批判性思维与问题解决

1. 观察正在发生什么？
2. 界定我们正在解决什么问题？
3. 解释可能是什么原因？
4. 生成还有什么办法可行？
5. 评估哪个选项能经受住考验？
6. 学习是什么改变了我们的模型？

荟萃分析表明，批判性思维教学能够提升经测量的相关技能，尤其是在明确教授推理、进行实质性讨论并在真实学科内容中练习时。² 一项较新的综合研究也报告了积极效果，但较高的异质性表明，不同项目和结果之间存在显著差异。³

图尔敏框架是为实用论证设计的，其说服力取决于领域、语境和限定条件，而不只取决于形式有效性。²⁸ 当有人提出证据却不说明其中隐含的论证依据时，这尤其有用。

• 主张与前提：准确写出结论；区分观察、假设和解释。
• 论证依据与适用范围：解释为什么前提支持该主张，以及该主张适用于哪些人群、时间和条件。
• 最强竞争解释：构建最佳的竞争性解释，而不是选择最容易击败的版本。
• 区分性证据：说明哪些证据会支持任一解释，什么会改变你的看法，以及哪些方面仍然未知。

• 测量：该测量是否捕捉到了所声称的构念，还是仅仅捕捉了一个方便的代理指标？
• 选择：哪些人进入了样本，哪些人离开了样本，哪些人从未出现在样本中？
• 比较：是与不采取任何措施、常规做法、安慰剂，还是可信的积极替代方案相比？
• 效应大小与不确定性：效应是否有用，哪些数值仍与数据相容？
• 多重性与透明度：尝试了多少个结局或分析，方法是否事先规定？
• 可迁移性：为什么这个结果应适用于另一类人群、环境或决策？

相关性是线索，而不是因果结论

如果使用某种工具的人表现更好，这种工具可能确实有帮助——但能力更强的人也可能更倾向于选择它，使用工具的同时可能还接受了培训，或者两者都受到第三个因素的影响。反向因果、混杂、选择和测量都可能产生或扭曲关联。因果图迫使我们正视这些假设，并提醒我们：当某个变量是中介变量或碰撞变量时，控制所有可用变量本身可能引入偏倚。¹⁰

1. 原因？A 可能会改变 B
2. 反向？B 可能会改变 A
3. 共同原因？C 可能会同时改变两者
4. 选择还是测量？观察到的样本或代理变量可能会扭曲这种联系

荟萃分析可以提高精确度并揭示差异，但仅靠算术无法挽救存在偏倚的基础研究。请检查纳入规则、研究质量、异质性、结局定义和发表偏倚。大量文献仍可能很脆弱：开放科学协作组织的协调性重复研究项目推动了可重复性成为证据评估的核心部分，同时也表明，重复研究结果需要谨慎解读，而不能套用非成即败的神话。¹¹

“考虑相反情况”可以找回被忽略的证据。⁷ 自然频数——例如“100人中有8人”——可以阐明贝叶斯关系。⁸ 预测练习展示了分解问题、概率估计、更新判断和获取反馈的价值。¹²

• 观察状态：发生了什么、在哪里、何时、频率如何、涉及谁——不要预先假定原因。
• 期望状态：什么结果会更好，以及如何识别这一点？
• 机制：哪些相互竞争的因果路径可能产生这一模式？
• 约束：哪些限制来自物理、法律、伦理或资源，哪些只是习惯？
• 利益相关者：谁受益、谁付费、谁承担风险、谁提供知识，或谁有权同意？
• 未知与可逆性：哪些信息会改变这一选择，以及能否先行试点或撤销？

专家能看见更深层的结构

经典比较发现，物理学专家会根据底层原理对问题进行归类，而新手更多依赖表面特征。³⁰ 当人们认识到类比之间的关系结构时，类比就能实现迁移，²⁰ 然而，专业知识也可能造成思维定式：一个熟悉的好方案会阻碍更好的方案。²¹ 解决办法不是减少专业知识，而是明确搜索替代表征。

创造力训练可以提升创造性表现，尤其是在教授明确的认知策略、使用贴近现实的练习，并提供应用这些策略的实践时。¹⁴ 然而，在替代用途测试中的流畅性，并不等同于提出原创的科学理论、商业模式或艺术作品。领域知识、品味、坚持、资源和实施，决定了什么能够成为现实。

运动与孵化：有用，但并不神秘

四项实验表明，步行改善了发散性构思，尽管并非每项任务都从中受益。¹⁶ 一项元分析发现，在某些条件下，孵化会带来益处，尤其是在首次尝试之后，并且中间进行一项适度的任务时。¹⁷ 两者都不能替代知识或评估。神经科学同样否定“创造性的右脑”这一说法：创造性认知反映了自发联想、显著性和控制系统之间不断变化的协作。¹⁸¹⁹

保护尚未完成的想法，避免其受到持续的指引。给予它足够的知识来成长、足够的独处来形成独特性，以及足够的批评来变得真实。

加权矩阵有助于揭示标准和分歧，但权重仍然是判断，相关标准还可能对同一价值重复计数。当概率和后果具有实际意义时，期望值计算可以让选择更加严谨，但精确度不应超过证据所能支持的程度。

• 测试应当更新哪一项明确的信念？
• 如果首选解释正确，预期会出现什么结果？如果其最有力的竞争解释正确，又会出现什么结果？
• 哪种测量、比较和样本能够区分这些结果？
• 什么将被视为成功、停止、修订或放弃？
• 哪些伤害、隐私成本或同意要求必须受到控制？
• 结果能迁移到真实环境，还是只能适用于原型？

