批判性探究的核心原则

批判性探究是对问题、与问题相关的信息以及用于得出答案的推理进行有意的审视。它包括以审视他人解释时同样的认真程度来检查自己的解释。

先把主张写成一句话。“这更好”几乎没有明确说明任何内容。“这套排程系统在投入使用的前三个月缩短了这家公司的平均交付时间”则明确了结果、情境和时间段。现在你可以询问测量了什么，以及什么比较结果支持这一主张。

还要识别所提出的主张类型。不同的问题需要不同类型的依据。

这些陈述彼此相关，但证明了第一项，并不会自动证明其他各项。建议还会加入关于什么更重要以及应当采取何种行动的判断。

开头的措辞并不能决定其真实性。“我认为研讨会九点开始”提出了一个可以核查的事实性主张。“一项研究表明……”可能引出准确的总结，也可能引出误导性的总结。事实性主张是可以对其准确性进行评估的内容；它听起来客观，并不意味着它已经是既定事实。

如果一个陈述仍然含糊不清，请要求提供具体例子或可观察的含义。就“有效”“公平”或“成功”分别意味着什么达成一致，可以在论证展开之前消除困惑。

在推理中，论证是一组用来支持某个结论的理由。这些理由就是它的前提。评估一项论证涉及两个问题：这些前提是否可接受，以及它们是否支持该结论？^[1]

日常论证往往会把一个连接性假设留在未说明状态。请看：“大多数调查受访者想要一个安静的房间，因此图书馆应该建造一个。”调查结果是一个前提；建造房间是提出的结论。还有几个假设在其中发挥着作用。

未说明的假设不一定是错误。如果每个背景事实都必须重复说明，日常对话会变得令人筋疲力尽。有用的做法是找出那些不确定、有争议或对结论至关重要的假设。

问：“要让这个理由支持那个决定，哪些事情必须为真？”然后明确写出答案。在图书馆的例子中，“这项调查代表了所有用户”比一种笼统的“提案看起来很有说服力”的感觉更容易检验。

将观察与解释分开。“我的消息尚未收到回复”是一个观察。“他们在生我的气”是一种可能的解释。在把这个解释当作事实之前，考虑是什么将两者联系起来，以及还有哪些解释仍然合理。

谁、什么、何时、何地、为什么以及如何提供了一份实用的起始检查清单。它们有助于发现缺失的背景信息，但无法保证信息完整或准确。利用这些答案找出影响最重大的不确定性，并选择下一个问题。

这些问题彼此关联。“谁作出了回应？”会影响一项调查能够告诉你的内容。“什么时候？”有助于评估因果顺序。“在哪里？”会限制关于另一种环境的预测。对一个问题给出经过润色的回答，无法弥补另一个结论所依赖的问题仍未得到回答。

你不需要对这六个问题一视同仁地进行调查。对于一张历史照片，来源和日期可能是决定性的。对于“新习惯能提高注意力”这一主张，测量和比较可能值得你投入大部分精力。

有些论证旨在必然地确立一个结论；另一些则提供让结论更有可能成立的证据。认识到这一差别，有助于你寻求恰当类型的支持。

当一个演绎论证的前提不可能全部为真而结论为假时，该论证是有效的。当它有效且其前提为真时，它是可靠的。归纳论证提供的是不同程度的支持，而不是这种保证。^[2]

有用的证据应与正在评估的具体主张相关。收据可以证明一笔购买。访谈可以解释某人的经历。具有代表性的调查可以估计某种被报告经历的普遍程度。这些来源回答的是不同的问题。

应当准确对待个人叙述。“这件事发生在我身上”可能是关于某种经历的宝贵证据，也是展开调查的理由。但它并不能自动证明同样的事情发生得有多频繁，或是哪种因素导致了它。同样，群体平均值也不会抹去个人的经历。

尽可能核对原始材料。引用的报告真的包含这一说法吗？引文是否保留了原有的限定条件？十篇文章提供的是十项独立调查，还是都在重复同一则公告？

跳出页面、调查其来源，通常称为横向阅读。在一项2021年的研究中，大学生接受了包含这种方法的指导后，对在线来源的评估能力有所提高。该研究采用前后对比设计，因此不应将其视为关于每位学习者或每种情境的确凿证据。^[3]

