分类标准之间的关系。
- 能够根据事物特征制定分类标准。
- 能够描述分类过程。
- 感知事物的共性与差异。
这一阶段看起来没有复杂的统计计算,但它实际上是数据分析的基础。
例如:
让学生调查班级同学喜欢的水果。
学生首先需要确定分类标准,然后按照标准记录和整理信息。
这里包含三个重要的数学活动:
发现特征—制定标准—分类整理。
教学重点不是让学生把东西分成几类,而是让学生理解:
为什么这样分类?换一个标准,分类结果会不会发生变化?
这实际上是在培养学生最初的数据组织能力。
2. 第二学段:3—4年级——从收集数据走向分析数据
核心内容:数据的收集、整理与表达。
课标要求学生:
- 经历简单的数据收集和整理过程。
- 学习简单的数据收集方法。
- 感受数据中蕴含的信息。
- 认识条形统计图。
- 能够利用条形统计图表示和分析数据。
- 读懂报纸、电视、互联网中的简单统计图表。
- 探索平均数的意义,解决简单实际问题。
这里出现了一个非常重要的变化:
学生开始从整理已有信息,走向主动收集数据和分析数据。
例如:
调查全班学生每天阅读的时间。
学生可以经历:
提出问题→设计调查→收集数据→整理数据→绘制条形统计图→比较分析→表达结论。
平均数教学也不能只停留在计算公式。
例如,两个班级的平均身高相同,是否说明两个班学生的身高分布完全相同?
显然不是。
这就为后续学习数据的集中趋势和离散程度埋下了伏笔。
3. 第三学段:5—6年级——从数据描述走向数据解释和判断
核心内容:数据的收集、整理与表达,以及随机现象发生的可能性。
课标要求学生:
- 根据实际问题需要,经历数据收集、整理和分析的过程。
- 合理述说数据分析的结论。
- 认识折线统计图、扇形统计图。
- 运用条形统计图、折线统计图呈现数据。
- 从各种媒体中获取数据,读懂统计图表。
- 理解百分数的意义及其统计价值。
- 感受简单随机现象,定性描述其发生可能性的大小。
这一阶段,学生的学习开始发生重要转变。
他们不只是回答“有多少”,还需要回答:
- 数据发生了什么变化?
- 哪些数据占整体的比例比较大?
- 不同数据之间有什么关系?
- 能不能根据已有数据作出判断?
- 某件事情发生的可能性有多大?
例如:
研究一个城市一个月的气温变化。
学生不仅需要绘制折线统计图,还要分析最高气温、最低气温以及气温变化趋势。
研究班级学生的兴趣分布,需要理解部分与整体的关系。
研究随机现象,则可以通过摸球、抛硬币等活动,感受随机性。
特别需要注意:小学阶段主要是对简单随机现象发生可能性进行定性描述,不能把初中阶段的概率计算要求提前等同于小学教学要求。
4. 第四学段:7—9年级——从数据分析走向统计推断和概率建模
初中阶段,统计与概率进一步发展。
主要包括两个主题。
第一,抽样与数据分析。
- 简单随机抽样。
- 数据收集、整理、描述与分析。
- 扇形统计图和频数直方图。
- 平均数、中位数、众数、加权平均数。
- 离差平方和与方差。
- 样本与总体。
- 用样本估计总体。
- 四分位数、箱线图。
- 根据数据分析结果作出判断和预测。
第二,随机事件的概率。
- 随机事件及其可能结果。
- 列表法和树状图。
- 简单随机事件的概率。
- 大量重复试验。
- 用频率估计概率。
- 理解统计与概率之间的联系。
这里发生了一个关键的进阶:
小学阶段主要是感受数据、整理数据、描述数据和初步分析数据;初中阶段进一步研究数据的分布、变异、抽样以及总体推断。
这不是知识数量的简单增加,而是学生认识世界的方式发生了变化。
从直观感受走向定量分析,从描述现象走向解释规律,从局部数据走向总体判断。
三、国际研究给我们的重要启示:统计教育正在走向数据科学教育
重新研究全球统计教育,我们可以看到一个非常值得关注的趋势:
统计教育正在从传统的统计知识教学,逐渐走向统计思维、数据素养与数据科学教育的融合。
这里重点介绍三个重要的国际研究依据。
1. 美国统计学会:GAISE II框架
美国统计学会(ASA)发布的《Pre-K–12 Guidelines for Assessment and Instruction in Statistics Education II》(GAISE II),是基础教育统计教育的重要参考框架。
它强调,统计学习应当围绕一个完整的统计问题解决过程展开:
第一步:提出统计调查问题。
第二步:收集或考虑数据。
第三步:分析数据。
第四步:解释研究结果。
这个框架有一个重要思想:
统计学习不是从公式开始,而是从问题开始。
例如,教师不能只让学生练习制作统计图,而应该先让学生研究一个真实问题:
我们学校学生每天平均睡眠时间是多少?
