元知识详解：第一人称的方法论

Nisbett 与 Wilson 1977 年那篇综述给出了判据：人被问及自己的心理过程时，实际是从「什么因素通常会影响这类行为」的常识理论里取答案，而不是读取真实过程。所以只要真正起作用的因素是反常的——位置、顺序、一次无关的启动——报告就会系统性失灵。他们的经典演示是在商场里摆出四双完全相同的丝袜请人挑选：最右边被选中的概率约为最左边的四倍，纯粹的位置效应；问起理由，人们谈材质、织法、弹性，无一人提到位置，被明确提示时还会否认。

更狠的是「选择盲视」（Johansson 等，2005，Science）。被试从两张人脸照片里挑出更有吸引力的一张，主试用手法把卡片调包，把他刚刚没有选中的那张递回去，问「你为什么选它」。多数调包没有被察觉——但真正值得停下来想的是后半段：被试会流利地为一个自己刚刚拒绝过的选项给出理由，「我喜欢她的耳环」「她笑起来更自然」。理由不是被读取的，是被现场生成的；而生成的理由在主观上和「真」理由手感完全一样。这才是最不安的部分：不可靠的内省不附带任何不可靠的信号。

这正是大模型思维链的结构性问题：模型吐出的「推理过程」是又一次生成，不是对内部计算的读数，因此可以流畅、可以自洽、也可以与真正决定输出的因素无关——把它当成解释来信任，等于重犯人类内省的老错。用户研究里同构：问「你为什么不用这个功能」，拿回的是用户的自我理论；问「上次你放弃的那一刻在做什么」，才逼近事实。法庭证词、事故后的「我当时是这么想的」，都受同一条限制。

复盘会上把「你当时怎么想的」换成「你当时屏幕上看到什么、点了什么、几点几分」。前者调取的是一次事后重构，而且必然被结果污染——已知系统挂了，记忆会自动补出当时的不安；后者调取的是可核对的痕迹。评审别人的判断时同理：追问依据的观测，而不是理由的措辞漂不漂亮。

三条腿缺一不可。其一，受训的第一人称报告：被试不是随口作答，而是先接受描述训练，学会悬置（epoché）解释、只描述体验本身的结构。其二，稳定的现象学范畴：从反复报告中提炼出可复用的类别，而不是每人每次一个说法。其三，神经动力学数据。真正的技术动作在于切分：传统实验把所有试次平均，个体在每一次上的主观状态被当作噪声抹平；一旦先按被试自己报告的状态分组再平均，原本的「噪声」就可能显出结构。

Lutz、Lachaux、Martinerie 与 Varela 2002 年发表于 PNAS 的实验：任务是盯着随机点立体图，直到三维图形浮现。被试事先受训，每次试次后报告刺激出现之前自己的准备状态，这些报告被聚成几类——稳定的准备、涣散的准备、完全没准备好。再按这些自我报告的类别去切分刺激前的脑电，各类呈现出明显不同的伽马频段同步模式，并对应上反应时的差异。同一批数据，若按常规做法直接平均，这些结构完全看不见，会被算作试次间噪声。第一人称报告在这里不是装饰，是把噪声解析成信号的那把钥匙。

机器学习里的等价说法是：你缺了一个关键特征，于是把它的方差记成了噪声——异质性不会因为你不测就消失，只会沉进误差项。A/B 实验同理，整体「无显著差异」常常是两个方向相反的子群在互相抵消，而那个分组变量往往是主观的（用户当时的意图、熟练度、情绪），恰恰不在埋点里。可观测性也一样：只采机器指标，「用户觉得卡不卡」这一维永远进不了模型。

给实验和监控加一列「人报告的状态」，并且要求它先于客观结果被记录。比如让灰度里的内部用户在每次关键操作后用三档标一下「顺畅／犹豫／受阻」，再拿这一列去切分延迟数据——你多半会发现同一个 P99 底下藏着两种完全不同的体验。关键是这一列必须在看到结果之前采集，否则它只是对结果的复述，约束就退化成了回声。

