美科学院报告：K-12学生必须掌握7大数据与计算基础能力|k-12|世纪|教学|教师|数学|美科学院

本文核心要点：

2026年3月12日，美国国家科学院发布《K-12教育中的数据与计算：基础能力》重磅报告，系统阐述了数据与计算时代背景下，K-12学生必须掌握的七项基础能力，并提出了将数据与计算融入数学、科学等核心课程的实践路径。

报告认为，数据和计算已渗透至社会各个领域，理解并运用数据正成为公民参与和个人决策的关键能力。为此，报告确立了七项跨学科、跨年级的基础能力：提出问题与解决问题的过程、生成和处理数据、抽象与算法思维、概率与推断性推理、模型与表征、技术与社会、数据与计算系统。

在实施层面，报告提出将数据与计算内容系统性地融入现有数学和科学课程，而非简单增设独立课程。同时，报告呼吁加强教师的数据与计算教学能力培养，推动州、学区、学校、家庭及社区多方协同的系统性变革，确保每一位学生都能获得培养数据与计算基础能力的切实机会。

报告从课程设计、教师培养、技术整合、政策协调等维度提出了14项具体建议，为美国K-12教育体系应对数据时代的挑战提供了清晰的路线图。

以下为正文

2026年3月12日，美国国家科学院发布《K12教育中的数据与计算：基础能力》（Data and Computing in K–12 Education：Foundational Competencies）报告，提出了一套旨在培养学生数据与计算基础素养的连贯一致的全国性框架。

该报告确立了七项跨学科与跨年级的基础能力，并深入探讨了这些能力如何与现有的STEM标准及课堂教学实践相契合。此外，报告还提供了将数据与计算内容融入K-12教育体系提供了指导，以进一步强化数学与科学核心领域的学习成效。

通过对课程、教师培养、专业学习、技术普及、评估以及系统层级协调等关键环节的全面审视，该报告呼吁各方采取持续且协同一致的行动，以确保每一位学生都能获得富有实效的良机，从而培养数据与计算素养。

该报告的主要内容概述如下：

一、数据与计算为何重要？

报告认为，数据与计算在社会各领域、劳动力需求和K-12教育中越来越重要。

首先，过去几十年，数据和计算已渗透至社会几乎所有方面，涵盖通信、政治、商业乃至国家安全。人们逐渐认识到，数据的无处不在要求我们具备新的理解与技能。理解数据和计算，正日益成为参与各类社会活动及处理医疗、金融、时事、投票等日常事务的必需。更广泛而言，提升具备数据与计算素养的人口规模，有望增强公民生活、促进社会交流，并助力改善世界。

其次，数据和计算对于各类职业都至关重要，其重要性远不止于STEM领域。如今，从焊接、农业到木材生产，众多传统行业的工作都日益依赖相关的知识与技能。数据科学与计算更推动了人类基因组测序、极端天气预报、社会趋势分析等一系列广泛领域的进步。这意味着，无论学生未来投身STEM领域还是其他行业，都必须在某种程度上熟悉数据和计算，才能成功融入未来的劳动力队伍。

最后，将数据和计算融入现有K-12 STEM课程，使其更准确地反映当代STEM实践，是一项重要优先事项。随着科学与工程日益以数据为中心并更加依赖计算，STEM教育也需要持续加强对数据和计算的关注，以帮助学生了解科学与工程领域的专业人员是如何工作的。实践证明，数据和计算的学习在嵌入特定领域情境并应用于具体问题时，比抽象讨论更为有效。

二、什么是数据和计算

在该报告中，数据指的是一个广义概念，既包括对事物属性的测量，也包括对这些测量结果的使用。数据可以是以结构化形式存在的信息，如关系数据库中的一系列案例及其属性；也可以泛指以数字方式存储的信息，如关键词、键值数据库等。

计算则是一个比计算机科学或编程更为宽泛的概念。“计算”涵盖了所有依托计算机而开展的各项工作，其中包括软件开发、网络技术、AI、信息技术、量子信息、人机交互、数据科学等领域的议题与实践，以及所有利用计算机解决现实世界问题的途径。

三、数据与计算在美国K-12教育中的实施现状是如何的？

报告指出，数据和计算在STEM领域及对于理解日常生活都很重要，其融入K–12教育的各项工作不断加强，并在近期拓展至AI和量子信息科学等领域。

然而，尽管目前已开设了相关的数据与计算课程，但修读这些课程的学生比例依然极低。学校现有的STEM学科完全可以提供一个适宜的语境，帮助学生理解如何运用并实践数据与计算知识。

1.计算纳入K-12教育的发展历程

美国早在20世纪70年代就提出所有学生都应该发展计算能力（computing），2006年开始，计算思维（computational thinking）作为一种能力在计算机科学教育中逐渐得到普及。