学生需要思考:
- 调查谁?
- 调查多少人?
- 如何设计问题?
- 怎样记录数据?
- 如何整理数据?
- 怎样分析结果?
- 结论是否可靠?
GAISE II还特别强调:
- 不同类型的数据和变量。
- 原始数据与已有数据的合理使用。
- 数据清理和数据分析。
- 多变量思维。
- 概率思维。
- 技术在统计教育中的作用。
- 统计信息的有效交流。
尤其值得关注的是,它提醒教育者:数据数量再大,也不意味着数据一定可靠。学生必须学会识别误导性的图表和数据集的局限。
这对今天的人工智能时代尤其重要。
2. OECD:从数据呈现走向不确定性判断
PISA 2022数学框架强调,数学素养不仅是运用数学程序解决熟悉的问题,还包括在真实情境中提出问题、运用数学、解释结果和评价结果。
在“不确定性与数据”领域,学生需要理解:
- 数据收集与表达。
- 数据变异与分布。
- 集中趋势。
- 抽样。
- 随机性与概率。
- 不确定条件下的推断。
特别重要的是,统计学的核心问题之一是理解变异。
为什么同一件事情,每次测量结果可能不同?
为什么一个班级平均成绩相同,学生的实际表现可能差异很大?
为什么一次调查结果不能简单代表所有人?
为什么天气预报不能保证某个时间一定下雨?
这些问题背后都涉及数据变异和不确定性。
未来学生不仅要学会读图,更要学会判断数据结论是否合理。
3. UNESCO:人工智能时代的学生能力框架
联合国教科文组织2024年发布的《AI Competency Framework for Students》,提出学生人工智能能力的四个维度:
- 以人为本的思维方式。
- 人工智能伦理。
- 人工智能技术与应用。
- 人工智能系统设计。
框架强调学生应当成为负责任的人工智能使用者和创造者,能够对人工智能解决方案作出批判性判断。
这给统计与概率教学带来一个新的启示:
当AI能够快速生成统计图表、计算平均数、分析数据甚至预测趋势时,学生更需要理解数据的来源、质量、分析方法和结论边界。
AI可以帮助我们处理数据,但不能代替我们判断数据是否真实、问题是否合理、结论是否可靠。
这正是未来数据素养教育的重要方向。
四、AI时代,统计与概率教学必须实现五个转变
结合2022年版课标和国际统计教育研究,我认为,未来小学统计与概率教学至少需要实现以下五个转变。
转变一:从给定数据走向真实数据
过去的统计课堂,教师往往直接给出一组数据,让学生绘制统计图。
例如:
某班学生身高分别是多少……
学生按照要求完成统计图,回答几个问题。
这样的教学有价值,但容易忽视统计研究最重要的起点:数据为什么产生?
未来应该更多地让学生参与真实调查。
例如:
- 调查班级学生每天的阅读时间。
- 调查学校不同年级的课外活动情况。
- 研究校园垃圾分类情况。
- 记录一周的天气变化。
- 调查家庭用水情况。
让学生知道,数据不是教材中凭空出现的数字,而是从现实世界中收集来的信息。
转变二:从绘制统计图走向解释数据
会画统计图,不等于会分析数据。
学生绘制一张折线统计图之后,教师不能只问:
最高点在哪里?最低点在哪里?
还应该继续追问:
- 数据呈现了什么趋势?
- 哪些变化值得关注?
- 为什么会出现这种变化?
- 有没有其他因素影响结果?
- 仅凭这些数据能不能得出结论?
统计图不是学习的终点,而是认识数据的一种工具。
转变三:从平均数计算走向数据思维
平均数是小学统计学习的重要内容。
但是,平均数并不能完整描述一组数据。
例如,两个班级的平均阅读时间都是30分钟。
这是否意味着两个班级的阅读情况完全相同?
