學習任何東西的 10 個心智模型

心智模型是可以用來解釋許多不同現象的一般概念。經濟學中的供需、生物學中的自然選擇、計算機科學中的遞歸或數學中的歸納證明——一旦你知道要尋找它們，這些模型就無處不在。

正如了解供求關係可以幫助您推理經濟問題一樣，了解學習的心智模型將使您更容易思考學習問題。

不幸的是，學習很少單獨作為一門課來教授——這意味著這些心智模型中的大多數只有專家知道。在這篇文章中，我想分享對我影響最大的 10 篇文章，以及供您深入挖掘的參考資料，以防您想了解更多。

1. 解決問題就是搜索。

Herbert Simon 和 Allen Newell 憑藉其具有里程碑意義的著作Human Problem Solving開始了對問題解決的研究。在其中，他們認為人們通過搜索問題空間來解決問題。

問題空間就像一個迷宮：你知道你現在在哪裡，你會知道你是否已經到了出口，但你不知道如何到達那裡。一路上，你的行動受到迷宮牆壁的限制。

問題空間也可以是抽象的。例如，解決一個魔方意味著要通過一個很大的配置問題空間——打亂的魔方是你的開始，每種顏色都被隔離到一個側面的魔方是出口，曲折定義了你的“牆”。問題空間。

現實生活中的問題通常比迷宮或魔方更廣泛——開始狀態、結束狀態和確切的動作通常並不明確。但是在可能性空間中搜索仍然是人們在解決不熟悉問題時所做的一個很好的表徵——這意味著當他們還沒有一種方法或記憶來指導他們直接找到答案時。

該模型的一個含義是，如果沒有先驗知識，大多數問題都很難解決。魔方有超過 43 個 quintillion 配置——如果你不聰明的話，這是一個很大的搜索空間。學習是獲取模式和方法以減少暴力搜索的過程。

2. 記憶因檢索而增強。

檢索知識比第二次看到某物更能增強記憶力。測試知識不僅僅是衡量你所知道的東西的一種方式——它可以積極地提高你的記憶力。事實上，測試是研究人員發現的最好的研究技術之一。

為什麼檢索如此有用？一種思考方式是，大腦通過只記住那些可能被證明有用的東西來節省精力。如果您手頭總是有答案，則無需在內存中對其進行編碼。相反，與檢索相關的困難是您需要記住的強烈信號。

檢索僅在有要檢索的內容時才有效。這就是為什麼我們需要書籍、教師和課程。當記憶失敗時，我們會求助於解決問題的搜索，這取決於問題空間的大小，可能完全無法給我們一個正確的答案。然而，一旦我們看到了答案，我們將通過檢索它而不是通過反複查看它來了解更多信息。

3. 知識呈指數增長。

你能學到多少取決於你已經知道了什麼。研究發現，從文本中保留的知識量取決於對該主題的先驗知識。在某些情況下，這種影響甚至可以超過一般智力。

當您學習新事物時，您會將它們整合到您已經知道的事物中。此集成為您提供了更多掛鉤，以便您稍後回憶該信息。但是，當您對某個主題知之甚少時，您可以使用較少的鉤子來放置新信息。這使得信息更容易被遺忘。就像從種子中長出的水晶一樣，一旦奠定了基礎，未來的學習就會容易得多。

當然，這個過程是有限制的，否則知識會無限加速。儘管如此，記住這一點還是有好處的，因為學習的早期階段通常是最難的，並且可能會給一個領域內未來的困難留下誤導性的印象。

4. 創意多半是抄襲。

很少有學科被誤解為創造力。我們傾向於給有創造力的人灌輸一種近乎神奇的光環，但在實踐中創造力要平凡得多。

在對重大發明的令人印象深刻的評論中，馬特·里德利認為創新是進化過程的結果。新發明不是從完全成型的世界中湧現出來，而是本質上是舊思想的隨機突變。當這些想法被證明有用時，它們就會擴展以填補新的利基市場。

這種觀點的證據來自近乎同時創新的現象。歷史上無數次，多個不相關的人開發了相同的創新，這表明這些發明在發現之前就在可能性空間中以某種方式“附近”。

即使在美術中，複製的重要性也被忽視了。是的，許多藝術革命都是對過去趨勢的明確拒絕。但革命者自己幾乎無一例外地沉浸在他們反抗的傳統中。反抗任何約定都需要了解該約定。

5. 技能是特定的。

遷移是指在一項任務的練習或另一項任務的訓練後增強的能力。在遷移研究中，出現了一個典型的模式：

• 練習一項任務會讓你做得更好。
• 在一項任務中練習有助於完成類似的任務（通常是在程序或知識上重疊的任務）。
• 一項任務的練習對不相關的任務幾乎沒有幫助，即使它們似乎需要同樣廣泛的能力，如“記憶力”、“批判性思維”或“智力”。

很難對遷移做出準確的預測，因為它們依賴於準確地了解人類思維是如何工作的以及所有知識的結構。然而，在更受限制的領域，約翰·安德森發現，產生式——對知識起作用的 IF-THEN 規則——與在智力技能中觀察到的轉移量形成了相當好的匹配。

雖然技能可能是具體的，但廣度創造了普遍性。例如，學習外語單詞只有在使用或聽到該單詞時才有幫助。但是如果你知道很多單詞，你可以說很多不同的東西。

同樣，了解一個想法可能無關緊要，但掌握許多想法可以帶來巨大的力量。每多受一年的教育，智商就會提高1-5 分，部分原因是學校教授的知識廣度與現實生活（以及智力測試）所需的知識重疊。

