在AI共生时代，
如何展现提问与梳理变量的力量。
知识与信息已从“拥有”的时代走向如何“处理”和应用的时代。
Practigence 是一款次世代测评工具，旨在客观评估与呈现我们在多变的环境中，过滤认知噪音并做出核心决策的过程。
Practice × Intelligence
在AI共生时代，
基于不限于认知科学的各个领域的见解以及开发者的见解，客观呈现个人的“真正脑处理能力（CPU特征）”
Practigence 能客观评估和显示传统笔试与选择题测评难以捕捉的“流体智能”与“元认知能力”，致力于通过人尽其才实现社会智能资源的最优化配置。
从静态知识到动态智能
不测量雷蒙德·卡特尔定义的“晶体智能（知识积累）”，而是精确评估“流体智能”——即在未知和不完全的信息环境中发现变量关系与结构，并根据不断变化的状况动态更新假设的能力。
AI共生时代的“认知解饱和”
在生成式AI使获取信息变得唾手可得的今天，测试以人脑工作记忆有限性（米勒定律）为前提，重点考察排除认知噪音、只筛选出核心必要变量的“信息选择与提纯能力”和“问题构建能力”。
思考过程的客观可视化
不仅关注最终答案，还详尽记录受测者的答题时间（思考潜伏期）与修改记录日志（Process Tracing，过程追踪）。通过整合多重评估机制，避免了评估者自身认知天花板（Ceiling Effect，天花板效应）对结果的影响。
[交互式模拟器] CPU（流体智能） 与 HDD（静态知识积累）之别
模拟在大脑处理模式不同时，解决现实复杂问题的运行轨迹差异。
HDD（静态知识积累型）处理轨迹
// 等待启动...
CPU（流体智能执行型）处理轨迹
// 等待启动...
Philosophy
哲学
促进社会实现真正的人尽其才
Practigence 致力于推动在社会各个领域实现“人尽其才”，进而实现社会整体知识和智力资源的最优化配置。通过建立能让个人客观而清晰地了解自身认知结构特征（CPU特征）并能自主进行最优决策的环境，我们旨在消除智力生产力中的低效损耗，并提升整个社会的复杂问题解决能力。
Practigence 对“智能”的定义
一种动态且分层的认知处理能力：能以元认知方式评估环境适应性，自主选择、构建或舍弃环境以实现适应；能从经验中提取并重构不变的逻辑结构以透视核心本质；能将不可见的因果网络建模为系统动力学；能在极少信息下敏捷更新假设（贝叶斯更新）；并能同时解决未来的风险预测防范与当下的复杂现实挑战。
元认知与客观测评的科学价值
如心理学中的元认知理论（Flavell, 1979）所示，正确认识自身的认知偏误（自我校准）需要极高的认知能力，仅靠自身纠正偏误极为困难（达克效应）。此外，由于自陈式问卷会触发受测者的“社会赞许性偏误”，诱使其无意识地修饰答案，因此不受主观干扰的客观测评变得至关重要。
客观测量能将通常被视为黑箱的思考过程具体呈现：
- 认知平衡可视化： 系统整理什么样的模块组合会产生什么样的感知与判断特征。
- 防作弊测评设计： 不测验表面的正确性或受测者自我筛选，而是分析变量约束、条件分类和各时间节点上的应答修改日志。
- 提高决策精确性与自主性： 明确把握自身流体智能特征后，可进行“协作式智能设计”，合理利用他人或AI进行互补，以实现更科学的自主决策。
“数学包含逻辑”而非相反
传统捍卫教育价值的言论常称“学习数学能培养逻辑思维”。然而，数学问题大都是边界清晰的封闭环境，条件明确且已滤除所有干扰噪音。现实决策则充满不完全的变量与时效波动的零散信息。
称“因为数学好，所以逻辑思维强”是不妥当的，而称“因为逻辑思维强，所以数学可能学得好”则是合理的。数学不是逻辑的化身，而是逻辑体系包含数学。
口头逻辑与社会性干扰
人类在社会决策与沟通中，使用最多的是庞大的“口头逻辑”（言语逻辑），数学公式等纯定量逻辑仅占极小部分。如果仅因纸笔考试容易评分而过度偏重数学逻辑，就会本末倒置。
面对将学校纸面成绩等同于个人智能的关联谬误，Practigence 提供了透视问题核心本质的视角，直面并解析由于因果误判而导致的组织偏差。
Introduction
简介
本测评由 Practigence 提供，旨在基于一套将现实复杂问题解决过程中的认知处理步骤进行功能性分解与分类的框架，对个人的流体智能进行评估。
该框架清晰归纳了当某些特定功能缺失时，会导致哪种感知、判断或问题解决故障，并将各子项能力转化为可衡量的测评任务，以此开展评定工作。
基于上述定义，我们实施功能分解，精心设计、开发出能有效激发、验证和分析这些子项能力是否成功展现的方法，并对采集到的数据进行科学的报告输出。
【典型案例】信息选择中的功能分解与认知负荷
为了具体阐明日常与商业中的决策运作，我们不妨思考一个常见的买沙发例子：**“购买沙发”**。
在普通的购买思考中，人们一般关注“放不放得下”、“价格”、“耐用性”和“颜色”等变量。但是，若加入“租房且搬家频繁”这一买家属性，“是否便于拆装搬运” and “二手转出折旧率”就会升格为决策的“核心关键变量”。而对拥有超大空间（别墅）的买家而言，尺寸限制变量则变成了毫无影响的“无用噪音”。
根据认知负荷理论，人脑的工作记忆容量是有限的。若无法从脑中合理舍弃无用信息（噪音），决策所需的处理资源就会发生“内存溢出”，导致判断卡顿或产生低级失误。
