ChatGPT自發(fā)布以來，有人對它及其同類產品持樂觀態(tài)度，將其比作“副駕駛”（Risteff，2023）、協同智能（Mollick＆Mollick，2024）、外置大腦（隋婷婷、郭喨，2024）；有人持悲觀態(tài)度，將其視為胡說八道的生成器（Costello，2024）、“隨機的鸚鵡”（Benderetal．，2021）、危險的“非人類”決策者（Harari，2024）；有人持謹慎態(tài)度，既認可其賦能潛力，又擔憂其潛在風險，將它描述為一把雙刃劍（Furze，2024）；還有人持觀望態(tài)度，至于它是朋友還是敵人（焦建利，2023），是“阿拉丁神燈”還是“潘多拉魔盒”（王佑鎂等，2023），主張不妨“讓子彈先飛一會兒”。  

面對人工智能對教育領域的挑戰(zhàn)，聯合國教科文組織（UNESCO）近年來發(fā)布了一系列政策指導性文件。2021年發(fā)布的《人工智能倫理問題建議書》（UNESCO，2021）與《人工智能與教育：政策制定者指南》（Miaoetal．，2021）以及2023年發(fā)布的《生成式人工智能教育與研究應用指南》（Miao＆Wayne，2023）共同強調培養(yǎng)學生的批判性思維。至2024年8月，UNESCO進一步推出《學生人工智能能力框架》（Miao＆Kelly，2024）和《教師人工智能能力框架》（Miao＆Mutlu，2024），明確指出應將批判性思維納入人工智能核心素養(yǎng)。后者強調教師須批判性地理解、分析、評估、反思人工智能在教育中的潛力與風險，以便負責任地、有效地、創(chuàng)新性地利用人工智能增強學生的同理心、批判性思維及解決問題的能力，確保教育的人本主義方向與可持續(xù)性發(fā)展。  

盡管如此，現有研究尚未充分闡明批判性思維具體如何幫助人們理解和應用生成式人工智能（Generative Artificial Intelligence，GenAI），也未明確指出在何種條件下，GenAI的應用可以促進而非削弱用戶的批判性思維。本研究就此做一些探討，以深化對人工智能時代批判性思維價值的理解，并為教育領域提供新的視角和方法，從而助力個人和社會應對未來挑戰(zhàn)。

2023年9月7日，聯合國教科文組織正式發(fā)布了《生成式人工智能教育與研究應用指南》（以下簡稱《指南》）（Miao＆Wayne，2023），闡述了GenAI的定義與核心特征?！吨改稀穼enAI定義為一種能夠在自然語言交互界面中響應用戶提示（prompts），并自動生成內容的人工智能技術。與簡單地整理現有網頁不同，GenAI可基于現有內容，生成新的內容（AI-generated Content，AIGC），且可以各種格式呈現，涵蓋人類思維的所有符號表現形式：用自然語言寫成的文本、圖像（包括照片、數字畫作和卡通）、視頻、音樂和軟件代碼。GenAI的訓練數據來源于網頁、社交媒體對話和其他在線媒體。它通過統計分析所攝取數據中的單詞、像素或其他元素的分布，識別并學習常見模式，然后生成內容。雖然GenAI可以生成新內容，但它無法提出預訓練數據未蘊含的創(chuàng)新想法，不能針對現實問題制定解決方案，因為它不理解語言背后的現實世界或社會關系。盡管其輸出內容流暢且令人印象深刻，但準確性并不可靠。大多數情況下，錯誤不會被察覺，除非用戶對所討論的話題擁有扎實的知識儲備。  

緣何如此？這需要從GenAI的技術原理說起。GenAI本質上是一種機器學習，確切地說，是受人腦結構和功能啟發(fā)的深度學習，即模擬人腦神經元的連接方式，從數據中學習和改進，自動、持續(xù)地提高性能，以生成文本、圖像、視頻等內容（Miao＆Wayne，2023）。  

