画图之前先给自己一个问题
概念图的价值不在于圈出尽可能多的术语，而在于说明概念之间怎样连接。先写一个焦点问题，例如“样本资料如何支持对总体的有限推断？”这样，是否加入一个节点就有判断标准：它是否帮助回答这个问题。
如果只以“统计学”为中心向外列均值、方差、概率和回归，得到的可能是一份主题目录。目录也能整理材料，但它没有说明为什么样本均值会变化、抽样方式影响什么，或标准误与标准差有什么区别。关系词能把这些缺口暴露出来。
先用少量节点建立最小结构
选七个节点：目标总体、样本、抽样过程、样本均值、样本标准差、标准误、推断条件。先把每个词写在独立纸片上，暂时不追求最终位置。用课程教材检查定义，再决定哪些是对象、哪些是统计量、哪些是条件。
一个起点是“抽样过程产生样本”“样本用于计算样本均值”“样本均值用于估计总体均值”。最后一条可以把目标总体节点进一步细化为总体均值，但不要因画布有空间就无限加词。每增加一个节点，都要能解释它在焦点问题中的作用。
每条线读成一句完整判断
从样本标准差连向标准误时，不能只写“等于”。在独立同分布且方差有限等适用条件下，均值标准误常由 s/√n 估计。把关系写成“与样本量共同用于估计”，旁边注明适用条件，比画一条不带含义的箭头更准确。
反过来，从样本量连到总体代表性，不能写“越大必然越好”。更多便利样本可能减少部分随机波动，却不自动消除选择偏差。概念图不是免除限定条件的简写许可，特别是“导致”“等于”“保证”这样的关系词，需要比普通关联更强的依据。
用一个原创小例子试图破坏它
假设练习样本标准差为12分，样本量36，在课程指定条件下，均值标准误估计为12/6=2分。如果同样的波动水平下样本量变为144，估计为12/12=1分。这说明在给定条件下扩大样本量影响的是均值估计的随机不确定性。
再加入情境：两次样本都只来自自愿参加的高分学生。此时较小的标准误不能保证总体均值估计无偏。把“抽样过程可能引入选择偏差”接回推断条件节点，你就得到一条跨越计算与研究设计的联系，而不仅是一页公式。
别把所有箭头都当因果箭头
概念关系可以是属于、测量、需要、由之计算、可能影响或与之对照。这些词表达的逻辑不同。若为了视觉整齐把所有线标成“影响”，会把分类关系、定义关系和因果关系混在一起，反而降低理解。
可给节点做简短来源标记，或在图旁附一份术语来源表。课程不同章节对符号可能有不同约定，应注明本图使用哪套定义。遇到无法确定的连线，先标为待核对，不要为了把图画满而编一个看似合理的关系。
练习：修正三条错误连线
第一条“样本标准差等于均值标准误”，应改为区分数据离散程度与均值估计的不确定性，并在适用条件下补 s/√n。第二条“样本量大保证代表性”，应改为样本量与抽样方式承担不同作用。第三条“置信区间消除全部偏差”，应改为其覆盖解释依赖所采用的方法和条件。
然后闭上笔记，用五分钟重画最小结构，并逐条大声解释。打开资料后用另一种颜色修正遗漏。重点记录哪条关系无法解释，而不是只比较图形是否漂亮。这个自测方法用于发现理解缺口，不承诺某种固定的提分幅度。
用两种关系做对照检查
另外可把一组容易混淆的概念放在图外做对照：样本是观察对象的集合，样本量是集合中的计数；参数描述所研究的总体，统计量由样本计算。若把这两组关系连反，后续公式即使抄对，也容易把已观察到的数当作未知总体事实。
检查时允许一条线被删除。不是所有相邻术语都有直接关系，空白比错误连线更诚实。用一道新例题测试图是否仍适用，也比照着同一道题反复画更能检验迁移理解。
什么时候不必继续画图
若任务要求完整推导、程序执行或细致文本分析，概念图只能作为准备工具，不能替代相应步骤。发现某条关系说不清时，回到例题、定义或原始论证；多加颜色不会解决逻辑问题。图也不必覆盖整门课，一张图回答一个有限问题即可。
参加 tutorial 时可携带原图、两条不确定连线和一个反例。这样讨论能集中于概念区别和适用范围。最终保留修改前后版本，标出理由，便能看到理解具体改善在哪里，而不是仅积累更多笔记页。
参考资料
下一步
可带上模块概念图与不确定的连线，咨询概念理解和例题学习辅导；安排视学科匹配而定。