美科學院報告：K-12學生必須掌握7大數據與計算基礎能力

本文核心要點：

2026年3月12日，美國國家科學院發布《K-12教育中的數據與計算：基礎能力》重磅報告，系統闡述了數據與計算時代背景下，K-12學生必須掌握的七項基礎能力，并提出了將數據與計算融入數學、科學等核心課程的實踐路徑。

報告認為，數據和計算已滲透至社會各個領域，理解并運用數據正成為公民參與和個人決策的關鍵能力。為此，報告確立了七項跨學科、跨年級的基礎能力：提出問題與解決問題的過程、生成和處理數據、抽象與算法思維、概率與推斷性推理、模型與表征、技術與社會、數據與計算系統。

在實施層面，報告提出將數據與計算內容系統性地融入現有數學和科學課程，而非簡單增設獨立課程。同時，報告呼吁加強教師的數據與計算教學能力培養，推動州、學區、學校、家庭及社區多方協同的系統性變革，確保每一位學生都能獲得培養數據與計算基礎能力的切實機會。

報告從課程設計、教師培養、技術整合、政策協調等維度提出了14項具體建議，為美國K-12教育體系應對數據時代的挑戰提供了清晰的路線圖。

以下為正文

2026年3月12日，美國國家科學院發布《K12教育中的數據與計算：基礎能力》（Data and Computing in K–12 Education：Foundational Competencies）報告，提出了一套旨在培養學生數據與計算基礎素養的連貫一致的全國性框架。

該報告確立了七項跨學科與跨年級的基礎能力，并深入探討了這些能力如何與現有的STEM標準及課堂教學實踐相契合。此外，報告還提供了將數據與計算內容融入K-12教育體系提供了指導，以進一步強化數學與科學核心領域的學習成效。

通過對課程、教師培養、專業學習、技術普及、評估以及系統層級協調等關鍵環節的全面審視，該報告呼吁各方采取持續且協同一致的行動，以確保每一位學生都能獲得富有實效的良機，從而培養數據與計算素養。

該報告的主要內容概述如下：

一、數據與計算為何重要？

報告認為，數據與計算在社會各領域、勞動力需求和K-12教育中越來越重要。

首先，過去幾十年，數據和計算已滲透至社會幾乎所有方面，涵蓋通信、政治、商業乃至國家安全。人們逐漸認識到，數據的無處不在要求我們具備新的理解與技能。理解數據和計算，正日益成為參與各類社會活動及處理醫療、金融、時事、投票等日常事務的必需。更廣泛而言，提升具備數據與計算素養的人口規模，有望增強公民生活、促進社會交流，并助力改善世界。

其次，數據和計算對于各類職業都至關重要，其重要性遠不止于STEM領域。如今，從焊接、農業到木材生產，眾多傳統行業的工作都日益依賴相關的知識與技能。數據科學與計算更推動了人類基因組測序、極端天氣預報、社會趨勢分析等一系列廣泛領域的進步。這意味著，無論學生未來投身STEM領域還是其他行業，都必須在某種程度上熟悉數據和計算，才能成功融入未來的勞動力隊伍。

最后，將數據和計算融入現有K-12 STEM課程，使其更準確地反映當代STEM實踐，是一項重要優先事項。隨著科學與工程日益以數據為中心并更加依賴計算，STEM教育也需要持續加強對數據和計算的關注，以幫助學生了解科學與工程領域的專業人員是如何工作的。實踐證明，數據和計算的學習在嵌入特定領域情境并應用于具體問題時，比抽象討論更為有效。

二、什么是數據和計算

在該報告中，數據指的是一個廣義概念，既包括對事物屬性的測量，也包括對這些測量結果的使用。數據可以是以結構化形式存在的信息，如關系數據庫中的一系列案例及其屬性；也可以泛指以數字方式存儲的信息，如關鍵詞、鍵值數據庫等。

計算則是一個比計算機科學或編程更為寬泛的概念。“計算”涵蓋了所有依托計算機而開展的各項工作，其中包括軟件開發、網絡技術、AI、信息技術、量子信息、人機交互、數據科學等領域的議題與實踐，以及所有利用計算機解決現實世界問題的途徑。

三、數據與計算在美國K-12教育中的實施現狀是如何的？

報告指出，數據和計算在STEM領域及對于理解日常生活都很重要，其融入K–12教育的各項工作不斷加強，并在近期拓展至AI和量子信息科學等領域。

然而，盡管目前已開設了相關的數據與計算課程，但修讀這些課程的學生比例依然極低。學校現有的STEM學科完全可以提供一個適宜的語境，幫助學生理解如何運用并實踐數據與計算知識。

1.計算納入K-12教育的發展歷程

美國早在20世紀70年代就提出所有學生都應該發展計算能力（computing），2006年開始，計算思維（computational thinking）作為一種能力在計算機科學教育中逐漸得到普及。