GenAI的廣泛隱喻反映了人們對其不同的看法和情感反應，也說明它有益處也有弊端。一方面，眾多學者普遍認為它將是一種強大的教育工具，將進一步加速教育的變革（王佑鎂等，2023；張夏恒，2023）。它能夠自動化、智能化地營造環(huán)境、賦能學生、助力教師（姜華等，2023），可用于個性化輔導、作文自動評分、語言翻譯、互動學習、適應性學習（畢文軒，2023），可以成為教學輔助工具、解答專業(yè)學術問題、搭建自主學習平臺、節(jié)約人力資源成本、重構學校教育結構等（朱永新、楊帆，2023）。此外，它有助于建構多元化、智能化、綜合化的教學體系，打造泛在化、個性化、協作化的學習形態(tài)，重塑知識為基、能力為重、價值為先的育人內涵（楊宗凱等，2023）。另一方面，也有學者對GenAI在教育中的使用表示擔憂。GenAI是為人服務的工具，但生成內容的準確性有待提高，理解能力有限，對數據高度依賴，生成的內容可能含有一定偏見（畢文軒，2023），實際應用可能導致剽竊問題、數字鴻溝（郭茜等，2023）。在創(chuàng)造性推理、技術熟練度和批判性推理方面，目前它只是體現出了一定程度的批判性思維能力（武宏志，2023），不能為現實世界的具體復雜挑戰(zhàn)提供有針對性或創(chuàng)新性的解決方案（Candelon et al．，2023）。它缺少創(chuàng)造性思維，更缺少原創(chuàng)能力，且其沒有真正的情感體驗和道德判斷能力（馮建軍，2023）。在對話認知方面，用戶與人工智能的對話教育被窄化為“方法技術”；在對話過程方面，被僵化為“人機問答”；在對話類型方面，被退化為“知識撿取”；在對話保障方面，被異化為“風險對話”（劉丙利，2024）。AIGC對內容解構和建構的自動化替代，會剝奪學生尤其是低學段學生有目的地獲取內容、有意識地從內容中解讀意義、進行知識理解或形成技能的認知過程（苗逢春，2023）。面對生成式人工智能帶來的機遇與挑戰(zhàn)，外語教育從業(yè)者要清醒地認識到其優(yōu)勢和劣勢，做到善用而非濫用工具，積極地應變（胡加圣、戚亞娟，2023）。

2.1 定義與性質

批判性思維最早可追溯到 2500 年前蘇格拉底的教學實踐，它在西方哲學思想的滋養(yǎng)中孕育成熟，至 20 世紀初 Dewey（1933）將其冠以 “反省思維” 之名在其專著《我們怎樣思維》中予以系統論述，最終誕生于 Glaser（1941）出版的《批判性思維發(fā)展實驗研究》一書。此后，批判性思維相關的論著大量問世，批判性思維的定義紛紛出現。各種定義之間既有沿襲，也有變革；既有融合，也有沖突。其中，Ennis（1993）給出的定義最為簡明，即 “批判性思維是為決定相信什么或做什么而進行的合理的、反省的一種思維”。為了達成學界共識，美國哲學聯合會（American Philosophical Association，APA）在 Peter A．Facione 的領導下召集了包括哲學家、心理學家、教育家、批判性思維專家在內的 46 位學者，他們采用德爾菲方法，形成了具有一定權威性的批判性思維定義（Facione，1990），即批判性思維是一種目標明確的、自我調節(jié)性的判斷，涉及解釋、分析、評價、推理和說明等認知技能，并基于對證據、概念、方法、標準或語境的考量。