Practigence 正是通过评估这种动态的 **信息选择与功能分解能力（CD）**，来检测在前提条件变动时，受测者“哪些变量需要重点保留、哪些变量应作为噪音主动过滤”。
[交互式模拟器] 功能分解方法（1）：沙发选购思维实验
在上述沙发选购场景中，点击不同的买家属性，能直观反映出哪些变量会变为决策要素，哪些变量应被视作“无用噪音”加以过滤。
必须要素
沙发整体尺寸
确认沙发是否能放进预定区域的基本尺寸参数。
必须要素
售价与耐用度
与预算及预计使用寿命相匹配的实际考量指标。
必须要素
易拆装/搬运便利度
基于需要频繁搬家这一隐含前提所衍生出的核心约束条件。
必须要素
二手转值/折旧率
为了防止短时间使用后抛售产生后端亏损的价值变量。
噪音（需过滤）
其他人的房间布局
其他户型完全不同的房间摆放案例，是干扰自我判断的冗余信息。
必须要素
空间户型/尺寸
在普通户型下是生死攸关的要素，但在超大空间下，其考量权重骤降为零。
[情景剖析] 功能分解方法（2）：列车突发停运时的紧急决策
<设想场景>
在一处陌生的地方，你原本乘坐的列车 A（车程 20 分钟）因人员擅入轨道突然停运。而你在终点站必须赶上的巴士（绝对死线）将在 30 分钟后发车。留给你的决策时间只有 2 分钟。
在如此高度紧张的情境下，具备优秀动态智能的大脑会瞬间执行以下“变量分类与高速运算”。
| 备选策略 | 表面呈现的信息 | 大脑内部的变量解析与运算 | 决策执行结果 |
|---|---|---|---|
| 方案 A：原地等列车（车程20分） | 目前停运。可能随时恢复。 | 将“人员擅入轨道”视作高度不确定（高波动）变量。根据警方介入深浅，停运时长可能从数分钟蔓延至数小时。面对30分钟的绝对死线，此方案风险过高，予以排除。 | 瞬间止损（舍弃方案） |
| 方案 B：巴士换乘 | 接驳巴士20秒后到站，但路线不熟且行驶缓慢。 | 判定20秒的时间窗口无法在现实中实现，因为在陌生环境下的“识别与移动成本”超过了“可操作时长”。且巴士行驶过慢（过滤噪音）。 | 瞬间排除（过滤噪音） |
| 方案 C：改乘地铁（车程25分） | 距离死线剩30分钟，车程需要25分钟。 | 判定地铁在地下运行，几乎不受路面环境噪音影响，25分钟是“最可靠的固定参数”。经计算，5分钟的冗余足以吸收进站和换乘损耗，最符合条件。 | 最终采纳（2分钟内敲定） |
面试官认知局限与“黑箱化的决策过程”：
这一决策的本质在于对期望值的科学优化：即使存在最快（20分钟）恢复的侥幸概率，为了确保死线（30分钟）的安全，也要果断选择高确定性的改乘方案。然而传统面试官往往仅凭结果判断，容易将其决策动机误判为“慌张易变”或“缺乏对列车复运的耐性”。
经验的非线性特征与“抽象提取能力”的阶梯差
社会上普遍存在一种误区，认为“经验”的价值与经历的时间长短（年限）呈简单的线性正比关系。其实，经历时间的长短仅仅只能证明其在该环境中物理停留的时长。
若仅仅是在系统或行动中毫无反思地机械性生存（惰性生存），那么即使这段生存时间拉得再长，也不会对大脑信息处理能力的迭代（智能更新）带来任何帮助。
学习质量和认知进步的速度，根本不取决于时间的长短，而取决于个体能从具体经验（发生的事情）中【提取】出多少纯粹的逻辑结构与本质变量。
静态堆叠型经验 (HDD 模式)
机械地将具体的表面现象照单全收并储存起来。由于知识和记忆是强环境相关的，一旦前提条件或变量改变，这些经验便无法重用。
- 特征表现： 极度依赖过去的成功路径，对外部环境前提条件的剧变表现出脆弱。
- 评估瓶颈： 面试和传统考试极易被此类经验的“堆积量”蒙蔽，无法甄别其应对未知环境的能力。
动态抽象型经验 (CPU 模式)
从具体的业务现象中抽取抽象的、不随环境变化的普遍性逻辑规律。将经验转化为可调用的函数，在面对陌生、全新的课题时，能瞬间进行跨领域调用并更新假设。
- 特征表现： 拥有极高的结构性迁移（类比迁移）能力，遇到未知状况能瞬间调整假设。
- 考察重点： Practigence 主要通过动态变量约束和AI实时对话，评估并捕捉这种抽象与类比迁移能力。
测评结果的报告级别 (Tier)
受测者完成测评后，系统生成的数据将按照用途与目的分为三个不同级别的报告提供（当前，受测者本人可查阅 Tier 1 和 Tier 2 报告）。
-
Tier 1 — 行为描述摘要（免费版本 / 受测者本人可查）
一份简要的行为观察报告，以纯文字形式记录和描述受测者在测评期间所展现的认知处理倾向。报告提供 5 至 7 行具体的观察日志，不包含分数和标签。例如：“在多项任务中表现出急于得出结论的倾向”、“遇到新信息时倾向于在固守最初假设的同时强行融合”等（这类似于体检中记录“本周睡眠较浅”这一行为级水平）。
-
Tier 2 — 认知维度分析报告（付费版本 / 受测者本人可查）
我们的核心报告，详尽剖析包含逻辑分析、推理、言语沟通等在内的“13个认知维度”，提供相应的能力判定等级、分析评语、强弱势项，并给出具体的自我改善行动指南，如“在日常做出决定后立即对自己开展特定提问”（这类似于体检中“心肺功能：优秀／睡眠质量：有待改善”这一层面的功能评级与健康指导）。
-
Tier 3 — 精密详细数据报告（专业级别 / 仅供管理员及企业端查阅）
专为专业分析设计的详细报告。针对 80 多个高阶认知原子标签，逐项勾勒出在不同题目中的“有／无”状态，展现认知结构在哪些题目类型中会以何种方式发生崩溃的模式分析，并自动生成应优先改善的标签算力推荐（这类似于为医学研究或精细分析而准备的血液检测全指标数据趋势对照表）。
