第17 章　相同显露与不同发生：D—E 的多路径性

不同生成历史的相同成绩

两位学生在期末考试中取得相同分数：甲通过每天自主复习逐渐理解，乙在最后数日由家庭强制监督完成高强度练习。表面成绩S 相同，但离开监督后的学习迁移能力可能不同。这不是说甲一定更好，而是说明成绩同一性只在特定测量单位成立。若研究目标是知识迁移，应增加新题型、延迟测量与无监督条件；若只评估本次考试答题，则两人确实可以被判为表现相似。发生学必须先确定任务，才能决定不同D—E 组合是否属于同一S。

同一结果不必对应相同机制，数学上具有基本的多对一可能性。例如F(1,9)与F(4,6)可以在一个纯示意的加和模型中产生同一数值，但真实SDE 不等于加法。这个例子的作用仅是排除“相同S 必定要求D 和E 数值同一”的推理。反过来，不同D—E 历史也可能在同样扰动下出现相似稳定性，说明其共同发生域具有一定宽度。真正困难的是估计这个域的边界，以及在新的互动下它会如何改变。

多路径性的反事实检验

若某个共同特征可以沿多条路径稳定产生，我们应能在互相替代的条件下找到相近结果。例如保持目标任务不变，改变协作工具、反馈频率或同伴参与方式，看哪些显露指标仍保持在预先声明的容差之内。若不同路径在后续迁移上分化，说明原先“同一S”定义过于粗糙，或本来只适用于局部任务。发生学的成功不是为所有结果找到一个讲得通的故事，而是提前规定什么时候算机制相同、什么时候算显露相似以及什么时候必须承认分类失败。

多对一映射怎样误导普遍人性判断

想象两位研究参与者在危险环境里都选择撤离。一个人撤离是因为受到家人的劝告，另一个人则经独立核算风险后决定撤离。如果我们把“撤离”定义为同一个S，就不可能单凭这一结果推出二人同样胆小、同样理性或同样具有安全偏好。他们的D 选择顺序与E 纠缠条件差异显著。相同外部行为可以由不同机制产生，正是社会科学中反推原因必须谨慎的缘由。

也存在反向情形：两个人采用相近的风险推理程序，却因为一个家中有需要照料的老人、另一个承担紧急救援职责，最终作出相反选择。相近D 不保证相同S，因为E 的责任关系不同。同样，某类共同环境安排并不保证人人发生同一特征，因为已有经验、能力与身体状态会改变实际差异运行。双重条件论应避免把任何一个方向写成简单必然关系。要研究统一的S，必须明确可接受的相似容差；没有容差，就可能把语言上的“都是勇敢”误当作数学上的“完全相等”。

逆问题与可识别性

在一个多对一发生模型中，从可观察结果反推出内部机制，属于逆问题。若很多不同的D—E 路径都能解释同一S，必须增加独立观测，例如中途选择、临界情境中的行为改变、长期迁移和外部干预。假设某种慈善行为在撤除公众表扬之后消失，研究者也不能立刻判定此前全部动机都是虚荣；它可能涉及资源条件突然变化。好的识别策略应把竞争性原因提前列明，并解释每种原因在什么观察下得到支持。

同一个S 标签下的异质能力

一位学生和一位软件工程师都能够在短时间内获得正确的数学答案。学生通过自己展开推导完成，工程师通过可靠软件完成；如果任务只要求给出结果，两者的显露可以被视为相同，但如果目标是研究独立证明能力，两者便不具有同一S。测量标准切换改变的是我们所定义的显露层级，而不是让客观世界随语言瞬间改变。人性发生学必须让这种层级切换透明化，否则“同一S 来自不同D、E”会被误解为任何差异都无关紧要。

进一步，软件可以成为复合主体的可靠部件。当工程师能够发现软件的假设错误、选择适当算法并复核关键边界时，复合体的判断力可能比孤立人更强；但这是经过实际性能检验的主张，不是因为加入AI 就自然成立。D 与E 的多路径性，应帮助我们辨认新能力承担单位，而不是让所有能力归属问题变得模糊。