2010年，美國國家科學基金會（NSF）啟動“21世紀計算教育”（Computing Education for the 21st Century，CE21）項目；2014年將其調整為“STEM-C伙伴計劃：21世紀計算教育”（STEM-C Partnerships: Computing Education for the 21st Century，STEM-CP: CE21），其目標是滿足K-12 STEM教育整體發展的需求，以及提升計算機科學教育的普及程度。

2015年，美國國家科學基金會又將“STEM-C伙伴計劃：21世紀計算教育“改為”STEM+C“（STEM+計算伙伴計劃），將重點更多地投向K–12階段的計算教育及其與STEM領域的融合。該計劃歷時四年，催生了一系列處于STEM與計算機科學交匯點上的重大研究項目。盡管“數據科學”一詞并未直接出現在該計劃的名稱中，但對融合了計算與數據要素的STEM學習進行探索，卻是該計劃的一項明確預期。

2016年，美國國家科學基金會推出“全民計算機科學：研究實踐伙伴關系”（Computer Science for All: Research Practitioner Partnerships，CS for All: RPP）項目，旨在提升學校提供計算機科學課程的能力，并擴大弱勢群體的參與。

這些計劃/項目推動了計算思維和計算機科學教育研究的發展，但至今尚未實現各州、各學校和學生群體之間的均衡覆蓋。

2.計算機科學課程的發展歷程

在美國，計算（Computing）在高中課程中或作為獨立的計算課程或作為計算機科學課程已開設幾十年，并在近年計算相關課程逐步從選修拓展為核心課程。目前，超過60%的學生有機會選修高中計算機科學課程，且每年約有6.4%的高中生實際修讀了計算機科學課程。此外，近幾年來，小學和初中階段對計算機科學的關注度也有所提升。

美國在國家層面也在努力擴大K-12的計算機科學。例如，計算機協會（ACM）等組織2016年聯合發布《K–12 計算機科學框架》（K–12 Computer Science Framework），計算機科學教師協會（Computer Science Teachers Association，CSTA）2011年發布《K–12計算機科學標準》等，提出了適用于K–12階段計算機科學教育的核心概念與實踐準則。

此外，受到國家科學基金會“擴大參與計算聯盟（Broadening Participation in Computing Alliance，BPC-A）”項目資助的“拓展計算機教育途徑”（Expanding Computing Education Pathways，ECEP）聯盟，通過支持各州層面的計算教育改革來增加進入計算及計算密集型學位深造的學生人數。國家婦女與信息技術中心（National Center for Women and Information Technology NCWIT）同樣接受國家科學基金會該項目的資助，通過“計算機抱負計劃”（Aspirations in Computing）等創新項目，致力于擴大技術生態系統中的參與廣度。

大學先修課程（AP）也是擴大高中學生學習計算課程的重要機會。AP計算機科學A于1984年推出，AP計算機科學原理（AP Computer Science Principles）于2016年推出。后者旨在為非專業學生提供計算機科學的入門性學習內容。2024年，有17.5萬名學生參加AP計算機科學原理考試，9.8萬名學生參加AP計算機科學A考試。

截至2024年，44個州采納了計算機科學標準，全美60%的公立高中提供至少一門基礎計算機科學課程，約6%的高中生選修計算機科學課程。州級政策和資金支持持續增長——2023年各州為K-12計算機科學教育撥款超過1.2億美元，創歷史新高。越來越多的州制定K-12計算機科學教育計劃、為K-12計算機科學專業學習撥款、并要求所有學校提供計算機科學課程。

3.人工智能、量子信息科學教育現狀

在AI教育方面，美國教育部于2023年發布《AI與教學的未來》報告。國家科學基金會自2018年起通過“學生與教師創新技術體驗”（Innovative Technology Experiences for Students and Teachers，ITEST）等項目資助AI素養與教育工作。

其他的努力包括TeachAI和人工智能K-12倡議（Artificial Intelligence for K–12 initiative，AI4K12）。此外，美國國家科學基金會提供資金專門用于資助為K-12人工智能教育擴充資源的項目。

其中AI4K12項目始于2018年，是計算機科學教師協會（CSTA）與人工智能促進協會（AAAI）共同發起的一項合作項目，該項目提出包括五大核心理念（感知、表征與推理、學習、自然交互、社會影響）的AI教育框架，并建立了AI教學在線資源目錄和在線社區。目前正在制定K-12人工智能教育指南。

其他組織也在開發K-12人工智能教育指南和資源，如麻省理工學院的“社會賦權與教育的負責任人工智能”（Responsible AI for Social Empowerment and Education）項目提供免費課程與教學資源。TeachAI平臺近期發布指導意見，幫助計算機科學教師和學校管理者理解計算機科學教育中的AI基礎問題。計算機科學教師協會2025年發布《面向所有K-12學生的AI學習優先事項》報告，并正在修訂其相關標準。

