学习任何东西的 10 个心智模型

心智模型是可以用来解释许多不同现象的一般概念。经济学中的供需、生物学中的自然选择、计算机科学中的递归或数学中的归纳证明——一旦你知道要寻找它们，这些模型就无处不在。

正如了解供求关系可以帮助您推理经济问题一样，了解学习的心智模型将使您更容易思考学习问题。

不幸的是，学习很少单独作为一门课来教授——这意味着这些心智模型中的大多数只有专家知道。在这篇文章中，我想分享对我影响最大的 10 篇文章，以及供您深入挖掘的参考资料，以防您想了解更多。

1. 解决问题就是搜索。

Herbert Simon 和 Allen Newell 凭借其具有里程碑意义的著作Human Problem Solving开始了对问题解决的研究。在其中，他们认为人们通过搜索问题空间来解决问题。

问题空间就像一个迷宫：你知道你现在在哪里，你会知道你是否已经到了出口，但你不知道如何到达那里。一路上，你的行动受到迷宫墙壁的限制。

问题空间也可以是抽象的。例如，解决一个魔方意味着要通过一个很大的配置问题空间——打乱的魔方是你的开始，每种颜色都被隔离到一个侧面的魔方是出口，曲折定义了你的“墙”。问题空间。

现实生活中的问题通常比迷宫或魔方更广泛——开始状态、结束状态和确切的动作通常并不明确。但是在可能性空间中搜索仍然是人们在解决不熟悉问题时所做的一个很好的表征——这意味着当他们还没有一种方法或记忆来指导他们直接找到答案时。

该模型的一个含义是，如果没有先验知识，大多数问题都很难解决。魔方有超过 43 个 quintillion 配置——如果你不聪明的话，这是一个很大的搜索空间。学习是获取模式和方法以减少暴力搜索的过程。学习是获取模式和方法以减少暴力搜索的过程。

2. 记忆因检索而增强。

检索知识比第二次看到某物更能增强记忆力。测试知识不仅仅是衡量你所知道的东西的一种方式——它可以积极地提高你的记忆力。事实上，测试是研究人员发现的最好的研究技术之一。

为什么检索如此有用？一种思考方式是，大脑通过只记住那些可能被证明有用的东西来节省精力。如果您手头总是有答案，则无需在内存中对其进行编码。相反，与检索相关的困难是您需要记住的强烈信号。

检索仅在有要检索的内容时才有效。这就是为什么我们需要书籍、教师和课程。当记忆失败时，我们会求助于解决问题的搜索，这取决于问题空间的大小，可能完全无法给我们一个正确的答案。然而，一旦我们看到了答案，我们将通过检索它而不是通过反复查看它来了解更多信息。

3. 知识呈指数增长。

你能学到多少取决于你已经知道了什么。研究发现，从文本中保留的知识量取决于对该主题的先验知识。在某些情况下，这种影响甚至可以超过一般智力。

当您学习新事物时，您会将它们整合到您已经知道的事物中。此集成为您提供了更多挂钩，以便您稍后回忆该信息。但是，当您对某个主题知之甚少时，您可以使用较少的钩子来放置新信息。这使得信息更容易被遗忘。就像从种子中长出的水晶一样，一旦奠定了基础，未来的学习就会容易得多。

当然，这个过程是有限制的，否则知识会无限加速。尽管如此，记住这一点还是有好处的，因为学习的早期阶段通常是最难的，并且可能会给一个领域内未来的困难留下误导性的印象。

4. 创意多半是抄袭。

很少有学科被误解为创造力。我们倾向于给有创造力的人灌输一种近乎神奇的光环，但在实践中创造力要平凡得多。

在对重大发明的令人印象深刻的评论中，马特·里德利认为创新是进化过程的结果。新发明不是从完全成型的世界中涌现出来，而是本质上是旧思想的随机突变。当这些想法被证明有用时，它们就会扩展以填补新的利基市场。

这种观点的证据来自近乎同时创新的现象。历史上无数次，多个不相关的人开发了相同的创新，这表明这些发明在发现之前就在可能性空间中以某种方式“附近”。

即使在美术中，复制的重要性也被忽视了。是的，许多艺术革命都是对过去趋势的明确拒绝。但革命者自己几乎无一例外地沉浸在他们反抗的传统中。反抗任何约定都需要了解该约定。

5. 技能是特定的。

迁移是指在一项任务的练习或另一项任务的训练后增强的能力。在迁移研究中，出现了一个典型的模式：

练习一项任务会让你做得更好。

在一项任务中练习有助于完成类似的任务（通常是在程序或知识上重叠的任务）。

一项任务的练习对不相关的任务几乎没有帮助，即使它们似乎需要同样广泛的能力，如“记忆力”、“批判性思维”或“智力”。

很难对迁移做出准确的预测，因为它们依赖于准确地了解人类思维是如何工作的以及所有知识的结构。然而，在更受限制的领域，约翰·安德森发现，产生式——对知识起作用的 IF-THEN 规则——与在智力技能中观察到的转移量形成了相当好的匹配。

虽然技能可能是具体的，但广度创造了普遍性。例如，学习外语单词只有在使用或听到该单词时才有帮助。但是如果你知道很多单词，你可以说很多不同的东西。

同样，了解一个想法可能无关紧要，但掌握许多想法可以带来巨大的力量。每多受一年的教育，智商就会提高1-5 分，部分原因是学校教授的知识广度与现实生活（以及智力测试）所需的知识重叠。

