01-推荐算法如何劫持信息缺口理论(系列二-上瘾模型的AI重构)
本文你将获得🧠 信息缺口理论的产品化解读（推荐算法视角）📐 推荐算法"劫持"信息缺口的4种机制📊 TikTok vs ChatGPT的缺口制造对比🎯 如何设计"健康"的信息缺口（而非操控性缺口）⚠️ 过度劫持的3个反面案例📋 信息缺口设计自查清单
推荐算法如何"劫持"信息缺口理论：从TikTok到ChatGPT
系列二：上瘾模型的AI重构 | 第1篇（深度型）
从 Loewenstein 的经典理论出发，揭示推荐算法如何系统性地"劫持"人类的好奇心机制。
本文你将获得
- 🧠 信息缺口理论的产品化解读（推荐算法视角）
- 📐 推荐算法"劫持"信息缺口的4种机制
- 📊 TikTok vs ChatGPT的缺口制造对比
- 🎯 如何设计"健康"的信息缺口（而非操控性缺口）
- ⚠️ 过度劫持的3个反面案例
- 📋 信息缺口设计自查清单
引言：为什么你"只看5分钟"，结果两小时过去了？
晚上十一点，你打开TikTok，心想"就看5分钟放松一下"。
两个小时后，你惊恐地发现已经凌晨一点——而你还在刷。
同样的场景也发生在ChatGPT上。你问了一个问题，它给了答案。然后你看到下面的"追问建议"，忍不住点了一个。新的答案下面又出现了新的建议……等你回过神来，已经在一个"知识兔子洞"里待了四十分钟。
两个产品，两种完全不同的交互方式，却都让你"停不下来"。
它们都在利用同一个心理学原理——信息缺口理论（Information Gap Theory）。但利用的方式截然不同：TikTok是"被动劫持"，ChatGPT是"主动引导"。
理解这种差异，不仅能让你看清推荐算法的本质，更能帮助产品设计师构建"健康"而非"操控"的用户体验。
一、信息缺口理论：被推荐算法"劫持"的心理学原理
1.1 Loewenstein理论的原始含义
Carnegie Mellon大学的心理学家George Loewenstein在1994年提出了信息缺口理论。核心命题非常简洁：
好奇心不是对知识的渴望，而是对"自己所缺少的知识"的觉察。
这句话里有一个关键洞察：好奇心产生的前提，是用户必须先"意识到"自己不知道什么。
Loewenstein用一个生动的比喻来描述这种心理状态：当一个人注意到自己知识中的某个缺口时，会产生一种类似"瘙痒"的心理不适感，这种不适感会驱动他去寻找信息来消除缺口。
更重要的是，Loewenstein发现好奇心与信息量之间呈U型关系：
好奇心强度
▲
│ ╱╲
│ ╱ ╲ ← 最优信息缺口区间
│╱ ╲ （"我知道一些，但还不够"）
│ ╲
│ ╲
│ ╲╱
└──────────────────▶ 信息量
低 高
◀── 盲区 ──▶◀── 缺口区 ──▶◀── 熟悉区 ──▶
(无好奇心) (好奇心最强) (无好奇心)
这个U型曲线揭示了一个反直觉的真相：信息太少不会引发好奇心（你不知道自己不知道），信息太多也不会（你已经知道了）。只有当用户处于"知道一些但不完整"的状态时，好奇心才会被最大化激活。
1.2 推荐算法如何"劫持"这个机制
Loewenstein的理论描述的是人类好奇心的自然机制——缺口是在真实的学习、探索过程中自然产生的。
但推荐算法——尤其是AI驱动的推荐系统——正在系统性地"劫持"这个机制。
┌─────────────────────────────────────────────────────────────────┐
│ 自然缺口 vs 算法制造缺口 │
│ │
│ 自然缺口： │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ 真实问题 │────▶│ 主动探索 │────▶│ 知识增长 │ │
│ │ (内在) │ │ (用户驱动)│ │ (价值交付)│ │
│ └──────────┘ └──────────┘ └──────────┘ │
│ │
│ 算法制造缺口： │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ 人工刺激 │────▶│ 被动消费 │────▶│ 时间消耗 │ │
│ │ (外在) │ │ (算法驱动)│ │ (未必有价值)│ │
│ └──────────┘ └──────────┘ └──────────┘ │
│ ▲ │ │
│ └──────────── 新缺口持续生成 ─────────────┘ │
│ （永无止境的循环） │
└─────────────────────────────────────────────────────────────────┘
"劫持"的本质在于三个转变：
