R

README·0426·多视图阅读指南

创建 2026-06-07 更新 2026-06-11 1 条双链 认知科学 专题 AI 整理

README · 多视图阅读指南

这是 0426「认知科学系统化专题」的读法说明书，不是又一份目录。专题的 17 个节点是一张网，不是一摞讲义——从哪进、按什么顺序读、读完怎么自检、面试桌上被反方怼了怎么接，决定你拿到的是”认知底座这层思维”还是”又一堆术语”。 想看专题为什么这么搭、SABCD 自评多少、跨域资源怎么调度，去 _认知科学系统化专题·总览（MOC）。本 README 只管一件事：让不同身份、不同时间预算的你，都能高 ROI 地把这套底座装进脑子，并经得起拷问。

读完本指南你能做到三件事：(1) 按”求职 / 决策 / 紧迫度”三条路径之一，在明确的时间预算内读完核心节点；(2) 用 ≥10 道自测题验证自己是真懂还是错觉懂；(3) 在面试桌、选型会上被业界反方立场（“认知科学不就是软科学""双系统被推翻了吧""降负荷不就是简化界面”）追问时，给出带证据的”接受+边界”式回应，而不是被问哑。

§0 三十秒导航：你是谁，从哪进

你的状态你的痛点走哪条路径时间预算
准备 AI PM 面试 / 要一套能说的判断面试官问”你怎么看 AI 交互设计”，我只能说设计模式名词路径一 · 求职速通110 分钟
在做 AI 产品选型 / 设计评审demo 很惊艳但我说不清它哪里会让用户认知崩路径二 · 决策链150 分钟
做高风险品类（安全 / 国际化 / 合规）怕 AI 把用户带偏却出了事，说不清责任红线在哪路径三 · 紧迫度130 分钟
时间极碎 / 只想知道这专题在讲啥通勤十分钟只读 _认知科学系统化专题·总览 §0+§1 + 本 README §012 分钟

[!tip] 一条铁律先记住 AI 的供给侧无限（能生成无限方案、解释、备选），用户的需求侧恒定（工作记忆被生物结构钉死在约 4 个组块，System 2 审视带宽稀缺且昂贵）。 这条裂缝就是整个专题的母题。下面三条路径，是从三个角度爬上这堵墙。

§1 路径一 · 求职速通（面试桌 30 秒火力 · 110 分钟）

目标读者：正在面 AI PM、需要一套能在 30 秒内说出口、且能扛追问的判断。 读完产出（前置承诺，读时拿这四件去核对）：

  1. 一套两层思维——“认知底座（人脑为什么这样失灵）“在下，“设计模式（怎么做）“在上；你能把任何一个 AI UX 实践追溯到它的认知理由。
  2. 一句反共识开场判断——“AI 交互比传统 GUI 更依赖认知科学，不是程度问题，是性质问题”，并能说清为什么（概率系统违反了 GUI 三十年的隐性假设）。
  3. 一套分层论 vs 总量论＋按风险校准 System 2的火力，能现场拆解一个 demo。
  4. 一句**“认知友好≠负荷最小化，是按风险做负荷再分配”**的收口判断，能现场展示”原则冲突排序”（降负荷 vs 保技能、防锚定 vs 流畅打架时赌哪边）——这是区别于背 checklist 候选人的杀手锏。
顺序节点标定时长读它拿到什么（前置产出）
1A01 认知科学与 AI 交互概念谱系20 分钟四分支谱系（双系统 / 负荷 / 心智模型 / 偏差）＋“性质问题”那句反共识开场白的完整论证。
2G01 HCI 认知范式代际谱系总图20 分钟”瓶颈只会搬家不会消失”的代际史观；用 Kuhn 不可通约性反”一代更比一代强”的辉格史。
3S01 AI 交互的认知负荷分层剖面35 分钟★旗舰。六层负荷账本（L1 构想→L2 理解→L3 可信判断→L4 选项→L5 记忆→L6 技能）＋三个致命层间耦合点。这是你面试时最值钱的一张图。
4S02 认知偏差 × AI 交互对照矩阵15 分钟一张可背的三轴矩阵（偏差 × 场景 × 缓解设计），现场拆 demo 用。
5S03 认知友好 AI 设计全景20 分钟★收口整合。把 S01/S02 + 五支机制凝练成五条设计原则 + 冲突矩阵（哪两条打架）+ 按风险排序规则。面试被问”你怎么做认知友好 AI”，用它的”冲突排序”判断答，而非背 checklist。

