微精选

ChatGPT自发布以来，有人对它及其同类产品持乐观态度，将其比作“副驾驶”（Risteff，2023）、协同智能（Mollick＆Mollick，2024）、外置大脑（隋婷婷、郭喨，2024）；有人持悲观态度，将其视为胡说八道的生成器（Costello，2024）、“随机的鹦鹉”（Benderetal．，2021）、危险的“非人类”决策者（Harari，2024）；有人持谨慎态度，既认可其赋能潜力，又担忧其潜在风险，将它描述为一把双刃剑（Furze，2024）；还有人持观望态度，至于它是朋友还是敌人（焦建利，2023），是“阿拉丁神灯”还是“潘多拉魔盒”（王佑镁等，2023），主张不妨“让子弹先飞一会儿”。  

面对人工智能对教育领域的挑战，联合国教科文组织（UNESCO）近年来发布了一系列政策指导性文件。2021年发布的《人工智能伦理问题建议书》（UNESCO，2021）与《人工智能与教育：政策制定者指南》（Miaoetal．，2021）以及2023年发布的《生成式人工智能教育与研究应用指南》（Miao＆Wayne，2023）共同强调培养学生的批判性思维。至2024年8月，UNESCO进一步推出《学生人工智能能力框架》（Miao＆Kelly，2024）和《教师人工智能能力框架》（Miao＆Mutlu，2024），明确指出应将批判性思维纳入人工智能核心素养。后者强调教师须批判性地理解、分析、评估、反思人工智能在教育中的潜力与风险，以便负责任地、有效地、创新性地利用人工智能增强学生的同理心、批判性思维及解决问题的能力，确保教育的人本主义方向与可持续性发展。  

尽管如此，现有研究尚未充分阐明批判性思维具体如何帮助人们理解和应用生成式人工智能（Generative Artificial Intelligence，GenAI），也未明确指出在何种条件下，GenAI的应用可以促进而非削弱用户的批判性思维。本研究就此做一些探讨，以深化对人工智能时代批判性思维价值的理解，并为教育领域提供新的视角和方法，从而助力个人和社会应对未来挑战。

2023年9月7日，联合国教科文组织正式发布了《生成式人工智能教育与研究应用指南》（以下简称《指南》）（Miao＆Wayne，2023），阐述了GenAI的定义与核心特征。《指南》将GenAI定义为一种能够在自然语言交互界面中响应用户提示（prompts），并自动生成内容的人工智能技术。与简单地整理现有网页不同，GenAI可基于现有内容，生成新的内容（AI-generated Content，AIGC），且可以各种格式呈现，涵盖人类思维的所有符号表现形式：用自然语言写成的文本、图像（包括照片、数字画作和卡通）、视频、音乐和软件代码。GenAI的训练数据来源于网页、社交媒体对话和其他在线媒体。它通过统计分析所摄取数据中的单词、像素或其他元素的分布，识别并学习常见模式，然后生成内容。虽然GenAI可以生成新内容，但它无法提出预训练数据未蕴含的创新想法，不能针对现实问题制定解决方案，因为它不理解语言背后的现实世界或社会关系。尽管其输出内容流畅且令人印象深刻，但准确性并不可靠。大多数情况下，错误不会被察觉，除非用户对所讨论的话题拥有扎实的知识储备。  

缘何如此？这需要从GenAI的技术原理说起。GenAI本质上是一种机器学习，确切地说，是受人脑结构和功能启发的深度学习，即模拟人脑神经元的连接方式，从数据中学习和改进，自动、持续地提高性能，以生成文本、图像、视频等内容（Miao＆Wayne，2023）。  

