2026年3月12日，美国国家科学院、工程院和医学院（National Academies of Sciences， Engineering and Medicine， NASEM）正式发布共识研究报告《K-12教育中的数据与计算：基础能力》。
报告全文336页，由美国国家科学基金会（NSF）资助完成，围绕一个越来越重要的问题展开：
在数据、计算技术和人工智能不断改变社会与科学研究的今天，K-12学生究竟需要具备哪些最基础的数据与计算能力？
NASEM指出，数据与计算已经渗透到现代社会的几乎所有领域。理解数据如何产生、如何解释、如何使用，不仅关系到未来职业发展，也越来越关系到科学学习、公民参与以及个人理解现实世界的能力。与此同时，目前美国K-12阶段的数据与计算教育虽然发展迅速，却存在明显的不均衡和碎片化现象，不同州、学区和学校之间缺乏连贯性，尤其是小学阶段，很多学生只能接触到短期、零散的数据或计算活动。
因此，这份报告并不是简单提出“多开几门编程课”，而是试图建立一个贯穿K-12、跨越不同学科的共同基础框架。
报告最终提出了七项数据与计算基础能力和14项系统性建议，涉及课程设计、科学与数学教育、教师培养、AI教育、技术公平以及教育系统协同等多个层面。
过去谈计算教育，人们很容易想到编程、计算机课程、信息技术等，但NASEM此次报告明显扩大了这一概念。
在报告看来，数据与计算已经不再只是计算机科学专业人员使用的专门技能，而越来越成为理解现代世界的一种基础工具。
科学研究需要处理实验数据；
气候研究需要使用模型和计算；
医学研究需要分析大规模数据；
社会决策越来越依赖统计信息；
人工智能系统背后更离不开数据、算法和模型。
因此，报告提出，学生未来不仅需要“使用数字工具”，还需要理解：
数据从哪里来？
数据质量可靠吗？
模型如何建立？
算法怎样处理问题？
统计结论中为什么存在不确定性？
技术可能给社会带来什么影响？
从这个意义上看，数据与计算能力正在逐渐从一种“技术技能”，转变为一种理解、分析和判断现实世界的基础素养。
NASEM特别指出，这些能力与科学、数学和工程学习高度相关。将数据与计算融入已有课程，不仅不会必然削弱传统学科，反而有可能深化学生对数学和科学核心知识的理解。
这份报告最值得关注的观点之一，是它并没有主张把所有数据与计算内容都塞进一门新的“数据科学课”。
NASEM发现，目前很多相关课程和项目分别围绕计算机科学、数据科学等领域开展，但往往各自独立，缺乏不同年级、不同学科之间的连续性。
尤其对小学阶段而言，学生接触到的往往只是一次编程活动、一次机器人项目，或者某个短期的数据课程。
这些体验可能有趣，却很难形成连续发展的能力。
因此，NASEM建议：
数据与计算基础能力应从幼儿园阶段开始，逐渐融入科学、数学、社会科学等已有学科，让学生在多年学习过程中不断积累和深化。
与此同时，中学尤其高中阶段仍然可以提供独立的数据与计算课程，但不能只依赖少数学生主动选修这些课程。
这种思路可以概括为：不是“学完学科知识，再学数据与计算”，而是在学习科学、数学和现实问题的过程中使用数据与计算。
例如，在科学课中研究校园温度变化，可以让学生收集数据、制作可视化图表、分析变化趋势并讨论误差；在生态调查中，学生可以利用数据比较不同环境中的物种数量；在物理实验中，学生可以使用传感器记录运动数据，再通过计算工具建立模型。此时，“计算”不再只是学习代码本身，而成为学生研究科学问题的一种工具。
NASEM在综合计算机科学、数据科学、数学、统计学、科学与工程等已有框架后，提出了七项贯穿K-12的数据与计算基础能力。
1. 提出问题与问题解决过程
Problem Posing and Problem-Solving Processes
学生能够定义一个问题或提出问题，确定解决问题所需要的步骤，选择工具尝试解决，并在结果基础上反思、调整和继续迭代。