110 分钟后的自检：合上文档，对一个想象中的面试官讲清楚两件事——(1)“为什么把 GUI 最佳实践搬到 AI 上会静默失效”，并举出至少两个具体的层间耦合点（如 L2 理解负荷挤占 L3 可信判断）；(2) 说出至少一对会打架的设计原则（如”降负荷 P2 与保技能 P5 长期对立”），并讲清高风险场景该让哪条赢。讲不利索就回 S01 / S03。

锋利提示：面试别比 feature list，比”你能不能把对方的设计拆成六层负荷账本”。能拆，你就从”会用工具的 PM”升级成”懂用户大脑的 PM”。

§2 路径二 · 决策链（选型会 / 设计评审 · 150 分钟）

目标读者：手上有真实的 AI 产品要选型 / 要评审，需要把”我觉得这里不对”升级成”这里在第几层负荷上会崩、可证伪”。 读完产出（前置承诺）：

  1. 看懂评估鸿沟为什么爆炸——AI 缩窄了执行鸿沟（你随口一句话它就动手），却拓宽了评估鸿沟（你更难判断它干得对不对）；防御性 UX 不是锦上添花，是填这条鸿沟的结构必需。
  2. 拿到六层负荷账本当评审清单，对任何 AI 界面逐层记账。
  3. 会把一段长 AI 输出重设计成低负荷呈现，并知道怎么 A/B 验证它真降了负荷。
顺序节点标定时长读它拿到什么（前置产出）
1A04 心智模型形成·概率系统 vs 确定系统30 分钟Norman 三角 + 执行/评估鸿沟反向拉扯；四种”把确定系统心智模型迁移到概率系统”的误用。理解评审里用户为什么”用错却不自知”。
2S01 AI 交互的认知负荷分层剖面35 分钟同路径一的旗舰；这里当评审记账表用，逐层问”这个设计在哪一层加了/减了负荷”。
3E01 对话框交互的认知负荷剖解20 分钟剖 ChatGPT 式对话框三段账单：构想负荷（表达焦虑）+ 理解负荷 + 判断负荷（信任焦虑）。看理论怎么落到真界面。
4E02 Generative UI 与 Artifact 的认知设计剖解25 分钟剖结构件如何用”外显”降外在负荷，及暗面”用精致结构掩盖概率性”。选型时分清真降负荷 vs 视觉糖。
5R02 设计降认知负荷的 AI 呈现40 分钟四步法（审计→分层→结构默认值→A/B）+ 呈现模板 + 带”植入错误检出率”护栏的实验设计。把判断变成可落地的改稿动作。

150 分钟后的自检：拿你正在评审的一个真实界面，跑一遍 S01 的六层账本，写出至少三条”这里在 L_n 加了负荷，建议改成 X”的可执行 issue。写不出具体层级，就回 S01 + R02。

§3 路径三 · 紧迫度（高风险品类 / 安全合规 · 130 分钟）

目标读者：做安全、国际化、医疗、金融这类”AI 把用户带偏会真的出事”的品类（对 Rick 的安全 + 国际化业务最直接相关）。 读完产出（前置承诺）：

  1. 认清7% 的责任红线——有研究记录到 AI 辅助会把本该判对的案子改判为错（病理学场景，详见 E03）；这是责任问题，不是体验问题。
  2. 看懂依赖陷阱三阶段——自动化偏见 → 技能退化（deskilling）→ 习得性无助；以及”好用即有害”的留存-伦理两难。
  3. 会测一个 AI 界面的认知负荷、会校准用户对 AI 能力边界的心智模型，把”我担心”变成可埋点、可前后对比的实验。
顺序节点标定时长读它拿到什么（前置产出）
1A05 锚定效应与 AI 输出20 分钟首版输出=概率系统的结构性风险；它锚定的不只是数值，更是”问题的语法”。重生成≠解锚、免责声明≠解锚。
2A06 自动化偏见与学习性无助25 分钟依赖陷阱三阶段；专家也不免疫、单靠练习无法克服 → 缓解责任在界面端不在用户端。福柯视角：用户的过度依赖是产品主动”生产”的。
3E03 AI 锚定与心智模型失配案例剖解25 分钟四个可追溯案例（病理学锚定 7%、LLM 自身被锚、过度置信致信任崩塌、10 分钟即降表现）。看责任红线的真实现场。
4R01 测一个 AI 界面的认知负荷30 分钟任务时间 + 错误率（分两类）+ NASA-TLX 三件套 + 三份模板；反共识”主观负荷≠客观表现，打架处有金子”。
5R03 心智模型校准实验30 分钟诊断鸿沟→注入校准干预（体验性反例为核心）→测误用率前后差的实验闭环 + 可抄的登记表 / onboarding 脚本 / 埋点清单。