增订：同一结果的多条路径与路径转换

若两个学生在同一数学测试中获得相同分数，他们可能采用完全不同的解题策略。一人依靠对概念结构的理解，另一人依靠大量题型记忆；在原测试中二者同显露，但在陌生问题上可能迅速分化。因此，所谓相同S 需要首先说明观察尺度。如果S 只定义为分数相等，二者可以同一；若S 包含迁移能力，原先的同一可能消失。发生学不应把细粒度同一性强加给粗粒度测量，也不能只凭粗粒度分数推出内部机制相同。

在形式上，可以把符合某种S 判据的D—E 组合看成一个有效域。这个域可能由若干互不连通的子区域构成：不同技能路径都能产生接近的表现，但从一路径切换到另一路径需要经过表现暂时下降的过渡期。比如熟练使用机械记忆的人开始学习概念建模，短期测验速度可能降低，而长期问题适应力提高。发生学若只盯着短期S，就会把潜在升维误判为退化。

多路径性还可以出现补偿效应。一个感官渠道存在障碍的学习者，可能通过辅助工具和其他感官渠道达到与同伴相近的任务成果。由此不能说他的身体条件与别人完全相同，却也不能简单断定他缺少完成任务的能力。需要明确能力的归属单位：如果表现依赖工具稳定在场，则可以将其归于人—工具复合体；若工具撤去后仍能独立完成部分任务，则还发生了个人能力迁移。这种区分与今后的人机复合主体研究直接相关。

严密的理论还应寻找反例。如果研究发现某些任务在所有可验证的情境中都需要一个高度相似的生物机制，那么并不因为SDE 强调多路径而强行创造不存在的路径。多路径性是可能存在的模型结构，不是对所有行为必然成立的教条。研究者应报告何种S只有窄域可行，何种S 具有大量异质的实现方案，以及何种机制在现有技术下仍不可替代。

增订专题：有效域中的鲁棒性与脆弱性

两种路径都能产生某一特征S，但其对于外部扰动的反应可能完全不同。一套合作规范只在成员互相信任时有效，另一套通过透明分工和公开记录，即使成员变化也能维持。若单次成果相同，我们仍然需要评估它们的鲁棒性。所谓鲁棒，是指在明确定义的环境扰动下，行为显露仍保持在可接受范围，而不是永远不会失败。这样的指标比一次结果更能解释共性的持续条件。

有效域的边界也可能通过工具改变。一个人在没有导航系统时难以独立到达陌生地点，使用可靠导航后能够完成任务。这不是证明他“天生具有方向感”，而是人—工具复合体进入了原先不能达到的能力域。如果导航发生错误，主体能否发现并修正，则是另一个层级的判断力问题。一个好的发生模型要将工具的可靠性、使用者的理解和备选途径纳入共同状态，而不能只把成功当作不需要解释的S。

路径转换往往具有暂时的能力落差。学生从记忆固定范式转向理解抽象原理，开始阶段可能回答更慢；团队从依赖一位核心专家转向共享知识，短期效率可能下降。若评价系统只使用即时成绩，便可能持续惩罚真正的重组努力。相反，研究者也不能把所有下降都解释为“转换阵痛”，必须设置时间限制与中间判据：是否出现新的错误辨认能力、是否改善知识迁移，以及能否在合理期限内稳定。

最终，一个完整的有效域模型应当同时报告可行性和维持代价。能够通过巨大投入勉强达成的S，与依靠低成本互惠便能维持的S，在社会可持续性上可能差异巨大；但投入本身也不必然是坏事，保护弱势者可能需要较高成本。模型负责揭示发生条件和代价分配，规范评估负责说明这些投入是否值得。两种判断互相关联却不能互相替代。