不一定。
一个班级可能大多数学生都在30分钟左右,另一个班级可能有的学生阅读5分钟,有的学生阅读55分钟。
因此,教师应该逐渐引导学生理解:
平均数能够描述数据的集中趋势,但不能代表每一个个体,也不能完整说明数据的分布状况。
这为初中进一步学习中位数、众数和方差建立经验基础。
转变四:从确定性思维走向不确定性思维
现实世界不是所有事情都能够确定。
明天是否下雨?一个篮球运动员下一次罚球是否命中?从家到学校需要多少分钟?
这些都具有不确定性。
小学阶段可以通过抛硬币、摸球、转转盘等活动,让学生感受随机现象。
教师要引导学生认识:
可能发生,不等于一定发生;发生的可能性大小,也不是简单凭个人感觉决定的。
进入初中后,再逐步通过大量重复试验和概率计算,理解随机现象的规律。
转变五:从人工整理数据走向人机协同研究
过去,学生可能需要花费大量时间手工整理数据、计算数据、绘制图表。
现在,可以合理利用数字工具和人工智能辅助完成部分工作。
但要明确:
技术工具的价值,不是替代学生思考,而是把学生从重复性操作中适当解放出来,让他们把更多精力投入问题提出、数据判断、规律发现和结论解释。
这也是AI时代数学教育的重要方向。
五、给一线教师:设计一堂真正的数据研究课
下面提供一个可以直接用于小学高年级的教学案例。
研究主题:我们班学生的睡眠时间够吗?
这不是一道简单的统计练习题,而是一次完整的数据研究活动。
第一阶段:提出问题
教师提出:
我们班学生每天睡眠时间大约是多少?不同学生之间有什么差异?
引导学生明确调查对象、调查内容和研究目的。
第二阶段:设计调查
学生讨论:
- 调查全班还是部分学生?
- 调查一天还是连续一周?
- 如何记录睡眠时间?
- 是否需要保护个人隐私?
- 怎样保证数据尽可能真实?
注意:真实研究必须尊重学生隐私,不公开个人敏感信息。
第三阶段:收集数据
学生采用匿名记录的方式,收集一周的睡眠时间数据。
可以使用纸质记录表,也可以使用电子表格。
第四阶段:整理和表达
学生根据研究目的:
- 整理数据。
- 计算平均数。
- 绘制条形统计图或折线统计图。
- 比较不同时间的数据。
- 观察数据变化。
第五阶段:分析与解释
教师提出进一步的问题:
- 平均睡眠时间能否代表每一位同学?
- 为什么同学之间会有差异?
- 哪些因素可能影响睡眠时间?
- 我们的调查数据有什么局限?
- 如果要了解全年级情况,还需要怎样调查?
第六阶段:形成研究报告
每个小组完成一份简短报告:
研究问题、调查方法、数据记录、统计图表、分析结论、研究局限和改进建议。
这里有一个非常重要的教学要求:
不要让学生仅仅报告一个平均数,而要让他们用数据和证据解释自己的结论。
通过这样的活动,学生不仅学习统计知识,还经历了科学研究的基本过程。
六、AI如何参与统计与概率教学?给教师五种可操作的方法
AI时代,我们可以把人工智能引入数据研究,但必须明确它的辅助角色。
方法一:让AI帮助学生提出研究问题。
例如,输入:
请围绕校园生活,设计10个适合小学五年级学生开展的统计调查问题。要求问题真实、可以收集数据、能够进行统计分析。
教师再组织学生判断哪些问题值得研究。
方法二:让AI辅助设计调查问卷。
例如:
请围绕“学生课外阅读情况”设计一份适合小学五年级的匿名调查问卷,问题应简洁,选项清晰,避免诱导性提问。
学生需要进一步检查问卷是否合理。
方法三:让AI辅助整理真实数据。
学生将经过脱敏处理的数据导入电子表格,利用适当的数字工具计算平均数、整理分类、制作统计图。
教师要求学生核对计算结果,不能直接把AI生成的结果当作事实。
方法四:让AI帮助发现数据中的问题。
例如:
请分析这组数据,指出数据分布的特点、可能存在的异常值,以及仅凭这些数据不能得出哪些结论。
学生对AI的分析进行检验和讨论。
方法五:让AI成为学生的研究质疑者。
学生提交自己的研究报告后,可以让AI提出:
- 你的调查对象是否具有代表性?
- 你的数据是否足以支持结论?