2010年，美国国家科学基金会（NSF）启动“21世纪计算教育”（Computing Education for the 21st Century，CE21）项目；2014年将其调整为“STEM-C伙伴计划：21世纪计算教育”（STEM-C Partnerships: Computing Education for the 21st Century，STEM-CP: CE21），其目标是满足K-12 STEM教育整体发展的需求，以及提升计算机科学教育的普及程度。

2015年，美国国家科学基金会又将“STEM-C伙伴计划：21世纪计算教育“改为”STEM+C“（STEM+计算伙伴计划），将重点更多地投向K–12阶段的计算教育及其与STEM领域的融合。该计划历时四年，催生了一系列处于STEM与计算机科学交汇点上的重大研究项目。尽管“数据科学”一词并未直接出现在该计划的名称中，但对融合了计算与数据要素的STEM学习进行探索，却是该计划的一项明确预期。

2016年，美国国家科学基金会推出“全民计算机科学：研究实践伙伴关系”（Computer Science for All: Research Practitioner Partnerships，CS for All: RPP）项目，旨在提升学校提供计算机科学课程的能力，并扩大弱势群体的参与。

这些计划/项目推动了计算思维和计算机科学教育研究的发展，但至今尚未实现各州、各学校和学生群体之间的均衡覆盖。

2.计算机科学课程的发展历程

在美国，计算（Computing）在高中课程中或作为独立的计算课程或作为计算机科学课程已开设几十年，并在近年计算相关课程逐步从选修拓展为核心课程。目前，超过60%的学生有机会选修高中计算机科学课程，且每年约有6.4%的高中生实际修读了计算机科学课程。此外，近几年来，小学和初中阶段对计算机科学的关注度也有所提升。

美国在国家层面也在努力扩大K-12的计算机科学。例如，计算机协会（ACM）等组织2016年联合发布《K–12 计算机科学框架》（K–12 Computer Science Framework），计算机科学教师协会（Computer Science Teachers Association，CSTA）2011年发布《K–12计算机科学标准》等，提出了适用于K–12阶段计算机科学教育的核心概念与实践准则。

此外，受到国家科学基金会“扩大参与计算联盟（Broadening Participation in Computing Alliance，BPC-A）”项目资助的“拓展计算机教育途径”（Expanding Computing Education Pathways，ECEP）联盟，通过支持各州层面的计算教育改革来增加进入计算及计算密集型学位深造的学生人数。国家妇女与信息技术中心（National Center for Women and Information Technology NCWIT）同样接受国家科学基金会该项目的资助，通过“计算机抱负计划”（Aspirations in Computing）等创新项目，致力于扩大技术生态系统中的参与广度。

大学先修课程（AP）也是扩大高中学生学习计算课程的重要机会。AP计算机科学A于1984年推出，AP计算机科学原理（AP Computer Science Principles）于2016年推出。后者旨在为非专业学生提供计算机科学的入门性学习内容。2024年，有17.5万名学生参加AP计算机科学原理考试，9.8万名学生参加AP计算机科学A考试。

截至2024年，44个州采纳了计算机科学标准，全美60%的公立高中提供至少一门基础计算机科学课程，约6%的高中生选修计算机科学课程。州级政策和资金支持持续增长——2023年各州为K-12计算机科学教育拨款超过1.2亿美元，创历史新高。越来越多的州制定K-12计算机科学教育计划、为K-12计算机科学专业学习拨款、并要求所有学校提供计算机科学课程。

3.人工智能、量子信息科学教育现状

在AI教育方面，美国教育部于2023年发布《AI与教学的未来》报告。国家科学基金会自2018年起通过“学生与教师创新技术体验”（Innovative Technology Experiences for Students and Teachers，ITEST）等项目资助AI素养与教育工作。

其他的努力包括TeachAI和人工智能K-12倡议（Artificial Intelligence for K–12 initiative，AI4K12）。此外，美国国家科学基金会提供资金专门用于资助为K-12人工智能教育扩充资源的项目。

其中AI4K12项目始于2018年，是计算机科学教师协会（CSTA）与人工智能促进协会（AAAI）共同发起的一项合作项目，该项目提出包括五大核心理念（感知、表征与推理、学习、自然交互、社会影响）的AI教育框架，并建立了AI教学在线资源目录和在线社区。目前正在制定K-12人工智能教育指南。

其他组织也在开发K-12人工智能教育指南和资源，如麻省理工学院的“社会赋权与教育的负责任人工智能”（Responsible AI for Social Empowerment and Education）项目提供免费课程与教学资源。TeachAI平台近期发布指导意见，帮助计算机科学教师和学校管理者理解计算机科学教育中的AI基础问题。计算机科学教师协会2025年发布《面向所有K-12学生的AI学习优先事项》报告，并正在修订其相关标准。

