菜单
国际教育网
搜索繁体
首页学校留学家长进修学习资源

数学 IA 选模型前先过这一关 SL HL 数据量与数学深度

2026-08-06 09:31发布于重庆

关注

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?

先把“数学深度”拆成四个可检查动作

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:

  1. 1. 定义:变量、单位、取样区间和数据编码是否清楚?
  2. 2. 选择:为什么从这些模型或方法里选这一种?
  3. 3. 检验:图形、残差、误差、异常值或模型假设说明了什么?
  4. 4. 评价:结论在哪个范围内成立,改变一个条件会怎样?

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 与 HL:先匹配课程,再谈难度

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。

数据量没有神奇门槛,但有三个底线

“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:

1. 每一行都要回答研究问题

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。

2. 数据要足以看出结构,也要看出不确定性

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。

3. 收集范围要与结论范围一致

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。

先看数据,再选模型:一个六步工作流

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。

第一步:写一张数据身份证

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。

第二步:先画原始图

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。

第三步:给一个简单模型当基线

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。

第四步:只引入一个有理由的替代模型

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?

第五步:用至少两类证据比较

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。

第六步:让结论回到数据能承受的范围

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。

一张模型比较表,避免只看 R²

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。

五个常见风险

  1. 1. 数据越多越好:删掉与问题无关的列,说明取样规则,比盲目增加行数更有用。
  2. 2. 只贴计算器截图:把关键公式写出来,解释变量和参数,展示一两个你实际做过的计算步骤。
  3. 3. R² 最大就结束:再看残差、异常值和模型在数据范围边缘的表现。
  4. 4. 相关写成因果:除非研究设计能支撑因果判断,否则使用“关联”“预测关系”等准确语言,并写出遗漏变量。
  5. 5. 把反思集中在最后一页:每一次删变量、改取样、换模型,都是可以写进过程的真实反思节点。

给自己 45 分钟的 IA 小行动

  1. 1. 用 15 分钟为当前数据写完“数据身份证”。
  2. 2. 用 15 分钟画原始图和残差图,圈出一个你暂时解释不了的结构。
  3. 3. 用 10 分钟写出基线模型和一个替代模型的比较理由。
  4. 4. 最后 5 分钟补一句限制:我的数据不能支持哪一种更大的结论?

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。

参考与进一步阅读

  1. 1. IB Mathematics applications and interpretation guide[1]
  2. 2. IB 2026 Mathematics applications and interpretation examiner instructions[2]

引用链接

[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。

免费联系NEEC留学咨询

联系学校

提交成功后可以直接一键联系学校哦!

快速匹配适合您孩子的学校

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

立即匹配

预约看校

提交