| 维度 | 自然缺口 | 算法制造缺口 |
|---|---|---|
| 缺口来源 | 用户真实的学习/生活需求 | 算法根据用户画像"定制"的刺激 |
| 缺口方向 | 用户主动选择探索方向 | 算法决定下一个"钩子"是什么 |
| 缺口终点 | 知识增长，缺口弥合 | 永不弥合，持续生成新缺口 |
推荐算法的核心策略，就是把用户精确地维持在U型曲线的"缺口区"——既不让信息太少（你会离开），也不让信息太多（你会满足）。永远让你处于"想知道更多"的状态。
二、推荐算法"劫持"信息缺口的4种机制
2.1 不完整性揭示
原理：永远不给你完整的信息，让你想看下一个。
这是推荐算法最基础、也最有效的劫持机制。它的理论基础是蔡加尼克效应（Zeigarnik Effect）——人们对未完成任务的记忆强度远高于已完成任务。
TikTok案例：
TikTok的视频设计有一个共同特点：永远有悬念。
┌──────────────────────────────────────────────────────────────┐
│ TikTok视频的悬念结构 │
│ │
│ 前3秒：钩子（Hook） │
│ "你绝对想不到这个方法的威力..." │
│ ↓ │
│ 中段：部分揭示 │
│ "首先，你需要做的是..."（给出第一步） │
│ ↓ │
│ 结尾：新悬念 │
│ "但最关键的是第二步，想知道的话..." │
│ ↓ │
│ 用户行为：下滑看下一个视频（希望找到答案） │
└──────────────────────────────────────────────────────────────┘
TikTok的算法不关心你是否"学到了什么"，它只关心你是否"还想看下一个"。所以它永远不会给你完整的信息——完整意味着满足，满足意味着离开。
ChatGPT案例：
ChatGPT采用了一种更"温和"的不完整性揭示。每次回答后，它会在底部展示"追问建议"：
┌──────────────────────────────────────────────────────────────┐
│ ChatGPT回答页面 │
│ │
│ [用户问题] 什么是RAG？ │
│ │
│ RAG（Retrieval-Augmented Generation）是... │
│ [完整回答] │
│ │
│ ┌─ 追问建议 ─────────────────────────────────────────────┐ │
│ │ 💡 "RAG的检索精度如何优化？" │ │
│ │ 💡 "RAG和Long Context哪个更适合？" │ │
│ │ 💡 "RAG在企业中的落地案例有哪些？" │ │
│ └────────────────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────────────┘
ChatGPT的不完整性揭示是引导性的——它暗示"还有更多可以探索"，但不会故意制造悬念。用户可以选择继续深入，也可以选择离开。
设计要点：
| 设计维度 | 操控性做法 | 健康做法 |
|---|---|---|
| 信息完整性 | 故意截断关键信息 | 提供核心信息，附加延伸建议 |
| 悬念类型 | 制造"必须知道"的焦虑 | 制造"可以探索"的兴趣 |
| 用户选择权 | 隐藏完整信息，强迫继续 | 明确展示完整信息入口 |
2.2 预测性缺口制造
原理：AI预测你可能感兴趣但还没意识到的缺口。
这是AI推荐系统最"智能"的劫持机制。它利用机器学习模型，根据用户的行为历史、人口统计特征、社交关系等数据，预测用户可能感兴趣但尚未主动搜索的内容。
推荐系统案例：
“你可能还喜欢…”、“猜你喜欢”、“为你推荐”——这些功能本质上都是在制造用户尚未意识到的信息缺口。
┌──────────────────────────────────────────────────────────────┐
│ 预测性缺口制造流程 │
│ │
│ 用户行为数据 │
│ （浏览、点击、停留时长、互动） │
│ ↓ │
│ 特征提取 │
│ （兴趣向量、行为模式、社交图谱） │
│ ↓ │
│ 缺口预测模型 │
│ "用户可能对X感兴趣，但尚未主动搜索" │
│ ↓ │
│ 缺口呈现 │
│ "你可能还喜欢..." │
│ ↓ │
│ 用户反应 │
│ "咦，这个我确实想看看"（缺口被激活） │
└──────────────────────────────────────────────────────────────┘
设计要点：
| 设计维度 | 操控性做法 | 健康做法 |
|---|---|---|