当一个来源可信后，还需要进一步追问：这项具体证据是否支持这一具体推论？一份关于某个群体的严谨报告，可能会被错误地套用到另一个群体上。一项被准确报道的关联，可能会被说成是某个原因的证明。

如需更全面地了解如何核查来源、不确定性和置信度，请继续阅读保持开放与怀疑之间的平衡。在这里，核心任务是确定证据与结论之间的联系。

两个事物可以一起发生变化，而不代表其中一个导致了另一个。第三个因素可能同时影响二者；影响的方向也可能与所提出的解释不同。观察到一个事件先于另一个事件发生是有用的信息，但仅凭这一点不足以证明因果关系。^[4]

设想一家配送公司引入了新的调度软件。其平均配送时间从四天降至三天。这一变化值得研究，但仅凭记录无法单独确定软件所起的作用。

包裹量可能下降了，可用员工增加了，或者更多配送被送往附近目的地。也可能是前一时期发生了异常中断。每种可能性都提示我们收集相关信息，以帮助区分不同解释。

设计良好的实验有助于将假定的原因与其他竞争性影响区分开来。其他严谨的研究设计也能提供因果证据；适用的设计取决于研究对象以及可研究的条件。令人信服的解释应说明其比较为何具有信息价值，以及仍存在哪些不确定性。

让结论与现有证据保持一致：“在引入该软件期间，配送时间有所改善；软件的具体作用目前尚不明确。”这样既保留了观察到的改善，也指出了尚未解决的因果问题。

同样的原则也适用于个人日常。如果你开始了新的晨间习惯、改变了工作时间，并停止在早餐前查看消息，那么注意力的改善就很难归因于其中某一项变化。简单的记录可以帮助你发现规律，但不要把一次短期的个人尝试变成普遍性结论。

当你知道统计的是什么、总数是多少、持续了多长时间以及与什么进行比较时，一个数字才有意义。本节中的示例是虚构的，用于展示计算过程。

相对变化与绝对差异

假设在流程变更前，1,000 件物品中有 40 件被发现存在缺陷；变更后，1,000 件中有 20 件存在缺陷。观察到的缺陷率从 4% 降至 2%：这是相对降低 50%，也是绝对降低 2 个百分点。这两种表述都正确。仅凭其中任何一种计算，都无法确定变化为何发生。

相对效应需要一个起始发生率，才能显示其绝对大小。Cochrane 的指南在解读干预效果时明确指出了这一点：在不同的基线风险下，同样的相对效应可能意味着不同的绝对效应。^[5]

发现故障与解读标记结果

现在假设扫描仪检查 1,000 件物品。独立检查确认其中 20 件有故障，980 件正常。扫描仪标记出 16 件有故障的物品，同时还标记出 49 件正常物品。

扫描仪能检测出80%的故障项目：20个中有16个。但被标记的项目中只有约25%确实有故障：65个中有16个。这两个百分比使用了不同的分母，回答的是不同的问题。“它能检测出80%的故障”并不意味着“一个被标记的项目有80%的概率存在故障”。

在这个例子中，标记表示需要进一步检查的理由。扫描仪是否有用，还取决于漏检故障、不必要检查所带来的后果，以及可用的替代方案。

精确性与统计学术语

在被大样本量打动之前，先询问参与者或项目是如何被选取的。来自一个经过严格筛选群体的数千份回答，可能仍无法很好地代表你所关注的总体。还要确认“平均值”指的是均值还是中位数，以及重要的差异是否被隐藏。

较小的 p 值不能衡量效应的大小或实际重要性，也不表示某个假设为真的概率。美国统计学会建议结合研究设计、背景和更完整的报告来解读这类结果。^[6] 询问发生了什么变化、变化了多少，以及存在多大不确定性。

谬误名称可以帮助你识别反复出现的问题，但标签需要解释。说明是哪项主张被歪曲了，哪个事实无关，或哪种联系缺乏依据。入门读物会介绍稻草人论证和无关的人身攻击等模式。^[7] 应用这些概念需要关注实际的交流内容。

