钥匙孔效应：聊天界面为何在数据分析中失败

聊天已成为 AI 辅助数据分析的默认界面。对于多步骤、状态依赖的分析任务，这是一种错误。基于 Woods（1984）钥匙孔效应，我展示聊天界面通过五种机制系统性地降低分析绩效：（1）持续的内容位移破坏海马体空间记忆系统；（2）隐藏状态变量超过工作记忆容量（约 4 个块）；（3）强制语言化触发语言遮蔽，损害视觉模式识别；（4）线性文本流阻碍认知卸载和知识行动；（5）序列化惩罚随数据维度而增长。我将认知超载形式化为 O = max(0, m - v - W)，其中 m 为任务相关项数，v 为可见项数，W 为工作记忆容量。当 O > 0 时，错误概率上升，分析偏差（锚定、确认、注意力不集中）也随之放大。八种混合设计模式解决这些失败：生成式 UI、无限画布、指涉交互、状态轨、幽灵层、摆放、语义缩放和概率 UI。每种模式针对特定认知瓶颈设计，同时保留自然语言用于意图指定和综述。良好支架化的对话系统可编码专家先验以降低引导任务的负荷；本框架对开放式探索最为有效。论文以可验证的假设和实验范式收尾，以进行经验验证。