人工智能、機器學習、神經網絡、區塊鏈、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”，也就是數據，而且是海量數據。

【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，利用豐富的用戶數據為用戶推薦電影，并根據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，從數百萬張圖像中獲取像素數據；區塊鏈本質上是一個分散在眾多用戶中的大型數據庫；生成式人工智能算法，比如用于創建ChatGPT的算法，可以在大型語言數據集上進行訓練。

讓數據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，但這股發展勢頭無法阻擋。早在2006年，技術領袖和數學家就宣稱數據是“新石油”。數據在我們的數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字工具改變。

過去10年中，美國學生的數據素養有所下降。比較美國國家教育進展評估（NAEP）的歷年全美數學考試成績就會發現，自2011年以來，美國八年級學生的分數下降了17分，四年級學生在數據分析、統計和概率方面下降了10分。學生們在這一領域分數下降的速度大大超過了其他領域。黑人學生在數據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）學生創建、整合數據科學課程。俄亥俄州、弗吉尼亞州和猶他州正在試行以數據科學為核心的數學課程；阿肯色州和內布拉斯加州增加了數據科學的職業和技術教育；跨學科、跨年級的數據嵌入式課程計劃出現在美國多地的教室里。

美國試圖將數據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一支高中畢業后就能成為數據科學家的隊伍，而是為學生提供必要的數據基礎知識，激勵他們在這些領域繼續研究。

這些課程應該既有挑戰性又容易上手，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，學生們很喜歡數據科學課程。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，發現學生們對此類課程的參與度高得嚇人。

一名數學老師表示，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，直到她開始教授數據科學。“學生不再問‘我為什么要學這個’，而是問‘下一步是什么’。”一些老師發現，學生參與數據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。