只有在经过设计的条件下，失败才可能富有成效

关于富有成效的失败的研究表明，在接受直接讲解之前尝试解决复杂问题，可以帮助学习者注意到重要特征，并从随后得到的解释中学习。²² 这并不意味着痛苦、随机失败或扣留必要支持具有教育意义。富有成效的失败会保护学习者免受灾难性后果，提供反馈，并将这次尝试与后续教学联系起来。

传统的面对面头脑风暴往往不如人们分别独立产出的总和，部分原因在于同一时间只能有一个人发言、等待时想法会被遗忘、人们害怕被评判，而且责任会被分散。²³ 然而，当流程减少阻塞，并让成员能够相互借鉴知识时，群体仍可从思想交流中获益。

• 独立生成：在地位或个人魅力影响全场之前，记录想法和估计。
• 公开汇总：使用共享文档或匿名意见板，避免在他人发言时遗漏想法。
• 先澄清，再质疑：先理解机制，再进行排序；邀请真正的异议，而不是表演式地扮演反方。²⁴
• 整合并作出决定：合并相容的片段，让分歧回到证据上，并明确决策权、异议和测试责任。

一项 2025 年的 CHI 研究调查了 319 名知识工作者，了解他们在现实世界中的 936 次使用情况。参与者表示，对 AI 的信心越高，投入的批判性思考越少；而对自身能力的信心越高，则与更多的批判性参与相关。由于这是自我报告研究，它揭示的是关系和设计问题，而非证明使用 AI 会导致认知能力下降。²⁵

• 先自行表述问题：在提出请求前，说明决策、约束条件和当前模型。
• 引出竞争性观点：询问反例、替代框架、失败模式和测试案例。
• 查阅原始来源：打开论文、官方文件、数据和引文；类似引文的文本只能作为线索。
• 检查范围和计算：重新计算重要数字，并核实确切的总体和论断。
• 保护人们：过滤敏感数据，审视危害，并记录最终判断由谁负责。

NIST 生成式人工智能概况围绕治理、映射、测量和管理组织风险工作。²⁷ 对于个人思考者：明确用途，预判失败，对照现实进行测试，并保留修正途径。

六项具有可见产出的练习

• 反向档案：收集反驳你所重视信念的最有力证据。
• 三框架规则：将一个问题分别表述为预防、促成和系统再设计。
• 机制配额：通过至少五条不同的因果路径提出选项。
• 红队协议：明确要求提出何种批评，并保护批评者免受报复。
• 敏感性检验：改变权重和假设，直到选择发生变化；检查变化的原因。
• 迁移测试：在看不到教学提示的情况下，将该方法应用于一个新领域。

1. Facione。批判性思维：关于教育评估与教学目的的专家共识声明（1990）。
2. Abrami 等。教授学生批判性思考的策略：一项元分析（2015）。
3. Batdı 等。批判性思维训练对批判性思维技能和学业成就有效性的评估（2024）。
4. Stanovich、West 和 Toplak。立场偏差、理性思维与智力（2013）。
5. Stanovich 和 West。思维偏差与认知能力的相对独立性（2008）。
6. Toplak、West和Stanovich。认知反思测试作为启发式与偏差任务表现的预测指标（2011年）。
7. Lord、Lepper和Preston。考虑相反观点：一种修正社会判断的策略（1984年）。
8. Gigerenzer和Hoffrage。无需指导如何改进贝叶斯推理：频率格式（1995年）。
9. Tversky和Kahneman。不确定性下的判断：启发式与偏差（1974年）。
10. Rohrer。清晰思考相关性与因果关系（2018年）。
11. 开放科学合作组织。估计心理科学研究的可重复性（2015年）。
12. Mellers等人。赢得地缘政治预测竞赛的心理策略（2014年）。
13. Sellier、Scopelliti和Morewedge。去偏训练提升现实环境中的决策能力（2019年）。
14. Scott、Leritz和Mumford。创造力训练的有效性：一项定量综述（2004年）。
15. Runco和Acar。发散性思维作为创造潜力的指标（2012年）。
16. Oppezzo和Schwartz。让你的想法迈开步子：步行对创造性思维的积极影响（2014年）。
17. Sio和Ormerod。孵化能促进问题解决吗？一项元分析综述（2009年）。
18. Beaty、Benedek、Silvia和Schacter。创造性认知与大脑网络动态（2016年）。
19. Beaty等人。基于大脑功能连接稳健预测个体创造力（2018年）。
20. Gick 和 Holyoak。图式诱导与类比迁移（1983）。
21. Bilalić、McLeod 和 Gobet。为什么好的想法会阻碍更好的想法：有害的定势效应机制（2008）。
22. Kapur。生产性失败（2008）。
23. Mullen、Johnson 和 Salas。头脑风暴小组的生产力损失：荟萃分析整合（1991）。
24. Nemeth。多数影响与少数影响的差异性贡献（1986）。
25. Lee 等。生成式人工智能对批判性思维的影响（2025）。
26. Parasuraman 和 Manzey。人类使用自动化时的自满与偏差（2010）。
27. Autio 等，美国国家标准与技术研究院。人工智能风险管理框架：生成式人工智能概述（2024）。
28. Toulmin。论证的用途（更新版，2003）。
29. Swaryandini 等。减少学生认知偏差的教育方法：系统综述与荟萃分析（2025）。
30. Chi、Feltovich 和 Glaser。专家与新手对物理问题的分类与表征（1981）。

教育提示：高风险的科学、医疗、法律、金融、工程或公共安全决策，需要相关专业知识、适当的证据、独立审查，以及与潜在危害相称的责任。

• 认知训练与脑力练习
• 学习新技能
• 正念与冥想
• 记忆改善技巧
• 批判性思维与问题解决
• 健康的生活方式习惯
• 社交参与
• 技术与工具
• 益智剂与补充剂