GenAI的广泛隐喻反映了人们对其不同的看法和情感反应，也说明它有益处也有弊端。一方面，众多学者普遍认为它将是一种强大的教育工具，将进一步加速教育的变革（王佑镁等，2023；张夏恒，2023）。它能够自动化、智能化地营造环境、赋能学生、助力教师（姜华等，2023），可用于个性化辅导、作文自动评分、语言翻译、互动学习、适应性学习（毕文轩，2023），可以成为教学辅助工具、解答专业学术问题、搭建自主学习平台、节约人力资源成本、重构学校教育结构等（朱永新、杨帆，2023）。此外，它有助于建构多元化、智能化、综合化的教学体系，打造泛在化、个性化、协作化的学习形态，重塑知识为基、能力为重、价值为先的育人内涵（杨宗凯等，2023）。另一方面，也有学者对GenAI在教育中的使用表示担忧。GenAI是为人服务的工具，但生成内容的准确性有待提高，理解能力有限，对数据高度依赖，生成的内容可能含有一定偏见（毕文轩，2023），实际应用可能导致剽窃问题、数字鸿沟（郭茜等，2023）。在创造性推理、技术熟练度和批判性推理方面，目前它只是体现出了一定程度的批判性思维能力（武宏志，2023），不能为现实世界的具体复杂挑战提供有针对性或创新性的解决方案（Candelon et al．，2023）。它缺少创造性思维，更缺少原创能力，且其没有真正的情感体验和道德判断能力（冯建军，2023）。在对话认知方面，用户与人工智能的对话教育被窄化为“方法技术”；在对话过程方面，被僵化为“人机问答”；在对话类型方面，被退化为“知识捡取”；在对话保障方面，被异化为“风险对话”（刘丙利，2024）。AIGC对内容解构和建构的自动化替代，会剥夺学生尤其是低学段学生有目的地获取内容、有意识地从内容中解读意义、进行知识理解或形成技能的认知过程（苗逢春，2023）。面对生成式人工智能带来的机遇与挑战，外语教育从业者要清醒地认识到其优势和劣势，做到善用而非滥用工具，积极地应变（胡加圣、戚亚娟，2023）。

2.1 定义与性质

批判性思维最早可追溯到 2500 年前苏格拉底的教学实践，它在西方哲学思想的滋养中孕育成熟，至 20 世纪初 Dewey（1933）将其冠以 “反省思维” 之名在其专著《我们怎样思维》中予以系统论述，最终诞生于 Glaser（1941）出版的《批判性思维发展实验研究》一书。此后，批判性思维相关的论著大量问世，批判性思维的定义纷纷出现。各种定义之间既有沿袭，也有变革；既有融合，也有冲突。其中，Ennis（1993）给出的定义最为简明，即 “批判性思维是为决定相信什么或做什么而进行的合理的、反省的一种思维”。为了达成学界共识，美国哲学联合会（American Philosophical Association，APA）在 Peter A．Facione 的领导下召集了包括哲学家、心理学家、教育家、批判性思维专家在内的 46 位学者，他们采用德尔菲方法，形成了具有一定权威性的批判性思维定义（Facione，1990），即批判性思维是一种目标明确的、自我调节性的判断，涉及解释、分析、评价、推理和说明等认知技能，并基于对证据、概念、方法、标准或语境的考量。

两相比较，Ennis（1993）的定义与 APA 的定义均包含以下四层内涵：第一，批判性思维是一种思维过程，是正在 “进行” 的思考。第二，批判性思维是有目的性的，是为了形成信念或作出决策。第三，批判性思维是 “合理的”，强调要 “尊重和注意不同观点，寻找替代观点、解释和论证”（董毓，2017a）。第四，批判性思维是 “反省的”。这样的 “反省思维” 一方面是指自己自主地、向内自我反省，为自己的思想和行动的合理性而反思；另一方面是指进一步探究，构造新的、更好的观念，找出现有观念的缺陷。换句话说，“反省” 既是向内反思，又是对外观察；既是回首过往，又是向前探索；既是破旧，又是立新；既是否定，又是肯定。简而言之，批判性的 “反省” 符合矛盾同一律，既相互对立，又相互依存，这两个方面在一定条件下可能发生相互转化。批判性思维者，就是能做到辩证反思的人（董毓，2017a）。与 Ennis（1993）的简明定义不同的是，APA 的定义彰显了有目的、自我反省的思维过程中所涉及的认知技能与思维元素，强调了批判性思维是 “对思维的思维”，因此更具有适用性、认可度与影响力。

批判性思维的主要原则是勇于探究、谨慎断言，在对科学假说进行主动、持续和细致的理性探究之前，先不要决定是接受还是反对，即需要延迟作判断（Dewey，1933）。合理的信念和行动，不仅需要 “勇于探究”，更需要 “谨慎断言”。致力于生产知识的批判性思维不仅鼓励质疑，而且更强调学会质疑：不但要敢于提问，而且要善于提问，还要善于表达为什么有疑问，要能说出理由，特别是相关的、好的理由（董毓，2012）。通过严格检验和批判来挑错的探索方式，是促进认知发展的有效方法（Popper，1977）。阻碍认识发展的不是发现错误，而是不去发现错误；没有什么比发现错误能更快地促进新理论的产生。理性批判的思考，不仅和探索不矛盾，而且是更有效的探索。所以，不管从哪个角度理解，批判性思维都是正面的、建设性的思想力量（董毓，2012）。