这里强调的不只是“得到答案”，而是经历完整的问题解决过程。
2. 生成数据与处理数据
Producing and Working with Data
学生不仅要会读取数据，还需要理解数据是怎样产生的。
他们需要能够评价数据质量，对数据进行组织、整理、探索和可视化，并利用数据回答问题。
这意味着：
“数据是什么”本身也需要成为学习对象。
3. 抽象、算法思维与自动化
Abstraction, Algorithmic Thinking, and Automation
学生能够从复杂问题中提取关键特征，通过逻辑推理设计系统性的解决步骤，并逐渐认识哪些过程可以借助计算工具实现自动化。
因此，算法思维并不等于“会写代码”。
更重要的是：能不能把复杂问题转化为清晰、有序、可以执行的解决过程。
4. 概率与推断推理
Probabilistic and Inferential Reasoning
学生需要理解数据中的变异性和不确定性，发展概率意识，并逐渐学习利用数据进行统计推断以及合理解释结果。
这一能力对科学教育尤其重要。
因为真实科学研究中的结论很少是：
“100%确定。”
更多时候需要讨论：
这个差异有多大？
数据波动意味着什么？
样本能够支持多强的结论？
我们对这个结论有多大把握？
5. 模型与表征
Models and Representations
学生能够构建并使用模型解释现象、解决问题，同时能够根据具体情境选择合适模型，评价模型的局限性，并认识到：
任何模型都不是现实本身，建模过程本身也包含一定的不确定性。
这是科学学习中非常重要的一种认识。
6. 技术与社会
Technology and Society
学生需要认识技术发展与社会价值、伦理和责任之间可能出现的张力，并思考技术产生的社会影响。
这意味着数据和计算教育不能只回答：
“这项技术能不能做到？”
还需要追问：
“应该不应该这样做？”
7. 数据与计算系统
Data and Computing Systems
学生逐渐理解各种数据和计算工具、系统如何帮助人类解决复杂问题，并形成选择、理解和使用这些工具的能力。
NASEM强调，这七项能力并不是七门独立课程，而应该彼此联系，并随着学生年龄增长逐渐变得更加复杂。
从表面看，这是一份关于数据和计算教育的报告。
但仔细观察七项能力会发现，它和今天科学教育正在强调的很多核心能力高度重合。
例如：
提出可研究的问题；
生成和评价数据；
使用模型解释现象；
理解证据中的不确定性；
利用数据进行推断；
反思技术与社会之间的关系。
这些本身就是现代科学实践的重要组成部分。
尤其值得注意的是，报告专门设置了一章讨论如何将这些基础能力提升并融入STEM学科，同时强调数据与计算应该帮助学生深化科学和数学知识，而不是与原有科学课程争夺教学时间。
这意味着未来科学课中的“探究”可能发生一个重要变化。
传统实验经常采用这样的模式：
提出问题 → 做实验 → 观察现象 → 得出结论
而在数据密集型科学环境中，它可能越来越变成：
提出问题
↓
设计数据获取方式
↓
收集与清洗数据
↓
利用计算工具分析
↓
建立模型
↓
判断证据
↓
解释不确定性
↓
修正模型或再次采集数据
换句话说：
数据和计算正在成为科学探究过程本身的一部分。
虽然这份报告并不是专门讨论 Nature of Science（NOS，科学本质）的文件，但其中有几个观点与科学本质教育存在非常紧密的联系。
其中最重要的一点就是：
数据本身并不会自动产生科学知识。
学生需要学习“生成和处理数据”，意味着他们不仅应该看到教材已经整理好的图表，还应该思考：
数据是怎样获得的？
测量方式会不会影响数据？
哪些数据应该保留？
有没有异常值？
不同可视化方**不会影响我们看待数据的方式？
从数据得到结论还需要哪些推理？
同样，报告提出学生应该认识模型的局限性和建模中的不确定性。
