生成式工具中的统计思维

Rao 等人的描述性案例研究考察 Rtutor.AI：它把自然语言请求转换为 R 操作。五名本科生各自只修过一门入门统计课，且没有编程经验，参加了约一小时的现场访谈。任务要求根据三所学校共十八名学生的备考时长与 ACT 成绩推荐学校；十八人是任务数据中的人数，并非研究参与者人数。

参与者先手绘草图，再用工具生成多变量散点图，最后比较输出与草图，并解释推荐学校的理由。这样的任务顺序使原定分析与最终解释之间的联系可以被观察（§§2.2–2.4）。

Bennu 与 Bo 的对照值得关注。Bennu 指定了图形类型及两个坐标轴变量；Bo 从宽泛的绘图请求开始，工具自行补上坐标轴变量与学校图例。然而，Bo 随后仍难以解释 ACT 成绩与学校情境之间的联系（§§3.4–3.5）。

作者同时分析计划、监控、评价，以及情境、统计和软件三个层面的思考。表1–2区分了选择坐标轴范围与把这一选择写成提示词。每份访谈由两名研究者独立编码，再协商处理分歧（§§2.1、2.5）。

教学上的启示是保留那些可能被自动生成过程悄然代劳的决策。作者建议，在学生独立使用 AI 分析之前，先教授统计规划与解释，并逐步指导工具使用（§4.2）。课程可以据此要求学习者识别变量、说明绘图选择的理由，并解释生成图形在情境中的含义。这些是设计建议，并非本研究已评价的教学干预。

这项五人定性研究描述的是单一绘图任务中的推理过程，没有独立的非 AI 对照，也没有对无辅助学习进行延迟测评。作者还提醒，现场访谈中的投入程度可能不同于家庭作业。因此，这些发现不能确立因果性的学习增益，也不能作为 AXIOVUM 学习成效的证据（§§2.3–2.4；局限部分）。

撤去工具并换一道题后，学习者能否仍然说明变量映射和情境结论的理由？这有待后续研究回答；成功生成图形本身无法回答这一问题。