在量子信息科學教育方面，已開展小規模教師專業發展項目及K-12量子信息課程擴展研究，旨在加強學生對這一STEM領域的社會影響及就業前景的認識。此外，國家Q-12教育伙伴關系（National Q-12 Education Partnership）制定文件闡明了基本的量子概念及其在當前科學和數學課程中的應用。

國家科學基金會自2020年以來資助多個相關項目，旨在深入探索量子信息科學的學習規律、開發相應的教學課件與活動方案，并為教師提供專業的進修與培訓服務。例如，2020年資助了“面向未來量子信息學習者的關鍵概念”（Key Concepts for Future Quantum Information Science Learners）研討會，隨后又資助開發了一套拓展性的框架，以指導面向低齡學習者的未來量子信息科學課程開發工作。該框架包括量子信息科學9大概念，并特別指出了量子信息科學與計算機科學、物理學、化學以及數學等學科之間的內在聯系。

目前美國多數量子教育項目采用將量子模塊融入現有科學和數學課程的路徑，例如“全民量子”項目（Quantum for All）和“量子計算數學與物理”（QCaMP）項目；少數專門學校開設獨立量子課程，這些課程通常由非營利性教育機構提供，或開設于那些擁有拓展型科學課程體系的特色學校之中。俄亥俄州和得克薩斯州已將量子信息概念納入州教育標準，科羅拉多州于2025年發布藍圖，強調量子職業與技術教育路徑。

4.數據（科學）納入K-12教育的發展歷程

數據在美國K-12教育中由來已久，長期以來主要作為數學和科學課程的一部分。1989年和2000年，美國數學教師協會（National Council of Teachers of Mathematics，NCTM）分別發布《學校數學課程與評價標準》及《學校數學的原則與標準》，將數據與概率列為K-12階段的重要內容。2010年發布的《州共同核心數學標準》（Common Core State Standards for Mathematics）將測量與數據、統計與概率作為貫穿各年級的核心領域。

近年來，數據科學的重要性日益凸顯。2024年，美國社會科學協會（National Council for the Social Studies，NCSS）、美國數學教師協會、美國科學教學協會（National Science Teaching Association，NSTA）、美國統計協會（American Statistical Association，ASA）及計算機科學教師協會（Computer Science Teachers Association，CSTA）聯合發布立場聲明，呼吁在K-12各學科中引入并教授數據科學。ExcelinEd等組織也在推動各州將數據科學納入K-12教育。

美國國家科學基金會（NSF）通過STEM+C項目及其他STEM教育項目資助數據科學教育工作。其中一個較早的K-12計算與數據課程及教師專業發展項目是Mobilize項目，該項目為高中階段開發了“探索計算機科學”課程中的數據單元，以及一門獨立的“數據科學導論”（Introduction to Data Science，IDS）課程。該課程在加州影響廣泛，并逐步被俄勒岡州采納。

德克薩斯大學奧斯汀分校達納中心（Charles A. Dana Center at The University of Texas at Austin）和數據科學全民聯盟（Data Science for Everyone，DS4E）是推動數據科學教育及州級政策的兩大重要力量。達納中心主辦的“啟航年倡議”（Launch Years Initiative）連接并支持23個州的數據科學教育工作，為學生提供數學咨詢指導、數據科學相關新課程以及通向高等數學學習的路徑。數據科學全民聯盟致力于收集數據科學教學現狀信息，推動全美K-12學生掌握數據素養。其數據顯示，2019年俄亥俄州是全美唯一擁有全州性數據科學教育項目的州，而到2025年，已有35個州開展了相關項目。

各州將數據科學納入教育的路徑不盡相同。多數州將其歸入數學教育，也有州將其納入職業技術教育（Career and Technical Education，CTE），學生修讀數據科學系列課程后可獲得特定軟件或行業的數據分析認證。實施年級也各有差異——多數州集中在高中階段，部分州著手在6-12年級推進，新澤西州則從2-5年級開始，逐步向更高年級延伸。馬里蘭州、弗吉尼亞州和北卡羅來納州已將數據科學納入數學課程體系，制定了具體的課程與教學指導。

2025年，數據科學全民聯盟發布《K-12數據素養與數據科學學習進階》（K-12 Data Literacy and Data Science Learning Progressions），提出五大學習主題：秉性與責任、數據生成與整理、分析與建模技術、問題與結果解釋、可視化與溝通。每個主題下設多個子主題及相應的概念與示例。

5.計算與數據教育在K-12中面臨的挑戰

盡管將計算與數據納入K-12教育的努力取得了一定進展，但仍面臨多重挑戰。

首先，課程體系本身已十分擁擠。這一問題在小學階段尤為突出，英語語言藝術和數學占據了絕大部分教學時間。即便在初中和高中階段，要增加完整的計算與數據系列課程也空間有限。