Features
特长体系与能力分类
Practigence 将人类从“感知事物”到“做出判断与决策”的脑电波运作过程进行了全方位的模块解构，将其归纳为 A 到 N 领域、融合显现领域 M 以及整体统筹领域 P 并加以测量。
行为至上主义导致的“高智能”被误判为“多动症/自闭症”的结构性悲剧
常规的指标对照表系统由于仅聚焦于最终的行为表征（What）而非个体的处理机制本身，极易把智力表现极其卓越的个体误判为患有“发育障碍”。请点击下方标签查看对比。
表面的行为特征 (What / 被误判为ADHD的表象)
难以有效控制工作记忆，注意力极易被其他外部刺激夺走，在面对简单、枯燥的任务时表现得烦躁、坐立难安或心不在焉。
脑内处理机制 (Why / 高智力导致的大脑算力过剩)
由于大脑处理时钟频率极快，瞬时就解决了呈现在眼前的简单日常任务，导致工作记忆区大量空置。为了让大脑保持合适的清醒度，个体会本能且主动地开始在大脑中构建更复杂的心智模拟或知识性探索（思考上的多任务处理）。这完全不是“无法集中注意力”，而是为了防止大脑“空转熄火”的自卫性优化。当任务越难、越具挑战性时，他们会表现出常人难以企及的深度专注。
表面的行为特征 (What / 被误判为ASD的表象)
难以解码社交场合中那些没有明文规定的言外之意或所谓“读懂气氛”。对不合理的制度公开抗拒。发言逻辑跳跃性极强。拒绝遵守潜规则。
脑内处理机制 (Why / 认知维度降维打击产生的不一致)
由于个人的前提储备、抽象阶层及逻辑处理速度远超周围人，导致其指出的本质痛点或直白陈述难以被同龄人理解。拒绝守规是因为他们逻辑上能极其清晰地看出这些潜规则的“无效率和非逻辑”。由于具备“闻一知十”的认知构造，个体在对话中会自行省去好几个中间逻辑推导步骤直接给出最终结论，导致周围人误认为其“思维跳跃、古怪”。
【认知科学前沿】评估者认知的物理极限与特质的偏误结构
正如控制论中艾什比“必须多样性法则（Law of Requisite Variety, 1956）”所述：为了对复杂系统进行适当的评估与控制，控制侧必须拥有至少与被控侧对等的多样性（即状态的复杂程度）。当管理者或面试官自身的认知阶层与被测者存在显著阶梯差时，就会无法识别出受测者特有的高维策略或元视野，从而造成灾难性的选拔ミスマッチ（错配）。
其结果便是，本来属于“大脑算力过剩主动出击的探索”或“受测者对底层变量的重组设计”等高智商运作，在浅显的行为量表上被粗暴地打上“多动”、“散漫”或“难以合作”的误读标签。
建立多维智能模型的紧迫性：
传授已有知识（晶体智能）的技能与解决未知难题的处理力（流动智能）是两个截然不同的维度。Practigence 摒弃了仅仅给表面行为（What）打分的传统做法，而是将行为解构为“脑内内部算力资源（CPU）”与“外部环境挑战载荷（前提变量）”之间进行函数运算所产生的结果，从而破除了评估人员自身的认知偏见天花板，真实、客观地还原个体的核心能力。
向应用动态测评的智能评估系统转型
常规测评系统（单一输出结构的物理极限）
脱离背景环境与核心约束变量，直接针对外显的“孤立行为”进行武断分类。
- 输入端： 行为（例如：在课堂或工作中出现跑神，做其他事）
- 处理端： 产生此行为 ＝ 即为“注意力涣散（无用噪音）”，随即扣上“疑似ADHD（多动、不认真）”的标签。
- 症结： 个体的“内部智力资源（CPU规格）”与“当前环境的任务复杂度”这组最为核心的动态交互参数，被系统彻底忽略。
本测评评估系统（动态交互式变量因数分解）
绝非简单地给表征定性，而是科学地将行为视为“人脑算力”与“外界载荷”相互交叉交互后的函数输出进行运算。
- 探明内部算力（固定参数）： 通过基准测评，摸清被测者纯粹的“大脑时钟频率”与“工作记忆缓存空间”，将其确立为雷打不动的底层数据。
- 对比当前挑战负荷（可变参数）： 客观度量摆在受测者面前的环境难度以及信息干扰的饱和度。
- 做出合理判定： 若被测者面对的外部挑战负荷远低于其大脑算力，其大脑启动多任务思考便会被系统判定为“正常且合理的计算结果”，从而坚决排除负面误判标签。
A: 认识分野
何を認識し、知覚したか
状況を前にした際、最初にどの変数やノイズを感覚的にキャッチできているか。すべての認知処理の起点となる力です。この階層における認識漏れは、その後の分析や判断の誤りに直結します。
Value Proposition
功能与价值
AI多角度剖析
答题过程的细粒度可视化
多个AI测评判定器独立分析您的回答。不仅是单纯的对错，还对“在哪个步骤逻辑发生了跃迁”、“何时修正了假设”等思考过程本身进行微细映射与可视化。
去知识化设计
思维能力的纯粹测量
与竞争记忆量或专业知识多寡的现有测试划清界限，专门评估“面对未知课题时的变量整理能力和推理能力”本身。这种设计不易因专业或背景差异产生偏向或优劣势。
基于难度的公平评分
评估的精细化权重分配
不是简单地将简单课题的失败与复杂课题的成功一律折算为固定分数，而是根据课题本身的难度和复杂性（变量的多寡）对评分进行精细权重分配，准确评估受测者的“真实处理极限”。
“精细端详”的结构化设计
应对判定的偏差与偏见