兩相比較，Ennis（1993）的定義與 APA 的定義均包含以下四層內涵：第一，批判性思維是一種思維過程，是正在 “進行” 的思考。第二，批判性思維是有目的性的，是為了形成信念或作出決策。第三，批判性思維是 “合理的”，強調要 “尊重和注意不同觀點，尋找替代觀點、解釋和論證”（董毓，2017a）。第四，批判性思維是 “反省的”。這樣的 “反省思維” 一方面是指自己自主地、向內自我反省，為自己的思想和行動的合理性而反思；另一方面是指進一步探究，構造新的、更好的觀念，找出現有觀念的缺陷。換句話說，“反省” 既是向內反思，又是對外觀察；既是回首過往，又是向前探索；既是破舊，又是立新；既是否定，又是肯定。簡而言之，批判性的 “反省” 符合矛盾同一律，既相互對立，又相互依存，這兩個方面在一定條件下可能發(fā)生相互轉化。批判性思維者，就是能做到辯證反思的人（董毓，2017a）。與 Ennis（1993）的簡明定義不同的是，APA 的定義彰顯了有目的、自我反省的思維過程中所涉及的認知技能與思維元素，強調了批判性思維是 “對思維的思維”，因此更具有適用性、認可度與影響力。

批判性思維的主要原則是勇于探究、謹慎斷言，在對科學假說進行主動、持續(xù)和細致的理性探究之前，先不要決定是接受還是反對，即需要延遲作判斷（Dewey，1933）。合理的信念和行動，不僅需要 “勇于探究”，更需要 “謹慎斷言”。致力于生產知識的批判性思維不僅鼓勵質疑，而且更強調學會質疑：不但要敢于提問，而且要善于提問，還要善于表達為什么有疑問，要能說出理由，特別是相關的、好的理由（董毓，2012）。通過嚴格檢驗和批判來挑錯的探索方式，是促進認知發(fā)展的有效方法（Popper，1977）。阻礙認識發(fā)展的不是發(fā)現錯誤，而是不去發(fā)現錯誤；沒有什么比發(fā)現錯誤能更快地促進新理論的產生。理性批判的思考，不僅和探索不矛盾，而且是更有效的探索。所以，不管從哪個角度理解，批判性思維都是正面的、建設性的思想力量（董毓，2012）。

2. 2 構成要素

第一，雙維結構模型。德爾菲研究報告（Facione，1990）指出，批判性思維由認知技能（cognitive skills）與情感特質（affective dispositions）兩個核心維度構成。其中，認知技能維度涵蓋六種核心技能，并進一步細分為 16 種子技能；情感特質維度則包括七種關鍵特質（見表 1）。

批判性思維傾向可細化為七個可量化的維度（Facione，2000），分別為求真性（truth-seeking）、思維開放性（open-mindedness）、分析性（analyticity）、系統性（systematicity）、信賴推理（confidence in reasoning）、好奇性（inquisitiveness）以及認知成熟性（maturity of judgment）。這七個維度分別代表了批判性思維傾向的不同側面，其具體內涵如圖 1 所示。求真性強調對真理與客觀事實的追求；思維開放性體現為對多元觀點與不同意見的尊重與接納；分析性表現為對問題與信息的系統性分解與邏輯性思考；好奇性體現為對知識與未知領域的持續(xù)探索欲望；系統性關注思維過程的條理性與結構化；信賴推理反映了個體對自身推理能力的信任；認知成熟性則強調在復雜情境中審慎判斷與權衡的能力。

第二，三元結構模型。Paul＆Elder（2014）提出的批判性思維框架由三個核心要素構成，即推理元素、理性標準與智力特質（見圖2）。與雙維結構模型相比，三元結構模型不僅關注個體的思維結構（包括認知技能與本質特性），還進一步強調對推理要素的解析與思維質量的評估。

近年來，隨著 GenAI 技術的加速迭代升級，各類相關工具不斷涌現，展現出廣闊的應用前景。然而，這些技術背后的原理與機制卻如 “黑箱” 一般缺乏透明度與可解釋性，給用戶帶來了視覺與認知上的雙重沖擊，導致公眾對于 GenAI 的認知與態(tài)度呈現出顯著的分歧。在這一情形中，批判性思維作為一種理性的、科學的認知工具，顯得尤為重要。它倡導開放、多元和探究（董毓，2017a），強調從多維度考察事物，以形成全面、辯證且客觀的認知。通過運用批判性思維這一探照燈和透視鏡，我們從多個維度、多個層次對 GenAI 進行觀照，透過表面現象，深入探討它的本質特征與潛在影響，從而對它形成全面且深刻的認識，并