130 分钟后的自检：为你负责的一个高风险 AI 功能，写出一条可执行的”误用率前后对比实验”骨架（自变量=校准干预，因变量=误用率/改对为错率，样本与埋点点位）。写不出可测因变量，就回 R01 + R03。

§4 自测题（13 题，超出 ≥10 要求 · 每题：及格线 / 优秀线 / 反例陷阱）

用法：合上专题，先自答，再回链对照。“反例陷阱”是常见的错误答法——如果你的答案命中了反例，说明你停在了术语层，没到判断层。

Q1. 为什么说”AI 交互比传统 GUI 更依赖认知科学，是性质问题不是程度问题”？

  • 及格线：能说出 GUI 有”同操作同结果、出错即 bug、状态可见可验证”等隐性假设，而概率系统违反了这些。
  • 优秀线：能指出”假设被违反→建立在假设上的最佳实践会静默失效（不报错但认知崩塌）“，并举一个失效实践。
  • 反例陷阱：答”因为 AI 更复杂 / 更智能 / 更新”——这是程度叙事，正是本专题要反对的。
  • 回链：A01 认知科学与 AI 交互概念谱系

Q2. Miller 的 7±2 和 Cowan 的 4±1，本专题为什么取后者作设计阈值？

  • 及格线：知道 7±2 偏高、4±1 是更新的工作记忆容量估计，专题用 4±1。
  • 优秀线：能说”7±2 是含复述/组块的短时记忆，4±1 是无复述的纯工作记忆容量”，AI 界面里用户常无暇组块，故取保守的 4±1。
  • 反例陷阱：答”所以界面元素不能超过 7 个”——把容量定律当成 UI 计数规则，忽略了组块与负荷性质。
  • 回链：A03 认知负荷理论与 AI 信息呈现

Q3. Sweller 三元负荷（外在 / 内在 / 生成）在 AI 呈现上分别怎么处理？为什么本专题主要只押”外在负荷”？

  • 及格线：外在=砍（无关排版/冗余），内在=分段（任务本身难度），生成=慎增（有益的图式建构）。
  • 优秀线：能说出”生成负荷有争议（Kalyuga 2011 呼吁取消 vs Sweller 2019 弱化），且 CLT 从教育迁移到即时消费场景时近乎失效，所以核心论证刻意只依赖无争议的外在负荷”——这是 bias 砍除的自觉。
  • 反例陷阱：把三类负荷都当成”越低越好”——内在负荷砍过头=任务被简化到失真，生成负荷砍光=用户学不到东西。
  • 回链：A03 认知负荷理论与 AI 信息呈现、S01 AI 交互的认知负荷分层剖面

Q4. 为什么说 AI 缩窄了执行鸿沟却拓宽了评估鸿沟？这对防御性 UX 意味着什么？

  • 及格线：执行鸿沟=想做到会做之间的距离（AI 让你随口一句就动手，鸿沟变窄）；评估鸿沟=判断系统是否做对的距离（AI 输出难验证，鸿沟变宽）。
  • 优秀线：能推出”防御性 UX（置信度外显/分段确认/优雅降级）不是锦上添花，而是填评估鸿沟的结构必需”。
  • 反例陷阱：答”AI 让一切都更简单了”——只看到执行端红利，漏掉评估端的判断负荷。
  • 回链：A04 心智模型形成·概率系统 vs 确定系统、p304 - 防御性 UX：对抗延迟与幻觉

Q5. 用户何时会用 System 1 快速接受 AI 输出，何时会启动 System 2 审视？设计上怎么办？

  • 及格线：流畅、自信、措辞专业时触发 System 1 盲信（流畅=可信的偏差）；明显出错或高风险时才启动 System 2。
  • 优秀线：能说”审视不能靠呼吁，只能靠结构——把 System 2 触发按风险校准，而不是无差别加提示”，并知道审视会被认知负荷挤占。
  • 反例陷阱：答”多加免责声明让用户小心点”——免责声明不解锚、不激活 System 2，是空护栏。
  • 回链：A02 双系统理论与 AI 接受、S02 认知偏差 × AI 交互对照矩阵