为了避免遗漏优秀的资质和高阶认知能力，对作为评估入口的提示条件和答题步骤进行了彻底的结构化设计。防止因表达习惯或陈述方式不同产生判定偏差，确保公平、精确的客观评估。
刷题与套路的失效化
每次测评的动态变化
测试的部分内容和前提变量会随着每次测评动态变化，因此网络上的标准答案背诵或应试技巧（套路）等作弊、刷题手段将完全失效。
隐私保护与自律设计
无个人身份绑定与冷却期限制
测评结果与个人敏感身份信息不进行关联，严格保护个人隐私。此外，为防止短时间内反复测评产生“熟练效应（练习效应）”，再次测评设有一定的冷却期（时间间隔）限制。
这套系统对谁更有“优势”？
对于个人受测者
找准自身思维误区的指路牌，开启元宇宙时代的终身智力进化
帮助受测者科学、清晰地认清自己在哪种情境下极易被主观偏见蒙蔽，在哪类乱麻般的信息中错把噪音当成了干货（从而实现认知的自我校准）。这不仅仅能找出短板，更能提供在生成式AI狂潮中，如何培养人类不可被机器替代的那些极高维元认知能力的战略进化方向。
✓ 指引成长方向，跳出“应试型记忆”的存量内卷
✓ 提供认知校准，透视思维定式中不易察觉的盲区
对于企业管理端
在剧变时代考核真正能打的高阶算力，避开高昂的人才错配成本
系统只看个人面对混乱未知局势时的底层反应和攻坚效率（核心算力），而不是其肚子里装了多少陈旧死板的行业常识（静态硬盘库）。因为题型机制无法刷题突击，您可以隔绝一切简历粉饰或面试话术，洞察人才最真实的复杂业务解决本领，从而让招聘和排兵布阵的试错损耗大幅缩减。
✓ 科学测算应对混乱新常态时不可或缺的纯处理速度
✓ 答题轨迹动态分析，让一切投机与吹嘘无处遁形
对于全社会生态
把社会的“人才考评尺子”从记忆竞赛升级为高阶计算，推动社会阶层的高效各安其位
长久以来，人类考评制度总是偏向博闻强记（晶体智能），这在AI颠覆行业、知识秒变过时的智能时代已显得格格不入。我们需要把考核中心全面向以“高阶流体智能”为核心的能力考评体系迁移，让社会稀缺的智能资源在不同的关键岗位上精准匹配，促成个人强项互补共赢、自律补位的协同文明形态。
✓ 构建人机共生文明下真正具备生命力的底层知性基础设施
✓ 科学释放群体多样性红利，让核心智力配置在刀刃上
For Test Takers
对象：即将开始测试的受测者
受测指南：如何进行测试
本测试不是“考查记忆的脑筋急转弯”。我们重点关注您是如何筛选、提纯信息，又是如何做出决策的。因此，相较于试图写出看似完美的标准答案，将您真实的思考痕迹和逻辑推理过程毫无保留地呈现在文字里才是最重要的。在答题前阅读以下内容，将有助于您平稳地发挥出个人真实实力。
测评步骤
测评前需同意评估条款（同意关卡）。测试分为前半部分与后半部分（两阶段），支持随时安全中断与继续。
48小时时限
完成前半部分测试后，需在特定时间内（48小时内）完成后半部分。有效期限将在屏幕中明确提示。
启发思考的设计
并非固定死板的记忆性试题，而是旨在引出您思考过程的设计。部分题目在每次测评时动态变化，使死记硬背与刷题套路失效。
详细的诊断结果
测评结果将呈现从基础未达到的 L0 至完美无缺的 L11 的能力等级、分领域的能力特征画像，以及“已具备/待提升的认知表现”。
测评流程
- 同意条款：在测试开始前，需要对评估项目及相关条款进行同意确认。
- 回答前半部分试题：即使中途中断，已完成的作答内容也会安全自动保存，方便日后随时恢复答题。
- 前半部分结束与间隔：前半部分结束后，需在规定时间（48小时内）开始后半部分测评。有效期限会清晰呈现在页面上。
- 回答后半部分试题：完成剩余题目的解答。其中包含每次测试时动态变化的题目，重点考察现场的即时思考能力。
- 结果呈现：结果将以 L0 至 L11 的综合能力等级、分领域能力特征画像、以及“已具备/待提升的认知表现”的报告形式详细呈现。
核心守则与答题防线
- 修改机会在整场答题中，最多支持3次返回修改已提交题目的操作。但部分标有“不可修改”的题目一经点击下一步便无法修改。
- 剪贴板限制原则上在系统答题区域全面禁用鼠标右键复制与粘贴操作。唯独在数据信息加工类题目中，系统会例外开放粘贴权限，并在答题区上方高亮提示。
- 必填项检测凡包含多个子提问的连环题，必须完成所有提问才能被允许翻页（否则系统将弹窗报警拦截）。
- 行为轨迹探测受测者在答题中切换浏览器标签、尝试黏贴外部字句、屏幕截屏或执行打印操作，都会被计入作弊探测日志记录中。
- 长文沉浸UX对于材料字数极长的阅读理解题，系统会默认置顶阅读区域，且答题文本框支持折叠收起。您可以先排除杂念专心读题，再展开作弊框答题。
帮助您稳定发挥水平的 4 条小窍门
- 落笔无悔，字迹即真相。 评卷引擎完全通过您白纸黑字写下的文字逻辑来评估大脑。藏在脑子里没有诉诸笔端的信息将无法被记录。
- 即使毫无头绪也请写下推测过程。 遇到闻所未闻的概念，不要仅回答“不知道”。系统很看重受测者基于现有线索做出合理概率推测的姿态。
- 清晰阐明决策因果。 不要仅写一个孤立的结论，请务必说明“我判定该结果的前提和推导过程”。
- 考前突击毫无价值。 本测评专门用于剥离记忆痕迹、测试现场的大脑算力。保持原生态的大脑状况直接作答是最优的选择。
关于能力等级与测评结果的解读
测评结果以基础未达到的 L0 至完美无缺的 L11 能力等级来呈现。该等级并不是由单一能力的敏锐度决定的。认识、分析、思考、设计、客观审视、语言化等高阶认知能力，必须同时协调运作，受测者才能向更高的等级迈进，这是一种整合性的评估设计。此外，在最顶尖的几个能力等级中，不仅考查准确度，处理的敏捷性（速度）也是评估的前提条件之一。