其次，當前各項努力呈現碎片化態勢。計算機科學、數據科學、人工智能等領域的倡導力量各自為政，推動獨立的學科標準，相互爭奪本就有限的教學課時。此外，單純增設獨立的計算與數據課程，未必是支持學生學習的最有效途徑。現有證據表明，那些與現實世界情境緊密結合的、基于問題與項目的教學方法，才是支持學生學習最為行之有效的方式。這類源于現實世界的問題與項目，往往需要跨越不同學校學科進行整合。再者，若一味追求制定獨立的標準、開設獨立的課程或項目，便會忽視現有的良機——即把數據與計算相關的內容融入數學、科學等既有的核心學科之中。

再次，缺乏既精通數據與計算相關主題、又對教授這些內容充滿信心的教師；亟需開發高質量的教學材料；以及現有州級政策與標準所造成的阻礙。當前正在推進的眾多舉措之間缺乏協調，這也構成了一項挑戰。涉及數據與計算的各類相關但彼此獨立的舉措層出不窮，這使得那些在數據、計算或相關STEM領域缺乏專業知識的教育工作者、教育領導者及政策制定者，難以確定應如何調整課程體系，也難以知曉該如何落實眾多已提出的構想。

最后，計算及相關領域的技術迭代日新月異，新興領域不斷涌現。這意味著學生所需的知識與技能也在快速變化，課程設計既要培養學生扎實的基礎能力，又要使其具備適應未來變化的靈活性，且絕非僅憑單門課程所能企及。

四、數據與計算領域的基礎能力有哪些？

為確定學習者在理解及運用數據與計算方面所需的基礎能力，美國國家科學院組建的“為數據和計算未來能力培養委員會”（Committee on Developing Competencies for the Future of Data and Computing），聚焦K-12教育學段，系統審查了計算機科學、數據科學、數學、統計學、科學和工程學等領域的現有概念框架與標準文件，識別其中的重疊與差異之處，形成初步能力集合。隨后，通過對每項潛在能力相關研究證據的考察和深入討論，最終確立了七項數據與計算的基礎能力（Foundational Competencies）。

從更廣義的角度理解，這些基礎能力可被視為一種解決問題的思維模式和工具包——能夠以易于解決的方式處理問題（通過諸如分解和模式識別等方法），使解決方案具有通用性（這樣它就可以適應或應用于廣泛的問題或情境，而不僅僅局限于單一的特定用例），并使解決方案能夠實現自動化（由機器執行）。

這七項基礎能力與內容知識存在密切聯系，且相互支撐、彼此關聯，在實際運用中往往需要同時調動多項能力。

能力1：提出問題與解決問題的過程

該能力指學生能夠界定問題或疑問，確定解決問題的步驟，運用工具嘗試解答，反思整個過程，決定下一步行動，并在必要時進行迭代。其組成部分包括：界定問題或疑問、確定解決問題的步驟、反思與迭代。

能力2：生成和處理數據

該能力指學生能夠生成數據并評估數據質量，為不同目的組織和整理數據，并通過探索與可視化數據來初步回答問題。其組成部分包括：生成數據（測量與數據溯源）、組織數據（案例/屬性結構與數據操作）、探索與數據可視化。

能力3：抽象、算法思維與自動化

該能力指學生能夠運用抽象和邏輯推理能力，以系統化、分步驟的方式設計并表達問題解決方案，并探索自動化數據處理與計算過程的概念與方法。其組成部分包括：在不同情境中創建抽象并將其應用于編程、針對不同規模的問題發展算法思維、識別創建并運用自動化解決方案。

能力4：概率與推斷性推理

該能力指學生能夠識別變異性與不確定性的來源，發展概率性理解，運用規范的檢驗程序開展統計調查與推斷，并對結果進行合理解釋與概括。其組成部分包括：識別不確定性與變異性的來源及影響、認識概率統計與確定性推理的作用并加以運用、以適當的確定性程度進行推斷與預測。

能力5：模型與表征

該能力指學生能夠構建并運用模型與表征來探究現象、解決問題。他們能夠根據情境和數據選擇合適的模型，評估模型與表征的局限性，并認識到任何建模活動都內含著不確定性。其組成部分包括：構建與運用模型和表征、評估模型與表征的質量、認識所有模型與表征的局限性。

能力6：技術與社會

該能力指學生能夠識別、預見并應對技術與社會、價值觀、倫理和責任之間的張力。其組成部分包括：對過程與產品的反思、對自我與社會的反思。

能力7：數據與計算系統

該能力學生能夠更深入地理解那些為解決復雜問題和應對未來變化提供基礎的數據和計算工具及系統。其組成部分包括：識別數據與計算系統的要素、選擇與運用數據和計算系統、所有權和開放性與可及性。

