TL;DR： 面对一个预测，先把它拆成三部分：主张、理由和证据，然后问五个问题：谁在说、具体说了什么、依据是什么、有没有反例、这些证据是否真的支撑结论。最常见的错误包括确认偏误、沉没成本谬误、禀赋效应和连胜错觉，连 AI 模型也可能因为从人类数据中学习而重犯这些错误。
为什么需要一套流程，而不是只靠直觉？
直觉在熟悉的环境中运作良好，但遇到新信息、模糊数据或表达流畅的预测时就会变弱。一套更慢的流程能帮我们把对错的感觉与论证的真实结构分开。在批判性思维中，最小的单位不是意见，而是论证，它包含三个部分：主张、理由和证据。看清这三部分，我们才有地方提出问题。
面对一个预测应提出的五个问题是什么？
问题一：是谁在说，他有什么利益？
来源不决定真理，但决定我们需要多谨慎。一个来自该领域专家、有公开数据且没有明显利益冲突的预测，比一个来自无法核实来源的预测更可信。这个问题不是为了否定，而是为了分配注意力。
问题二：主张具体是什么？
很多争论之所以混乱，只是因为双方在谈论两个不同的主张。把主张写成一句可以检验的话：谁、做什么、在什么条件下、达到什么程度。「总是」「一定」「所有人」这类词往往掩盖了统计趋势与绝对规律之间的差别。
问题三：理由和证据在哪里？
理由是证据与结论之间的桥梁。证据是可以核对的数据、观察、实验或文本。只有结论而没有桥梁的预测还不算论证。有桥梁但桥梁不牢的预测也不够。
问题四：有没有反例或其他解释？
这是最强的问题。如果能找到条件相同但结果相反的案例，普遍性主张就被推翻。如果有其他解释同样符合数据，我们就不能只因为第一个解释更让人舒服就选它。
问题五：这些证据是否真的支撑结论？
缺少分母时，一个百分比可能被误读。一个个人故事在情感上可能很有说服力，但不能代表整体。这个问题迫使我们从数据到结论的整条路径重新检查一遍。
五个问题的速查表
| 问题 | 目标 | 需要停下来核对的信号 |
|---|---|---|
| 是谁在说？ | 评估来源和利益 | 匿名来源，无法核实 |
| 主张具体是什么？ | 弄清范围和程度 | 大量绝对化词语，条件不明 |
| 理由和证据在哪里？ | 把结论与数据分开 | 只有结论，没有桥梁 |
| 有没有反例？ | 检验普遍性 | 忽略相反案例 |
| 证据是否支撑结论？ | 检查逻辑路径 | 从相关直接跳到因果 |
最常见的论证错误是什么？
什么是确认偏误？
我们倾向于寻找、记住并相信与自己已有想法一致的信息，同时忽略相反的信息。这是根本性的错误，因为它会破坏其余四个问题。实用的应对方法是：在得出结论前主动寻找反面证据。
什么是沉没成本谬误？
我们仅仅因为已经投入了时间、金钱或精力就继续某个选择，即使新数据表明应该停止。已经付出的成本是无法收回的成本，所以它不是继续下去的正当理由。
什么是禀赋效应？
我们高估自己已经拥有的东西，高于自己尚未拥有的东西，即使两者等价。这让改变主意变得比必要的更困难。
什么是连胜错觉？
我们相信一个随机事件会按连胜延续，例如相信一个正在「状态好」的人会继续成功。对于独立事件，这种信念没有概率依据。
什么是忽略基础比率？
我们评估一个具体案例时，忘了该现象在整体中的基础比率。这是读检测结果、新闻或预报时常犯的错误。
什么是稻草人谬误和你也一样谬误？
稻草人谬误是攻击对方论证被扭曲后的版本。你也一样谬误是用指出对方也曾犯错来回应，而不是回答内容本身。
各流派在哪里不一致？
没有一份被所有流派一致认同的论证错误清单。一些资料把确认偏误归入认知错误，另一些归入论证错误。一些把连胜错觉并入概率偏误，另一些视其为推理错误。本文采用批判性思维入门教材中的常见惯例：把认知错误与论证错误分开，但承认它们常常一起出现。
AI 能避开这些错误吗？
不能完全避开。一项发表在 Manufacturing & Service Operations Management 期刊上的研究，用 18 个常见认知偏误测试了 GPT-3.5 和 GPT-4。结果显示，在近一半情境中，ChatGPT 面对带有情感色彩的选择时表现得像人类。GPT-4 在逻辑题上更出色，但表现出更明显的确认偏误，也更容易陷入连胜错觉。相反，AI 能避开一些错误，如忽略基础比率和沉没成本谬误。原因在于训练数据以及根据人类反馈进行的微调机制。因此，把 AI 用在有明确流程的任务上，仍比用在战略判断或情感判断上更安全。