报告中为了清晰区分“当前已稳定具备的显性能力（实力）”与“虽有闪光点或可能性、但尚未完全稳定的潜在特质（潜能/素质）”，将针对各观测维度提供阶梯式的细粒度评价标签。请勿将这些等级视作判定人优劣的标签，而应将其作为您今后认知进化与个人学习的清晰地图。
Methodology & Validity
目标读者：专家、同行评审人员、技术评估团队
方法论与效度说明
本页面以极其严谨的态度，公开陈述本测评的考察构想概念、评测逻辑模型、计分评判架构、测量信度保障，以及本系统当前在效度层面的科学论证与客观局限。我们秉持客观求实立场，清晰划定“我们已经做到什么”与“哪些属于尚未解决的科学前沿”。
1. 测评重点考查的核心构想
我们测量的主要概念是 **流体智能（fluid intelligence）**，即受测者不依赖以往死记硬背的常识，而是面对陌生、模糊的信息时，自主抽丝剥茧分析内在因果，并随着客观状况变化进行动态纠偏假说的能力。同时配合测量被测者基于元认知的 **自我认知客观校准度**。这些测验设计的底层学术源流、指标构想的对应关系以及文献支撑，已在 “理论与研究基础”页面 进行了归集。
2. 评测模型设计思路：功能极简拆解 → 能力等级呈现
我们把现实商业社会做出一项科学决策所需的脑部认知细分为了多个极简功能单元，倒推整理出“当缺失了哪一环，就会在实际业务中引发何种感知障碍或判断硬伤”的逻辑矩阵。拆解出来的底层指标会最终向各大核心维度汇聚，被测者的成熟度则通过渐进的能力等级呈现。我们的出题方式绝非“为了出题而出题”，而是将“受测者在处理此任务时我们能观测到何种元数据（可观测性）”作为测验的起点，使测验任务与底层指标的因果关联完全可以追溯。
3. 计分评判思路：跨题交叉会诊、多模型背靠背投票、高维模型终审裁决
本测评不是独立对每道题进行割裂评判，而是将某个核心指标横向穿透受测者的全部作答文本记录进行综合诊断，这能最大程度抑制单题评估的偶发误差。系统计分是由多个互相隔离、参数规格不同的LLM进行背靠背会诊打分。当模型间分歧值超出临界点时，才将文本呈送给更高规格的LLM进行最终裁决。这套机制吸取了近年来NLP评估学术界公认的“基于群体集成（Consensus）与强理由诱导机制（CoT-Judge）的打分精度与公信力远超单核判断”的成果。
跨题
指标纵横交叉审查
针对某一能力指标，穿透查看受测者全部答题文本，打上置信度标记。
俯瞰
全局整体诊疗
评估那些散落在答题夹缝中、无法被拆分为独立指标的文本特征与逻辑硬伤。
会诊
多引擎背靠背打分
多个独立运行的大语言模型独立完成评判打分并比对偏差。
裁决
越级高维仲裁
只有当各模型分歧点超出设定阈值时，才会启动高维模型开展仲裁。
※ 针对不同题型和分歧程度进行阶梯式流转处理：打分一致的区域快速生成，仅针对严重冲突点触发高阶仲裁（统筹了评估效力与硬件成本）。
4. 测量信度的底层保障
- **多模型会诊：** 依靠多路并发打分投票，彻底烫平单一模型打分产生的概率性偶发误差。
- **要求阐明打分理由：** 每一个模型给出分数前，被强制要求吐出结构化的打分前因理由，以提高评估的逻辑自洽与一致性。
- **可观测机会修正：** 如果受测者的作答方式导致某些能力的观测机会较少，系统将启动数据修正，确保打分的分母计算科学。
- **过程指标补充参考：** 引入答题间隔微秒数、修改删除日志、恶意标签逃避等外显行为，作为AI文本评分的有力补充依据。
- **系统级防范逆向注入：** 核心打分引擎部署于云端独立隔离服务器中，受测者在客户端的任何反向提示词注入都会被判定为“不可执行数据”予以拦截。
5. 关于效度的客观学术探讨（内容效度与构想效度）
**内容效度层面：** 每个测验任务均严格围绕可观测性目标定制，构想能力指标到具体任务的映射矩阵在工程上清晰可查。 **构想效度层面：** “极简功能指标->能力维度->最终分级”的演化模型符合流体智能与元认知的权威心理学说。测评的核心初衷就是为了通过深入的答题足迹追踪，挖出那些只看最终成绩的旧测验完全漏掉的“大脑思考过程的含金量”。有关与科学理论的对应细节，您可以前往参阅 “理论与研究基础”页面。
6. 现阶段的局限与未来验证课题（诚实开示）
本系统的设计已与现有及最新的研究成果进行了对照以验证其合理性，但其定位是“设计在先、验证在后”，研究仅用于辅助和确认设计的准确性。此外，本评估基于对思维过程的观测，旨在测量流体智能（动态智能、类似于大脑CPU的计算能力），并不定义人本身的价值。在认可这些前提的基础上，我们诚实开示现阶段的局限性：
- 大模型打分的概率性波动：尽管开发了多模型交叉检验和终审裁决算法，但由于底层推理的概率属性，依然无法100%排除打分波动的个案。尤其在涉及高深行业壁垒的客观推导打分中，人机一致率相比日常通用任务会发生降低。需要注意的是，尽管我们通过提示词工程、系统架构、角色界定与缓冲区设计将概率性波动降至最低，但依然存在约0.125%的概率可能会产生部分错误的内容。
- 标准化常模未完善：在大规模人群中的常模（Norm）标准化以及能力等级界限的经验性调整仍有待未来积累更多数据。目前的等级区分主要基于理论推演标尺。