这实际上触及了科学本质中的一个核心问题：科学知识不是对自然世界的简单“复制”，而是科学家借助数据、模型、理论和推理构建出的解释。
因此，科学教育不能只让学生认为：
“看到数据，答案就出来了。”
更应该让他们理解：
从数据到证据，从证据到解释，中间始终存在判断、模型和推理。
AI显然是这份报告无法回避的主题。
但NASEM的态度并不是简单推动“AI进课堂”。
报告明确提出，学生需要学习人工智能的：
可能性、实际用途、局限性、风险以及伦理问题。
学校还需要帮助学生理解AI模型如何运行，并学会评价AI输出是否有效、是否可信。
这其实给当前AI教育提出了一个非常重要的提醒：
如果AI教育只停留在：
“怎么写Prompt？”
“怎么让AI帮我生成答案？”
那么学生获得的可能只是某一种工具的操作技能。
而真正具有长期价值的问题是：
AI使用了什么数据？
训练数据是否存在偏差？
为什么AI会生成错误答案？
模型的回答为什么带有概率性？
怎样利用其他证据验证AI输出？
什么情况下不应该把判断完全交给算法？
因此，从NASEM这份报告来看，AI素养并不是独立存在的。它建立在更基础的数据素养、模型意识、概率推理、算法思维和伦理判断之上。
这也是为什么报告并没有单独提出一项“AI能力”，而是把AI放进更完整的数据与计算基础框架之中。
报告还有一个非常有意思的观点：
数据与计算教育并不等于一直坐在电脑前。
NASEM明确提出，学生既需要数字化的“plugged-in”学习，也需要不依赖屏幕和编程设备的 unplugged（无设备/无屏幕）活动，尤其是在K-8阶段。
一些无设备活动反而能够帮助学生理解更加抽象的计算概念。
例如：学生可以先通过纸片将一组动物按照特征分类，再讨论分类规则；可以让同伴按照自己写出的步骤完成任务，从而体会“算法是否足够清晰”；也可以人工整理一组实验数据，再思考计算机为什么能够帮助我们处理更大规模的数据。
这种方式提醒教师：
教育的目标并不是让学生越早依赖数字工具，而是让他们理解数字工具背后的思想。
技术只是媒介，概念理解才是核心。
对于科学教育研究者和一线科学教师来说，这份336页的报告至少带来几个值得关注的启示。
第一，科学探究正在发生变化。
科学研究越来越依赖传感器、大规模数据、计算模型和人工智能。未来学生理解科学，不能只会观察实验现象，也需要理解数据如何获得、整理、分析和解释。
第二，“会看图表”不等于具有数据素养。
真正的数据素养还包括理解数据质量、测量误差、变异性、不确定性以及数据背后的产生过程。
第三，模型意识可能成为未来科学教育的重要能力。
学生不仅需要学会使用模型，更需要知道模型有假设、有边界、有局限。能够问一句：
“这个模型在什么情况下可能失效？”
本身就是非常重要的科学思维。
第四，AI越强大，证据判断能力越重要。
当AI可以快速生成数据分析、图表甚至科学解释时，科学教育的任务不能只是让学生“得到答案”，而需要培养他们评价结果、检查来源和理解模型局限的能力。
第五，数据与计算不应该取代科学，而应该成为理解科学的新工具。
NASEM此次报告反复强调，数据与计算融入课程的目标之一，正是加强数学和科学学习，而不是削弱原有学科。
因此，这份报告真正值得关注的，也许并不是：
“未来学生是不是都要学编程？”
而是另一个更加根本的问题：
当我们越来越依靠数据、计算模型和人工智能认识世界时，未来的科学素养应该发生怎样的变化？
也许未来一名真正具有科学素养的学生，不仅需要知道一个科学结论是什么，还需要能够继续追问：
数据来自哪里？
模型做了什么假设？
结果有多大不确定性？
这个结论能够被哪些证据支持？
技术给出的答案，是否真的值得相信？
从这个角度看，数据与计算正在逐渐从“技术工具”走向“科学认识工具”。
而这，或许正是《K-12教育中的数据与计算：基础能力》最值得科学教育者关注的地方。