跳至主要內容
EDUCATION × AI × STATISTICAL LITERACY

凡事問AI的年代,為何還需要學統計?

AI時代的統計學趨勢與學思歷程

陳威勝 · Allen Mind Lab · 2026.11.07
進入 Education 特色館
第91篇文章海報:凡事問AI的年代,為何還需要學統計?

一、我的200萬去哪了?🤣

每逢股市大漲,新聞偶爾會出現令人振奮的標題:「台股市值大增,平均每位股民賺進200萬元!」

看到這種新聞,忍不住打開證券帳戶。奇怪,我的200萬呢?難道證券商忘記匯款了?XD

假設10位投資人當中,1位大戶賺了2,000萬元,其餘9位都沒有賺錢。這時候,我們可以用三種不同方式來理解這組數字:

有趣了!同樣一組資料,平均數告訴我們每人平均賺了200萬元,但眾數與中位數卻呈現出另一個事實:九成的人根本沒有賺到錢。

究竟哪個數字才是正確的?答案是:三個都正確,只是回答了不同的問題。

平均數反映整體獲利的平均水準;眾數告訴我們最常出現的獲利金額;中位數則呈現排序後的中間位置,比較不容易受到少數極端值影響。

在這個假設案例中,若想了解多數投資人的情況,眾數與中位數顯然比平均數更有參考價值。不過,在真實股市中,每個人的獲利金額可能各不相同,眾數未必具有代表性,因此還需要觀察整體分布。

更值得注意的是,有些所謂的「平均獲利」,可能只是將股市總市值增加額除以投資人人數,並不代表每個人實際賺進口袋的金額。

原來,統計學並不是要我們在平均數、眾數與中位數之間選出唯一正確的答案,而是學會依照問題,選擇適合的統計指標。

同樣一組數字,換個角度觀察,就可能看見完全不同的故事。

二、彩券中獎率50%,這麼好賺?

另一個經典笑話是:「買彩券,中獎機率就是50%!」為什麼?「因為只有兩種結果啊!不是中獎,就是沒中獎!」🤣

照這個邏輯,明天不是下雨就是不下雨,降雨機率也是50%?當然不是。

可能的結果只有兩種,不代表兩種結果發生的機率相同。

這就是機率(Probability)最基本、也最容易被誤解的概念之一。類似的統計問題其實隨處可見。

網購時,5個人給5顆星,與5,000個人給4.8顆星,哪個更值得相信?這涉及樣本數與資料品質。

如果發現喝咖啡的人工作效率較高,就代表多喝咖啡能提高效率嗎?這又涉及「相關不等於因果」。

原來,統計學不只是課本裡的公式,生活中早就充滿值得探索的統計問題。

三、數字沒有說完的故事

我們每天接觸大量數字:民意調查、商品評價、投資報酬、健康資訊,以及各式各樣的新聞報導。但數字並不會自動告訴我們真相。

平均數可能掩蓋個別差異;百分比可能忽略比較基準;樣本數再大,也不保證資料具有代表性。

這些問題並不是統計學本身不可靠,而是我們可能忽略了數字產生的條件,以及它所能支持的解釋。

例如,一項調查顯示某政策獲得60%的支持,我們還需要知道調查了多少人、如何抽樣,以及問題如何設計。

如果調查對象缺乏代表性,即使蒐集了大量資料,也未必能反映整體民意。

學習統計,首先帶來的好處,就是讓我們不再只是被動接受數字,而是懂得追問數字背後的故事。

統計素養不是讓人懷疑一切,而是讓我們知道什麼值得相信,以及為什麼值得相信。

四、統計學讓我們看見什麼?

如果統計學只是幫助我們拆穿數字陷阱,那未免太可惜了。它更迷人的地方,是讓我們從看似雜亂的現象中,逐漸發現值得探索的規律。

單看某一天的氣溫,我們很難理解長期氣候變化;但累積多年的觀測資料,就能觀察季節特徵與長期趨勢。

單看一位顧客的購買行為,可能難以預測下一次會買什麼;但觀察大量消費紀錄,卻可能發現某些商品經常一起被購買。

這些規律不一定能解釋所有原因,也不保證未來一定如此,卻能幫助我們提出更有價值的問題。

統計學的發展,從早期的人口資料整理、機率理論,到抽樣調查、統計推論及現代資料科學,始終圍繞著一個重要課題:

如何從有限的資料中理解世界,並在不確定的情況下作出合理判斷?