补论：一对多与多对一并存的发生机制

由S＝F(D，E)的写法可知，假设F 未被额外规定为单射，便不能从两个主体的S相同推出他们具有相同的D 与E。比如两个家庭都让孩子学会独立阅读：一个家庭采取每日共同阅读和开放讨论，另一个家庭使用有结构的训练与个别反馈；外显成绩可能相近，但儿童如何处理陌生材料、是否乐于追问与在没有支持时能否迁移，都可能不同。这个例子也提醒我们，相似的S 若测量得太粗，可能藏有本来能够区分的细微差异。改变观测粒度之后，原先的同一性可能不再成立。

“多对一”不能让发生条件研究失去意义。数学上可定义S 目标值的前像或近似发生域，实证上则需要找出不同路径共有的约束：可能是最低程度的信息反馈、足够频繁的练习、某种身体状态或可持续的共同注意。这里说的共同约束，不必是具体机制逐项相同，更不必是能量投入的恒定数值；它可以是一组允许多条道路通过的边界条件。一个严密的模型还要处理逆问题的不唯一性：已经看见结果之后，能否凭某些独立证据区分潜在D/E 路径？如果不能，就应保留不可识别性，而不是为每个人编造一份心理因果史。

更深一层，同样的D 与E 在不同时间也可能显露出不同的S，因为系统存在历史、阈值和路径依赖。某一训练安排在初学阶段可快速增加能力，到了熟练阶段可能只会维持旧模式；同一公开批评在安全、信任的团体中激发改善，在惩罚性环境中却可能产生沉默。若F 被假设为不含历史的静态函数，就会遗漏这些状态依赖。故真实的发生模型需要明确F 的适用期、对过去状态的记忆以及理论不能覆盖的边界。

补论：最难对付的是伪同一

一个大型组织把每位成员的“忠诚度”都记录为100 分，看起来实现了完美普遍S。但若指标来自每个人都必须签署的同一句承诺，分数只表明签字行为发生，并未观察成员在具有真实选择时如何行动。不同人在心中持有相反判断，仍可被记录为完全同一。人性发生学不能仅因发现外表一致而说已经解释了共同人性，也不能因为怀疑外表而断言每个人必然内心不同。它应寻找有差异激励的独立任务、允许匿名表达的条件和跨情境复测，识别同一S 是否经得住更高分辨率的检验。

进一步的识别试验：同一外显成绩背后是否存在真正不同的能力

设两名学生在标准数学考试上都取得90 分，传统统计可以把他们归入同一个分数区间。但一个学生擅长迅速调用熟悉模板，另一个学生在新问题中能够检查证明的前提、主动构造反例。考试得分S 的相近不足以说明这两种运行过程D 相同，也不足以说明他们未来解决陌生问题的能力同一。应设计至少三类新任务：对原题小幅更换表述、引入未见过的条件冲突、要求指出题目可能存在的错误或无解之处；同时记录他们如何选择工具、何时停止、是否能提出自己的验证方案。在这种更高分辨率观察中，原有S可能分化成新的显露集合。

如果两名学生在所有新增任务上仍表现相近，且学习与反例判断程序也高度相似，研究者应接受一种有条件的共同机制，而不必为了强调差异而创造不可见的心理故事。真正的发生学允许同一、近似和差异并存，并在新的证据出现时改变粒度。当我们声称“同S 可能有不同D/E”时，说的是一种逻辑可能与实证研究方向，不是在没有测量情况下宣称任意两个人的内部过程必然不同。这一区分能保护本书免受“只要看不到，就说藏在E 里”的不可证伪指责。

还有一种特殊情况：同一主体在不同时刻使用不同路径获得近似成绩。早期依靠教师提供的完整步骤，后来能够自行构造解决方案；外部得分未变，工具依赖和独立判断却可能发生显著变化。若教育评价只关注同一S，就会错过真正有价值的能力变化。SDE 分析在这里不能取代有效测验，但可以推动研究者把D 的过程资料和E 的工具关系与结果S 一起保存，从而为看不见的学习变化提出可检验的假说。