2. 2 构成要素

第一，双维结构模型。德尔菲研究报告（Facione，1990）指出，批判性思维由认知技能（cognitive skills）与情感特质（affective dispositions）两个核心维度构成。其中，认知技能维度涵盖六种核心技能，并进一步细分为 16 种子技能；情感特质维度则包括七种关键特质（见表 1）。

批判性思维倾向可细化为七个可量化的维度（Facione，2000），分别为求真性（truth-seeking）、思维开放性（open-mindedness）、分析性（analyticity）、系统性（systematicity）、信赖推理（confidence in reasoning）、好奇性（inquisitiveness）以及认知成熟性（maturity of judgment）。这七个维度分别代表了批判性思维倾向的不同侧面，其具体内涵如图 1 所示。求真性强调对真理与客观事实的追求；思维开放性体现为对多元观点与不同意见的尊重与接纳；分析性表现为对问题与信息的系统性分解与逻辑性思考；好奇性体现为对知识与未知领域的持续探索欲望；系统性关注思维过程的条理性与结构化；信赖推理反映了个体对自身推理能力的信任；认知成熟性则强调在复杂情境中审慎判断与权衡的能力。

第二，三元结构模型。Paul＆Elder（2014）提出的批判性思维框架由三个核心要素构成，即推理元素、理性标准与智力特质（见图2）。与双维结构模型相比，三元结构模型不仅关注个体的思维结构（包括认知技能与本质特性），还进一步强调对推理要素的解析与思维质量的评估。

近年来，随着 GenAI 技术的加速迭代升级，各类相关工具不断涌现，展现出广阔的应用前景。然而，这些技术背后的原理与机制却如 “黑箱” 一般缺乏透明度与可解释性，给用户带来了视觉与认知上的双重冲击，导致公众对于 GenAI 的认知与态度呈现出显著的分歧。在这一情形中，批判性思维作为一种理性的、科学的认知工具，显得尤为重要。它倡导开放、多元和探究（董毓，2017a），强调从多维度考察事物，以形成全面、辩证且客观的认知。通过运用批判性思维这一探照灯和透视镜，我们从多个维度、多个层次对 GenAI 进行观照，透过表面现象，深入探讨它的本质特征与潜在影响，从而对它形成全面且深刻的认识，并

第一，通过考察 GenAI 这一概念的内涵与外延，我们可以明确它本质上是一种大模型，目前已能贯通文字、语音、图像、视频、计算机编码等格式进行模式识别，并借助符号表征系统生成新内容（苗逢春，2024），而各模型又因架构设计和训练策略差异呈现不同数据特征的捕捉能力和生成表现力，导致其在处理语言复杂性、上下文依赖性以及多模态生成任务上的表现有所不同（袁毓林，2024）。例如，Transformer 架构的引入通过自注意力机制有效捕获长程依赖，而诸如 GPT 和 BERT 等模型分别采用自回归和掩码语言模型训练目标，以优化生成或理解任务的性能。这意味着，模型的选择对生成内容的质量具有显著影响（苗逢春，2024）。在使用 GenAI 之前，需要结合具体任务需求、预训练数据特性以及目标领域的复杂性，对可选人工智能工具（AI tools）进行评估和选择，才能确保生成内容的准确性、一致性和多样性。

第二，通过考察 GenAI 的优势和局限、潜能与风险、短期效用与长期影响、局部效应与全局效应，我们注意到其作为人类创造和使用的工具，具有矛盾同一性。例如，GenAI 使获取信息更加便捷高效，却可能因管理、评估与筛选大量信息而降低效率；有可能提高教育可及性与公平性，也有可能加剧数字鸿沟；有可能增强学习者自主性与批判性思维，也有可能破坏人类的认知和学习过程，影响人类批判性思维和高阶技能的发展。再如，GenAI 在教育领域展现出显著的创新潜力，但其应用策略必须建立在严谨的、基于实证研究的基础之上。若未经审慎评估便仓促开展 GenAI 驱动的教育实践，则可能对学习效果、学生参与度或教育公平性产生负面影响（Bozkurt，2023）。