第一，通過考察 GenAI 這一概念的內涵與外延，我們可以明確它本質上是一種大模型，目前已能貫通文字、語音、圖像、視頻、計算機編碼等格式進行模式識別，并借助符號表征系統生成新內容（苗逢春，2024），而各模型又因架構設計和訓練策略差異呈現不同數據特征的捕捉能力和生成表現力，導致其在處理語言復雜性、上下文依賴性以及多模態(tài)生成任務上的表現有所不同（袁毓林，2024）。例如，Transformer 架構的引入通過自注意力機制有效捕獲長程依賴，而諸如 GPT 和 BERT 等模型分別采用自回歸和掩碼語言模型訓練目標，以優(yōu)化生成或理解任務的性能。這意味著，模型的選擇對生成內容的質量具有顯著影響（苗逢春，2024）。在使用 GenAI 之前，需要結合具體任務需求、預訓練數據特性以及目標領域的復雜性，對可選人工智能工具（AI tools）進行評估和選擇，才能確保生成內容的準確性、一致性和多樣性。

第二，通過考察 GenAI 的優(yōu)勢和局限、潛能與風險、短期效用與長期影響、局部效應與全局效應，我們注意到其作為人類創(chuàng)造和使用的工具，具有矛盾同一性。例如，GenAI 使獲取信息更加便捷高效，卻可能因管理、評估與篩選大量信息而降低效率；有可能提高教育可及性與公平性，也有可能加劇數字鴻溝；有可能增強學習者自主性與批判性思維，也有可能破壞人類的認知和學習過程，影響人類批判性思維和高階技能的發(fā)展。再如，GenAI 在教育領域展現出顯著的創(chuàng)新潛力，但其應用策略必須建立在嚴謹的、基于實證研究的基礎之上。若未經審慎評估便倉促開展 GenAI 驅動的教育實踐，則可能對學習效果、學生參與度或教育公平性產生負面影響（Bozkurt，2023）。

第三，通過比較分析 GenAI 與傳統人工智能、通用人工智能的差異，我們意識到盡管 GenAI 象征著人工智能技術正由傳統的識別、分類、預測等功能向生成能力轉變，但其本質上仍歸屬于機器學習范疇，是一種數據驅動的概率模型。作為人類開發(fā)的一種輔助工具，GenAI 正處于快速發(fā)展與應用落地的關鍵階段，正在向智能增強與自主創(chuàng)新階段邁進。然而，必須指出的是，當前 GenAI 尚未達到通用人工智能（Artificial General Intelligence，AGI）的高度。鑒于此，一方面，我們需要以開放和積極的態(tài)度來理解、應用、引導并改進這一技術，旨在最大化其服務于人類社會的價值；另一方面，不可忽視其可能帶來的挑戰(zhàn)、風險以及隱患。因此，在推進 GenAI 發(fā)展的同時，確保對其潛在負面影響的有效管理和控制尤為重要。

