DeepSeek R1 作为首个开源推理模型在世界范围内广受关注→和 ChatGPT 不同，DeepSeek R1 在回答问题时会展示自己的思考过程→推理能力作为一项人类高阶思维在 AI 时代显得更加重要→推理能力的培养和哪些因素有关？我需要搜索阅读一些专业的教育研究→原来推理能力与科学知识、科学方法论和批判性思维都有联系，而且与写作相关→慢着，我读过有研究证明跟 ChatGPT 对话三轮能显著提高学生就某话题的批判性思维→Aha, 我发现写下这段推理过程本身也让我思路更加清晰了→写篇公众号吧《跟 DeepSeek R1 提升推理能力和批判性思维》。
以上是我个人的一段“链式思维”，记录了我写这篇内容前的思考。能看见别人的思考过程其实是一个很有意思的学习过程，而自己写下自己的思考过程同样是一种认知复盘。为学日益，为道日损。现在有了 DeepSeek R1 这样的 AI 推理模型，我们应该能学到更多。
科学推理是指在科学领域中，为了理解自然现象、形成科学知识和解释科学数据而进行的复杂的认知过程。它涉及多种技能和思维方式，使个体能够提出问题、收集和分析数据、形成假设、得出结论，并在科学探究的背景下进行批判性思考。批判性思维主旨是学会质疑和评估信息，避免盲目接受结论，通常被认为是更广泛的构建，包括在不同领域中使用的认知过程和倾向，而科学推理则是批判性思维的一个子集。
DeepSeek R1 强调“链式思维”，也就是在回答问题的过程中展现出清晰的思路和多步推导过程。对学习者而言，能够看到完整的推理链条比只看到最终答案更有价值，可以帮助他们理解每一步推导的逻辑依据，从而培养更严谨的思维方式。
而且 DeepSeek 可以实现以低成本来本地部署——普通笔记本电脑可以部署 1.5 B 或者 8B 的小型 Deepseek R1 推理模型（这只要占用 5G 以内的 GPU 显存)，而性能更强的个人电脑可以部署 14B 道 32B 的中型模型（这需要占用9—20G 的 GPU 显存），如果有更多的设备支持，部署和运行最大参数的 671 B DeepSeek R1 模型（数字越大，参数越多，AI 也就越聪明）设备成本也在 15-20 万之间。
这为学校部署私有 AI 开发微调模型、学校电子设备接入完全可控且安全的 AI、进行专门的 AI 教育试验、打造数智化教学实验室，提供了高性能且低成本的方案。跟着 DeepSeek R1 学习，不再是一句空话。
一、学生的推理能力和什么有关
2018 年发表在核心期刊CBE—Life Sciences Education的论文《理解批判性思维和科学推理（Understanding Critical Thinking and Science Reasoning）》这篇文章的核心内容是探讨大学生在撰写生物学学位论文时所展现的批判性思维和科学推理技能之间的关系。研究的背景是科学教育中，批判性思维和科学推理是核心学习目标，但关于这些构建之间相互关系的实证研究较少。文章通过分析大学生的学位论文，研究了科学推理在写作中的表现与批判性思维技能之间的联系，并探讨了对教学的启示。
研究设计包括在两所大学的生物学课程中的学生，通过BioTAP评估学生的论文，并使用加州批判性思维技能测试（CCTST）来评估他们的批判性思维技能。
研究得出了以下主要结论：
科学推理与批判性思维的关系：学生的科学推理能力（通过论文写作评估）与他们的批判性思维技能（通过加州批判性思维技能测试评估）之间存在显著的相关性。特别是，推理技能与写作之间有很强的正相关关系。
特定技能的重要性：在批判性思维的各个维度中，推理技能与科学推理写作的关系最为密切。这表明，推理技能在科学推理写作中起着关键作用。
科学推理的独立性：尽管科学推理与批判性思维技能有显著的相关性，但科学推理写作并不是批判性思维的简单替代品。科学推理还涉及其他方面的技能，如对科学知识的理解和写作规范的掌握。
教育实践的启示：研究结果表明，通过写作来培养学生的科学推理能力是一种有效的方法。特别是，写作中的推理技能可以通过特定的教学干预来提高。
学生的推理能力与他们在写作中表现的科学推理技能密切相关。根据研究，推理能力是批判性思维的重要组成部分，它涉及从论据和证据中得出结论的能力。在写作过程中，学生需要运用推理能力来构建论点、解释数据和讨论研究的意义，这些活动都与科学推理技能紧密相连。因此，通过写作，学生的推理能力得到了锻炼和提升，同时也促进了科学推理技能的发展。
二、AI 聊天可以提升学生批判性思维
麻省理工学院和康奈尔大学的研究《通过与人工智能对话持久减少阴谋论信念Durably reducing conspiracy beliefs through dialogues with AI》（发表在 Science 上）详细讨论了阴谋论的普遍性和对公共关注及学术研究的重要性。