在量子信息科学教育方面，已开展小规模教师专业发展项目及K-12量子信息课程扩展研究，旨在加强学生对这一STEM领域的社会影响及就业前景的认识。此外，国家Q-12教育伙伴关系（National Q-12 Education Partnership）制定文件阐明了基本的量子概念及其在当前科学和数学课程中的应用。

国家科学基金会自2020年以来资助多个相关项目，旨在深入探索量子信息科学的学习规律、开发相应的教学课件与活动方案，并为教师提供专业的进修与培训服务。例如，2020年资助了“面向未来量子信息学习者的关键概念”（Key Concepts for Future Quantum Information Science Learners）研讨会，随后又资助开发了一套拓展性的框架，以指导面向低龄学习者的未来量子信息科学课程开发工作。该框架包括量子信息科学9大概念，并特别指出了量子信息科学与计算机科学、物理学、化学以及数学等学科之间的内在联系。

目前美国多数量子教育项目采用将量子模块融入现有科学和数学课程的路径，例如“全民量子”项目（Quantum for All）和“量子计算数学与物理”（QCaMP）项目；少数专门学校开设独立量子课程，这些课程通常由非营利性教育机构提供，或开设于那些拥有拓展型科学课程体系的特色学校之中。俄亥俄州和得克萨斯州已将量子信息概念纳入州教育标准，科罗拉多州于2025年发布蓝图，强调量子职业与技术教育路径。

4.数据（科学）纳入K-12教育的发展历程

数据在美国K-12教育中由来已久，长期以来主要作为数学和科学课程的一部分。1989年和2000年，美国数学教师协会（National Council of Teachers of Mathematics，NCTM）分别发布《学校数学课程与评价标准》及《学校数学的原则与标准》，将数据与概率列为K-12阶段的重要内容。2010年发布的《州共同核心数学标准》（Common Core State Standards for Mathematics）将测量与数据、统计与概率作为贯穿各年级的核心领域。

近年来，数据科学的重要性日益凸显。2024年，美国社会科学协会（National Council for the Social Studies，NCSS）、美国数学教师协会、美国科学教学协会（National Science Teaching Association，NSTA）、美国统计协会（American Statistical Association，ASA）及计算机科学教师协会（Computer Science Teachers Association，CSTA）联合发布立场声明，呼吁在K-12各学科中引入并教授数据科学。ExcelinEd等组织也在推动各州将数据科学纳入K-12教育。

美国国家科学基金会（NSF）通过STEM+C项目及其他STEM教育项目资助数据科学教育工作。其中一个较早的K-12计算与数据课程及教师专业发展项目是Mobilize项目，该项目为高中阶段开发了“探索计算机科学”课程中的数据单元，以及一门独立的“数据科学导论”（Introduction to Data Science，IDS）课程。该课程在加州影响广泛，并逐步被俄勒冈州采纳。

德克萨斯大学奥斯汀分校达纳中心（Charles A. Dana Center at The University of Texas at Austin）和数据科学全民联盟（Data Science for Everyone，DS4E）是推动数据科学教育及州级政策的两大重要力量。达纳中心主办的“启航年倡议”（Launch Years Initiative）连接并支持23个州的数据科学教育工作，为学生提供数学咨询指导、数据科学相关新课程以及通向高等数学学习的路径。数据科学全民联盟致力于收集数据科学教学现状信息，推动全美K-12学生掌握数据素养。其数据显示，2019年俄亥俄州是全美唯一拥有全州性数据科学教育项目的州，而到2025年，已有35个州开展了相关项目。

各州将数据科学纳入教育的路径不尽相同。多数州将其归入数学教育，也有州将其纳入职业技术教育（Career and Technical Education，CTE），学生修读数据科学系列课程后可获得特定软件或行业的数据分析认证。实施年级也各有差异——多数州集中在高中阶段，部分州着手在6-12年级推进，新泽西州则从2-5年级开始，逐步向更高年级延伸。马里兰州、弗吉尼亚州和北卡罗来纳州已将数据科学纳入数学课程体系，制定了具体的课程与教学指导。

2025年，数据科学全民联盟发布《K-12数据素养与数据科学学习进阶》（K-12 Data Literacy and Data Science Learning Progressions），提出五大学习主题：秉性与责任、数据生成与整理、分析与建模技术、问题与结果解释、可视化与沟通。每个主题下设多个子主题及相应的概念与示例。

5.计算与数据教育在K-12中面临的挑战

尽管将计算与数据纳入K-12教育的努力取得了一定进展，但仍面临多重挑战。

首先，课程体系本身已十分拥挤。这一问题在小学阶段尤为突出，英语语言艺术和数学占据了绝大部分教学时间。即便在初中和高中阶段，要增加完整的计算与数据系列课程也空间有限。