五、數據與計算的基礎能力與現有STEM學科如何銜接？

報告指出，數據與計算的七項基礎能力與K-12教育中已有的數學、統計學、科學和工程學等框架緊密相連。這些能力是對現有學科內容的延伸與增強，而非替代。通過在學科教學中融入這些能力，學生可以在學習傳統內容的同時，逐步建立起數據與計算素養。

1.與數學和統計學的銜接

數學和統計學為數據與計算能力的培養提供了豐富土壤。《學校數學的原則與標準》（Principles and Standards for School Mathematics）、《州共同核心數學標準》（CCSSM）、《數學建模教育評估與教學指南》（GAIMME）以及《統計學教育評估與教學指南II》（GAISE II）等框架，都與7項基礎能力存在廣泛交集。

例如，基礎能力1（提出問題與解決問題的過程）與《學校數學的原則與標準》中過程標準的“問題解決”、《數學建模教育評估與教學指南》中的“識別問題”“做出假設”要素、《州共同核心數學標準》的數學實踐“理解問題并堅持不懈解決它們”以及《統計學教育評估與教學指南II》中的統計問題解決過程“制定統計調查問題”相銜接。

2.與科學和工程學的銜接

科學和工程學同樣為基礎能力提供了重要依托。《K-12科學教育框架》和《下一代科學標準》明確將多項與數據、計算相關的實踐納入其中。

例如，這兩個文件中的“分析與解讀數據”實踐要求學生收集、整理、繪圖、進行統計分析，并利用數據作為證據來支持其主張、識別規律及解釋現象，這與數據與計算基礎能能力2直接關聯。

報告同時指出，盡管這些基礎能力在一定程度上已存在于當前的科學和數學框架之中，但從幼兒園開始，學生本可以逐步建立運用數據和計算來探究、評估和理解周圍世界的更復雜知識。然而，目前對這些能力的關注程度似乎還不足以讓學生為日益復雜和技術化的世界做好準備，尤其是在小學階段，投入的時間遠遠不夠。

六、如何設計有效的學習體驗來培養基礎能力？

學習科學的研究表明，學習是一個主動的、社會的、建構性的過程，貫穿人的一生。學習者帶著已有的知識和經驗進入課堂，這些先驗知識深刻影響著新知識的學習。動機和身份認同也是學習過程的重要組成部分——當學生看到學習內容與自身的關聯和價值時，他們會更有動力、更能持久投入。對某一學科的學習需要持續、延展的機會，在不同情境中反復接觸同一概念，才能實現深度理解。此外，對社會文化的關注也應融入教學設計，使學習體驗更具包容性和相關性。

1.設計有效學習體驗的幾點考慮

基于上述學習科學原理，報告提出設計有效學習體驗的四項策略：

第一，幫助學生明確看到數據與計算與其他學科領域的聯系；

第二，在單一課程或課程序列中有意識地涉及多項基礎能力，凸顯能力之間的相互關聯；

第三，將能力培養嵌入學生感興趣、有意義、有現實關聯的問題或項目中；

第四，為學生提供反思自身學習過程的機會。

這些策略可以通過運用教學設計框架來落實。當學習體驗圍繞數據和計算的多學科融合進行設計，融入豐富的社會科學情境，并為學生留出反思學習的時間時，科學和STEM教師將承擔與傳統教學不同的角色和內容。這種師生角色的轉變可以幫助學生更像專業人員一樣體驗STEM，為學生發展積極的STEM身份認同以及拓展對科學工作方式的理解提供機會。

此外，設計有意義的學習機會，讓學生在尊重學生經驗與社區的基礎上深入接觸基礎能力，需要一種合乎倫理、以人為本的方法。包容性教學法的相關模式——如知識財富理論（funds of knowledge）、文化持續性教學法（culturally sustaining pedagogies）、復合教學法（complex instruction）等——為開發更公平的學習體驗提供了框架。其關鍵特征包括：盡早引入數據和計算、提供多樣化的示例和情境、將學習內容與學生的生活和社區建立聯系。為了培養學生的歸屬感，數據科學與計算學習環境需要提供多元的參與方式和切入點，多樣化的榜樣示范，以及發揮學生能動性的機會。

2.與技術工具的有效整合

技術工具是數據和計算學習體驗的核心組成部分。報告強調，沒有“完美”的工具，關鍵在于理解不同工具的優缺點和適用場景，并根據學習目標做出明智選擇。

在整合數據和計算工具時，需要考慮以下問題：工具提供了哪些支架式支持？數據科學與編程之間是否存在張力？編程對于使用該工具是核心要素還是非必須知識？工具強調哪些知識和技能？學生能否在這個學習環境之外繼續參與數據科學實踐？工具具備哪些功能，缺乏哪些功能？這些功能的具備或缺乏在引導學生參與數據科學教育時帶來了哪些限制？在課堂中使用該工具是否存在倫理問題（如數據隱私、社會情感關切）？工具的采用和使用并非孤立進行，其效果取決于它所嵌入的教學系統、課程和學習體驗本身的質量。