第四，通過將它與人類智能比較，我們能夠識別其固有缺陷。與人類智能相比，GenAI 缺乏主觀意識，無法主動進行思考、提問或探究。它不具備人類的生活經驗，因而不能真正 “理解” 人類世界，其內容生成完全依賴于用戶輸入和預設的訓練規(guī)則。此外，GenAI 僅能基于已有數據進行學習和推理，不具備自主質疑、挑戰(zhàn)或修正錯誤信息的能力。在數據不足、污染、偏頗，或算法和推理的方式不當等情況下，甚至可能出現 AI “幻覺”（hallucination），即生成虛構的內容或不存在的事實和數據。不同于人類能夠通過持續(xù)學習、科學實驗及探索未知來調整自身認知，并依靠經驗、情感、靈感和隨機性等因素突破現有框架提出新理論或創(chuàng)造全新的流派，GenAI 雖然可以模仿人類的情感表達（如提供溫暖的鼓勵話語），但本質上并不具備情感，也無法實現真正的共情。同時，GenAI 沒有自身的道德倫理體系，其行為完全由訓練數據和算法規(guī)則所決定。理解 GenAI 與人類智能之間的差異，對于理性高效地利用該技術至關重要。這包括通過輸入精確的提示或指令、對其輸出結果進行細致的反饋和評估，確保其生成的內容既高質量又符合人類的價值觀。在教育生態(tài)系統中，作為突然闖入的重要生態(tài)因子，GenAI 正在打破原有的生態(tài)平衡，促使教育生態(tài)發(fā)生躍遷。這種變化導致教師產生職業(yè)危機感，甚至拒絕使用 GenAI（張彥杰，2025）。深入理解 GenAI 與人類智能的區(qū)別，有助于教師積極應對技術變革，重新定義自身角色，并聚焦教育的核心目標 —— 培養(yǎng)具有獨立思考能力和創(chuàng)造力的人才。

囿于模型架構、算法設計、計算能力和預訓練數據的影響，GenAI存在技術缺陷，導致AIGC存在瑕疵和偏誤。第一，模型通過海量數據的訓練和概率預測生成內容，其本質并非直接提取事實，而是基于語言模式和上下文關系進行推斷。概率預測傾向于選擇上下文中最具可能性的語言組合，而非基于因果關系或真實世界的驗證（董毓，2023）。因此，盡管生成的內容通常具有較高的語言流暢度，但其邏輯可能并不成立。在預訓練數據中包含對立觀點和信息且難以判斷其真?zhèn)蔚那闆r下，GenAI的回復可能會顯得混亂或流于套話，這表明它缺乏真正的對比、綜合、判斷或創(chuàng)造力。第二，如果GenAI的訓練數據在規(guī)模、質量和多樣性方面存在不足而導致信息偏差或質量低，模型有可能繼承這些局限性，進而影響生成內容的準確性、精確性和多樣性（袁毓林，2024）。第三，GenAI通過使用溫度參數來控制生成文本的隨機性和創(chuàng)造性，溫度值的設置會直接影響模型輸出的多樣性和準確性（Wolfram，2023）。當溫度設置較低（0.1—0.5）時，模型傾向于選擇概率最高的詞，生成內容更加一致和準確；溫度設置過高（＞0.8）時，模型更容易產生AI“幻覺”，可能生成偏離事實或邏輯的虛構內容。第四，因為GenAI不理解語言背后的現實世界和社會關系，在面對訓練數據中可能存在的錯誤信息、虛假信息、惡意信息、偏見歧視、商業(yè)秘密、他人隱私或違反法律規(guī)范、倫理道德、社會公德的不良信息時，模型無法對其真實性與合適性進行有效判斷（Miao＆Wayne，2023），而將這些信息作為學習素材納入輸出邏輯。此外，大語言模型的數據清洗與標注工作極其繁重，對大數據幾乎不可能獨立于系統之外進行現實核查（董毓，2023），這也進一步限制了其生成內容的真實性和可靠性。第五，盡管GenAI可以基于預訓練數據集，為人類的知識發(fā)現提供文獻綜述和數據計算的支持，但其自身不能發(fā)現新知識，無法提出原創(chuàng)性的觀點，無法為現實中的復雜問題提供解決方案，也不能作出社會價值判斷或價值觀引導（Miao＆Wayne，2023；苗逢春，2023）。  這些內容瑕疵或系統性偏誤，對用戶構成智力挑戰(zhàn)和安全隱患。若用戶未能有效識別并加以甄別，可能導致此類信息的進一步傳播，從而擴大其負面影響范圍。從短期來看，這種認知失察可能引發(fā)個人、企業(yè)或社會層面的嚴重后果，如經濟損失、公共政策偏誤或法律糾紛；從長期來看，此類問題可能扭曲公共輿論生態(tài)，加劇群體間的對立與分裂（武宏志，2023），并削弱社會對人工智能技術的信任，最終阻礙其健康發(fā)展與廣泛應用。  運用批判性思維這一“防火墻”識別與化解AIGC潛在風險的前提在于用戶具備充分的風險防控意識。這種防控意識來源于批判性思維傾向（Facione，1990）與智力特質（Paul＆Elder，2014）。批判性思維者通常表現出對知識與事物本質的強烈求知欲，其特質包括好奇性、智力謙遜以及對潛在問題的高度敏感性。他們致力于探究真相與真理，并以誠實、客觀與堅毅的態(tài)度進行深入分析。同時，批判性思維者注重基于理由與證據的推理，尊重多元意見與觀點，并時刻警惕自身可能存在的偏見。此外，他們能夠聚焦核心問題，并以系統化、規(guī)范化的方式進行處理，堅信通過理性推理與反思能夠解決問題或作出明智決策，并能夠洞察問題的復雜性，進行全面而深入的思考，同時審慎地調整判斷。  為了決定是否采用AIGC，我們需要對其中蘊含的推理元素進行識別和評估，這意味著對其進行批判性閱讀。與休閑閱讀或純粹以欣賞為目的的閱讀不同，批判性閱讀要求讀者投入更多的批判性思維傾向、智力特質與認知技能，精神高度集中，思維高度活躍。讀者需要從多角度提出問題，并通過深入思考形成自己的見解。因此，批判性閱讀不僅能夠帶來更全面、更深刻的理解，還可能激發(fā)原創(chuàng)性思維，從而將學生從知識的接受者轉變?yōu)橹R的創(chuàng)造者（董毓，2017b）。我們可以依照圖3所示的批判性閱讀路徑對AIGC展開批判性閱讀。   