| 预测依据 | 利用用户的弱点（如成瘾倾向） | 利用用户的真实兴趣 |
| 呈现方式 | 强制展示，无法关闭 | 可选择关闭或调整 |
| 透明度 | 隐藏推荐逻辑 | 告知"为什么推荐这个" |
2.3 动态缺口调整
原理：根据用户反应实时调整缺口大小。
这是推荐算法最"精密"的劫持机制。它利用实时反馈数据，动态调整信息缺口的"大小"——缺口太大用户会放弃，缺口太小用户会无聊，算法要找到那个"刚刚好"的点。
算法如何判断缺口是否"合适"：
┌──────────────────────────────────────────────────────────────┐
│ 动态缺口调整机制 │
│ │
│ 用户行为信号： │
│ ┌────────────────┬────────────────┬────────────────┐ │
│ │ 信号 │ 含义 │ 算法响应 │ │
│ ├────────────────┼────────────────┼────────────────┤ │
│ │ 快速划过 │ 缺口不吸引人 │ 调整内容类型 │ │
│ │ 停留但未互动 │ 缺口适中 │ 保持当前策略 │ │
│ │ 互动（点赞/评论）│ 缺口精准命中 │ 放大类似缺口 │ │
│ │ 离开APP │ 缺口过度/不足 │ 调整缺口密度 │ │
│ └────────────────┴────────────────┴────────────────┘ │
│ │
│ 目标：将用户维持在"心流状态"—— │
│ 挑战难度与能力匹配，时间感消失，持续使用。 │
└──────────────────────────────────────────────────────────────┘
设计要点：
| 设计维度 | 操控性做法 | 健康做法 |
|---|---|---|
| 调整目标 | 最大化使用时长 | 最大化价值交付 |
| 用户控制 | 算法完全控制 | 用户可设置偏好 |
| 边界设置 | 无上限，持续推送 | 设置使用提醒/限制 |
2.4 社交缺口放大
原理：利用FOMO（错失恐惧）制造缺口。
这是推荐算法最"社交化"的劫持机制。它利用人类的社会性本能——害怕错过群体中的重要信息——来制造和放大信息缺口。
"你的朋友都在看…"案例：
┌──────────────────────────────────────────────────────────────┐
│ 社交缺口放大的典型话术 │
│ │
│ · "你的朋友都在看这个" │
│ · "3位好友点赞了这个视频" │
│ · "这个话题在你的圈子里很火" │
│ · "大家都在讨论..." │
│ │
│ 心理机制： │
│ ┌──────────────────────────────────────────────────────┐ │
│ │ "如果我不看，我会错过什么？" │ │
│ │ "别人都知道了，我不知道会不会显得很落伍？" │ │
│ │ "不看的话，下次聊天插不上话怎么办？" │ │
│ └──────────────────────────────────────────────────────┘ │
│ ↓ │
│ FOMO驱动的信息缺口 │
│ "我必须看看这是什么" │
└──────────────────────────────────────────────────────────────┘
设计要点：
| 设计维度 | 操控性做法 | 健康做法 |
|---|---|---|
| 社交信号真实性 | 虚假或夸大的社交信号 | 真实的社交数据 |
| 呈现频率 | 高频展示，持续刺激 | 适度展示，避免焦虑 |
| 用户选择 | 无法关闭社交推荐 | 可选择隐藏社交信号 |
三、TikTok vs ChatGPT：两种缺口制造范式
3.1 TikTok：被动消费型缺口
TikTok代表了一类"被动消费型"的缺口制造范式。
核心特征：
- 用户被动接收：打开APP，内容自动播放，用户无需主动选择
- 算法主动推送：算法决定下一个"钩子"是什么
- 缺口类型以感知好奇心为主：刺激感官、引发情绪、制造悬念
缺口制造流程：
┌──────────────────────────────────────────────────────────────┐
│ TikTok的缺口制造闭环 │
│ │
│ 打开APP → 自动播放 → 悬念钩子 → 部分满足 → 新悬念 → 下滑... │
│ ↑ │ │
│ └────────────────── 算法持续优化 ─────────────────────┘ │
│ │
│ 用户状态：被动接收，时间感消失，"再刷一个就好" │