Q6. 锚定效应在 AI 输出上的特殊危害是什么？为什么重生成不解锚？

  • 及格线：AI 第一次输出会锚定用户后续全部判断（即使首版是错的）。
  • 优秀线：能说”首版锚定的不只是数值，更是问题的语法/框架——真正的设计权力在’用什么框架接住问题的第一下’；重生成仍在同一框架内，故不解锚”。
  • 反例陷阱：答”让用户点重新生成就行了”——重生成≠解锚。
  • 回链：A05 锚定效应与 AI 输出、E03 AI 锚定与心智模型失配案例剖解

Q7. 描述”依赖陷阱三阶段”，并说明为什么缓解责任在界面端而非用户端。

  • 及格线：自动化偏见 → 技能退化（deskilling）→ 习得性无助。
  • 优秀线：能引”专家也不免疫、单靠练习无法克服”，并用福柯视角说”过度依赖是产品主动生产的用户主体性，PM 不是中立工具提供者”。
  • 反例陷阱：答”教育用户别太依赖 AI”——把系统性结构问题甩锅给用户自律。
  • 回链：A06 自动化偏见与学习性无助

Q8. “7%“指什么？它为什么是责任红线而不是体验问题？

  • 及格线：知道它来自一个 AI 辅助场景中”本该判对、却在 AI 辅助下改判为错”的比例（病理学案例，见 E03）。
  • 优秀线：能说”这是把对的变成错的（净负向），不同于’帮了多少忙’的体验指标；在高风险品类它直接对应误诊/误判的责任后果，是红线”。
  • 反例陷阱：答”7% 不高，可以接受”——把净负向的责任风险当成可用性折损来权衡。
  • 回链：E03 AI 锚定与心智模型失配案例剖解、A06 自动化偏见与学习性无助

Q9. 测一个 AI 界面的认知负荷，为什么不能只看 NASA-TLX 主观分？

  • 及格线：知道要配任务时间 + 错误率（分两类）+ NASA-TLX 三件套，而非单一指标。
  • 优秀线：能说出反共识”主观负荷≠客观表现，两者打架的地方才有金子”——比如主观觉得更轻松但错误率上升（盲信导致的隐性危险），单看 TLX 会误判为成功。
  • 反例陷阱：答”TLX 分数低了就说明设计好”——正是专题要砍除的 bias（早期把”新版 TLX 更低”当胜利）。
  • 回链：R01 测一个 AI 界面的认知负荷

Q10. 心智模型校准实验的核心干预是什么？因变量该测什么？

  • 及格线：通过 onboarding / 提示扶正用户对 AI 能力边界的心智模型，因变量测误用率前后差。
  • 优秀线：能指出”核心干预是体验性反例（让用户亲身撞一次 AI 出错），比文字声明有效；因变量要可埋点（误用率/改对为错率），不是满意度”。
  • 反例陷阱：答”写一段说明文档告诉用户 AI 会出错”——声明式干预弱，且不可测。
  • 回链：R03 心智模型校准实验

Q11.（进阶）HCI 五代演化，“瓶颈只会搬家”具体怎么体现？为什么不能写成线性进步史？

  • 及格线：能举出每代消除一个旧瓶颈、制造一个新瓶颈（如 GUI 消除了命令记忆负荷，却带来发现性/隐喻负荷）。
  • 优秀线：能用 Kuhn 不可通约性说”范式选择是任务匹配不是版本竞赛”，并为对话式/生成式各举一个反例（不是越新越好）。
  • 反例陷阱：答”从 CLI 到生成式 AI 越来越友好”——典型辉格史，专题明令反对。
  • 回链：G01 HCI 认知范式代际谱系总图、G02 交互认知范式代际演化详解

Q12.（进阶）Generative UI / Artifact 的认知设计暗面是什么？

  • 及格线：能说结构件用”外显”降外在负荷（好的一面）。
  • 优秀线：能指出暗面”用精致结构掩盖概率性”——漂亮的表格/卡片让用户更信，反而抑制了本该有的 System 2 审视，把”可信判断负荷”偷偷降到危险水平。
  • 反例陷阱：答”结构化呈现一定比纯文本好”——忽略了”显得可信”和”真可信”的偏离。
  • 回链：E02 Generative UI 与 Artifact 的认知设计剖解

