人工智能、機器學習、神經網絡、區(qū)塊鏈、ChatGPT……這些工具和技術有什么共同之處？關注教育的美國“赫辛格報告”網站給出的答案是，它們使用同樣的“燃料”，也就是數(shù)據(jù)，而且是海量數(shù)據(jù)。

【資料圖】

舉例來說，流媒體播放平臺Netflix的設備可以通過學習算法，利用豐富的用戶數(shù)據(jù)為用戶推薦電影，并根據(jù)用戶口味決定制作哪些新電影；面部識別軟件可以利用神經網絡，從數(shù)百萬張圖像中獲取像素數(shù)據(jù)；區(qū)塊鏈本質上是一個分散在眾多用戶中的大型數(shù)據(jù)庫；生成式人工智能算法，比如用于創(chuàng)建ChatGPT的算法，可以在大型語言數(shù)據(jù)集上進行訓練。

讓數(shù)據(jù)為這些技術提供動力，可能帶來有關偏見、準確性、隱私和知識產權方面的挑戰(zhàn)，但這股發(fā)展勢頭無法阻擋。早在2006年，技術領袖和數(shù)學家就宣稱數(shù)據(jù)是“新石油”。數(shù)據(jù)在我們的數(shù)字生活中是重要資源，在我們的“屏幕外生活”中的占比越來越高。

在學校里，學生們面臨著新興技術的沖擊。目前，許多學校的核心課程尚不涉及相關內容，但我們的日常生活正在被數(shù)字工具改變。

過去10年中，美國學生的數(shù)據(jù)素養(yǎng)有所下降。比較美國國家教育進展評估（NAEP）的歷年全美數(shù)學考試成績就會發(fā)現(xiàn)，自2011年以來，美國八年級學生的分數(shù)下降了17分，四年級學生在數(shù)據(jù)分析、統(tǒng)計和概率方面下降了10分。學生們在這一領域分數(shù)下降的速度大大超過了其他領域。黑人學生在數(shù)據(jù)分析基礎知識方面比白人學生低30分以上。此前一些研究認為，相差10分，相當于拉開了一學年的差距。

造成學生成績與現(xiàn)代技術背道而馳的原因有很多，比如過時的標準和機制。美國教育系統(tǒng)已經認識到這一趨勢需要迅速扭轉。如今，許多州的政府和學校正在探索如何為K-12（基礎教育）學生創(chuàng)建、整合數(shù)據(jù)科學課程。俄亥俄州、弗吉尼亞州和猶他州正在試行以數(shù)據(jù)科學為核心的數(shù)學課程；阿肯色州和內布拉斯加州增加了數(shù)據(jù)科學的職業(yè)和技術教育；跨學科、跨年級的數(shù)據(jù)嵌入式課程計劃出現(xiàn)在美國多地的教室里。

美國試圖將數(shù)據(jù)分析和計算技術納入學校的核心科目，為K-12課程的計算機科學領域提供補充。

這么做的目標并不是要培養(yǎng)一支高中畢業(yè)后就能成為數(shù)據(jù)科學家的隊伍，而是為學生提供必要的數(shù)據(jù)基礎知識，激勵他們在這些領域繼續(xù)研究。

這些課程應該既有挑戰(zhàn)性又容易上手，也就是人們所說的“低地板，高天花板”。在美國，51%的學生不會進入大學，但他們仍然應該學習基礎知識，獲得低成本的培訓機會、學習技術技能，進而得到有回報的工作。

一些調查顯示，學生們很喜歡數(shù)據(jù)科學課程。最近，美國國家科學院的一場峰會對該領域日益多樣化的課程進行分類，發(fā)現(xiàn)學生們對此類課程的參與度高得嚇人。

一名數(shù)學老師表示，在她20多年的教學生涯中，從來沒有學生想參加與她的課程相關的實習，直到她開始教授數(shù)據(jù)科學。“學生不再問‘我為什么要學這個’，而是問‘下一步是什么’。”一些老師發(fā)現(xiàn)，學生參與數(shù)據(jù)課程時閱讀材料的速度比預期的快。

通過這些努力，希望幫助學生為未來做好準備。