│ 缺口性质：外在刺激驱动，未必与用户真实需求相关 │
│ 价值交付：娱乐为主，知识获取碎片化 │
└──────────────────────────────────────────────────────────────┘
3.2 ChatGPT：主动探索型缺口
ChatGPT代表了另一类"主动探索型"的缺口制造范式。
核心特征：
- 用户主动提问：用户明确知道自己想问什么
- AI引导深入：AI在回答中暗示更多可探索的方向
- 缺口类型以认知好奇心为主：知识增长、问题解决、深度理解
缺口制造流程：
┌──────────────────────────────────────────────────────────────┐
│ ChatGPT的缺口制造闭环 │
│ │
│ 用户提问 → AI回答 → 追问建议 → 用户选择 → 深入探索 → 新问题 │
│ ↑ │ │
│ └────────────────── 用户主导方向 ─────────────────────┘ │
│ │
│ 用户状态：主动探索，目标明确，"我想了解更多" │
│ 缺口性质：内在需求驱动，与用户真实目标相关 │
│ 价值交付：知识增长，问题解决，能力提升 │
└──────────────────────────────────────────────────────────────┘
3.3 对比表格（8维度）
| 维度 | TikTok（被动消费型） | ChatGPT（主动探索型） |
|---|---|---|
| 缺口触发 | 算法主动推送 | 用户主动提问 |
| 用户角色 | 被动接收者 | 主动探索者 |
| 缺口类型 | 感知好奇心为主 | 认知好奇心为主 |
| 缺口方向 | 算法决定 | 用户主导 |
| 价值交付 | 娱乐、情绪价值 | 知识、工具价值 |
| 时间感知 | 时间感消失 | 时间有目的性 |
| 退出难度 | 低（随时可关）但高（总想再看一个） | 中（完成任务后自然离开） |
| 长期影响 | 碎片化信息消费 | 系统化知识构建 |
核心差异总结：
TikTok的缺口制造是**“劫持式”**的——它利用信息缺口理论，把用户锁定在一个永无止境的消费循环中。用户的"好奇心"是被算法"制造"出来的，而非自然产生的。
ChatGPT的缺口制造是**“引导式”**的——它在用户主动提问的基础上，提供延伸探索的可能性。用户的"好奇心"是内在需求的延伸，AI只是帮助用户发现更多可以探索的方向。
四、如何设计"健康"的信息缺口
4.1 操控 vs 引导的边界
信息缺口本身是一个中性的心理学原理。它可以是操控用户的工具，也可以是帮助用户成长的杠杆。关键在于设计者的意图和实现方式。
判断标准：
| 维度 | 操控性缺口 | 引导性缺口 |
|---|---|---|
| 缺口来源 | 算法制造用户未意识到的需求 | 响应用户已表达或潜在的真实需求 |
| 缺口方向 | 算法决定，用户被动跟随 | 用户主导，算法辅助探索 |
| 价值交付 | 以平台利益（时长、广告）为目标 | 以用户利益（成长、解决问题）为目标 |
| 退出机制 | 隐晦或不存在 | 清晰且易用 |
| 透明度 | 隐藏推荐逻辑 | 告知用户"为什么" |
4.2 健康缺口设计的3个原则
原则一：用户主动选择
缺口应该是对用户已有需求的响应，而非对用户潜在弱点的利用。
┌──────────────────────────────────────────────────────────────┐
│ 用户主动选择 vs 算法强制推送 │
│ │
│ 不健康做法： │
│ 用户打开APP → 算法自动播放内容 → 用户被动接收 │
│ │
│ 健康做法： │
│ 用户打开APP → 用户选择感兴趣的话题 → 算法推荐相关内容 │
│ │
│ 关键差异：谁决定第一个"钩子"是什么？ │
└──────────────────────────────────────────────────────────────┘
原则二：价值真实交付
缺口背后必须有真实、可交付的价值，而非"标题党"式的虚假承诺。
| 缺口类型 | 价值承诺 | 实际交付 | 是否健康 |
|---|---|---|---|
| 知识类缺口 | “学会这个方法” | 完整、可操作的知识 | ✅ |
| 娱乐类缺口 | “看完这个视频很开心” | 真正有趣的内容 | ✅ |
| 悬念类缺口 | “想知道结局” | 合理的结局揭示 | ✅ |
| 标题党缺口 | “震惊！你绝对想不到” | 废话或广告 | ❌ |
| 虚假稀缺缺口 | “仅剩3件” | 实际库存充足 | ❌ |