Q13.（进阶 · 收口）“认知友好”五条设计原则之间为什么会打架？举一对冲突，并说明高风险场景该让哪条赢。

  • 及格线：能说出五原则（校准 System 2 / 控负荷 / 扶心智 / 防锚定 / 保技能）共享同一份有限认知预算（工作记忆）与同一本长期技能账，不是相加的。
  • 优秀线：能举出至少一对结构性冲突——如”降负荷（P2）与保技能（P5）长期直接对立”或”防锚定要多候选（P4）→ Hick 定律推高负荷（P2）“或”流畅（P2）反触发 System 1 盲信、削弱 P1 审视”；并说出高风险场景一律以”扶心智+防锚定+保技能”优先、宁可牺牲流畅/简洁，低风险则反过来以负荷最小化优先。
  • 反例陷阱：答”五原则都满足就是认知友好”——这正是 S03 §3 命门要反对的”误以为原则可无代价同时满足”；或答”认知友好=负荷越低越好”（错位一）。
  • 回链：S03 认知友好 AI 设计全景、S01 AI 交互的认知负荷分层剖面

[!summary] 自测评分

  • 答对 ≤6 题：你还停在术语层，建议从对应路径重读旗舰 S01 AI 交互的认知负荷分层剖面。
  • 答对 7–9 题：及格，能用，但反方追问可能被打穿——重点补 §5 反方对话训练。
  • 答对 10–13 题（含进阶且命中”优秀线”，尤其 Q13 的原则冲突排序）：你已经能把这套底座当面试与评审的主武器了。

§5 反方对话训练（认知科学领域 · 6 追问）

用法：这 6 个是业界 / 学界对认知科学应用最常见、最致命的反方立场。规则照搬 SHARED_CONTEXT §7——用反对的声音建造，不是用赞同的声音装饰：先”接受它对的部分”，再”标注本专题坚持的边界与赌注”。每个追问给你一个可直接说出口的”接受+边界”模板，以及回链去看完整论证。 练法：先盖住”建议回应”自己接一遍，再对照。被怼到答不出，回对应节点。

追问 1：「认知科学不就是软科学吗？结论换个实验就翻盘，靠它做产品决策不可靠吧？」

  • 这是在打可证伪性 / 可靠性。
  • 建议回应（接受+边界）：接受——认知科学确有可重复性危机，很多效应量被高估，所以本专题不把任何单一效应当圣经。但边界是：(1) 本专题的核心论证刻意建在最稳健、争议最小的分量上——Cowan 工作记忆容量、外在认知负荷、自动化偏见这些是被反复重复、跨范式成立的；有争议的（如生成负荷、双系统的脑区实在性）我都显式降级为”设计隐喻”。(2) 真正的对照对象不是”硬科学”，而是”凭直觉做 AI 交互”——后者更不可靠。我用的是可证伪的判断 + 标注失效边界，不是把软科学当硬结论。
  • 回链：A03 认知负荷理论与 AI 信息呈现（只押外在负荷的自觉）、_认知科学系统化专题·总览 §7 confirmation-bias 砍除清单。

追问 2：「双系统理论（System 1/2）不是早被质疑了吗？说它结构上不可证伪。你整套还押在它上面？」

  • 这是引 Melnikoff & Bargh (2018, Trends in Cognitive Sciences, “The Mythical Number Two”) 的真实批评。
  • 建议回应（接受+边界）：接受——Melnikoff & Bargh 是对的，“两个系统”在神经实在性上不可证伪，把任何行为事后归给 S1 或 S2 是循环论证，所以本专题明确把双系统降级为设计隐喻，不当成大脑解剖结构。但边界是：作为注意力资源调度的隐喻它仍极其有用——它把”用户为什么不审视 AI”从”意愿/知识问题”还原成”注意力资源被负荷挤占的问题”，由此推出”审视不能靠呼吁、只能靠结构”这个可操作、可证伪的设计判断。我赌的是隐喻的操作价值，不是它的本体真实性。
  • 回链：A01 认知科学与 AI 交互概念谱系、A02 双系统理论与 AI 接受、G01 HCI 认知范式代际谱系总图。