- 外部妥当性未验证：与实际工作绩效或其他已确立测评指标的相关性（标准关联效度/预测效度），仍需通过外部标准进行后续验证确认。
- 重测信度未完成充分测试：针对同一批受测者在间隔数月后的复测稳定性（test-retest），仍需开展控制实验进行测定。
- 非临床诊断依据：本系统定位是为健康的社会人画出工作认知特征地图，绝对不能当作医学临床诊断道具使用。报告中有关人格发育特质的描述仅为“对误认结构的说明”，绝非医学鉴定。
- 语言与文化适用范围限制：当前测试任务和打分逻辑的原始设计主要针对以日语为母语的思考者开发。若跨语言文化使用，其同等效度尚未得到实证论证。
Theoretical & Research Basis
理论与研究基础及参考文献
本页面汇总了 Practigence 测评的 **智能框架（能力的层级因数分解体系）和测试任务设计** 相整合的认知科学、心理学及前沿NLP技术的理论研究底座，展现核心指标与权威学术概念的对应因果，并公开说明本测评是如何与这些研究成果进行整合对照的。
关于文献引用的前置说明
**本测评的设计研发在时间线上面向业务痛点自主成型，随后才引入学术界的研究成果进行印证和修正。** 本页面陈述的所有心理学说、实证结论以及学术假说印证，本质上均是**为了验证研发者自身设计构想与逻辑体系的精确性，而在系统成型后作为辅助比对依据引入的**。我们并非照抄或生搬硬套某个特定的心理学量表作为本测评的终点，而是将学术界积累的历史成果作为对照标尺，来确认自主研发框架的严密程度。因此，引用这些论文绝非是为了借助前人名望粉饰测评效度。
A. 指标构想背后的核心心理学脉络
本系统锁定的核心考查对象是：不依赖既有死知识而在混乱迷雾中理清线索、动态构建与推演新假说的 **流体智能**，以及大脑对自己思考过程开展监控的 **元认知监控与校准能力**。这些指标构想已被证实与以下科学系谱相契合：
- 与依靠积累的晶体智能区分开来的“流体智能”学说（Cattell, 1963）以及后续的三阶层人类认知能力假说（Carroll, 1993 / CHC 理论模型）。
- 大脑自我监控思考并实施调控的“元认知”心理学基础框架（Flavell, 1979 / Nelson & Narens 模型），以及关于自我能力评估出现系统性盲区的“达克效应”（Dunning & Kruger, 1999）。
- 人脑工作记忆存在物理缓存极限（Miller, 1956 / Baddeley & Hitch, 1974）以及由此引伸出的认知负荷管理（Sweller）。
- 双系统认知加工理论中的系统 2 慢思考与反思控制（Kahneman, 2011）。
- 控制论中阐明评估和管理复杂对象必须具备与之同等以上状态空间复杂性的“艾什比 Requisite Variety”（Ashby, 1956）。
B. 能力分类体系与心理学研究指标的因果印证
本系统的各项能力考查领域不是闭门造车的凭空臆造，而是与人类近百年来智力科学研究中反复得到实证的主流指标密切呼应，这也保障了本系统作为商业人才标尺的公信力：
| 测评能力分类 | 对应学术界的标准研究指标 | 代表性学术支撑 |
|---|---|---|
| A 感知感知 / CD 提纯选择 | 选择性注意（Selective Attention）、关联性去噪、有限脑缓存负荷自控 | 认知负荷管理（Sweller）／注意力转移机制 |
| B 逻辑因数 / C 结构解析 | 关系推理（Relational Reasoning）、模式匹配映射、抽象归纳（Gf的核心） | 结构映射假说（Gentner）／Cattell–Horn–Carroll 体系 |
| D 工作缓存 / Ds 结构迁移 | 工作记忆（Working Memory）刷新速度、概念类比迁移度 | 工作记忆三元模型（Baddeley & Hitch, 1974）／类比迁移（Gick & Holyoak） |
| E 动态假说 | 流体推理（Fluid Reasoning）、动态仮説検証、贝叶斯式信息信念迭代 | 卡特尔流体智能学说（Cattell, 1963）／贝叶斯认知科学（Tenenbaum et al.） |
| F 系统建模 / G 落地应用 | 非结构化模糊问题解决（Ill-Defined Problem Solving）、实践智力（Practical Intelligence） | 复杂问题解决实证研究／斯腾伯格成功智力说 |
| K 自我审视 / L 关系解耦 / I 环境适配 | 元认知（Metacognition）监控、执行控制（Executive Functions） | 元认知监控假说（Flavell, 1979）／元认知监测控制闭环模型 |
| J 认知续航 | 持续注意力（Sustained Attention）、高认知负荷抗疲劳度 | 持续注意力波动实证／关于认知意志力控制的核心文献 |
| M 融合 / P 综合统筹 | 一般智力因子 g（General Intelligence Factor）、多模态智能统合度 | 斯皮尔曼 g 因子说／卡罗尔 CHC 模型最上层／斯腾伯格成功智力统合 |
**以“流体智能 × 元认知控制”作为主轴考查模型**的学术合理性，在近年的人类智能前沿探索中得到了进一步确立。流体智能作为 CHC 理论最核心的核心，其稳固性被不断证实；而元认知和脑部执行控制作为非智力因素对学业和职场终身表现的卓越预测性，在近十年心理学界也备受推崇。※ 以上仅勾勒出大领域级别的对应关系。
C. 生成式AI普及对高阶智能评估的社会现实需求实证
