从一个可检验的小问题起步
将数学、人工智能与动手实践结合，第一步不是寻找宏大课题，而是定义一个范围明确、能被数据检验的小问题。以校园纸张使用量估计为例，我们可以提出这样一个自拟练习：假设虚构学校甲希望了解某一周内三个班级在科目A、科目B和科目C中分别消耗了多少张打印纸。这个问题足够具体，变量清晰（班级、科目、天数、纸张数），且可以通过实际记录来验证。
设计变量与匿名化数据记录
动手收集数据前，建议先定义“消耗一张纸”的含义。若想估计打印纸实际使用量，可以记录领用、退回和剩余纸张，说明是否把重复打印计入；回收桶中的纸张数并不能直接等同于本周使用量。记录表可包含日期、班级编号、科目类别与数量，不记录个人姓名。涉及学校内部记录时，先征得相应许可。
AI辅助整理与人工复核的分工
当积累了数十条记录后，可以借助AI工具进行初步的数据清洗和分类。例如，让AI识别表格中明显超出合理范围的异常值——如果某天科目A的记录显示消耗了5000张纸，而平时只有30张左右，AI可以将其标记为待查项。但必须强调，AI的输出只是建议，不能直接作为最终结论。人工复核是不可省略的步骤：需要回到原始记录表，核对那个异常数字究竟是笔误多写了一个零，还是当天确实发生了特殊活动。如发现错误，先核对并尽可能修正，保留处理记录。计算日均量前，应先汇总每日总量，再除以有效观察天数；不同记录不能混用分母。
明确样本边界，拒绝随意推广
完成数据整理和简单统计后，得出的结论必须严格限制在已收集的样本范围内。如果在自拟练习中，我们只记录了虚构学校甲的三个班级在五个工作日内的数据，那么结论只能表述为“这三个班级在这五天内科目A的平均纸张消耗量约为某数值”。绝不能将这个结论外推为“全校所有班级全年的用纸规律”，也不能据此推断虚构学校乙的情况。这是一个基础的统计学原则：样本的代表性决定了结论的适用边界。此类动手项目的核心价值在于完整经历提出问题、收集数据、借助工具分析和界定结论的全过程，它是一项学习训练，不承诺产出具备普遍指导意义的科研成果。