- 有没有其他可能的解释?
- 你的统计图是否容易造成误解?
- 你的结论有没有超出数据能够支持的范围?
这样,AI不只是计算工具,而是学生进行数据研究和批判性思考的辅助伙伴。
七、建立未来统计与概率教学的评价体系
如果教学仍然只评价学生会不会计算平均数、会不会绘制统计图,就很难真正体现统计教育的价值。
我建议建立六个评价维度。
评价维度 | 核心评价问题 |
问题提出 | 能否提出有研究价值的问题? |
数据收集 | 能否选择合理的方法获取数据? |
数据整理 | 能否正确分类、整理数据? |
数据表达 | 能否选择合适的统计图表? |
数据分析 | 能否发现规律、解释差异? |
证据决策 | 能否依据数据作出合理判断,并说明局限? |
同时,结合不同学段设置不同的评价要求。
低年级重点评价分类标准与分类表达。
中年级重点评价数据收集、整理、条形统计图和平均数理解。
高年级重点评价多种统计图表的选择、数据分析、百分数统计意义和随机现象的理解。
初中阶段进一步评价抽样、数据分布、统计推断和概率分析。
评价不只是看学生最后得到的答案,还要看他们如何获得数据、如何解释数据、如何使用证据。
这也与课程标准强调的学习过程评价和核心素养评价方向相一致。
八、未来数学教育的重要方向:培养能够用数据认识世界的人
重新研究国内课程标准和国际统计教育框架,我认为,未来统计与概率教学需要特别关注六个方向:
- 数据素养:理解数据的来源、意义、结构和价值。
- 统计思维:理解数据变异、分布和统计规律。
- 概率思维:理解随机性与不确定性。
- 批判性思维:识别数据偏差、误导性图表和不合理结论。
- 数据表达:能够利用图表、语言和数学模型表达研究结果。
- 人机协同:合理利用AI和数字工具开展数据研究,同时保持独立判断。
这些能力并不是相互孤立的。
它们共同指向一个目标:
让学生能够依据真实数据理解世界,依据科学证据解释现象,依据合理分析作出决策。
这也是统计与概率教育最重要的育人价值。
结语:未来的数学课堂,应该让学生成为数据研究者
我们必须重新思考一个问题:
在AI能够迅速计算、绘图、整理信息和生成分析报告的时代,数学课堂最值得学生花时间学习的究竟是什么?
我的理解是:
不是让学生把大量时间花在重复计算和机械绘图上,而是让他们学会提出问题、获取证据、分析数据、发现规律、质疑结论和作出判断。
当然,基本知识、基本技能和必要的计算训练仍然不可缺少。真正需要改变的,是我们对这些知识和技能的教学目的与组织方式。
统计与概率教学尤其如此。
一张统计图的背后,应该有一个真实的问题;一组数据的背后,应该有一个合理的调查过程;一个研究结论的背后,应该有充分的证据;一次判断的背后,应该有对不确定性的理解。
过去,我们教学生用数学计算世界;今天,我们更应该教学生用数学理解世界。
未来,我们要培养的不是只会处理数字的学生,而是能够用数据思考、用证据说话、用理性作出判断的人。
这才是大数据时代、人工智能时代,统计与概率教育真正应该承担的使命。
参考文献与研究资料
- 中华人民共和国教育部:《义务教育数学课程标准(2022年版)》。
- OECD. (2023). PISA 2022 Assessment and Analytical Framework. OECD Publishing.
- Bargagliotti, A., et al. (2020). Pre-K–12 Guidelines for Assessment and Instruction in Statistics Education II (GAISE II): A Framework for Statistics and Data Science Education. American Statistical Association.
- Miao, F., Shiohira, K., & Lao, N. (2024). AI Competency Framework for Students. UNESCO.
- Cobb, G. W., & Moore, D. S. (1997). Mathematics, Statistics, and Teaching. The American Mathematical Monthly, 104(9), 801–823.
研究说明:本文以2022年版课标原文为课程依据,结合OECD、美国统计学会和UNESCO公开研究框架进行拓展。文中的课堂案例和AI教学方法属于面向一线教学的实践设计建议,不是上述国际文件的原文要求。















































