第三，通过比较分析 GenAI 与传统人工智能、通用人工智能的差异，我们意识到尽管 GenAI 象征着人工智能技术正由传统的识别、分类、预测等功能向生成能力转变，但其本质上仍归属于机器学习范畴，是一种数据驱动的概率模型。作为人类开发的一种辅助工具，GenAI 正处于快速发展与应用落地的关键阶段，正在向智能增强与自主创新阶段迈进。然而，必须指出的是，当前 GenAI 尚未达到通用人工智能（Artificial General Intelligence，AGI）的高度。鉴于此，一方面，我们需要以开放和积极的态度来理解、应用、引导并改进这一技术，旨在最大化其服务于人类社会的价值；另一方面，不可忽视其可能带来的挑战、风险以及隐患。因此，在推进 GenAI 发展的同时，确保对其潜在负面影响的有效管理和控制尤为重要。

第四，通过将它与人类智能比较，我们能够识别其固有缺陷。与人类智能相比，GenAI 缺乏主观意识，无法主动进行思考、提问或探究。它不具备人类的生活经验，因而不能真正 “理解” 人类世界，其内容生成完全依赖于用户输入和预设的训练规则。此外，GenAI 仅能基于已有数据进行学习和推理，不具备自主质疑、挑战或修正错误信息的能力。在数据不足、污染、偏颇，或算法和推理的方式不当等情况下，甚至可能出现 AI “幻觉”（hallucination），即生成虚构的内容或不存在的事实和数据。不同于人类能够通过持续学习、科学实验及探索未知来调整自身认知，并依靠经验、情感、灵感和随机性等因素突破现有框架提出新理论或创造全新的流派，GenAI 虽然可以模仿人类的情感表达（如提供温暖的鼓励话语），但本质上并不具备情感，也无法实现真正的共情。同时，GenAI 没有自身的道德伦理体系，其行为完全由训练数据和算法规则所决定。理解 GenAI 与人类智能之间的差异，对于理性高效地利用该技术至关重要。这包括通过输入精确的提示或指令、对其输出结果进行细致的反馈和评估，确保其生成的内容既高质量又符合人类的价值观。在教育生态系统中，作为突然闯入的重要生态因子，GenAI 正在打破原有的生态平衡，促使教育生态发生跃迁。这种变化导致教师产生职业危机感，甚至拒绝使用 GenAI（张彦杰，2025）。深入理解 GenAI 与人类智能的区别，有助于教师积极应对技术变革，重新定义自身角色，并聚焦教育的核心目标 —— 培养具有独立思考能力和创造力的人才。

