《Proceedings of the Design Society》：On using LLM reasoning to support reflection in design thinking
编辑推荐：
设计思维（Design Thinking）虽能促进创造力，但其对启发式方法的依赖使其易受到认知偏差（Cognitive Bias）的影响。研究人员提出了一种由大语言模型（Large Language Models, LLMs）支持的规则驱动框架，该框架采用"提
设计思维（Design Thinking）虽能促进创造力，但其对启发式方法的依赖使其易受到认知偏差（Cognitive Bias）的影响。研究人员提出了一种由大语言模型（Large Language Models, LLMs）支持的规则驱动框架，该框架采用"提示—反思—重构"（Prompt-Reflection-Reframe）循环机制，用以识别设计人员言语推理中的偏差机制，并生成基于理论的反思性提示。通过基于场景的评估，研究人员验证了该框架的理论基础，并为支持具备偏差意识的设计实践确立了方法论基础。
## 研究背景与问题提出
设计思维作为一种以人为本的创新问题解决方法，已广泛应用于产品开发与社会变革等领域。该方法融合分析、直觉、用户共情与迭代实验，通过假设检验、框架重构与假设显性化来提升决策质量。然而，设计思维本质上仍易受到认知偏差的影响——这些因依赖启发式而产生的系统性推理扭曲，会在设计人员无意识的情况下扭曲其问题框定、证据解读与方案优先排序的方式。传统去偏差方法如意识培训、检查清单与结构化反思虽有一定效果，但难以适应设计任务的动态性与情境敏感性。这些方法通常在活动前后应用，而偏差解读往往在持续的认知建构过程中动态涌现。更为关键的是，偏差性解读常在早期即告稳定并引导后续推理，事后干预往往为时已晚，无法实质性改变设计轨迹。因此，学界亟需能够支持实时反思性推理而非仅进行回溯性评估的自适应认知支架。
大语言模型的快速发展为此提供了新机遇。GPT-4等模型能够解读细微提示、维持反思性对话并外化推理过程，可在设计人员直觉性思维的基础上提供补充。尤为重要的是，大语言模型能够在持续推理过程中交互式、响应式地运作，使反思性提示得以在解读形成之际而非决策固化之后引入。基于此，研究人员提出将大语言模型定位为反思协作者而非人类判断的替代者，作为在复杂认知活动中搭建反思意识的工具。
## 研究框架与核心贡献
本研究提出"提示—反思—重构"循环作为支持设计思维中偏差意识反思的认知计算方法，将基于大语言模型的推理与认知心理学原理相结合。该框架以言语化的设计推理（包括显性化的解读、决策与反思）为方法论起点，旨在浮现并促使设计人员反思其言语化推理中潜在的偏差机制。在该交互循环中，设计人员表达想法，大语言模型以浮现潜在假设的提示回应，设计人员重新评估并重构其理解。大语言模型在此扮演元认知伙伴的角色，支持意识与批判性反思，同时保障创造性思维的流畅进行。
该研究的贡献体现在两个方面：其一，将设计中的偏差缓解重新框定为人工智能辅助的元认知形式，展示了大语言模型如何在言语化设计推理中将认知偏差理论操作化为反思性干预；其二，引入了结构化的基于提示的方法，将理论去偏差原则转化为实用的交互机制，说明提示工程（Prompt Engineering）与思维链推理（Chain-of-Thought Reasoning）如何促进设计实践中更具反思性和证据意识的思维。
## 关键技术方法
本研究所采用的核心技术方法包括以下几个层面：基于"提示—反思—重构"循环的认知计算交互架构；与设计思维阶段（定义、构思、原型、测试）相映射的三类提示模式（启动、检测、反思提示）；将偏差机制映射为可观察推理线索的规则驱动解读层；以及基于场景的结构化测试评估方法。规则构建采用"文献—机制—评估"的结构化方法，通过跨学科文献回顾识别关键偏差机制，将其映射为设计话语中的反复推理模式，进而形式化为条件性规则陈述。评估采用少数样本提示（Few-shot Prompting）与分步指导，确保规则逻辑的一致执行。