這也讓我們學會一件重要的事:不確定性並不代表毫無頭緒。

透過機率、抽樣與統計推論,我們可以評估估計值的精確程度、理解可能存在的誤差,並判斷證據是否足夠。

例如,天氣預報的降雨機率70%,不是保證明天一定下雨,而是在特定預報條件下,對降雨可能性的量化表達。

學習統計,不是讓我們永遠猜得準,而是更清楚自己有多大的把握。

五、從理解數字,到作出更好的決策

統計學的價值,最終仍要回到生活中的選擇。

假設某種新的學習方法,讓學生平均成績提高0.2分。在樣本數足夠大、資料條件適當時,這個微小差異也可能達到「統計顯著」。

但0.2分真的值得投入大量時間與成本嗎?這就涉及統計顯著性與實際重要性的差別。

統計檢定可以幫助我們評估,在特定假設與分析條件下,觀察到的差異有多不尋常;但它不能單獨告訴我們,這項差異究竟有多重要。

我們仍需要考慮效果大小、估計的不確定性、實際成本,以及不同情境下的應用價值。

從家庭預算、消費選擇、工作改善到公共政策,這種思考方式都能派上用場。

統計學不會替我們決定什麼才是最好的選擇,卻能讓我們知道,自己的判斷究竟建立在什麼證據之上。

好的決策不一定保證得到最好的結果,但應該建立在合理的資訊與思考過程之上。

六、AI什麼都會算,我們還需要學什麼?

過去學習統計,經常需要花費大量時間理解公式、查閱統計表與操作軟體。

如今,AI已能協助整理資料、製作圖表、執行統計分析,甚至撰寫初步報告。這確實改變了統計學的學習方式,也讓更多人有機會接觸資料分析。

但AI的便利,並不代表我們可以省略統計基礎。

如果不了解平均數與中位數的差異,不知道抽樣可能產生偏差,或無法區分相關與因果,即使AI產生了漂亮的圖表,也可能無從判斷結論是否合理。

更值得注意的是,AI能將分析結果整理成流暢而有說服力的文字。當不適當的推論搭配精美圖表,我們反而更容易忽略其中的問題。

因此,AI時代學習統計,不是要與機器比誰算得快,而是學會如何提出更好的問題、選擇適當的方法,並檢查結果是否可信。

基本的統計概念與計算邏輯仍然重要,但學習重心可以逐漸從重複運算,轉向理解、探索與應用。

我們可以請AI協助分析,也能進一步追問:「為什麼使用這種方法?」「這個結果還有其他解釋嗎?」「如果改變分析條件,結論會不會不同?」

當然,使用AI分析資料之前,也應確認資料是否適合提供給外部工具,避免將個人或敏感資訊直接上傳。

AI讓取得答案變得容易,而統計學讓我們更有能力判斷答案。

七、讓統計學成為一場探索

如果學習統計,不再只是背公式、套數字與準備考試,而是從生活中的疑問出發,會不會更有趣?

我們可以從一則令人懷疑的新聞開始,蒐集資料、提出假設,再利用AI與互動工具探索答案。

過程中,逐漸建立六個統計學思歷程:

從平均數、機率、抽樣,到相關分析與統計推論,每個概念都可以成為一道生活中的趣味謎題。

而學習最有意思的時刻,往往不是終於算出正確答案,而是突然發現:「原來還可以這樣想!」

結語|學習統計,是為了更有智慧地理解世界

回頭看看那位「平均賺200萬」的股民,以及「中獎機率50%」的彩券玩家。這些令人會心一笑的例子,提醒我們統計學其實離生活並不遙遠。

它不只幫助我們辨識資訊中的謬誤,也讓我們發現規律、理解不確定性、評估證據,並作出更有依據的選擇。

在AI能夠快速提供答案的年代,我們不一定需要比機器算得更快,但仍然需要知道問題是否問對、資料是否可靠,以及結論是否值得相信。

AI幫我們算得更快,統計學讓我們看得更透。

或許,統計學最值得學習的地方,就是讓我們對世界多一分好奇,對數字多一分理解,也對自己的判斷多一分謙遜。

參考資料

  1. American Statistical Association. (2016). Guidelines for Assessment and Instruction in Statistics Education (GAISE) College Report 2016. 官方資料
  2. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. DOI
  3. Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. DOI
Articles 總館↑ Back to top