如果你想變得更聰明，沒有捷徑可走——你必須學習很多東西。但反過來也是如此。學到很多東西會讓你比你想像的更聰明。

6.心理帶寬極其有限。

任何時候我們都只能記住幾件事。喬治米勒最初將這個數字定為七，加上或減去兩個項目。但最近的工作表明這個數字更接近四件事。

如果要成為我們長期經驗的一部分，這個令人難以置信的狹窄空間是所有學習、每一個想法、記憶和經驗都必須通過的瓶頸。潛意識學習不起作用。如果你不專心，你就沒有學習。

我們可以提高學習效率的主要方法是確保通過瓶頸的東西是有用的。將帶寬用於不相關的元素可能會減慢我們的速度。

自 1980 年代以來，認知負荷理論已被用於解釋干預如何根據我們有限的心理帶寬來優化（或限制）學習。本研究發現：

• 對於初學者來說，解決問題可能會適得其反。當展示工作示例（解決方案）時，新手會做得更好。
• 材料的設計應避免需要在頁面或圖表的各個部分之間翻轉以理解材料。
• 冗餘信息阻礙學習。
• 複雜的想法在部分呈現時可以更容易地學習。

7.成功是最好的老師。

我們從成功中學到的比從失敗中學到的更多。原因是問題空間通常很大，而且大多數解決方案都是錯誤的。知道什麼有效會大大減少可能性，而經歷失敗只會告訴你一種特定的策略不起作用。

一個好的規則是在學習時以大約85% 的成功率為目標。您可以通過校準練習的難度（打開與封閉的書，有與沒有導師，簡單與復雜的問題）或在低於此閾值時尋求額外的培訓和幫助來做到這一點。如果你成功超過了這個門檻，你可能不是在尋找足夠難的問題——而是在練習常規而不是學習新技能。

8. 我們通過例子推理。

人們如何進行邏輯思考是一個古老的難題。自康德以來，我們就知道不能從經驗中獲得邏輯。不知何故，我們必須已經知道邏輯規則，否則不合邏輯的頭腦永遠不會發明它們。但如果是這樣，為什麼我們經常在邏輯學家發明的問題上失敗？

1983 年，Philip Johnson-Laird提出了一個解決方案：我們通過構建情境的心智模型來進行推理。

測試一個三段論，比如“所有人都是會死的。蘇格拉底是個男人。因此，蘇格拉底是必死的，”我們想像一群人，他們都是必死的，並想像蘇格拉底是其中之一。我們通過這個檢驗推斷三段論是真的。

Johnson-Laird 認為這種基於心智模型的推理也解釋了我們的邏輯缺陷。我們最掙扎於需要我們檢查多個模型的邏輯語句。需要構建和審查的模型越多，我們犯錯誤的可能性就越大。

Daniel Kahneman 和 Amos Tversky 的相關研究表明，這種基於示例的推理可能會導致我們將我們在回憶示例時的流暢性誤認為是事件或模式的實際概率。例如，我們可能認為符合模式 K _ _ 的詞比 _ _ K _ 多，因為第一類（例如，KITE、KALE、KILL）比第二類（例如，TAKE、BIKE）更容易思考，核彈）。

通過示例進行推理有幾個含義：

1. 通過示例學習通常比通過抽象描述更快。
2. 要學習一般模式，我們需要很多例子。
3. 在根據幾個例子進行廣泛的推論時，我們必須小心。（你確定你已經考慮了所有可能的情況嗎？）

9.知識隨著經驗變得無形。

通過練習，技能變得越來越自動化。這降低了我們對技能的有意識的認識，使其需要更少的寶貴工作記憶能力來執行。想想開車：起初，使用閃光燈和剎車是非常刻意的。經過多年的駕駛，您幾乎不會考慮它。

然而，技能自動化程度的提高也有缺點。一是向別人傳授技能變得更加困難。當知識變得默契時，就很難明確說明您如何做出決定。專家們經常低估“基本”技能的重要性，因為長期以來，他們似乎並沒有在日常決策中考慮太多因素。

另一個缺點是自動化技能不太容易接受有意識的控制。當你繼續以你一直做的方式做某事時，這可能會導致進展停滯，即使這不再合適。尋求更困難的挑戰變得至關重要，因為這些挑戰會讓你失去自動並迫使你嘗試更好的解決方案。

10. 重新學習相對較快。

在學校度過多年之後，我們當中有多少人仍然能夠通過畢業所需的期末考試？面對課堂問題，許多成年人羞怯地承認他們記不起了。

遺忘是我們不經常使用的任何技能的不可避免的命運。Hermann Ebbinghaus 發現知識以指數級的速度遞減——在開始時最快，隨著時間的流逝而減慢。

然而，也有一線希望。重新學習通常比初始學習快得多。其中一些可以理解為閾值問題。想像一下記憶強度的範圍在 0 到 100 之間。在某個閾值下，比如 35，內存是不可訪問的。因此，如果記憶強度從 36 下降到 34，你就會忘記你所知道的。但即使是重新學習的一點點提升也會修復足夠的記憶來回憶它。相反，一個新的內存（從零開始）需要更多的工作。

受人類神經網絡啟發的聯結主義模型為再學習的效力提供了另一個論據。在這些模型中，計算神經網絡可能需要數百次迭代才能達到最佳點。如果你“搖晃”這個網絡中的連接，它就會忘記正確的答案，並且做出的反應並不比偶然的好。然而，與上面的閾值解釋一樣，網絡第二次重新學習最佳響應的速度要快得多。1

重新學習是一件令人討厭的事情，尤其是因為與以前簡單的問題作鬥爭可能會令人沮喪。然而，沒有理由不深入和廣泛地學習——即使是被遺忘的知識也可以比從頭開始更快地恢復。

你面臨的學習挑戰是什麼？你能應用這些心智模型中的一個來從新的角度看待它嗎？解決你覺得困難的技能或主題會有什麼影響？在評論區分享你的觀點！