追问 3：「降认知负荷，不就是’把界面做简单点’吗？这有什么新的，UX 极简主义讲了二十年了。」

  • 这是把负荷理论塌缩成极简主义。
  • 建议回应（接受+边界）：接受——极简主义确实降了一部分负荷，方向不错。但边界是：极简主义只处理外在负荷（视觉冗余），它对另外两类无能为力甚至有害——(1) 内在负荷（任务本身的难度）不能靠极简砍，只能分段；把复杂任务做”简单”常常是做失真。(2) AI 的真问题是判断负荷（L3 可信判断），它不在视觉层，再极简的界面也不会告诉你”这段输出能不能信”。所以本专题主张的是分层、分性质处理负荷（砍外在/分段内在/慎增生），不是”一律变少”。极简主义答不出”为什么这条极简实践在 AI 上不成立”，认知底座能。
  • 回链：A03 认知负荷理论与 AI 信息呈现、S01 AI 交互的认知负荷分层剖面、E02 Generative UI 与 Artifact 的认知设计剖解。

追问 4：「技能退化（deskilling）是不是杞人忧天？人类早就在卸载认知了——计算器、GPS、搜索引擎，谁的脑子退化了？AI 不就是下一个计算器？」

  • 这是**「AI = 下一个计算器」乐观派**，是最强的反方之一。
  • 建议回应（接受+边界）：接受——认知卸载是人类常态，没必要给每次卸载敲警钟，这点乐观派对。但边界是两处不对称：(1) 商业模式不对称：计算器卖完就完，没有留存 KPI；AI 产品的商业模式主动奖励依赖（DAU/留存/时长），即产品有动机把你越锁越深——这是结构性利益冲突，不是中性工具。(2) 可证伪的损失证据：已有 RCT 记录到使用十分钟左右即出现表现下降（见 E03），技能退化不是远虑。但我也砍掉自己的 bias：不能只引”AI 让人变弱”的证据——Peng et al. (2023) 的 Copilot 研究显示它提升了初学者效率，所以正确结论是”分人群、分任务，且要区分 RCT（强证据）与相关性观察（弱证据）“，不是一刀切的退化论。更深一层（Borgmann 装置范式 / Selinger 道德外包）：deskilling 损失的可能不止技能，还有判断的道德责任感。
  • 回链：A06 自动化偏见与学习性无助、E03 AI 锚定与心智模型失配案例剖解、_认知科学系统化专题·总览 §7 对手立场清单第 7、8 条。

追问 5：「你说 AI 会用’锚定’把用户带偏——可启发式是人类适应环境的智慧，不一定是偏差。把它一律当 bias，是不是 Kahneman 范式的傲慢？」

  • 这是引 Gerd Gigerenzer 的生态理性（ecological rationality） 真实立场。
  • 建议回应（接受+边界）：接受——Gigerenzer 是对的，启发式在生态有效的环境里往往是高效甚至更优的决策，把它一律污名化为偏差确实是实验室范式的傲慢。但边界是：锚定之所以在 AI 场景变成真危害，恰恰因为 AI 破坏了生态有效性的前提——启发式管用的前提是”线索与真相相关”（流畅通常≈真实、第一印象通常≈靠谱）；而 AI 能批量生产流畅但错误的输出，让”流畅=可信”这条本来生态有效的捷径系统性失灵。所以我不是说”启发式=坏”，而是说”AI 把启发式赖以成立的环境结构改变了”。我的设计目标因此是校准（让捷径重新对齐真相），不是单向地让用户少信 AI。
  • 回链：A05 锚定效应与 AI 输出、S02 认知偏差 × AI 交互对照矩阵、E03 AI 锚定与心智模型失配案例剖解。

