Nasvytis & Fan：灵感与「迁移」显现于说话方式之中——Fukai 解读

一段总结

人有时会体验到一种「灵感（insight，指对问题的看法发生转换、答案豁然显现的瞬间）」——原本陷入僵局的问题突然迎刃而解。这篇论文通过让参与者出声思考的实验，考察了这种灵感，以及由此获得的诀窍如何被带入下一个相似问题（迁移，transfer，指在某一课题中习得的解法对另一课题同样有效）。

研究让189名参与者连续解答5道火柴棒算式谜题，并对期间的发言进行自动转录与分析。在同一类型问题反复出现的组别中，参与者在首次解出之后也迅速变得更快更准确，并且说出「这和刚才是同一种类型」这类指出问题种类的频率有所增加。

也就是说，当迁移正在发生时，人会变得能够把自己发现的诀窍用语言表达出来——这正是本论文的核心观察。我将其解读为一项用实验佐证了关卡设计中「通过重复同一机关来促成熟练」这一经验法则的研究。

引言

作者为Linas Nasvytis与Judith E. Fan两人，均隶属于美国斯坦福大学（心理学系・教育研究生院・计算机科学系）。本文是2026年5月发布于arXiv的预印本（preprint，arXiv:2605.12970，属于同行评审前的投稿稿件，体裁接近认知科学类会议的短篇论文），尚无法确认是否已通过同行评审（peer-review）。不过，该实验进行了预注册（preregistration，即在实验前公开假设与分析步骤，以防止事后分析），数据与代码也已公开，这一点令人好感。

我今天选择这一篇，是因为主题本身就是解谜。所处理的课题是「火柴棒算式谜题」这一经典的灵感问题，对解谜设计者而言，题材直击痛点。而且「反复同一类型可加快熟练」这一结果，直接关系到关卡设计的顺序编排。由于近来AI相关论文接连出现，今天想介绍一篇聚焦人类认知本身的研究。

背景

长久以来，灵感一直被描述为伴随着突然的「顿悟体验」的一种不连续的跳跃。认知科学中一种有力的解释认为，灵感就是探索的场域从最初对问题的把握方式（问题表征，problem representation）切换到另一种把握方式（Kaplan & Simon, 1990）。例如，松动隐性的预设前提、拆解习以为常的组块，这类操作会引发这种切换（Knoblich等人，1999）。

问题在于，这种切换是发生在头脑之中的事件，无法从外部直接观察到。以往为了捕捉这一过程，使用的是「让人把所想的说出口」的思维发声法（think-aloud protocol，即让人在作业过程中把脑海中浮现的内容原样说出来的方法），但录音的转录与分类颇为费工夫，难以应用于大规模人群。

这时，近年来自动语音识别与自然语言处理（NLP，让计算机处理文本的一系列技术）的进步便发挥了作用。如今不仅能测量说话的时间与量，还能大规模地分析说的是什么内容、该发言在推理中扮演何种角色。这篇论文正是试图运用这些工具来观察灵感与迁移。

方法

课题是火柴棒算式谜题：用火柴棒摆出由罗马数字构成的「错误等式」，只移动一根火柴便使其成为正确等式。作者们按变换类型新制作了5种类型、共计25道题目。参与者是通过众包平台（Prolific）招募的202人，应用（已预先登记的）排除标准——练习未通过、录音不良、数据缺失等——之后，最终纳入分析的为189人。

关键在于分组方式。「相同组（Same）」的5道题目全部为同一种变换类型，同一类型反复出现；「不同组（Different）」每次都是不同的变换类型，类型不重复。由此，可以将「首次解出的瞬间」（作者们将其视为「发生了问题重新表征」的标志）与「此后能否重复利用该诀窍」这两个阶段区分开来。每道题设有4分钟的限时，参与者在解题期间全程出声思考并被录音。

分析是多层次的。首先用名为Silero的静音・发声判定器测量「说了多少话」（发言密度）。接着用WhisperX进行转录，并对每一段发言使用OpenAI的嵌入模型（text-embedding-3-large，一种将句子的含义转换为数值序列的模型）进行语义数值化，再用分类器测试能否据此判断正误或阶段。此外，还用GPT-5.1为每段发言标注「提议・评估・分类・复述・情感・填充词・其他」这7种标签之一，以追踪采取了怎样的思维行动。这一设计不使用算式本身，而是以说话方式的变化作为线索。

发现

首先确认了难度的分布幅度。整体正确率为47.5%（945次试验中449次答对）。按类型划分，「value-loose-chunk」最为简单，正确率80.7%；「tautological」最难，正确率19.2%。作者们表示，这是观察学习与迁移恰到好处的难度分布。

核心结果如下：在同一类型反复出现的Same组中，正确率从第1次试验的0.32上升到第5次试验的0.75；而Different组则始终停留在0.32至0.39之间（试验次数×组别的交互作用β=-0.524，p<.001）。仅限于在第4次试验之前首次答对的人来看首次答对之后的成绩，Same组此后的题目正确率为83.7%，而Different组为44.0%，所需时间上Same组为89.9秒，Different组为179.0秒。同一类型的反复出现，大幅提升了成绩表现。

说话方式也发生了变化。答对的试验中发言密度更高（差值=0.067，p<.0001），两组在首次答对的瞬间说话量都有所增加。但在首次答对之后说话量持续增加的，只有Same组（成功后变化=0.074，p<.0001；Different组为0.007，不具显著性）。在语义内容的分类上，从所说内容判断正误的准确率达到71.7%，但无法据此判断正在解同一问题的是Same组还是Different组（准确率49.2%，与随机猜测相当）。