第一步是把人带回一次具体的经验（evocation），而不是让他谈一般情况：哪一天、在哪里、当时身体是什么姿势——具身的细节是重新抵达那次经验的抓手。然后严格避开三类污染：不问「为什么」（引出解释），不给候选答案（引出选择），不接受泛化表述（「我一般都是……」要被拉回「就那一次」）。访谈者只推动注意力的方向——从「做了什么」转向「怎么做的」——绝不提供内容。最后把逐字稿编码成两种结构：历时的（步骤序列）与共时的（每一步上同时发生的各感觉通道）。得到的不是「感想」，而是可比较、可跨被试聚类的结构化数据。

癫痫患者的先兆研究是最锋利的一刀。相当一部分患者坚称发作毫无预兆、随机降临——这也是他们日常恐惧的主要来源。Petitmengin 等人不问「你有什么先兆」，而是用微观现象学访谈把患者带回最近一次发作，一步步倒推发作前几分钟到几小时的体验细节。结果多数受访者识别出了此前从未言明的前驱体验：特定的视觉变化、注意力的某种「抽离」、身体某处感觉基调的改变；有些人据此学会了在发作前采取措施。同一个人、同一段经验，换一种提问方式，就从「什么都没有」变成一份可用的描述。这切开了两件常被混为一谈的事：经验不可及，和经验没被好好问过。

事故调查与专家知识萃取里的认知任务分析、关键决策法，用的是同一套逻辑：不要专家的总结（「凭经验」），要那一次的时间线和当时注意到的线索——专家能力大量存在于说不出的部分，而说不出不等于问不出。用户研究、教练、心理治疗，乃至写作时追问「你到底看见了什么」，都受益于同一个转向：从 what／why 转到 how。

需求访谈的默认问法——「你希望有什么功能」——拿回的是用户的产品设计意见，几乎必然失真。换成：回到你上次被这个问题卡住的那一次，那天你在做什么，第一次意识到不对是看到了什么，接着你试了什么，试到第几步放弃的。同一位用户、同样的半小时，拿回来的东西完全不是一个量级。事故复盘同理：把「当时怎么判断的」换成「按顺序说，你先看的哪块面板」。

ESM 让设备在一天中随机触发，问几个极短的问题：此刻在做什么、心思在不在手上这件事、感觉如何；聚合成个体内部的时间序列。这样得到的数据支持同一个人不同时刻之间的比较，而不只是人与人之间的横截面，因此能做先后顺序的分析。另一条线是给主观报告配客观校准：心跳觉察任务要求人在不摸脉搏的前提下数自己的心跳，与实测心电对照，得出内感受准确度；再与「你觉得自己对身体信号有多敏锐」的自评（如 MAIA 量表）分开。于是三层被拆开：实测的准确度、自评的敏感度、以及两者之间的吻合程度——最后这一层才是内感受的元认知。

Killingsworth 与 Gilbert 2010 年发表于 Science 的研究，用手机对两千多名成人做了约二十五万次随机采样，发现人在将近一半的时刻里心思不在手头的事上。更关键的是时间顺序：走神预测随后时刻的心情变差，而心情差并不预测随后的走神。常识把走神当成不快乐的症状，数据里它更像原因——而这个方向，只有靠时点采样才分得出来。另一个更刺人的结果来自内感受：人自评的「我很懂自己的身体信号」与心跳觉察任务的实测成绩几乎不相关。在身体这个看似最私密的领域，自信同样不是能力的指标——与 Day 65 的元认知错觉严丝合缝。

这就是可观测性里「持续埋点采样」与「事后写故障报告」的差别，也是「季度 NPS 问卷」与「使用中即时反馈」的差别：前者拿到的是被峰值和结尾重构过的叙事，后者拿到的是分布。金融里对应「投资日记必须在下单当时写」，而不是季末复盘时补——事后补的理由已经被收益染色。凡是要拿主观数据做决策的地方，采集时点比问题措辞更决定质量。

想知道团队的真实状态，别在周会上问「这周怎么样」——那是记忆和场合的合成品。用一周随机四次的两问打卡：此刻在做什么、被什么挡着。聚合出的分布通常和周报差得离谱，因为周报讲的是能被讲述的部分，而阻塞多半发生在讲不出来的那些时刻。这套方法成本极低，可以先在自己身上跑一周；它测的恰好是你最没有把握的那类判断。