報告指出，現有多種計算工具可供學生處理多元數據集，同時也存在經過整理的數據集，可在適當時機降低學生接觸和使用數據的門檻。

K-12階段的學生借助各類強大的數字工具，能夠開展復雜的統計分析、解決復雜計算問題，并運用先進的AI系統來應對現實世界中的問題，此類學習體驗有助于培養學生有效運用數據與計算的能力。

另外，多種編程環境和數據分析工具可助力學生深入掌握數據與計算相關能力，但無需借助數字技術的非插電式學習體驗同樣具有價值，能夠幫助學生培養相關能力。對于K-8年級學生而言，這類無屏幕學習機會在構建概念理解方面可能尤為有效。

此外，目前許多K-12階段的學生和教師正在使用生成式AI。這為學校提供了契機——通過課程和討論，引導學生探討與AI使用相關的實際應用及倫理問題，包括如何評估AI輸出結果的有效性。

七、如何將數據與計算有效融入現有課程體系？

報告指出，盡管數據與計算相關內容已在多種課程和學科中有所涉及，但它們從未成為美國K-12教育的明確核心。目前，學生鮮有機會以系統化的方式發展數據和計算能力，多數體驗只是短暫的、零散的接觸。研究表明，支持學生學習的最佳途徑是提供持續且反復的課程教學，并將這些課程與學生既往的學習經歷緊密相連。這種模式能保證各年級學習內容的連貫性，讓學生逐步深入、循序漸進地學習相關知識。

報告認為，在數據和計算以及科學和數學等內容領域之間建立有意義和有目的的跨學科聯系，對于支持學生的學科學習具有巨大的潛力。這種“融入”——即在所有學生均需修讀的常規課程情境下建立這些聯系——能夠確保所有學生都能廣泛接觸相關內容，而不僅僅局限于那些選修了專門針對數據或計算開設的獨立課程的學生。

將數據與計算內容融入現有的科學和數學課程中既能提升現有課程的質量，又能為學生提供連貫且一致的體驗，使其接觸并掌握相關基礎能力。鑒于在學校課程中新增內容所面臨的挑戰，以及將數據與計算內容融入現有課程的巨大潛力，報告認為，增設那些僅有極少數學生有時間修讀的課程，無助于實現“幫助所有學生熟悉數據與計算相關主題及方法”這一更宏大的目標。相反，將數據與計算主題融入現有學科和課程中，是一種切實可行的方法，有望提升課程的連貫性與普及度。

當前K–12教育體系中，課程設置、科目安排及畢業要求的現有架構，為引入專注于數據與計算內容的全新獨立課程所提供的機會十分有限。若能采取多種方式，從小學階段就將數據與計算領域的基礎能力融入現有的學校學科領域（如科學、社會科學和數學）之中，可構建出一套更為連貫的數據與計算課程體系。這種融入式教學方法有助于學生不僅理解相關主題的復雜性，還能領悟這些主題與其他學科之間的內在聯系。

實施這種融入式教學方法，需要州級教育部門、地方教育機構、各級學校及廣大教師的共同努力，同時也離不開教學材料編寫者及專業發展培訓提供者的積極配合。

八、如何培養教師的數據與計算教學能力？

報告指出，數據與計算影響著社會的每一個方面，因此與學校每一門學科都相關。這種跨學科性，以及它們在K-12核心內容領域中的多種應用方式，為培養教師將數據與計算融入其他學科提供了契機。然而，這種普遍性和跨學科性也帶來了一項挑戰：沒有一個特定的情境或學科可以作為將數據與計算教學融入課程的主要著力點。

在數學領域，數據和計算的應用已經形成了穩固且重要的基礎，因此數學教師培養項目對數據相關內容有一定程度的關注。但隨著數據與計算在科學、社會科學等學科中的應用日益廣泛，這些學科的教師也需要接受充分的培養，以便將數據與計算融入各自的教學領域。

1.教師開展數據與計算教學需要什么知識

報告指出，有效的數據與計算教學需要教師同時具備內容知識（content knowledge）和學科教學知識（Pedagogical Content Knowledge）。在內容知識方面，多個專業組織（如計算機科學教師協會、國家數學教師委員會、數學科學理事會、美國統計協會等）已為教師應掌握的知識內容提供了指導框架，涉及計算系統、算法、數據分析等。在學科教學知識方面，則涉及如何將學科內容轉化為學生易于理解的形式，識別學生常見的理解難點，并能夠根據學生的反應調整教學策略。

