
2026-08-06 09:31发布于重庆
数学 IA 最容易出现的一种假象,是表格很长、图很多、软件输出也很漂亮,可是读者看不出学生究竟做了什么数学判断。另一个极端是为了追求“HL 感”,一开始就塞进多项式、复杂回归或微分方程,结果变量定义、模型条件和结论反而没有说清楚。
数学 AI 的 exploration 是学生围绕自选主题完成的个人报告,重点在数学本身、清晰的沟通和有思考的反思。2026 年 examiner instructions 也把它定义为一份聚焦特定领域数学的短报告,强调公式、图表、文字说明和反思要共同工作。IB Mathematics AI guide[1] IB 2026 examiner instructions[2]
这一篇不提供“万能高分模型”。它给你一套开题和中期都能使用的判断流程:数据够不够支撑问题?数学有没有真正参与决策?SL 与 HL 的选择怎样既合适又可解释?
数学深度通常不靠公式数量堆出来。读一篇 IA 时,真正有分量的部分常出现在下面四个动作里:
假设你研究的是一段充电过程。把时间和电量填进表格只是起点;画出散点图、解释为什么先试线性模型、再比较指数或分段模型、检查早期和后期残差,这一串决定才是数学开始发挥作用的地方。
一个快速自测:把软件关掉以后,你能不能向同学解释某个参数代表什么、为什么这条曲线在特定时间段失效?能解释,才说明数学真正属于你。
SL 和 HL 的 IA 都是个人 exploration,并以相同的五项标准评估;IB 的要求是数学与所学课程层次相称。真正需要避免的,是把“HL”理解成必须找一条离题很远的高难公式,或把“SL”理解成只能画一条直线。IB Mathematics AI guide[1]
更实用的判断是:
你正在做的选择 | 更稳的标准 |
|---|---|
方法是否够深入 | 它是否需要你解释参数、条件和局限,而非只贴出输出 |
是否符合 SL 或 HL | 你是否已在课程中学过或能在教师指导下掌握,并能独立使用 |
是否该加一个方法 | 新方法能否回答旧方法答不了的问题 |
是否该删一个方法 | 删掉它后,研究结论是否几乎不变,或自己其实无法解释 |
HL 学生可以把更丰富的函数、统计或技术工具纳入比较,但仍要让它服务于研究问题。SL 学生把一个核心模型做扎实,再加入一项有意义的对照和评价,也能形成完整的数学论证。最终以任课教师对课程覆盖范围的判断为准。
“至少要多少行数据”没有一个对所有 IA 都成立的数字。数据量取决于你在研究什么:一条连续时间曲线、一份抽样问卷、一个公开数据集,所需要的记录密度完全不同。
先用这三条底线审数据:
你需要知道每一列如何定义、单位是什么、缺失值代表什么。举例说,若研究公交到站间隔,就应记录日期、时段、到站时间和站点规则;“从 App 导出了一堆数据”还不足以构成可复核的数据说明。
若只有三四个点,很难判断一条曲线是趋势、巧合还是异常;若有上千行却没有解释取样机制,也可能只是在放大偏差。先画图,再看分布、聚集、空档和离群点。数据的形状会告诉你下一步该收集什么。
只记录周末上午的跑步配速,就不能直接推到“全年训练表现”。只截取一个月的股票价格,也不能把模型写成长期预测。研究范围写在标题或方法里,结论就不容易越界。

下面以任何两变量或时间序列数据都能使用的流程为例。它可以用在运动记录、能源使用、交通时间、公开统计数据等不同主题上。
写下数据来源、样本单位、采集日期、变量单位、处理规则和已知误差。若使用公开数据,保存原始链接、下载日期和字段说明;若是自己测量,写下仪器、取样间隔和控制条件。
散点图、时间序列图或箱线图往往比第一份回归表更诚实。看一眼就可能发现:关系大致线性、曲线逐渐变平、存在周期,或其实分成两组。模型候选要从这个观察出发。
线性模型常常是一个有用起点,因为它容易解释和比较。它未必会赢,却能帮你量化“加入曲线或分段之后到底改善了什么”。不要跳过基线直接宣布复杂模型最好。
数据有明显弯曲时,可以比较线性与二次、指数或对数形式;变化在某个阈值前后不同,则可考虑分段模型。每次加方法,都写一句理由:它针对了图上的哪一个结构?
拟合指标可以帮助比较,但不能独自决定结论。把它和残差图、参数的现实意义、异常值敏感性放在一起看。一个模型即使误差较小,若参数没有可解释性、预测在合理范围外失真,也值得保留疑问。
你的结论可以是“在这段数据范围内,模型 A 的残差更随机,因而更适合描述该关系”。这比“模型 A 证明了现实世界永远如此”可靠得多。
候选模型 | 为什么纳入 | 看什么证据 | 可能的风险 |
|---|---|---|---|
线性 | 提供可解释的基线 | 斜率、残差趋势、误差 | 忽略弯曲或阈值 |
指数或对数 | 图形显示快速变化后趋缓或递增 | 参数含义、残差、适用区间 | 外推后不合现实 |
二次或高阶多项式 | 可能描述单个弯曲趋势 | 转折点是否合理、异常点影响 | 为贴合数据而过拟合 |
分段模型 | 机制或图形显示阶段改变 | 分界点依据、各段残差 | 人为挑选分界点 |
这张表里的模型只是候选库。你不需要四种都做;通常一条基线和一条经过理由支持的替代模型,就足够形成一段有内容的比较。
当这四步都能落在纸上,题目已经从“我会用什么高难数学”转向一个更扎实的问题:我的数据为什么值得这样建模,我又怎样证明自己的选择经得起检验?
本文用于数学 IA 选题和写作讨论。数据伦理、计算器或软件使用、课程范围和最终方法,请以任课教师及学校采用的现行 IB 文件为准。
[1] IB Mathematics AI guide: https://www.ibo.org/globalassets/new-structure/university-admission/pdfs/dp-mathematics-applications-and-interpretation-guide-en.pdf[2] IB 2026 examiner instructions: https://ibpublishing.ibo.org/exinst/apps/exinst/pdf.html?chapter=2&doc=EX_instructions_2026_e&part=12

声明:本文内容为国际教育号作者发布,不代表国际教育网的观点和立场,本平台仅提供信息存储服务。
全国500所国际学校大全 / 3分钟匹配5-8所 / 1年名校升学备考托管服务