追问 6：「你整套建在’用户脑子里有个稳定的心智模型’这个预设上。可 Suchman 早说了，交互是情境即兴，不是按计划执行心智模型——你的地基是不是塌的？」

  • 这是引 Lucy Suchman《Plans and Situated Actions》(1987) 与 Hutchins 分布式认知 (1995) 的真实拷问。
  • 建议回应（接受+边界）：接受——Suchman 对，用户不是先建好完整心智模型再行动，行为大量是与界面临场协商出来的情境即兴；Hutchins 也对，认知不只在单个脑子里，而是分布在人-工具-环境系统中。所以本专题不主张”给用户灌一个完整正确的心智模型”。但边界是：(1) 即兴也需要最低限度的可预期性——用户至少要知道”这东西大概会不会出错、边界在哪”，否则连即兴的落脚点都没有；R03 校准的正是这条底线预期，不是完整模型。(2) 分布式认知恰恰支持本专题的设计观：把判断负荷外显到界面（置信度、来源、反例）就是把认知合理地分布到系统里——CLT 管单点上限，分布式认知管系统增益的分工，两者互补不矛盾。
  • 回链：A04 心智模型形成·概率系统 vs 确定系统、E01 对话框交互的认知负荷剖解、R03 心智模型校准实验、E02 Generative UI 与 Artifact 的认知设计剖解。

[!tip] 反方训练的元技巧 六个追问背后是同一个套路：对手把你的判断推到一个极端版本，再打那个极端。 你的接法永远是——不去捍卫那个极端（“接受”），而是把判断收回到它真正成立的窄边界里（“边界+赌注”）。这就是 SHARED_CONTEXT 说的”用反对的声音建造”。练熟这六个，面试桌上任何”你这不就是 X 吗 / 你这早被推翻了吧”都能接。

§6 全节点索引（六模块 · 真实 basename）

跨模块依赖：概念（横向）→ 架构（解剖）→ 实例（病理）→ 复现（操作） 是主链；代际演化（纵向）横切整条链。完整模块全景图见 _认知科学系统化专题·总览 §2。

01 概念辨析（横向 · 是什么）

02 代际演化（纵向 · 从哪来 · 横切）

03 架构剖面（解剖 · 由什么组成）

04 实例剖解（病理 · 现实怎么走样）

05 复现指南（操作 · 自己怎么动手）

06 阅读指南（编织 · 怎么读）

§7 关联节点（升级对照的既有节点 + 跨专题 + 导航）

本专题升级对照的既有 c/m/p 节点（读完路径后顺藤摸瓜，看底座如何接回设计模式）

跨专题 / 跨域 / 导航

  • 0418 审阅瓶颈专题 — 认知负荷的另一半硬币
  • 0114认识论、0117社会学 — 跨域思想资源入口（维特根斯坦 / Polanyi / 福柯 / Kuhn）
  • AI PM 知识图谱·总索引、索引、仪表盘

§8 修订日志

  • 2026-06-07 R1（synthesis）：综合 Agent 写 README。含三条带前置产出 + 标定时长的阅读路径（求职速通 90′ / 决策链 150′ / 紧迫度 130′）；12 题自测（每题及格线/优秀线/反例陷阱，超出 ≥10 题要求，含 2 题进阶）；6 个认知科学反方对话训练（软科学可靠性 / 双系统被质疑 Melnikoff&Bargh / 降负荷=简化界面 / 技能退化=计算器乐观派 / 锚定 vs Gigerenzer 生态理性 / 心智模型 vs Suchman 情境行动），每个给”接受+边界”模板 + 回链。
    • 双链核对：全部 16 个已落盘节点均按文件系统真实 basename 写入（A01-A06 / G01-G02 / S01-S02 / E01-E03 / R01-R03 + _认知科学系统化专题·总览）；S03「认知友好 AI 设计全景」按总览口径标〔待落盘〕占位、不建死链。既有 c/m/p 节点链名沿用总览 §8 已核实清单。
  • 2026-06-07 R2（S03 整合）：S03 已落盘，README 把 S03 正常纳入——§0 导航 + §1 路径一（求职速通增至 110′，加 S03 为第 5 步收口节点，产出加”按风险做负荷再分配 + 冲突排序”一条，自检加”说出一对打架原则”）、§4 增 Q13（进阶·收口：五原则为何打架 + 高风险让哪条赢，共 13 题）、§6 索引把”S03〔待落盘〕“替换为 [S03 认知友好 AI 设计全景](/kb/专题-人文社科透镜/s03-认知友好-ai-设计全景/) 真双链、专题节点计数 16→17。全 README 双链经复检 0 死链 / 0 截断。
  • 2026-06-11 P3.4 校链：0418 审阅瓶颈专题已迁入 04AI（04T 专题库/F1 评测与度量/0418 审阅瓶颈系统化专题，别名 0418 总览），§7 跨专题导航处的〔跨专题待落盘〕降级文本恢复为真 0418 总览 双链。