原则三：退出机制清晰
用户应该能够轻松识别并退出缺口循环，而非被困在无限的信息流中。
健康做法示例：
- YouTube的"自动播放关闭"按钮
- 微信读书的"阅读时长提醒"
- iOS的"屏幕使用时间"功能
- TikTok的"休息一下"提示（部分版本）
4.3 设计框架
┌─────────────────────────────────────────────────────────────────┐
│ 健康信息缺口设计框架 │
│ │
│ ┌─────────────┐ │
│ │ 用户需求 │ ← 用户主动表达 │
│ └──────┬──────┘ │
│ │ │
│ ┌────────────▼────────────┐ │
│ │ 缺口识别引擎 │ │
│ │ (响应而非制造) │ │
│ └────────────┬────────────┘ │
│ │ │
│ ┌────────────▼────────────┐ │
│ │ 价值交付 │ │
│ │ (真实、可衡量) │ │
│ └────────────┬────────────┘ │
│ │ │
│ ┌────────────▼────────────┐ │
│ │ 延伸建议（可选） │ ← 用户可选择忽略 │
│ └────────────┬────────────┘ │
│ │ │
│ ┌────────────▼────────────┐ │
│ │ 清晰退出机制 │ ← 用户可随时离开 │
│ └────────────┬────────────┘ │
│ │ │
│ ┌──────▼──────┐ │
│ │ 用户满意 │ │
│ └─────────────┘ │
└─────────────────────────────────────────────────────────────────┘
设计检查表：
| 检查项 | 问题 | 通过标准 |
|---|---|---|
| 需求来源 | 缺口是用户主动表达的需求吗？ | 用户有明确的入口表达需求 |
| 价值交付 | 缺口背后有真实价值吗？ | 用户获得可衡量的收益 |
| 用户控制 | 用户可以选择忽略缺口吗？ | 有明确的"不再推荐"或"关闭"选项 |
| 退出机制 | 用户可以轻松离开吗？ | 有清晰的退出路径和使用提醒 |
| 透明度 | 用户知道为什么看到这个吗？ | 有"为什么推荐这个"的说明 |
五、过度劫持的3个反面案例
案例1：无限下拉的信息流
现象： 某短视频平台采用"无限下拉"设计，用户永远刷不到"底部"。
问题分析：
正常的信息消费：
需求 → 搜索 → 消费 → 满足 → 结束
无限下拉的信息消费：
需求 → 消费 → 消费 → 消费 → 消费 → ...
↑ │
└────── 永无止境 ─────────┘
问题：用户永远无法达到"满足"状态，时间感消失，事后空虚。
根因： 算法故意不设置"终点"，让用户永远处于"缺口区"。这违反了"退出机制清晰"原则。
改进方向： 设置"今日推荐已看完"的终点提示，或提供"休息一下"的提醒。
案例2：虚假的社交信号
现象： 某电商平台显示"仅剩2件"和"132人正在浏览"，但实际库存充足，浏览人数也是虚假的。
问题分析：
| 虚假信号 | 用户感知 | 实际情况 | 后果 |
|---|---|---|---|
| “仅剩2件” | 稀缺，必须现在买 | 库存充足 | 用户发现被骗，信任崩塌 |
| “132人正在浏览” | 热门，大家都在抢 | 随机数字 | 冲动消费后后悔，退货率上升 |
根因： 利用FOMO制造虚假的信息缺口，违反了"价值真实交付"原则。
改进方向： 展示真实的库存和浏览数据，或使用"近期销量"等真实指标。
案例3：无法关闭的个性化推荐
现象： 某资讯APP的"猜你喜欢"无法关闭，用户被迫接受算法推荐的内容。
问题分析：
用户期望：
"我不想看这个类型的内容" → 关闭推荐 → 不再看到
实际情况：
"我不想看这个类型的内容" → 无法关闭 → 继续被推送
↓
用户感到被操控，产生逆反心理
↓
卸载APP
根因： 剥夺用户的选择权，违反了"用户主动选择"原则。
改进方向： 提供"不感兴趣"按钮和"关闭个性化推荐"选项，让用户有控制感。
六、信息缺口设计自查清单
以下是完整的信息缺口设计自查清单，可用于产品设计评审：
| 编号 | 检测项 | 检测问题 | 通过标准 |
|---|---|---|---|
| 1 | 需求来源 | 缺口是响应用户需求，还是算法主动制造？ | 用户有表达需求的入口 |
| 2 | 价值真实性 | 缺口背后是否有真实可交付的价值？ | 用户获得可衡量的收益 |
