抽象是人类理解复杂世界的重要工具。通过抽象,我们把具体的细节隐藏起来,以便更容易地思考问题、沟通想法和构建系统。从编程中的函数和类,到经济学中的模型和心理学中的心智模型,抽象无处不在。然而,抽象既能成为认知放大器,也可能变成误导的来源。当我们过度依赖抽象而忽视其前提和限制时,后果可能十分严重。 一个典型的例子是所谓的学习金字塔。
这个图表广为流传,宣称人类通过不同学习方式的平均信息保留率为:讲授10%,视听材料20%,示范30%,讨论50%,实践75%,教别人90%。这样一组看似明确的百分比为很多教育工作者和培训师提供了方便的"真理"。问题在于,经过多方考证,这些精确的数字没有可靠的原始研究支持。Edgar Dale最早提出的概念被称为"经验之锥",但他并没有给出这些百分比。后来这些数字通过无数页面和演讲被复制粘贴,最终形成了看似权威的伪科学结论。研究人员和调查者多次追溯引用链,发现很多来源根本不能指向任何可验证的实验数据。
这种现象并非个例。当抽象被广泛传播而未经检验,它像电话游戏中的信息一样会在转述中发生变异。每一次引用、每一次改写都可能加入个人的解释、偏见或简单的记忆错误。最终产生的"共识"并不一定基于严谨研究,而可能只是重复的习惯。更危险的是,许多人在缺乏时间或专业背景的情况下将这些抽象当作事实,用于教学、政策制定或产品设计,从而放大了错误影响。 在当下,AI正在成为信息流通的重要中介。
搜索、摘要、推荐、知识图谱和自动生成的内容,使得AI不只是一个工具,更成为了我们获取和整理知识的抽象层。把AI视为抽象的媒介有助于理解其便利性:AI可以快速索引海量资料,识别模式,生成可读内容,帮助我们做出决策。但如果把AI的输出当作不证自明的真理,忽视其内在的训练数据、模型假设和潜在偏差,就会重蹈学习金字塔那样的错误模式。AI在某种程度上等同于把大量人类产出的二手信息再次抽象化和浓缩,它继承了原始信息的优点也可能放大缺陷。 识别抽象的局限首先需要意识到抽象有前提条件。任何模型、比喻或简化都基于简化现实的特定假设。
有效使用抽象的第一步是弄清楚这些假设是什么,以及它们在何种情境下成立。举例来说,学习金字塔隐含的假设是不同学习方法之间可以用单一百分比来比较且在不同人群和知识领域中具有可比性。这个假设显然过于简单,忽视了学习目标、个体差异、评估方法和时间跨度等关键变量。 验证来源和追溯证据是对抗抽象误导的关键做法。面对一个断言,尤其是精确到数字的断言,应当试图找到原始研究或可重复的实验数据。学术论文、公开的研究方法和数据集是理想的证据。
如果断言来自于培训机构、博客或演讲,便需要格外谨慎,查找它们的引用链,看看最终是否回溯到可验证的来源。若引用链中断或来源含糊不清,最安全的做法是把该断言视为未经证实的假设,而不是事实。 另一个有用的策略是关注研究方法而非单纯结果。具备透明方法论的研究更可信。看研究是否报告样本规模、对照组设置、随访时间和统计显著性。优先考虑同行评议的研究和可重复性强的结论。
对涉及行为和教育的研究尤其要警惕小样本研究、选择性报告和未公开的分析路径。 对于工程和产品设计领域,抽象的危险同样显著。抽象帮助开发者屏蔽底层细节,提高开发效率,但也可能隐藏重要的性能瓶颈和边界条件。一段可靠运行的代码可能基于某些假设,比如外部服务的可用性、网络延迟或数据分布。若这些假设未被显式记录并定期验证,系统在面对真实世界的变化时可能崩溃。因此在系统设计中,保持对抽象边界的清晰认识,记录假设并通过监控和自动化测试来验证它们,是工程实践中的良好习惯。
信任AI作为信息中介时,额外的谨慎是必要的。AI系统往往基于大规模训练数据,但这些数据包含偏见、错误和历史遗留问题。AI会放大高频出现的说法,把重复的错误视为证据,从而给出似是而非的结论。用户应当把AI输出视为起点而非终点,始终要求可溯源的证据和原始资料支持重要决策。例如在教育设计、医疗决策或公共政策领域,必须坚持由专家验证AI生成的结论,并对AI的建议进行独立评估。 培养良好的信息素养和心智模型能显著降低依赖抽象带来的风险。
信息素养包括能分辨来源可信度、识别利益冲突、了解证据层级以及判断统计证据的能力。心智模型则帮助我们在复杂问题中选择合适的抽象,并提醒我们何时需要钻入细节。理解一套模型的适用范围和失效模式,比盲目依赖任何单一模型更为重要。 实践中可以采取若干具体做法来减少抽象带来的误导。首先,养成追溯引用的习惯。遇到看似权威的结论,尝试追溯到最初的来源并评估其方法。
其次,关注可量化的证据和不确定性,而不是沉迷于过于精确的数字。科学研究通常呈现置信区间和效应大小,这些比单一百分比更能反映真实世界的复杂性。再次,鼓励多学科视角。复杂问题往往需要跨学科的方法,单一领域的抽象可能忽略其他领域的重要变量。最后,在使用AI生成内容或推断时,要求透明度与可解释性,保留人工复核环节,并将AI视为助理而非权威。 教育与传播者也负有责任。
在公共传播中,应避免将未经验证的抽象以绝对化的形式呈现。简化是必要的,但误导公众的简化会造成长期的知识损害。教育者应强调证据的重要性、教授查证方法,并鼓励学员从模糊到明确地构建自己的理解。当人们学会从抽象中回溯到原始证据,整个社会的知识生态将更健壮。 总之,抽象是理解世界的利器,但不是真理本身。AI作为新时代的信息中介,既带来了前所未有的便捷,也让未经检验的抽象更容易扩散。
要在复杂信息环境中保持判断力,就必须既利用抽象带来的效率,也不放弃追溯证据和检验假设的习惯。把抽象当作暂时的工作模型,而非最终归宿,才能在学习、工程和公共决策中做出更稳健的选择。 。