其次，当前各项努力呈现碎片化态势。计算机科学、数据科学、人工智能等领域的倡导力量各自为政，推动独立的学科标准，相互争夺本就有限的教学课时。此外，单纯增设独立的计算与数据课程，未必是支持学生学习的最有效途径。现有证据表明，那些与现实世界情境紧密结合的、基于问题与项目的教学方法，才是支持学生学习最为行之有效的方式。这类源于现实世界的问题与项目，往往需要跨越不同学校学科进行整合。再者，若一味追求制定独立的标准、开设独立的课程或项目，便会忽视现有的良机——即把数据与计算相关的内容融入数学、科学等既有的核心学科之中。

再次，缺乏既精通数据与计算相关主题、又对教授这些内容充满信心的教师；亟需开发高质量的教学材料；以及现有州级政策与标准所造成的阻碍。当前正在推进的众多举措之间缺乏协调，这也构成了一项挑战。涉及数据与计算的各类相关但彼此独立的举措层出不穷，这使得那些在数据、计算或相关STEM领域缺乏专业知识的教育工作者、教育领导者及政策制定者，难以确定应如何调整课程体系，也难以知晓该如何落实众多已提出的构想。

最后，计算及相关领域的技术迭代日新月异，新兴领域不断涌现。这意味着学生所需的知识与技能也在快速变化，课程设计既要培养学生扎实的基础能力，又要使其具备适应未来变化的灵活性，且绝非仅凭单门课程所能企及。

四、数据与计算领域的基础能力有哪些？

为确定学习者在理解及运用数据与计算方面所需的基础能力，美国国家科学院组建的“为数据和计算未来能力培养委员会”（Committee on Developing Competencies for the Future of Data and Computing），聚焦K-12教育学段，系统审查了计算机科学、数据科学、数学、统计学、科学和工程学等领域的现有概念框架与标准文件，识别其中的重叠与差异之处，形成初步能力集合。随后，通过对每项潜在能力相关研究证据的考察和深入讨论，最终确立了七项数据与计算的基础能力（Foundational Competencies）。

从更广义的角度理解，这些基础能力可被视为一种解决问题的思维模式和工具包——能够以易于解决的方式处理问题（通过诸如分解和模式识别等方法），使解决方案具有通用性（这样它就可以适应或应用于广泛的问题或情境，而不仅仅局限于单一的特定用例），并使解决方案能够实现自动化（由机器执行）。

这七项基础能力与内容知识存在密切联系，且相互支撑、彼此关联，在实际运用中往往需要同时调动多项能力。

能力1：提出问题与解决问题的过程

该能力指学生能够界定问题或疑问，确定解决问题的步骤，运用工具尝试解答，反思整个过程，决定下一步行动，并在必要时进行迭代。其组成部分包括：界定问题或疑问、确定解决问题的步骤、反思与迭代。

能力2：生成和处理数据

该能力指学生能够生成数据并评估数据质量，为不同目的组织和整理数据，并通过探索与可视化数据来初步回答问题。其组成部分包括：生成数据（测量与数据溯源）、组织数据（案例/属性结构与数据操作）、探索与数据可视化。

能力3：抽象、算法思维与自动化

该能力指学生能够运用抽象和逻辑推理能力，以系统化、分步骤的方式设计并表达问题解决方案，并探索自动化数据处理与计算过程的概念与方法。其组成部分包括：在不同情境中创建抽象并将其应用于编程、针对不同规模的问题发展算法思维、识别创建并运用自动化解决方案。

能力4：概率与推断性推理

该能力指学生能够识别变异性与不确定性的来源，发展概率性理解，运用规范的检验程序开展统计调查与推断，并对结果进行合理解释与概括。其组成部分包括：识别不确定性与变异性的来源及影响、认识概率统计与确定性推理的作用并加以运用、以适当的确定性程度进行推断与预测。

能力5：模型与表征

该能力指学生能够构建并运用模型与表征来探究现象、解决问题。他们能够根据情境和数据选择合适的模型，评估模型与表征的局限性，并认识到任何建模活动都内含着不确定性。其组成部分包括：构建与运用模型和表征、评估模型与表征的质量、认识所有模型与表征的局限性。

能力6：技术与社会

该能力指学生能够识别、预见并应对技术与社会、价值观、伦理和责任之间的张力。其组成部分包括：对过程与产品的反思、对自我与社会的反思。

能力7：数据与计算系统

该能力学生能够更深入地理解那些为解决复杂问题和应对未来变化提供基础的数据和计算工具及系统。其组成部分包括：识别数据与计算系统的要素、选择与运用数据和计算系统、所有权和开放性与可及性。

