对于概率和统计学，我注意到的一点是，当我在研究一些东西（最近，我在思考[1]），而不太确定答案是什么时，我常常可以简单编写一个 Python 程序，来测试我的想法/检查我的工作。尽管有概率编程这种更高级的玩意，但目前我甚至不需要这些，仅仅是简单的蒙特卡洛式的采样+计算各种数字的程序，就已经是很不错的「可探索媒介」和验证机制了。
显然，编程学习也有类似的东西，你可以得到各种及时反馈，如语法错误、漏洞（例如错误的断言）、Haskell 之类语言中的类型错误。
数学的其他领域似乎没有这么好的媒介。例如，你可以在学习序列或度量空间的时候在纸上画东西，这往往是有帮助的。但是，这个过程没有反馈，没有智能的过程来处理你的工作并说「这样不行」或「看着不错」。你必须想出你自己的用例来测试想法，去手动检查想法与定理假设是否一致, 这样才能获得反馈。当我在做数学时，我对我处理的内容经常有多种高层次的策略/思路，但我的低层次的「计算能力 」却不是很好，以至于我最后花了很多时间在细节上摸索。[[注1]]当然，所有这些低层次的计算和摸索是「对你的灵魂有益的」，但我确实觉得，就像程序员可以使用代码补全和语法检查等一样，数学家也可以受益于某种辅助工具，来自动化一些简单的/繁琐的工作。
我认为图形计算器/ 绘图软件基本上是这个方向的工具。
- ↑ 我认为建立这样一个问题库会相当有趣：你不必解决整个问题，但你可以提交一个高水平的想法，或想出三个想法并提交。然后这个问题库可以回应这个高水平的策略是否有效。你便能训练直觉，了解哪些高层次的策略是有效的，而不需要经历所有低层次的细枝末节。
链接到本文
- 可探索媒介中的有限性假设 (←链接)
- 可探索的解释[1] (← 链接)
Thoughts Memo 汉化组译制
感谢主要译者燕汝成、校对 Shom
原文：Probability and statistics as fields with an exploratory medium