最像是迁移标志的迹象，是「分类」类发言。在Same组中，首次答对之后说出「这和刚才是同一种类型」这类指明问题种类的比例，从0.3%上升到2.1%，约增加了7倍（差值=+1.8个百分点）。Different组则几乎始终为零。与此同时，两组在首次答对的时间点，所考虑的候选解法数量都有所减少（这是重新表征令搜索范围收窄的迹象），而此后进一步减少的，只有Same组。

应用之处

第一，是关卡的排列方式。如果你正在制作教学型的Sokoban-like游戏或解谜动作游戏，把使用同一「解题思路（诀窍）」的关卡连续排列，能让玩家先巩固该诀窍再进入下一关——这样的设计因此获得了支持。「新机关一次只引入一个，反复一段时间后再进入下一个」——这一古老的经验法则，可以说获得了迁移研究的实验性佐证。

第二，是难度的估算。这篇论文为火柴棒算式的变换类型给出了难度顺序（value-loose-chunk简单，tautological困难）。如果你正在制作等式类谜题或「打破预设」类型的一步制胜谜题，可以把这一顺序作为难度曲线的底稿。

第三，是为机制赋予「名字」的巧思。既然迁移的标志是「把问题类型说出口」，那么让玩家为自己发现的诀窍贴上标签、或是用一句「刚才那是哪种类型的谜题？」来促使其回顾，这类机关就有可能推动迁移的发生。这是一种悄悄把元认知（自己回顾自己的思考方式）游戏化的方向。

第四，是作为试玩测量手段的可能性。静音・发声判定、转录以及语义数值化这一整套工具，可以转用于从试玩期间的语音中大规模捕捉「灵光何时出现」「是否发生了迁移」的UX研究。发言增多、候选解法收窄的迹象，可以用作玩家正在逼近答案的信号。第五，是提示的出示时机。「候选解法在首次答对前会收窄」这一发现，反过来也可用于把候选范围扩得过大、停滞不前的玩家检测为「卡关」状态，从而调整提示出现的时机。

局限

作者自身承认的局限相当坦诚。他们把首次答对当作「发生了重新表征」的标志来使用，却并未直接测量每次试验中主观的顿悟体验。思维发声法只能映照出头脑活动的一部分，自动转录与标注中也混杂着噪音。而且火柴棒算式是一种约束极强的单一灵感课题，其他领域也许会呈现出不同的发言迹象。作者们提出，未来的方向包括：与顿悟评定相结合、检验早期的发言特征能否预测后续的迁移、以因果方式确认促进抽象化是否真的能增加诀窍的再利用。

我（Fukai）在这里想补充指出的是，首先这是一种组间比较（between-subjects，即把人分成两组进行比较的设计）。由于并非在同一个人身上追踪迁移，个体差异有可能混入结果之中。其次，「分类」类发言增加7倍看起来颇为惊人，但绝对数值只有2.1%——这是真实存在的效应，但频率本身很低。

此外，发言是与成功「同步」增加的，本论文并未证明把想法说出口会「引发」灵感或迁移。这是相关性的观察，而非因果关系。另外，使用GPT-5.1为思维行动打标签这一点，需要留意用机器的判断来衡量人类推理这种循环论证的风险（作者表示已对部分结果进行了人工核查）。最后，这虽然是一项预先注册过的研究，但终究只是单一研究，且是尚未经过同行评审的预印本。我认为，比较妥当的读法是不将其一般化为「人就是这样」，而是带着保留态度理解为「在此课题、此条件下观察到了如此结果」。

Fukai 的解读

从这里开始是我个人的解读。我想把这项研究定位为：在「灵感=问题的重新表征」这一认知科学的经典观点（Kaplan & Simon）与游戏设计长期积累的「机制要逐一教授」这一匠人技艺之间，用语言这一观测窗口加以连接的尝试。用设计批评的词汇来说，这项研究把「通过反复同一机关而达成熟练」这件事，转译成了一种可以从外部测量的信号——发言，并将其呈现出来。尤其是「能够把诀窍说出来」是迁移的标志这一点，在我看来，为「让玩家为谜题的类型命名——通过教程与提示的措辞」这一设计判断，提供了虽不张扬却确凿的依据。

结语

致想要深入了解的读者。作为把灵感理解为「约束的松动与组块的拆解」的经典文献，可以阅读Knoblich等人（1999）；作为大规模开展思维发声法的方法论，本论文也引用的Wurgaft等人（2025）的《Scaling up the think-aloud method》值得一并阅读，这样便能看清这一领域的全貌。若想把握灵感的神经科学背景，Kounios & Beeman（2014）的综述可作为入门指南。

我自己在打印出来的这篇论文中，用红笔在「分类类发言增加7倍」那一段下面画了线。玩家喃喃自语「啊，这和刚才是同一种」的那个瞬间——或许正是我们所做的谜题真正被理解的信号。我喝了一口浓咖啡，想着这些事。

参考文献

本文参考的论文与相关资料：

・Leveraging Speech to Identify Signatures of Insight and Transfer in Problem Solving (Linas Nasvytis & Judith E. Fan, 2026, arXiv preprint arXiv:2605.12970)

・相关研究：Scaling up the think-aloud method (Wurgaft et al., 2025, arXiv preprint)

・相关研究：Constraint relaxation and chunk decomposition in insight problem solving (Knoblich, Ohlsson, Haider & Rhenius, 1999, Journal of Experimental Psychology: LMC)

・相关研究：The cognitive neuroscience of insight (Kounios & Beeman, 2014, Annual Review of Psychology)