五、数据与计算的基础能力与现有STEM学科如何衔接？

报告指出，数据与计算的七项基础能力与K-12教育中已有的数学、统计学、科学和工程学等框架紧密相连。这些能力是对现有学科内容的延伸与增强，而非替代。通过在学科教学中融入这些能力，学生可以在学习传统内容的同时，逐步建立起数据与计算素养。

1.与数学和统计学的衔接

数学和统计学为数据与计算能力的培养提供了丰富土壤。《学校数学的原则与标准》（Principles and Standards for School Mathematics）、《州共同核心数学标准》（CCSSM）、《数学建模教育评估与教学指南》（GAIMME）以及《统计学教育评估与教学指南II》（GAISE II）等框架，都与7项基础能力存在广泛交集。

例如，基础能力1（提出问题与解决问题的过程）与《学校数学的原则与标准》中过程标准的“问题解决”、《数学建模教育评估与教学指南》中的“识别问题”“做出假设”要素、《州共同核心数学标准》的数学实践“理解问题并坚持不懈解决它们”以及《统计学教育评估与教学指南II》中的统计问题解决过程“制定统计调查问题”相衔接。

2.与科学和工程学的衔接

科学和工程学同样为基础能力提供了重要依托。《K-12科学教育框架》和《下一代科学标准》明确将多项与数据、计算相关的实践纳入其中。

例如，这两个文件中的“分析与解读数据”实践要求学生收集、整理、绘图、进行统计分析，并利用数据作为证据来支持其主张、识别规律及解释现象，这与数据与计算基础能能力2直接关联。

报告同时指出，尽管这些基础能力在一定程度上已存在于当前的科学和数学框架之中，但从幼儿园开始，学生本可以逐步建立运用数据和计算来探究、评估和理解周围世界的更复杂知识。然而，目前对这些能力的关注程度似乎还不足以让学生为日益复杂和技术化的世界做好准备，尤其是在小学阶段，投入的时间远远不够。

六、如何设计有效的学习体验来培养基础能力？

学习科学的研究表明，学习是一个主动的、社会的、建构性的过程，贯穿人的一生。学习者带着已有的知识和经验进入课堂，这些先验知识深刻影响着新知识的学习。动机和身份认同也是学习过程的重要组成部分——当学生看到学习内容与自身的关联和价值时，他们会更有动力、更能持久投入。对某一学科的学习需要持续、延展的机会，在不同情境中反复接触同一概念，才能实现深度理解。此外，对社会文化的关注也应融入教学设计，使学习体验更具包容性和相关性。

1.设计有效学习体验的几点考虑

基于上述学习科学原理，报告提出设计有效学习体验的四项策略：

第一，帮助学生明确看到数据与计算与其他学科领域的联系；

第二，在单一课程或课程序列中有意识地涉及多项基础能力，凸显能力之间的相互关联；

第三，将能力培养嵌入学生感兴趣、有意义、有现实关联的问题或项目中；

第四，为学生提供反思自身学习过程的机会。

这些策略可以通过运用教学设计框架来落实。当学习体验围绕数据和计算的多学科融合进行设计，融入丰富的社会科学情境，并为学生留出反思学习的时间时，科学和STEM教师将承担与传统教学不同的角色和内容。这种师生角色的转变可以帮助学生更像专业人员一样体验STEM，为学生发展积极的STEM身份认同以及拓展对科学工作方式的理解提供机会。

此外，设计有意义的学习机会，让学生在尊重学生经验与社区的基础上深入接触基础能力，需要一种合乎伦理、以人为本的方法。包容性教学法的相关模式——如知识财富理论（funds of knowledge）、文化持续性教学法（culturally sustaining pedagogies）、复合教学法（complex instruction）等——为开发更公平的学习体验提供了框架。其关键特征包括：尽早引入数据和计算、提供多样化的示例和情境、将学习内容与学生的生活和社区建立联系。为了培养学生的归属感，数据科学与计算学习环境需要提供多元的参与方式和切入点，多样化的榜样示范，以及发挥学生能动性的机会。

2.与技术工具的有效整合

技术工具是数据和计算学习体验的核心组成部分。报告强调，没有“完美”的工具，关键在于理解不同工具的优缺点和适用场景，并根据学习目标做出明智选择。

在整合数据和计算工具时，需要考虑以下问题：工具提供了哪些支架式支持？数据科学与编程之间是否存在张力？编程对于使用该工具是核心要素还是非必须知识？工具强调哪些知识和技能？学生能否在这个学习环境之外继续参与数据科学实践？工具具备哪些功能，缺乏哪些功能？这些功能的具备或缺乏在引导学生参与数据科学教育时带来了哪些限制？在课堂中使用该工具是否存在伦理问题（如数据隐私、社会情感关切）？工具的采用和使用并非孤立进行，其效果取决于它所嵌入的教学系统、课程和学习体验本身的质量。