囿于模型架构、算法设计、计算能力和预训练数据的影响，GenAI存在技术缺陷，导致AIGC存在瑕疵和偏误。第一，模型通过海量数据的训练和概率预测生成内容，其本质并非直接提取事实，而是基于语言模式和上下文关系进行推断。概率预测倾向于选择上下文中最具可能性的语言组合，而非基于因果关系或真实世界的验证（董毓，2023）。因此，尽管生成的内容通常具有较高的语言流畅度，但其逻辑可能并不成立。在预训练数据中包含对立观点和信息且难以判断其真伪的情况下，GenAI的回复可能会显得混乱或流于套话，这表明它缺乏真正的对比、综合、判断或创造力。第二，如果GenAI的训练数据在规模、质量和多样性方面存在不足而导致信息偏差或质量低，模型有可能继承这些局限性，进而影响生成内容的准确性、精确性和多样性（袁毓林，2024）。第三，GenAI通过使用温度参数来控制生成文本的随机性和创造性，温度值的设置会直接影响模型输出的多样性和准确性（Wolfram，2023）。当温度设置较低（0.1—0.5）时，模型倾向于选择概率最高的词，生成内容更加一致和准确；温度设置过高（＞0.8）时，模型更容易产生AI“幻觉”，可能生成偏离事实或逻辑的虚构内容。第四，因为GenAI不理解语言背后的现实世界和社会关系，在面对训练数据中可能存在的错误信息、虚假信息、恶意信息、偏见歧视、商业秘密、他人隐私或违反法律规范、伦理道德、社会公德的不良信息时，模型无法对其真实性与合适性进行有效判断（Miao＆Wayne，2023），而将这些信息作为学习素材纳入输出逻辑。此外，大语言模型的数据清洗与标注工作极其繁重，对大数据几乎不可能独立于系统之外进行现实核查（董毓，2023），这也进一步限制了其生成内容的真实性和可靠性。第五，尽管GenAI可以基于预训练数据集，为人类的知识发现提供文献综述和数据计算的支持，但其自身不能发现新知识，无法提出原创性的观点，无法为现实中的复杂问题提供解决方案，也不能作出社会价值判断或价值观引导（Miao＆Wayne，2023；苗逢春，2023）。  这些内容瑕疵或系统性偏误，对用户构成智力挑战和安全隐患。若用户未能有效识别并加以甄别，可能导致此类信息的进一步传播，从而扩大其负面影响范围。从短期来看，这种认知失察可能引发个人、企业或社会层面的严重后果，如经济损失、公共政策偏误或法律纠纷；从长期来看，此类问题可能扭曲公共舆论生态，加剧群体间的对立与分裂（武宏志，2023），并削弱社会对人工智能技术的信任，最终阻碍其健康发展与广泛应用。  运用批判性思维这一“防火墙”识别与化解AIGC潜在风险的前提在于用户具备充分的风险防控意识。这种防控意识来源于批判性思维倾向（Facione，1990）与智力特质（Paul＆Elder，2014）。批判性思维者通常表现出对知识与事物本质的强烈求知欲，其特质包括好奇性、智力谦逊以及对潜在问题的高度敏感性。他们致力于探究真相与真理，并以诚实、客观与坚毅的态度进行深入分析。同时，批判性思维者注重基于理由与证据的推理，尊重多元意见与观点，并时刻警惕自身可能存在的偏见。此外，他们能够聚焦核心问题，并以系统化、规范化的方式进行处理，坚信通过理性推理与反思能够解决问题或作出明智决策，并能够洞察问题的复杂性，进行全面而深入的思考，同时审慎地调整判断。  为了决定是否采用AIGC，我们需要对其中蕴含的推理元素进行识别和评估，这意味着对其进行批判性阅读。与休闲阅读或纯粹以欣赏为目的的阅读不同，批判性阅读要求读者投入更多的批判性思维倾向、智力特质与认知技能，精神高度集中，思维高度活跃。读者需要从多角度提出问题，并通过深入思考形成自己的见解。因此，批判性阅读不仅能够带来更全面、更深刻的理解，还可能激发原创性思维，从而将学生从知识的接受者转变为知识的创造者（董毓，2017b）。我们可以依照图3所示的批判性阅读路径对AIGC展开批判性阅读。   

 图3呈现的是批判性思维双维结构模型（Facione，1990）与批判性思维三元结构模型（Paul＆Elder，2014）的融合框架。该框架涵盖了批判性思维的倾向性、情感特质、核心认知技能、推理元素以及智力标准。这一综合模型为读者提供了一种系统化的批判性阅读路径，用于识别与评估AIGC文本中的论证结构。该路径可适用于所有包含论证的文本类型，包括AIGC文本。通过这一框架，读者能够更全面、更深入地分析与评价论证的逻辑性、合理性及其潜在缺陷，从而提升对文本内容的理解与批判能力。

首先，具备批判性思维倾向与智力特质的读者，通过运用阐释、分析、推理、评价、说明这五种核心认知技能对文本进行系统性解构，从中析出目的、问题、概念、观点、假设、信息与含义等推理元素，并进一步评估这些元素是否满足各自的理性标准（Paul＆Elder，2014）（见表 2）。这一过程不仅要求读者具备高度的认知敏锐性与逻辑严谨性，还需要其能够基于批判性思维阅读路径，对文本内容进行多层次、多维度的审视与判断，从而确保对论证的全面理解与客观评价。

在 GenAI 技术迅猛发展的背景下，全球范围内形成了一个多元主体参与的竞争格局，包括国际组织、各国政府、科技企业、教育与科研机构、行业协会以及终端用户群体在内的各方力量，均积极参与到这一新兴技术的应用和推广之中。 然而，在此进程中，那些未能充分理解或有效利用 GenAI 潜力的个人和组织，可能面临被边缘化的风险，难以适应由智能技术驱动的新时代要求。 考虑到批判性思维有助于 GenAI 用户深入理解 GenAI 技术，识别并规避 AIGC 的潜在风险，当前将批判性思维作为人工智能核心素养，并对 GenAI 用户进行批判性思维教育尤为必要。 因此，本文建议各级政府和教育机构在推广 GenAI 技术的过程中同步推广批判性思维教育，以确保 GenAI 用户能够安全、负责任、有效地使用 GenAI 技术。