## 研究结果
**提示—反思—重构循环：** 该循环构成了框架的核心微观交互结构。当设计人员以自然语言表达涌现的想法、解读或关切时，系统通过规则驱动评估层解析输入，分析推理是否呈现特定偏差机制模式（如解读收窄、早期线索固化或证据选择性使用）。模型随即基于理论推导规则的激活，生成针对当下推理的开放式提示，而非依赖预制回应。提示以开放式问题形式呈现，旨在拓展设计人员视角而不强制特定解决方案。设计人员反思问题、修正或详述原有想法，循环持续迭代。此结构实现了Sch?n所提出的"行动中反思"理念，为设计人员提供能够识别模式、及时提问并支持即时认知建构的对话伙伴。
**设计思维各阶段的提示模式：** 框架将提示组织为三类动态应用的功能模式。**启动模式**应用于定义阶段，鼓励设计人员显性化表达假设、约束与初始解读，通过前置隐性框定选择支持更广泛的问题探索。**检测模式**应用于构思阶段及早期原型阶段，浮现解读收窄的涌现模式（如选择性证据使用或过早固化），在不中断创造性流畅的前提下邀请重新审视。**反思模式**应用于后期测试与优化阶段，支持整合与认知建构，鼓励设计人员审视反馈、解读与设计意图的一致性，在决策稳定化之前促使假设与解读的再度审视。提示模式的强度与形式亦随设计人员专业水平调整：新手受益于更明确的支架，经验丰富的设计人员则需更轻量、非侵入性的提示。
**规则驱动评估层：** 该层将认知机制转化为自然语言设计话语中的可识别模式。规则采用"如果—那么"结构，通过结构化文献—机制—评估方法构建，要求满足三项标准：可识别性（真实设计话语中出现）、多源理论基础（至少两个独立文献支持）、可提示性（能表达为与元认知原则一致的开放式反思问题）。以确认偏差为例，其在设计推理中表现为选择性参考使用与辩护性语言，被操作化为规则1"关注支持性证据"：检测对确认性反馈的反复强调，触发邀请考虑反证性证据的反思提示。研究人员首先以确认偏差为验证案例开发了十条规则，随后扩展至锚定效应、固化、所有权偏差及群体思维等偏差家族，最终组织为八类推理扭曲分类：证据处理、解读、固化、探索、辩护、批判、信心与抗拒。
**评估结果：** 评估采用基于结构化场景测试的形成性方法，聚焦建构效度与跨偏差家族的功能一致性。评估从确认偏差的单偏案例原型开始，逐步扩展至锚定效应、固化与所有权偏差。评估沿三个维度进行分析：解读一致性（模型回应与推理模式及预期规则的匹配程度）、提示质量（生成问题是否反映"考虑反面"逻辑而不预设解决方案）、理论一致性（提示是否与规则背后的文献认知机制对应）。结果显示：在语言线索与定义条件匹配时，模型能够一致生成与规则逻辑对齐的反思提示；对于确认偏差，大语言模型能区分选择性证据使用、辩护性推理与过早固化；在锚定效应和固化案例中，模型生成了探索性或框定重构的提示；所有权相关模式触发了邀请重新评估决策依附但不预设保留的提示。这些结果为框架作为元认知支架的建构层面效度和规则语法跨偏差机制的泛化有效性提供了初步证据。
## 讨论与研究结论
该框架刻意采用开放式、非指导性的提示方式，反映了设计认知的核心洞见：规定性干预可能破坏创造性流畅、削弱主体性或窄化解空间。偏差检测信号唤起的不是即时校正，而是反思性参与，邀请设计人员在不承受外部评判的前提下重新审视假设。这与强调意识与自我调节而非校正本身的元认知去偏差原则一致，亦与Sch?n的"行动中反思"理念呼应——质疑本身就是重构实践的生产性机制。
将推理显性化并引入结构化重新审视机会，该框架为更具反思性、证据意识与认知韧性的设计实践提供了路径。随着生成式人工智能持续渗透设计工作流，支持而非凌驾于人类判断之上的方法将变得至关重要。当前评估限于基于文本的场景和单一模型交互，未来需开展与真实设计人员的实证研究，评估对框定方式、证据平衡和创意多样性的实际影响；需扩展至团队情境以检验群体层面的群体思维等偏差；将框架拓展至视觉与基于制品的推理亦是关键发展方向。视觉—语言模型的最新进展为解释图像与文本共享推理流程中的视觉制品提供了支持，使反思性分析从言语推理扩展至视觉制品成为可能。该工作为未来跨模态、跨设计情境及跨协作规模的发展奠定了概念与方法论基础。
