LO
这个职业有新的已核实记录时通知我 → · 标出哪些任务是你的(VOLO Pro,发布期间免费)→
统计师
设计调查、抽样和试验,用统计方法分析数据,并核查发布的数字是否可靠。AI 最先进入的是统计周围的数据处理:美国人口普查局的大模型自动编码器,把职业和行业回答的自动编码比例从 28% 提高到 52%;加拿大统计局 2021 年在劳动力调查中投入了机器学习编码。在这两处,都是统计师设定错误率阈值,并检验发布的估计值有没有断点。英国统计监管机构说,AI 在官方统计中仍主要用于研发、测试和行政支持,而不是常规生产;欧洲药品管理局把用于分析试验数据的 AI 视为统计分析的一部分,必须在分析计划里固定下来。美国预测到 2035 年统计师就业增长 11%,没有提到 AI。
查一查你所在团队的生产流程里,哪些步骤如今用了机器学习或大模型,由谁核查它们的产出。
这不是失业概率。它把「岗位任务中有多少暴露于自动化」与「采用实际走到了哪一步」合成为一个值 —— 只用于在同一套口径下横向比较职业,除此之外不作他用。
适用于在国家统计机构、政府、卫生研究和临床试验中工作的统计师,以及生物统计师。数据科学家、数据分析师和精算师有自己的页面。证据是一项美国劳动力预测、美国、加拿大和英国统计机构对其调查中机器编码的说明、英国统计监管机构关于 AI 在官方统计中走到哪一步的评估,以及欧洲药品管理局关于试验分析中 AI 的规定;它们确立的是统计周围的数据处理在哪里被自动化、分析中的 AI 受什么规则约束,不是统计师的人数或工作量怎样变化。
到底什么在变#
分析单位是任务,不是职位名称。职业不会被整体替代 —— 变的是它的任务构成。
每一格是一项任务。大小是它在这份工作里的分量,颜色是它正在往哪个方向走。点一格,看这个判断还不能说明什么。
这是两个机构关于编码的说明;它们没有显示统计师自己花在数据处理上的时间怎样变化。
这是一个国家监管机构的观察和一个机构的指引;它们没有测量 AI 工具如今起草了多少分析。
这就是你做的吗?认一下,这一页会缩到只剩与你有关的那一份。
职位名只是一组恰好被打包买走的任务,而没有两个人手里的那一组是一样的。什么都不会被发送出去 —— 它只留在这个浏览器里。
近期变化#
美国。劳工统计局预测,2025 至 2035 年统计师就业增长 11%,从 31,300 人增至 34,700 人,理由是统计分析更广泛地用于商业、医疗和政策决策,以及数字化存储的数据越来越多。页面没有提到人工智能、机器学习或自动化。
一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。
英国。监管机构说,统计局的 Survey Assist 这类工具可能有助于减少花在重复性处理上的时间,让统计师更专注于质量保证和满足用户需求;但其监管经验显示,AI 在官方统计中仍主要用于研发、测试和行政支持,而不是常规统计生产。这是一个国家监管机构的评估;没有给出数量。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
美国。人口普查局工作人员报告,用于美国社区调查行业与职业回答的大模型自动编码器,把联合编码率从 28% 提高到 52%,每月送去人工编码的案例减少 32%,即每年少 50 万件;概率阈值的设定让错误率约为 6%,即人工编码员必须达到的上限。幻灯片说观点属于作者而非普查局,作者中也有构建模型的承包商。编码原本是编码员的工作;阈值由统计师设定。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
英国。这份透明度记录(阶段标为「预部署」)说,该工具根据受访者的回答追问,以澄清其职业和行业,然后确定 SIC 和 SOC 代码;研发阶段有密切的人工分析,但模型所提的问题和给出的结果没有人直接干预,研究阶段会由人工复核准确性。这是试点;没有报告结果。
真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。