报告指出，现有多种计算工具可供学生处理多元数据集，同时也存在经过整理的数据集，可在适当时机降低学生接触和使用数据的门槛。

K-12阶段的学生借助各类强大的数字工具，能够开展复杂的统计分析、解决复杂计算问题，并运用先进的AI系统来应对现实世界中的问题，此类学习体验有助于培养学生有效运用数据与计算的能力。

另外，多种编程环境和数据分析工具可助力学生深入掌握数据与计算相关能力，但无需借助数字技术的非插电式学习体验同样具有价值，能够帮助学生培养相关能力。对于K-8年级学生而言，这类无屏幕学习机会在构建概念理解方面可能尤为有效。

此外，目前许多K-12阶段的学生和教师正在使用生成式AI。这为学校提供了契机——通过课程和讨论，引导学生探讨与AI使用相关的实际应用及伦理问题，包括如何评估AI输出结果的有效性。

七、如何将数据与计算有效融入现有课程体系？

报告指出，尽管数据与计算相关内容已在多种课程和学科中有所涉及，但它们从未成为美国K-12教育的明确核心。目前，学生鲜有机会以系统化的方式发展数据和计算能力，多数体验只是短暂的、零散的接触。研究表明，支持学生学习的最佳途径是提供持续且反复的课程教学，并将这些课程与学生既往的学习经历紧密相连。这种模式能保证各年级学习内容的连贯性，让学生逐步深入、循序渐进地学习相关知识。

报告认为，在数据和计算以及科学和数学等内容领域之间建立有意义和有目的的跨学科联系，对于支持学生的学科学习具有巨大的潜力。这种“融入”——即在所有学生均需修读的常规课程情境下建立这些联系——能够确保所有学生都能广泛接触相关内容，而不仅仅局限于那些选修了专门针对数据或计算开设的独立课程的学生。

将数据与计算内容融入现有的科学和数学课程中既能提升现有课程的质量，又能为学生提供连贯且一致的体验，使其接触并掌握相关基础能力。鉴于在学校课程中新增内容所面临的挑战，以及将数据与计算内容融入现有课程的巨大潜力，报告认为，增设那些仅有极少数学生有时间修读的课程，无助于实现“帮助所有学生熟悉数据与计算相关主题及方法”这一更宏大的目标。相反，将数据与计算主题融入现有学科和课程中，是一种切实可行的方法，有望提升课程的连贯性与普及度。

当前K–12教育体系中，课程设置、科目安排及毕业要求的现有架构，为引入专注于数据与计算内容的全新独立课程所提供的机会十分有限。若能采取多种方式，从小学阶段就将数据与计算领域的基础能力融入现有的学校学科领域（如科学、社会科学和数学）之中，可构建出一套更为连贯的数据与计算课程体系。这种融入式教学方法有助于学生不仅理解相关主题的复杂性，还能领悟这些主题与其他学科之间的内在联系。

实施这种融入式教学方法，需要州级教育部门、地方教育机构、各级学校及广大教师的共同努力，同时也离不开教学材料编写者及专业发展培训提供者的积极配合。

八、如何培养教师的数据与计算教学能力？

报告指出，数据与计算影响着社会的每一个方面，因此与学校每一门学科都相关。这种跨学科性，以及它们在K-12核心内容领域中的多种应用方式，为培养教师将数据与计算融入其他学科提供了契机。然而，这种普遍性和跨学科性也带来了一项挑战：没有一个特定的情境或学科可以作为将数据与计算教学融入课程的主要着力点。

在数学领域，数据和计算的应用已经形成了稳固且重要的基础，因此数学教师培养项目对数据相关内容有一定程度的关注。但随着数据与计算在科学、社会科学等学科中的应用日益广泛，这些学科的教师也需要接受充分的培养，以便将数据与计算融入各自的教学领域。

1.教师开展数据与计算教学需要什么知识

报告指出，有效的数据与计算教学需要教师同时具备内容知识（content knowledge）和学科教学知识（Pedagogical Content Knowledge）。在内容知识方面，多个专业组织（如计算机科学教师协会、国家数学教师委员会、数学科学理事会、美国统计协会等）已为教师应掌握的知识内容提供了指导框架，涉及计算系统、算法、数据分析等。在学科教学知识方面，则涉及如何将学科内容转化为学生易于理解的形式，识别学生常见的理解难点，并能够根据学生的反应调整教学策略。