 圖3呈現的是批判性思維雙維結構模型（Facione，1990）與批判性思維三元結構模型（Paul＆Elder，2014）的融合框架。該框架涵蓋了批判性思維的傾向性、情感特質、核心認知技能、推理元素以及智力標準。這一綜合模型為讀者提供了一種系統化的批判性閱讀路徑，用于識別與評估AIGC文本中的論證結構。該路徑可適用于所有包含論證的文本類型，包括AIGC文本。通過這一框架，讀者能夠更全面、更深入地分析與評價論證的邏輯性、合理性及其潛在缺陷，從而提升對文本內容的理解與批判能力。

首先，具備批判性思維傾向與智力特質的讀者，通過運用闡釋、分析、推理、評價、說明這五種核心認知技能對文本進行系統性解構，從中析出目的、問題、概念、觀點、假設、信息與含義等推理元素，并進一步評估這些元素是否滿足各自的理性標準（Paul＆Elder，2014）（見表 2）。這一過程不僅要求讀者具備高度的認知敏銳性與邏輯嚴謹性，還需要其能夠基于批判性思維閱讀路徑，對文本內容進行多層次、多維度的審視與判斷，從而確保對論證的全面理解與客觀評價。

在 GenAI 技術迅猛發(fā)展的背景下，全球范圍內形成了一個多元主體參與的競爭格局，包括國際組織、各國政府、科技企業(yè)、教育與科研機構、行業(yè)協會以及終端用戶群體在內的各方力量，均積極參與到這一新興技術的應用和推廣之中。 然而，在此進程中，那些未能充分理解或有效利用 GenAI 潛力的個人和組織，可能面臨被邊緣化的風險，難以適應由智能技術驅動的新時代要求。 考慮到批判性思維有助于 GenAI 用戶深入理解 GenAI 技術，識別并規(guī)避 AIGC 的潛在風險，當前將批判性思維作為人工智能核心素養(yǎng)，并對 GenAI 用戶進行批判性思維教育尤為必要。 因此，本文建議各級政府和教育機構在推廣 GenAI 技術的過程中同步推廣批判性思維教育，以確保 GenAI 用戶能夠安全、負責任、有效地使用 GenAI 技術。