| 3 | 用户控制 | 用户可以选择忽略或关闭缺口吗？ | 有明确的关闭/忽略选项 |
| 4 | 退出机制 | 用户可以轻松识别并退出缺口循环吗？ | 有清晰的终点或提醒 |
| 5 | 透明度 | 用户知道为什么看到这个推荐吗？ | 有推荐原因说明 |
| 6 | 社交信号真实性 | 展示的社交数据是真实的吗？ | 数据来源可验证 |
| 7 | 缺口密度 | 同时存在的缺口数量是否适度？ | 不会让用户感到焦虑 |
| 8 | 缺口方向 | 缺口方向是用户主导还是算法强制？ | 用户可调整推荐方向 |
| 9 | 时间边界 | 是否有使用时长提醒？ | 有可选的时间提醒功能 |
| 10 | 长期价值 | 缺口弥合后用户获得了什么？ | 用户有明确的收获感 |
| 11 | 隐私保护 | 推荐是否过度利用用户隐私？ | 用户可控制数据使用 |
| 12 | 弱势群体保护 | 是否对未成年人等弱势群体有特殊保护？ | 有青少年模式等保护机制 |
| 13 | 成瘾预防 | 是否有防止过度使用的机制？ | 有使用时长限制或提醒 |
| 14 | 用户反馈 | 用户可以反馈推荐质量吗？ | 有反馈渠道且响应 |
| 15 | 伦理审查 | 设计是否经过伦理审查？ | 有明确的伦理评估流程 |
总结
Loewenstein的信息缺口理论揭示了人类好奇心的本质——好奇心是对"自己所缺少的知识"的觉察。这个理论本可以帮助我们设计更好的学习工具、知识产品、探索体验。
但推荐算法——尤其是AI驱动的推荐系统——正在系统性地"劫持"这个机制。它们制造人工的信息缺口，精确控制缺口大小，把用户锁定在一个"刷下一个"的无限循环中。
TikTok和ChatGPT代表了两种截然不同的范式：
- TikTok（被动消费型）：算法主导，用户被动接收，缺口以感知好奇心为主
- ChatGPT（主动探索型）：用户主导，AI辅助探索，缺口以认知好奇心为主
作为产品设计者，我们需要问自己：我们要设计的是"操控性缺口"还是"引导性缺口"？
健康的信息缺口设计应该遵循三个原则：用户主动选择、价值真实交付、退出机制清晰。只有这样，信息缺口才能成为帮助用户成长的杠杆，而非操控用户的工具。
最好的产品，是在"制造缺口"和"交付价值"之间找到了完美平衡的产品。
🔖 系列连载中
本文属于「上瘾模型的AI重构」系列（第1篇/共6篇）
- 下一篇：《损失厌恶2.0：订阅产品如何利用"沉没成本"锁住用户》
- 关注本博客，第一时间收到更新推送
💎 关注后私信回复"上瘾"，获取配套资料：
- 信息缺口设计自查清单（15项）
- 健康缺口设计框架模板
参考文献：
- Loewenstein, G. (1994). The Psychology of Curiosity: A Review and Reinterpretation. Psychological Bulletin, 116(1), 75-98.
- Berlyne, D. E. (1954). A Theory of Human Curiosity. British Journal of Psychology, 45(3), 180-191.
- Kang, M. J., et al. (2009). The Wandering Mind: Pupillometry of Spontaneous Thought While Reading. Psychological Science, 20(7), 830-836.
- Zeigarnik, B. (1927). Uber das Behalten von erledigten und unerledigten Handlungen. Psychologische Forschung, 9, 1-85.
- Litman, J. A. (2005). Curiosity and the Pleasures of Learning: Wanting and Liking New Information. Cognition & Emotion, 19(6), 793-814.
- Golman, R., & Loewenstein, G. (2018). Information Gaps: A Theory of Preferences Regarding the Value and Timing of Information. Organizational Behavior and Human Decision Processes, 145, 107-119.
AtomGit AI 社区提供模型库、数据集、Agent、Token等资源
更多推荐
12
0- 0
已为社区贡献3条内容
所有评论(0)