作者指出，尽管许多阴谋论看似荒谬，但仍有很多人相信。论文回顾了有关阴谋论信仰形成的心理理论，并提出了一种新方法，即使用大型语言模型(Large Language Models, LLMs)来反驳阴谋论。研究者开发了一个实验流程，让参与者与AI进行实时对话，AI根据参与者提供的阴谋论和证据进行个性化回应，旨在减少参与者的阴谋论信念。实验结果表明，这种方法在不同种类的阴谋论和不同个体中都显示出了稳健的效果。
1.个性化的教育对话：展示了AI能够与个体进行个性化的对话，这种能力可以用来适应不同学生的学习风格和需求。在科学思维的培养中，个性化的反馈和指导是非常重要的（Participants then engaged in a back-and-forth conversation with an artificial intelligence (AI) implemented using the LLM GPT-4 Turbo, in which the AI uses its store of knowledge to try to respond to the specific evidence raised by the participant...”）
2.基于证据的论证：研究中AI使用的基于证据的论证策略，鼓励参与者批判性地思考和分析证据，这是科学思维的核心组成部分。（“...evidence-based alternative perspectives were used ‘extensively’ in a large majority of conversations (83%）
3.持久的效果：研究表明，AI对话的效果在2个月后仍然显著，这表明AI可以对学生的学习和思维方式产生长期影响。（“...the change in beliefs we observe is remarkably persistent.”）
三、如何跟 DeepSeek R1 提升推理能力和批判性思维
以下建议将帮助你利用 DeepSeek R1 来提升推理能力和批判性思维。这些方法综合了前文对 “链式思维” 的介绍、科学推理与写作训练的关联，以及 AI 多轮对话在促进批判性思维方面的研究成果。你可以根据自身需求和环境（如是否本地部署）灵活采用其中的步骤。
1. 观察与模仿：充分利用 “链式思维” 的示范作用
DeepSeek R1 会展示完整推理过程，在提问时，你可以阅读它展示其完整推理过程（Chain of Thought）之后将 DeepSeek R1 的推理过程与自己原先的思考过程进行对比，找出差异点，总结每一步基于哪些前提、使用了哪些逻辑推理规则以及得出了什么中间结论。
观察 DeepSeek R1 如何拆分问题、分析信息、得出结论后，可在下次遇到类似问题时模仿它的思路，但模仿只是第一步，更重要的是结合自身知识背景进行改进，最终形成自己的推理风格与思维方法。
2. 深度交流：多轮对话促进批判性思维
麻省理工学院的研究表明，与 AI 进行多轮个性化对话，可以显著促进批判性思维。为让交流更具针对性和深度，对同一个话题或问题，可从多个角度反复提问，询问 DeepSeek R1 对不同假设、不同证据的看法，如：
“如果反面证据是……，结论还成立吗？”“在另一种情境下，这一推论是否适用？”。
还可要求 DeepSeek R1 提供与自己观点相反的论据，并针对这些论据进行逐步反驳或辨析，这种 “对抗性” 思考能帮助审视自身盲点、纠正偏见，进而提升批判性思维。
每次与 DeepSeek R1 对话后，可以用简短文字记录下自己在哪些点产生了新的认识，以及哪些地方需要进一步查证或思考，“把思路写出来” 本身就能让大脑更有效地加工信息，形成更牢固的理解。
3. 写作训练：将科学推理融入写作过程
前文提到的研究表明，写作活动对提升科学推理和批判性思维大有裨益。结合 DeepSeek R1，你可以自己先写一段文章，如针对某个科学话题进行简短的讨论、摘要或观点陈述，在写作过程中尽可能运用科学推理，包括提出问题、列举证据、分析数据和得出结论。然后将写好的文章片段复制给 DeepSeek R1，并让它逐步指出文中存在的逻辑漏洞、论据薄弱之处或表达不清的地方。例如 ：
“请你审阅以下文章，并指出论据、逻辑或科学推理方面的不足。”“针对下文的写作结构和推理过程，给出详细修改建议。”
根据 DeepSeek R1 的反馈进行改写，再次提交给模型，让它继续评估和给出修改思路，在多轮迭代中，逐渐掌握更严谨的推理习惯，并学会在写作中自我反思与纠正。
4. 本地部署与实践：用低成本打造 “AI 教学实验室”
DeepSeek R1 的开源和可本地化特性，为高校、中学或者自学者提供了在私有环境中进行 AI 教育实验的可能。
普通笔记本可部署 1.5B/8B 小型模型（需 5G 以内 GPU 显存）性能更强的个人电脑可部署 14B～32B 中型模型（需 9～20G GPU 显存）若学校或研究机构有更多资源，可部署 671B 级别的超大模型（设备成本约在 15～20 万左右）