2.教師獲取數據與計算相關知識面臨的挑戰

報告指出，數據與計算在所有學科領域中均發揮著作用，因此所有教師一定程度都有責任向學生傳授這些主題，但當前在職前和在職教育以及認證中還面臨著一些挑戰。

在職前教育階段，無論是中學教師還是小學教師，在職前培養階段都不一定學習過數據與計算相關課程。這些主題在整個職前課程中占據何種位置、涵蓋哪些內容，本身就是一項挑戰。由于職前教師培養項目普遍缺乏學習數據與計算基礎能力的機會，所以許多教師候選人畢業時并不具備在K-12階段促進數據與計算教學的能力。此外，不同大學之間差異顯著——有的大學設有專門針對職前教師的內容課程，而其他大學的職前教師則與學科專業學生學習完全相同的內容課程。這使得教師通常不熟悉計算與編程，因為它并不是職前教師教育計劃的常規組成部分。

在在職教育階段，隨著需要接受計算與數據培訓教師人數的增加，對州、區域或地方層面支持體系的需求也隨之增長。但由于缺乏充足的資金或能力，在職專業發展并不總是得到學校和學區的支持，高質量的專業學習機會也并不廣泛。例如，2023年，共有25個州向計算機科學教育領域撥款1.2億美元；2024年，參與撥款的州數量增加至39個，但撥款總額卻降至約8600萬美元。

在認證方面，各州對計算機科學教師的認證要求差異較大，目前尚不存在專門的數據科學教師資格認證。由于具備計算背景的人才在非教育領域往往能獲得更高薪酬，計算機科學教師的招募面臨困難。替代認證途徑為吸引更多人才進入教學領域提供了可能，但這些途徑的質量保障仍需關注。

九、實施數據與計算教育需要怎樣的系統性變革？

報告指出，將數據與計算作為所有學生的預期學習目標的一部分，需要多層面的變革和行動者的協同努力。決策者不僅需要考慮學校課程，還需要考慮影響K-12學生參與數據與計算學習的更廣泛的生態系統。國家層面的努力可以提供資源和動力，但實施需要州和地方層面的決策與投入。地方層面的議題和貢獻包括學區、學校、家庭與多個社區行動者（如校外時間提供者）之間的聯系，此外還有學生和家庭本身。

家庭參與在塑造學生對計算及更廣泛STEM領域的興趣、歸屬感、選擇和參與方面發揮著關鍵的多方面作用。從早期接觸到鼓勵，從成為榜樣到提供動力，家庭對學生STEM之旅貢獻良多。通過促進家庭、學校和社區之間的強大伙伴關系，可以建立一個強大的支持系統，培養下一代STEM創新者和領導者，并確保所有學生都能在日常生活中充分參與數據與計算的學習。

考慮到當前學校和學區的結構與限制，完全實現一個優先教授和學習數據與計算的教育系統是一項復雜的任務。需要短期和長期的變革，以確保所有學生都具備基礎能力素養，并準備好應對學校和社會中的新數字技術。優先在課程開發者、變革倡導者、家庭和教育者之間采用更連貫、更協調的方法，可以從現在就開始，并首先改善學生的學習。改變政策，特別是與課程和教師專業學習相關的政策，可能需要更多時間。

美國K-12教育體系及其所處社會的復雜性意味著，需要許多行動者和行動來增加和改進數據與計算學習。州教育機構掌控著畢業要求和問責制度。地方教育機構控制著技術和教學資源的采購，以及州和聯邦政策的實施。這兩個層級的機構都負責跟蹤課程并記錄學習成果。同時，資助者對支持學習研究、開發基于證據的教學材料和資源至關重要。所有這些行動者之間的協調，有助于加強關于數據與計算教學的專業學習。

十、加強數據與計算學習的政策建議是什么？

報告從將數據與計算納入K-12教育、支持數據與計算教師、推動系統性變革三個方面提出了14項建議。

1.將數據與計算納入K-12教育

建議1：數據與計算對于STEM及其他領域的工作至關重要；因此，州和地方教育機構應制定計劃，以連貫一致的方式將數據與計算納入學校課程，使這些主題在整個K-12教育中獲得更高的優先級。這些變革應以加強基礎數學和科學學習的方式進行。為確保學生獲得高質量的學習體驗，應考慮以下原則：在所有年級，學習體驗應主要側重于將數據與計算的基礎能力融入現有學校學科，并提供幫助所有學生在所有內容領域發展這些能力的學習活動；所有學生都應有機會選修專注于數據和計算的獨立課程，雖然此類課程可能在中學開始，但最合適的時間是高中階段。

建議2：在選擇采用的課程時，州和地方教育機構應優先考慮那些能幫助學生看到數據、計算與其他學校學科之間聯系的課程，并且這些課程能在多個課程、單元和年級中為學生提供明確的機會來發展數據和計算的基礎能力。

建議3：州和地方教育機構、學校和教師應從幼兒園開始，在各個內容領域為學生創造接觸數據和計算的機會，以提供逐步建立更復雜知識的遞進式體驗，幫助所有學生運用數據和計算來探究、評估和理解他們周圍的世界。這些體驗應在常規課程中進行，主題應面向所有學生，并旨在促進所有學生的成功。