随着 ChatGPT 等生成式工具对传统脑力劳动结构的深度重组，最新的实证经济研究表明：仅靠背诵和简单常识拼凑的知识再现型工种，其社会交易估值正面临断崖式下跌，相反，**对高阶复杂认知能力的需求正在急剧升温**。在允许使用AI开展工作的商业团队中，岗位的认知技能门槛要求发生了显著的整体右移（Hampole et al., 2025, arXiv:2503.09212）。国际货币基金组织（IMF）与麦肯锡的行业报告也一致发出警示：AI共生时代，**全社会在批判性思维、复杂问题架构提炼、高噪复杂信息精炼加工层面的人才供给缺口极其严峻**（IMF Staff Discussion Note, 2024／McKinsey Global Institute）。本测评正是在这一历史缺口期应运而生。
D. 支持我们开展AI评卷系统设计的先进NLP评估研究
本测评研发团队提出的“通过多模型交叉会诊排除偶发偏差”以及“打分必须吐出CoT打分理由”的云端评分框架，契合近年来NLP最前沿的 LLM-as-a-Judge 领域的实证共识。研究普遍表明：通过集成（Ensemble）投票和反思（Reflection）机制引导，AI的打分信度与打分公正性远高于单一判断器（Zheng et al., 2023／关于多语言大语言模型评审精度的实证, 2025）。当然，前沿实证也客观揭示了，在涉及需要极深业务壁垒或专业背景的细分场景评估中，AI Judge 的人机打分一致度会出现收缩（在常规日常任务中人机打分相关系数可达 ~90% 规模，而在极具深度的专业情景中则收缩至 64–68% 左右，略低于业内顶级人类专家之间 ~72–75% 的评估一致率），这促使我们建立起极其求实的系统局限防线。
E. 代表性参考文献及在测评开发中的具体应用对照表
| 参考文献 | 在本测评能力体系与系统研发中的核心转化应用方式 |
|---|---|
| Cattell (1963)／Carroll (1993, CHC) | 将测评核心标尺锚定于流体智能（Gf）的决策依据；能力指标分级架构设计的理论源泉。 |
| Flavell (1979)／Nelson & Narens | 自我监控与自适应控制等元认知指标（领域 K/L）的研发基石。 |
| Dunning & Kruger (1999) | 设计“测前-测后自评与实测表现背靠背比对算法”的心理学原理解释。 |
| Miller (1956)／Baddeley & Hitch (1974) | 工作缓存负载测试、高噪条件下的信息去燥过载类题目复杂度的设计依据。 |
| Sweller（认知负荷理论） | 长文本超限信息量阅读解析类题目中，大脑心理能耗难易梯度的标定标准。 |
| Ashby (1956, 必须多样性) | 打破老旧面试官专业段位盲区、建立高维集成会诊打分模式的学术底层动因。 |
| Kahneman (2011, 二重过程) | 甄别被测者是否能够主动打破本能直觉偏差、启动系统 2 慢思考进行逻辑论证的考查観点。 |
| Gentner（结构写像模型）／Gick & Holyoak | 逻辑与结构解析能力（B/C）与跨业务模型概念类比迁移能力（Ds）测验的题目构造法则。 |
| Sternberg（实践与成功智力） | 社会落地（G）及全局统筹协调（P）等指标背后的构想背景。 |
| Schulte-Mecklenbeck et al. (2011) | 使用鼠标点击轨迹、单题修改日志及时间差等过程追踪技术评估潜伏期能力的学术信度支撑。 |
| Zheng et al. (2023, LLM-as-a-Judge) | 开发多路并发评分和打分可解释性（Explainability）NLP工程的信心来源。 |
| Multilingual LLM-as-a-Judge (2025, arXiv:2505.12201) | 直面AI打分局限性、设计越级人工与高阶模型混合仲裁防线的数据依据。 |
| Hampole et al. (2025, arXiv:2503.09212) | 锚定AI共生岗位技能漂移新常态、科学设定测评商业定位的决策参考。 |
| IMF SDN (2024)／McKinsey MGI | 佐证商业社会对批判性思维与系统性提问的全局性人才短缺的宏观证据。 |
※ 以上引用的论文和著述主要用于说明测评构想和系统局限。我们并不声称本测验是某个学术研究的复刻或替代品。
Terms & Consent
使用条款与知情同意书
条款目录
第一条总则及法律适用
本条款适用于本服务的开发及运营方（以下称“运营方”）与申请并完成测评的个人受测者（以下称“您”）之间的全部民事法律关系。您在开启测评前，必须仔细读完本条款及同意书并勾选同意。如果您不同意本条款，系统将拒绝您开启测评。
第二条再测间隔限制（冷静期政策）
由于测评目的在于发掘真实的流体智能，若频繁开展复测，将因为受测者对题型和套路产生熟练度（学习与练习效应导致的测评污染）从而让测评结果失真。为此，我们设定了严格的再次受测冷静期：
- 从您首次提交测评的完成日起计算，**原则上6个月内**限制同一受测者再次进行本测试。（冷静期时长将根据系统防套路算法迭代进行不定期公示修正。）
