描述性知识

描述性知识（Descriptive Knowledge），又称陈述性知识（Declarative Knowledge），是指关于事实、概念、事件及其相互关系方面的知识。其核心特征是回答"是什么"（knowing that）的问题，与程序性知识（Procedural Knowledge，即"知道怎么做"）形成互补。描述性知识涵盖了从具体事实到抽象理论的广泛内容，是人类认知活动中最为基础的知识类型之一，也是学校教育体系中最常见的知识传授形式。

定义与分类

在认知心理学与知识论中，描述性知识通常被界定为"能被言语表达并存储于长时记忆中的事实性知识"。它主要分为两种子类型：语义知识（Semantic Knowledge）和情景知识（Episodic Knowledge）。语义知识指关于一般性事实和概念的知识，例如"北京是中国的首都""水的化学式是H₂O"；情景知识指与特定时间和地点相关联的个人经历记忆，例如"我昨天在博物馆看到的那个展览"。加拿大心理学家图尔文（Endel Tulving）在1972年首次提出这一区分，并指出二者在神经基础上也有所不同——语义知识更多地依赖颞叶前部，情景知识则与海马体密切相关。二者共同构成了个体对外部世界的认知表征，是更高级思维活动的基础材料。

与程序性知识的区别

加拿大心理学家约翰·安德森（John R. Anderson）在其经典的ACT-R认知架构中明确区分了这两种知识类型。描述性知识具有以下特征：一是可陈述性，即能够通过语言进行清晰表述；二是可灵活运用性，能够在不同情境中被提取和重组；三是获取速度相对较快，但遗忘也较为明显。相比之下，程序性知识则表现为自动化、不易言说且一旦习得后不易遗忘。例如，学习骑自行车的过程涉及从教练的描述性指导（"保持重心居中""目视前方"）转化为内隐的程序性技能，这一过程被称为"程序化"（Proceduralization）。安德森进一步指出，描述性知识向程序性知识的转化是人类技能习得的关键机制，也是ACT-R认知架构中产生式规则（Production Rules）生成的基本路径。

在认知系统中的作用

描述性知识是人类学习与推理的基石。在教育心理学中，奥苏贝尔（David Ausubel）的有意义学习理论强调，新知识必须与学习者已有的描述性知识结构——即"认知结构"——建立实质性联系，才能实现深度学习。若学习者缺乏相关的描述性知识储备，新信息便难以被同化，只能停留在机械记忆的浅层。此外，描述性知识也是批判性思维和创造性问题解决的前提条件：个体需要掌握足够的事实与概念储备，才能在此基础上进行逻辑推理、类比迁移和创新建构。例如，一位医生要正确诊断疾病，首先需要掌握大量的解剖学、生理学和病理学描述性知识，然后才能在临床情境中灵活运用。知识论领域的研究表明，描述性知识的广度和深度在很大程度上决定了个体的认知灵活性和问题解决效率，这与认知负荷理论（Cognitive Load Theory）的预测也是一致的——丰富的描述性知识能够降低工作记忆的负荷，使更多认知资源用于高阶加工。

测量与评估

对描述性知识掌握程度的评估通常采用陈述性测试（Declarative Test），包括选择题、填空题、简答题等形式。在教育测评领域，标准化考试如高考、托福等主要围绕描述性知识的掌握情况进行设计。在认知诊断模型中，描述性知识的掌握与否常被建模为二分或多维的潜在特质。然而，仅凭描述性知识的记忆并不等同于理解——布鲁姆教育目标分类学（Bloom's Taxonomy）指出，"记忆"仅是最低层级，更高层次的理解、应用、分析、评价和创造均需建立在描述性知识的基础之上，但不可止步于此。近年来，项目反应理论（IRT）和认知诊断模型（CDM）的发展使得对描述性知识掌握程度的精细评估成为可能，教育测评正从传统的分数导向转向知识图谱导向的诊断性评价。

局限性

过度依赖描述性知识可能导致"惰性知识"（Inert Knowledge）现象——即学习者能够背诵事实或定义，却无法在真实情境中将其激活应用。哲学家怀特海（Alfred North Whitehead）早在20世纪初就批评了这种"无活力的观念"对教育的危害。这也是现代教育从"知识灌输"转向"核心素养培养"的根本原因之一。理想的学习路径应当是描述性知识与程序性知识的螺旋式交替建构：前者提供概念框架，后者赋予实践能力，二者协同发展才能促成真正的专家能力。在认知科学的最新研究中，具身认知（Embodied Cognition）理论进一步挑战了传统描述性知识的抽象表征观，认为知识从根本上嵌入于身体与环境的交互之中，这为理解描述性知识的本质提供了新的理论视角。与此同时，分布式认知（Distributed Cognition）理论强调知识不仅存在于个体头脑中，还分布在工具、文档和他人之中，这对传统的描述性知识边界提出了拓展性的理解。未来关于描述性知识的研究将越来越多地关注其与人工智能知识表征之间的交叉，尤其是在大语言模型的知识存储与提取机制方面，这一领域正展现出丰富的理论潜力。