如果你想变得更聪明，没有捷径可走——你必须学习很多东西。但反过来也是如此。学到很多东西会让你比你想象的更聪明。

6.心理带宽极其有限。

任何时候我们都只能记住几件事。乔治米勒最初将这个数字定为七，加上或减去两个项目。但最近的工作表明这个数字更接近四件事。

如果要成为我们长期经验的一部分，这个令人难以置信的狭窄空间是所有学习、每一个想法、记忆和经验都必须通过的瓶颈。潜意识学习不起作用。如果你不专心，你就没有学习。

我们可以提高学习效率的主要方法是确保通过瓶颈的东西是有用的。将带宽用于不相关的元素可能会减慢我们的速度。

自 1980 年代以来，认知负荷理论已被用于解释干预如何根据我们有限的心理带宽来优化（或限制）学习。本研究发现：

对于初学者来说，解决问题可能会适得其反。当展示工作示例（解决方案）时，新手会做得更好。

材料的设计应避免需要在页面或图表的各个部分之间翻转以理解材料。

冗余信息阻碍学习。

复杂的想法在部分呈现时可以更容易地学习。

7.成功是最好的老师。

我们从成功中学到的比从失败中学到的更多。原因是问题空间通常很大，而且大多数解决方案都是错误的。知道什么有效会大大减少可能性，而经历失败只会告诉你一种特定的策略不起作用。

一个好的规则是在学习时以大约85% 的成功率为目标。您可以通过校准练习的难度（打开与封闭的书，有与没有导师，简单与复杂的问题）或在低于此阈值时寻求额外的培训和帮助来做到这一点。如果你成功超过了这个门槛，你可能不是在寻找足够难的问题——而是在练习常规而不是学习新技能。

8. 我们通过例子推理。

人们如何进行逻辑思考是一个古老的难题。自康德以来，我们就知道不能从经验中获得逻辑。不知何故，我们必须已经知道逻辑规则，否则不合逻辑的头脑永远不会发明它们。但如果是这样，为什么我们经常在逻辑学家发明的问题上失败？

1983 年，Philip Johnson-Laird提出了一个解决方案：我们通过构建情境的心智模型来进行推理。

测试一个三段论，比如“所有人都是会死的。苏格拉底是个男人。因此，苏格拉底是必死的，”我们想象一群人，他们都是必死的，并想象苏格拉底是其中之一。我们通过这个检验推断三段论是真的。

Johnson-Laird 认为这种基于心智模型的推理也解释了我们的逻辑缺陷。我们最挣扎于需要我们检查多个模型的逻辑语句。需要构建和审查的模型越多，我们犯错误的可能性就越大。

Daniel Kahneman 和 Amos Tversky 的相关研究表明，这种基于示例的推理可能会导致我们将我们在回忆示例时的流畅性误认为是事件或模式的实际概率。例如，我们可能认为符合模式 K _ _ 的词比 _ _ K _ 多，因为第一类（例如，KITE、KALE、KILL）比第二类（例如，TAKE、BIKE）更容易思考，核弹）。

通过示例进行推理有几个含义：

通过示例学习通常比通过抽象描述更快。

要学习一般模式，我们需要很多例子。

在根据几个例子进行广泛的推论时，我们必须小心。（你确定你已经考虑了所有可能的情况吗？）

9.知识随着经验变得无形。

通过练习，技能变得越来越自动化。这降低了我们对技能的有意识的认识，使其需要更少的宝贵工作记忆能力来执行。想想开车：起初，使用闪光灯和刹车是非常刻意的。经过多年的驾驶，您几乎不会考虑它。

然而，技能自动化程度的提高也有缺点。一是向别人传授技能变得更加困难。当知识变得默契时，就很难明确说明您如何做出决定。专家们经常低估“基本”技能的重要性，因为长期以来，他们似乎并没有在日常决策中考虑太多因素。

另一个缺点是自动化技能不太容易接受有意识的控制。当你继续以你一直做的方式做某事时，这可能会导致进展停滞，即使这不再合适。寻求更困难的挑战变得至关重要，因为这些挑战会让你失去自动并迫使你尝试更好的解决方案。

10. 重新学习相对较快。

在学校度过多年之后，我们当中有多少人仍然能够通过毕业所需的期末考试？面对课堂问题，许多成年人羞怯地承认他们记不起了。

遗忘是我们不经常使用的任何技能的不可避免的命运。Hermann Ebbinghaus 发现知识以指数级的速度递减——在开始时最快，随着时间的流逝而减慢。

然而，也有一线希望。重新学习通常比初始学习快得多。其中一些可以理解为阈值问题。想象一下记忆强度的范围在 0 到 100 之间。在某个阈值下，比如 35，内存是不可访问的。因此，如果记忆强度从 36 下降到 34，你就会忘记你所知道的。但即使是重新学习的一点点提升也会修复足够的记忆来回忆它。相反，一个新的内存（从零开始）需要更多的工作。

受人类神经网络启发的联结主义模型为再学习的效力提供了另一个论据。在这些模型中，计算神经网络可能需要数百次迭代才能达到最佳点。如果你“摇晃”这个网络中的连接，它就会忘记正确的答案，并且做出的反应并不比偶然的好。然而，与上面的阈值解释一样，网络第二次重新学习最佳响应的速度要快得多。

重新学习是一件令人讨厌的事情，尤其是因为与以前简单的问题作斗争可能会令人沮丧。然而，没有理由不深入和广泛地学习——即使是被遗忘的知识也可以比从头开始更快地恢复。

你面临的学习挑战是什么？你能应用这些心智模型中的一个来从新的角度看待它吗？解决你觉得困难的技能或主题会有什么影响？在评论区分享你的观点！