- 任何在冷静期限制时间内开展的再次测验申请或作答记录，系统将自动判定为“作废”，不予退款，亦不提供测评报告。
- 只有当发生经证实的重大系统故障或运营方主动发起复测时，在管理员人工终审确认后，方可解除此冷却期限制。
- 通过注册马甲账号、使用他人证件等方式绕开冷静期限制的行为，均构成第三条所指的作弊行为。
第三条作弊行为及异常判定
本服务用于评估未经修饰的瞬时脑处理能力。您承诺独立完成测试。一旦系统识别到以下作弊或异常作答行为，运营方有权对相关作答标记为“废弃”，终止提供报告且不予退费：
- 借助第三方、ChatGPT等大语言模型、现场联网检索或远程屏幕分享等一切手段进行“代考”或“辅助回答”（测评显式标明允许与AI互动的段落除外）。
- 雇人顶替答题、多开小号尝试题目、恶意规避冷静期冷却时间的行为。
- 在系统明确禁用粘贴的答题区以各种技术手段绕开禁令执行复制粘贴，或违规翻阅场外实体辅助手册。
※ 测评中频繁切换标签页、非法调用剪贴板、尝试本地截屏或执行网页打印的行为都会被系统轨迹追踪器静默计入异常记录。关于保护题库版权和知识产权的行为，我们在第三条之二中设立了严厉的法律惩戒规章。
第三条之二严禁题库采集及系统逆向工程
本测评中包含的所有阅读材料、具体提问、选项分布、AI判分标准、底层能力标签框架、云端判定算法结构、UI交互样式及图形均属于运营方受著作权法及商业秘密法律保护的核心知识产权。您严格承诺绝不实施以下侵害行为：
- 对测验内容、AI评语及测评报告详情（以下简称“测评机密”）进行抄录、拍照录像、屏幕截取、文字手打还原、非法拷贝或以任何数字数据库形式打包储存。
- 将测评机密向第三方公开、共享、展示，或将其用于任何AI模型的预训练、微调监督以及商业训练。
- 逆向工程、反编译、恶意反向工程探查打分标准参数、阈值分布或以网络爬虫机器人探针等执行自动化题库搜集。
- 指使、协助或放任第三方通过任何变相手段实施上述侵害行为。
一旦发生此类侵害，运营方将立即终止您的服务、作废作答记录并追求民事赔偿责任，情节严重涉嫌触犯刑律的将移交国家司法机关侦办。
各条款在不同司法辖区内的有效性和执行力将根据地缘法律、仲裁地规定进行单独标定。本知情书主要用于您与运营方之间的契约意愿确立。本条款绝非任何形式的最终法律评估。
第四条个人隐私及测评数据安全
核心宗旨：我们坚决不对测评计算结果与您的真实身份信息（如身份证号等）进行强绑定储存。
测评数据在输出报告后，在底层数据库中与您的真实社会身份解耦（实施去标识化和匿名化），我们绝不收集您测试以外的隐私生活信息，亦绝不在未经您知晓的前提下向任何外部第三方机构兜售您的去标识化测评数据。
- 在测试过程中采集的作答文本、行为日志仅限用于生成当前报告的目的。
- 用于账号验证登录的临时信息在生成报告后即被剥离，防止数据追溯到您的个人生活身份。
- 运营方绝不尝试反向重新识别已经匿名的测验数据。
- 在将数据用于系统算法升级或心理学学术科研时，我们承诺仅在百分之百剔除了身份敏感信息的大样本聚合数据集中开展研究。
※ 本条属于我们对保护您隐私的核心合规宣告。具体的物理隔离手段、保存时限参照我们独立公示的《隐私保护宣言》。
第五条服务费用及退款规则
- 本测评包含可免费体验的部分，以及需要支付购买的升级包（包括全维度解读报告包等）。
- 具体资费、付款途径和报告分级解锁方案以您在购买点击时系统结算页面呈现的明细为准。
- 由于流体智能测评包含数字商品（消耗服务器算力判分并自动生成研报）的即时给付性质，服务一经购买并在您开启作答后，恕不支持中途无理由退款。
- 购买测评服务仅代表购买了一次客观受测的资格，测评费用与您最终在测评中能得多少等级、获取何种评语毫无对等因果关系。
- 测评服务资费随着市场运营策略调整可能进行修正，修正价格仅面向其后的申请者。
※ 关于团购或企业批量采购的具体合作价格，需另行签署线下合作合同。
第六条结果定位及免责声明
- 本服务出具的全部报告旨在帮助个人识别思维倾向，**绝不能替代任何医疗机构的临床医学诊断**。报告中关于大脑某些发育或感知特征的描述属于通俗性讨论，不得用来作为临床用药或就医凭证。
- 测评基于您特定时间点的现场发挥进行评估，且由于引入了自然语言生成大模型打分，必然存在一定的波动和边界差。我们对测评结论的绝对精确或对您特定商业升迁目的的适配度，不提供任何默示的担保。
- 受测者本人或企业雇主将测评报告用作选拔、入职淘汰或自我发展裁定等任何决策依据时，所引发的民事后果由受测者和雇主自行承担，运营方对此免责。
第七条测前知情同意确认
一旦您开启测评，即代表您完全理解并自愿承诺以下事项（我们将在测前答题界面引导您对以下项目开展单项勾选）：
- 承诺自觉遵守防作弊守则（第三条）并服从剪贴板和倒计时禁令。
- 已知晓再测冷却期（第二条）的规定，不以小号套取分数。
- 完全同意我们的隐私剥离方案（第四条）及行为痕迹轨迹的采集。
- 若涉及付费项目，已完全知晓计费模式与退费红线（第五条）。
- 完全知晓报告仅作为思维倾向参考，并不承担任何医学诊断的法律效力（第六条）。
- 完全接受本知情同意书的全部条款。
第八条条款的修订与公示
运营方保留在法律允许范围内不定期对本使用条款开展修订的权利。重要的条款修正将在本页面显要位置进行公示通告。公示后您一旦继续作答，即表示接受最新版条款的约束。