2.教师获取数据与计算相关知识面临的挑战

报告指出，数据与计算在所有学科领域中均发挥着作用，因此所有教师一定程度都有责任向学生传授这些主题，但当前在职前和在职教育以及认证中还面临着一些挑战。

在职前教育阶段，无论是中学教师还是小学教师，在职前培养阶段都不一定学习过数据与计算相关课程。这些主题在整个职前课程中占据何种位置、涵盖哪些内容，本身就是一项挑战。由于职前教师培养项目普遍缺乏学习数据与计算基础能力的机会，所以许多教师候选人毕业时并不具备在K-12阶段促进数据与计算教学的能力。此外，不同大学之间差异显著——有的大学设有专门针对职前教师的内容课程，而其他大学的职前教师则与学科专业学生学习完全相同的内容课程。这使得教师通常不熟悉计算与编程，因为它并不是职前教师教育计划的常规组成部分。

在在职教育阶段，随着需要接受计算与数据培训教师人数的增加，对州、区域或地方层面支持体系的需求也随之增长。但由于缺乏充足的资金或能力，在职专业发展并不总是得到学校和学区的支持，高质量的专业学习机会也并不广泛。例如，2023年，共有25个州向计算机科学教育领域拨款1.2亿美元；2024年，参与拨款的州数量增加至39个，但拨款总额却降至约8600万美元。

在认证方面，各州对计算机科学教师的认证要求差异较大，目前尚不存在专门的数据科学教师资格认证。由于具备计算背景的人才在非教育领域往往能获得更高薪酬，计算机科学教师的招募面临困难。替代认证途径为吸引更多人才进入教学领域提供了可能，但这些途径的质量保障仍需关注。

九、实施数据与计算教育需要怎样的系统性变革？

报告指出，将数据与计算作为所有学生的预期学习目标的一部分，需要多层面的变革和行动者的协同努力。决策者不仅需要考虑学校课程，还需要考虑影响K-12学生参与数据与计算学习的更广泛的生态系统。国家层面的努力可以提供资源和动力，但实施需要州和地方层面的决策与投入。地方层面的议题和贡献包括学区、学校、家庭与多个社区行动者（如校外时间提供者）之间的联系，此外还有学生和家庭本身。

家庭参与在塑造学生对计算及更广泛STEM领域的兴趣、归属感、选择和参与方面发挥着关键的多方面作用。从早期接触到鼓励，从成为榜样到提供动力，家庭对学生STEM之旅贡献良多。通过促进家庭、学校和社区之间的强大伙伴关系，可以建立一个强大的支持系统，培养下一代STEM创新者和领导者，并确保所有学生都能在日常生活中充分参与数据与计算的学习。

考虑到当前学校和学区的结构与限制，完全实现一个优先教授和学习数据与计算的教育系统是一项复杂的任务。需要短期和长期的变革，以确保所有学生都具备基础能力素养，并准备好应对学校和社会中的新数字技术。优先在课程开发者、变革倡导者、家庭和教育者之间采用更连贯、更协调的方法，可以从现在就开始，并首先改善学生的学习。改变政策，特别是与课程和教师专业学习相关的政策，可能需要更多时间。

美国K-12教育体系及其所处社会的复杂性意味着，需要许多行动者和行动来增加和改进数据与计算学习。州教育机构掌控着毕业要求和问责制度。地方教育机构控制着技术和教学资源的采购，以及州和联邦政策的实施。这两个层级的机构都负责跟踪课程并记录学习成果。同时，资助者对支持学习研究、开发基于证据的教学材料和资源至关重要。所有这些行动者之间的协调，有助于加强关于数据与计算教学的专业学习。

十、加强数据与计算学习的政策建议是什么？

报告从将数据与计算纳入K-12教育、支持数据与计算教师、推动系统性变革三个方面提出了14项建议。

1.将数据与计算纳入K-12教育

建议1：数据与计算对于STEM及其他领域的工作至关重要；因此，州和地方教育机构应制定计划，以连贯一致的方式将数据与计算纳入学校课程，使这些主题在整个K-12教育中获得更高的优先级。这些变革应以加强基础数学和科学学习的方式进行。为确保学生获得高质量的学习体验，应考虑以下原则：在所有年级，学习体验应主要侧重于将数据与计算的基础能力融入现有学校学科，并提供帮助所有学生在所有内容领域发展这些能力的学习活动；所有学生都应有机会选修专注于数据和计算的独立课程，虽然此类课程可能在中学开始，但最合适的时间是高中阶段。

建议2：在选择采用的课程时，州和地方教育机构应优先考虑那些能帮助学生看到数据、计算与其他学校学科之间联系的课程，并且这些课程能在多个课程、单元和年级中为学生提供明确的机会来发展数据和计算的基础能力。