建議4：各州和地方教育機構應評估任何與數據和計算相關的新課程或要求對現有畢業要求的影響。具體而言，他們應考慮新增內容是否加強了學生對科學或數學的學習，以及任何新增內容對先前科學或數學學習期望的影響。

建議5：課程開發者以及自行開發教學材料的教師，應使用基礎能力作為闡述學生學習目標和設計與數據和計算相關學習體驗的指南。此方法應同時適用于融合課程和獨立課程。學習體驗應包含以下特點：學生參與他們認為有意義的、基于問題或項目的體驗；學生有機會參與“不插電”和“插電”的課程和活動；學生使用技術工具的方式，應有助于他們學習數據和計算，了解工具本身，以及學習如何為特定目的選擇工具；學生參與關于AI的學習體驗，了解其機遇、潛在用途、緊張關系、局限性和風險；學生評估倫理在數據和計算相關決策中的作用，并反思用于數據和計算的技術對社會的影響，包括新技術的實際影響以及潛在的短期和長期后果。

建議6：課程開發者應設計資源，支持教師開展融合式學習體驗，有意地將數學、科學和工程學融入以數據和計算為重點的課程，同時也支持將數據和計算融入數學、科學和工程學課程。當數據和計算與其他學校學科融合時，應明確討論，以幫助學生增進對數據和計算的理解，并了解它們如何與其他學科的思想相聯系。開發者應與教學法、數據和計算以及其他相關內容領域的專家合作，以確定適當的學習成果，并設計資源來支持為所有學生提供有意義且有效的學習體驗。

2.支持數據與計算教師

建議7：專業發展提供者應為教師設計學習機會，讓他們在自己所教授的學科以及他們預期要實施的課程背景下體驗數據和計算能力。對于通科教師（通常為K-6年級教師），專業學習應是跨學科的，并模仿能力本身固有的融合方法。對于有特定學科認證的教師（通常為初中和高中教師），專業學習應具有情境性，并側重于優先考慮在課程中接觸數據和計算如何能夠加強學生的學習。

建議8：教師培養項目的負責人應擴大職前教師專攻計算的機會，包括利用與計算機科學系的合作途徑。與專注于數據的系科或項目（如數學、統計學、數據科學、工程學）的類似合作，也可能適合擴大職前教師的機會。

建議9：所有職前教師都需要在其培養過程中有機會熟悉計算和數據。教育學院和其他教師培養途徑的負責人需要為職前教師候選人提供：熟悉基礎能力以及更廣泛的計算和數據領域的機會；使他們做好準備，將計算和數據，特別是基礎能力，融入他們所教學科的體驗。

3.推動系統性變革

建議10：州和地方教育機構應設計衡量學生、學校和學區參與數據和計算學習體驗的指標，以記錄融合體驗和獨立課程的提供情況，并跟蹤有過這些體驗的學生的成果。

建議11：倡導增加K-12學生數據和計算學習的團體、專業學會和其他非營利領導組織，應優先努力推進基礎能力的教學。他們應致力于支持州和學區將數據和計算主題融入現有課程的努力。

建議12：在K-12教育中提升和融合計算和數據需要多個領域的額外投資和協調。慈善、商業、工業和政府領域的資助者，應在聽取學校、學區、行政人員和教師意見的基礎上，考慮為課程開發、專業發展以及技術的購買和持續維護提供支持。他們還應為教師提供支持，使其能夠學習課程或向數據和計算專業人士學習，從而培養專業知識并將其帶入課堂。對教育的投資不應以采購專有技術和/或收集學生或教師數據為條件。

建議13：在選擇用于數據和計算相關教學的技術工具時，行政人員和教育者應：制定政策并分配資金，以促進數字和物理可訪問性，包括遵守《美國殘疾人法案》，使所有學生和教師都能使用這些工具；投資于專業發展，使教師能夠有效使用現有工具，并有持續的支持來整合新工具；為初始采購成本以及持續的維護、升級和技術支持成本分配資金；制定與數據訪問和學生隱私相關的政策。

建議14：與數學、科學、數據科學、統計學和計算相關的專業學會，以及專注于這些學科教育的組織，應考慮重新審視其K-12框架，以提升和強調基礎能力，從而便于教育者看到不同學科框架之間的聯系。這些組織還應相互協調，并以此向其社區發出信號，表明迫切需要在改進學生學習的努力中增加連貫性。

資料來源：

National Research Council. 2026. Data and Computing in K–12 Education: Foundational Competencies. Washington, DC: The National Academies Press. https://www.nationalacademies.org/publications/29303.

[本文為教育部國別和區域研究基地中國教育科學研究院國際教育研究中心成果]

本文由中國教育科學研究院“教育國際前沿”課題組整理，課題組負責人張永軍，編輯劉強。點擊左下角閱讀原文可下載該文獻。