欧盟。这份反思文件说,在临床试验中把 AI 或机器学习模型用于数据转换、分析或解释时,它们属于统计分析的一部分,应遵守有关统计原则的指南;在关键试验中,数据处理流程和模型应预先说明、固定并记录在统计分析计划里,不接受增量学习方法,试验期间的任何修改都需要与监管机构沟通以修订计划。这是反思文件,不具法律约束力;约束的是申办方,而不是某个具名的人。
失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。
一项学术基准,包含 411 道配有数据表的题目,来自教科书、在线学习材料和学术论文,测试统计与因果推理。最强的模型 GPT-4 准确率为 58%;模型在数据分析和因果推理上有困难,难以同时运用因果知识和所给数据。它测的是 2024 年的模型做教科书式题目,不是统计师的实际工作。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
加拿大。机构工作人员报告,行业、职业和从业身份的机器学习编码已于 2021 年 10 月成功投入劳动力调查的生产流程;他们比较了 13,665 个有无机器编码的发布估计值,没有观察到断点,并预计机器学习会改变人工编码工作的性质。这是该机构自己的研讨会论文。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
这对你意味着什么#
如果你刚入行,预期常规的编码和数据清理会交给模型,由你来核查。培养模型做不了的事:研究设计、判断数据能支持什么,以及对自动化流程做质量保证。
预期你的工作会更多地变成设定阈值和核查机器产出,手工处理减少。设计、方法论和建议仍在你手里。
你的选择#
四个方向,每个都写明真实约束和一个本周可验证的动作。继续做下去也是正当选择 —— 只要它是被选择的,而不是被默认的。
承担自动化流程的质量保证
在统计机构把编码自动化的地方,是统计师设定错误率阈值,并检验发布的估计值有没有断点。
这需要熟悉模型怎样工作,以及机构的质量标准。
查一查你所在团队的生产流程里,哪些步骤如今用了机器学习或大模型,由谁核查它们的产出。
留在设计与方法论
没有记录显示 AI 在实际生产中设计抽样或试验,试验规则也要求 AI 分析事先固定在分析计划里。
设计和方法论岗位通常要求多年经验或研究生学位。
列出你上个月的任务里,哪些是设计或方法论,哪些是常规处理。
转向临床试验统计
药品监管机构把试验分析中的 AI 视为统计分析的一部分,需要两者都懂的统计师。
这需要试验设计和监管指南方面的知识,往往还需要专门培训。
查一查你附近的试验统计师招聘,记下它们对 AI 或机器学习有什么要求。
常见问题#
就现有证据看,不会。统计机构已把大量调查回答的编码自动化,但阈值由统计师设定、结果由统计师核查;监管机构说 AI 还没有进入官方统计的常规生产;美国也预测 2025 至 2035 年统计师就业增长 11%。
我们不用年数回答这个问题。看看统计机构是否把 AI 从编码推进到估计和分析,以及试验监管机构接受什么。这些比任何日期都更能说明问题。
可以,一些统计机构已投入生产:美国人口普查局的大模型自动编码器把职业和行业回答的自动编码比例从 28% 提高到 52%,阈值设定为与人工编码员 6% 的错误率上限一致。
欧洲药品管理局说,用 AI 模型分析试验数据时,它们是统计分析的一部分,必须遵守统计原则,在关键试验中必须固定在分析计划里;试验期间持续学习的模型不被接受。
这些判断底下是什么#
这一页上 5 条任务判断里,5 条有已核实事件支撑、0 条是平台推断,每一条都在它出现的地方标注着。它们底下是 1 个技术维度、一条自语言模型进入公众视野以来的回溯轨迹,以及 7 条已核实事件。
同一个职能里的其他岗位#
一家公司先把工作分成职能,再分成岗位。下面这些和这一份工作同在「技术与数据」里 —— 那是一件关于组织结构的事实,不是「它们相似」或者「它们在朝同一个方向变」的判断。
初级程序员 · 中高级软件工程师 · 前端工程师 · 后端工程师 · 数据工程师 · 算法 / 机器学习工程师 · AI 研究员 · 测试工程师 · 数据分析师 · 数据科学家 · 业务分析师 · 业务系统与流程负责人 · IT 支持 / 技术支持 · 网络安全分析师 / 安全运营 · 运维 / 平台工程师 / SRE · 网络工程师 · 技术文档工程师 / 技术写作 · 基金申请书撰写人