建议3：州和地方教育机构、学校和教师应从幼儿园开始，在各个内容领域为学生创造接触数据和计算的机会，以提供逐步建立更复杂知识的递进式体验，帮助所有学生运用数据和计算来探究、评估和理解他们周围的世界。这些体验应在常规课程中进行，主题应面向所有学生，并旨在促进所有学生的成功。

建议4：各州和地方教育机构应评估任何与数据和计算相关的新课程或要求对现有毕业要求的影响。具体而言，他们应考虑新增内容是否加强了学生对科学或数学的学习，以及任何新增内容对先前科学或数学学习期望的影响。

建议5：课程开发者以及自行开发教学材料的教师，应使用基础能力作为阐述学生学习目标和设计与数据和计算相关学习体验的指南。此方法应同时适用于融合课程和独立课程。学习体验应包含以下特点：学生参与他们认为有意义的、基于问题或项目的体验；学生有机会参与“不插电”和“插电”的课程和活动；学生使用技术工具的方式，应有助于他们学习数据和计算，了解工具本身，以及学习如何为特定目的选择工具；学生参与关于AI的学习体验，了解其机遇、潜在用途、紧张关系、局限性和风险；学生评估伦理在数据和计算相关决策中的作用，并反思用于数据和计算的技术对社会的影响，包括新技术的实际影响以及潜在的短期和长期后果。

建议6：课程开发者应设计资源，支持教师开展融合式学习体验，有意地将数学、科学和工程学融入以数据和计算为重点的课程，同时也支持将数据和计算融入数学、科学和工程学课程。当数据和计算与其他学校学科融合时，应明确讨论，以帮助学生增进对数据和计算的理解，并了解它们如何与其他学科的思想相联系。开发者应与教学法、数据和计算以及其他相关内容领域的专家合作，以确定适当的学习成果，并设计资源来支持为所有学生提供有意义且有效的学习体验。

2.支持数据与计算教师

建议7：专业发展提供者应为教师设计学习机会，让他们在自己所教授的学科以及他们预期要实施的课程背景下体验数据和计算能力。对于通科教师（通常为K-6年级教师），专业学习应是跨学科的，并模仿能力本身固有的融合方法。对于有特定学科认证的教师（通常为初中和高中教师），专业学习应具有情境性，并侧重于优先考虑在课程中接触数据和计算如何能够加强学生的学习。

建议8：教师培养项目的负责人应扩大职前教师专攻计算的机会，包括利用与计算机科学系的合作途径。与专注于数据的系科或项目（如数学、统计学、数据科学、工程学）的类似合作，也可能适合扩大职前教师的机会。

建议9：所有职前教师都需要在其培养过程中有机会熟悉计算和数据。教育学院和其他教师培养途径的负责人需要为职前教师候选人提供：熟悉基础能力以及更广泛的计算和数据领域的机会；使他们做好准备，将计算和数据，特别是基础能力，融入他们所教学科的体验。

3.推动系统性变革

建议10：州和地方教育机构应设计衡量学生、学校和学区参与数据和计算学习体验的指标，以记录融合体验和独立课程的提供情况，并跟踪有过这些体验的学生的成果。

建议11：倡导增加K-12学生数据和计算学习的团体、专业学会和其他非营利领导组织，应优先努力推进基础能力的教学。他们应致力于支持州和学区将数据和计算主题融入现有课程的努力。

建议12：在K-12教育中提升和融合计算和数据需要多个领域的额外投资和协调。慈善、商业、工业和政府领域的资助者，应在听取学校、学区、行政人员和教师意见的基础上，考虑为课程开发、专业发展以及技术的购买和持续维护提供支持。他们还应为教师提供支持，使其能够学习课程或向数据和计算专业人士学习，从而培养专业知识并将其带入课堂。对教育的投资不应以采购专有技术和/或收集学生或教师数据为条件。

建议13：在选择用于数据和计算相关教学的技术工具时，行政人员和教育者应：制定政策并分配资金，以促进数字和物理可访问性，包括遵守《美国残疾人法案》，使所有学生和教师都能使用这些工具；投资于专业发展，使教师能够有效使用现有工具，并有持续的支持来整合新工具；为初始采购成本以及持续的维护、升级和技术支持成本分配资金；制定与数据访问和学生隐私相关的政策。

建议14：与数学、科学、数据科学、统计学和计算相关的专业学会，以及专注于这些学科教育的组织，应考虑重新审视其K-12框架，以提升和强调基础能力，从而便于教育者看到不同学科框架之间的联系。这些组织还应相互协调，并以此向其社区发出信号，表明迫切需要在改进学生学习的努力中增加连贯性。

资料来源：

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.

[本文为教育部国别和区域研究基地中国教育科学研究院国际教育研究中心成果]