稻草人谬误：改变正在讨论的立场

稻草人谬误会用一个更容易攻击的目标取代某人的立场。假设一位同事提议每周安排两个不召开会议的小时。“你想让大家停止沟通”夸大了这项提议，也没有回答真正的问题。

合理的批评可以询问，在那几个小时里，紧急协调将如何进行。它针对提议本身，并检验一个相关后果。

修正问题：“在评估之前，我们能否用支持者能够认同的措辞表述这项提议？”检查原始措辞；你不需要把它强化成另一项提议。

人身攻击：使用无关的个人批评

人身攻击谬误是指用与论点无关的个人事实来否定该论点。“她的预订计算是错的，因为她穿着很糟糕”并没有提供任何拒绝该算术的理由。

然而，个人信息可能关系到证词的可靠性。相关能力、已有的造假记录或利益冲突可能值得审查。但这类信息并不会自动推翻有独立依据的推理。^[8]

同样，指出某人的虚伪可能与其行为有关，但并不能解决其所提出的规则是否成立的问题。一个迟到的人仍然可以正确指出，迟到扰乱了会议。

修正问题：“关于发言人的这一事实，会如何影响我们正在评估的证据或推理？”

误用权威：让专业知识承担不恰当的任务

专家证词可以提供合理支持。其价值取决于专业知识是否相关、信息报告是否准确、证据基础，以及该主张与其他合格观点之间的关系。资历并不能保证结论正确，在一个领域的专业知识也不会自动适用于另一个领域。^[8]

一位著名音乐家偏爱某个音乐厅，只能告诉你那个人的体验。仅凭这一点，无法证明有关建筑结构承载能力的技术性主张。具备相应资质的工程师对该承载能力进行的评估，才是相关证据。

修正问题：“什么具体的专业知识支持这一主张？这位专家又依据什么评估或证据？”你可以提出这个问题，而不必假装自己能够亲自重做每一项专业调查。

这些模式有助于促使我们进行更仔细的审查。指出其中一种模式后，应当针对论证提出一个具体问题。

具体情境很重要。当问题定义得十分明确时，两个选项可能构成穷尽的选择。当因果联系得到支持且不确定性得到承认时，对后果不断升级的预测可能是合理的。仅凭“滑坡谬误”这一标签，并不能决定该预测是否成立。^[8]

以下情景均为假设。它们展示了更清晰的问题如何引出范围更窄、支持更充分的结论，以及切实可行的下一步。

人们可能在事实、定义、因果解释、预测或优先事项上存在分歧。这些分歧需要不同的应对方式。更多统计数据未必能解决关于共享空间应如何使用的分歧。

在图书馆的例子中，两个人可能都同意安静的房间会很受欢迎，但会就它是否值得占用目前用于团体活动的空间产生分歧。证据有助于描述可能的后果；但决策还涉及应优先满足谁的需求，以及接受哪些权衡。

回应之前，试着先总结对方的推理：“你同意噪音是个问题，但认为设置永久性的房间会挤占太多团体活动空间。我理解得对吗？”这样可以给对方机会纠正你的表述，也有助于避免反驳一个虚构出来的立场。

对自己偏好的选项也采用同等标准。如果你质疑一项不喜欢的调查是否具有代表性，也要审视一项有利调查的招募方式。如果你要求另一项方案明确规定结果指标，也要为自己的方案定义一个。

询问哪些证据会动摇你的解释。答案不必是某一项决定性的检验，也可以是一系列观察结果、一份经过更正的记录，或一个有更充分支持的合理替代解释。

选择一个与当前决策相关的重要主张。几行书面记录可能比反复重读一篇有说服力的解释揭示更多信息。

让付出的努力与后果相匹配。小而可逆的偏好可能不需要太多调查。代价高昂或难以逆转的决定，则值得更多关注其所依赖的假设。当再次收集信息不太可能解决相关不确定性或改变可采取的行动时，就停止继续收集材料。

练习还包括留意你自己的解释：“我总是做不好这件事”，“每个人都希望我同意”，或“这是我唯一能应对的方法。”思考“总是”“每个人”和“唯一”分别涵盖什么，以及更精确的描述是否能为另一种回应留出空间。

自我反思工具提供了一个相关途径，用于审视个人的解读。识别操纵与宣传将审慎评估应用于有说服力的信息和影响选择的压力。

这些来源支持上述关于推理区别和研究的陈述。数字示例和日常情境均为假设性的教学示例。