心智模型是可以用来解释许多不同现象的一般概念
。一旦你好好观察身边的事物,如经济学中的供给和需求、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。

这些模型其实无处不在;
学习理解供需模型可以帮助你推理经济学问题;
同理,学习的心智模型可以帮助我们更容易地学会如何好好学习。
其实,在系统性的教育中“学习”很少被单独作为一门学科来教授,这意味着大多数心智模型只有专家才知道。
在这篇文章中,我将分享十件最具影响力的心智模型的事。
搜索就是解决问题的方法
在《人类决策》一书中提到人们通过搜索“问题空间”来解决问题。
问题空间就像一个迷宫,解决问题就像在问题空间寻找出口;
你知道你现在在哪里,你会知道你是否已经到达出口,但你不知道如何找到出口。
所以这一路上,你的行动受到迷宫墙壁的限制。
现实生活中的问题通常比迷宫更复杂;
什么时候开始、什么时候结束、什么时候去移动都存在着很大的不确定性。
类似于我们解决不熟悉的问题时所做的事情一样,像一只无头苍蝇到处乱转。
这意味着当他们还没有一种方法或记忆可以直接引导他们找到答案时。
该模型的一个含义是,在没有先验知识的情况下,大多数问题都很难解决
解决问题意味着我们面临着很大的“搜索空间”。
我们需要做的是如何学习,如何更利用高效的模式和方法以减少暴力搜索。
回忆能够增强记忆力
有效地在脑海里回忆知识往往比我们反复阅读更能增强记忆力。
不断地在记忆中进行测试,不仅仅是一种衡量你记住了什么,学会了什么,知道了什么的方法;
它还能更好地提高你的记忆力。
事实上,记忆测试是研究人员发现的最好的学习技巧之一。
为什么在脑海里搜索如此有用?
一是因为我们的大脑比较懒,只会选择只记住那些可能被证明有用的事情。
如果手边总是有答案,则无需将其纳入在记忆中。
相比之下,在脑海中找不到答案会对人散发出一种强烈的信号,并告诉大脑需要记住搜索的知识。
在脑海里回忆仅在有要回忆的内容时才有效。
这就是为什么我们需要书籍、老师和课程。
当记忆失败时,我们会开始寻找如何回忆问题
通过回忆得到答案会比通过反复查看时会学到更多。
知识是乘指数级增长的
你能学到多少取决于你已经知道了什么。
研究发现,保留的新知识量取决于你有多少相关的先验知识
先验知识的现象的效果甚至可以超过一般的智力对人的影响。
当你学习新事物时,你会将它们整合到先验知识中。
这种整合为大脑提供了更多接口,以便稍后调用该信息。
但是,当大脑对某个主题知之甚少时,记忆新信息的几率就会减少
这使得我们更容易忘记这种信息,因此一旦有了基础,后续的学习就会容易得多。
当然,这个模式是有限制的,否则知识会无限递增
尽管如此,了解这一点还是有好处的,因为学习的早期阶段通常是最困难的,并且可能会给我们的脑子传播错误的信号,留下这个领域非常难学的刻板印象。
你以为的创意其实是抄袭
通常我们喜欢给有创造力的人赋予近乎神圣的光环,但创造力在实践中并不如你想象的那么神奇。
正如马特·里德利 (Matt Ridley) 所说:“创新是循序渐进的。”
很多时候,新发明并非以完整的形式突然闪现,本质上是更多旧思想的随机变化而成。
当这些想法被证明有用时,才被人们采用。
近乎同步的创新现象证明了这种观点。
多个互不相关的人开发了相同的创新,这种事情在历史的长流中时常出现。
即使在美术中,临摹的重要性也被忽视了。
尽管艺术革命往往都是对过去模式的明确否定。
但反抗任何惯例首先需要了解该惯例,革命者本身几乎无一例外地曾经沉浸在他们所反抗的传统中。
技能是特定的
技能的迁移是指在一项任务中经过实践或培训后,在执行另一项任务中能力得到增强。迁移研究揭示了一个典型的模式:
在一项任务上多加练习可以让你做得更好;
在一项任务中练习有助于完成相似的任务(通常是在程序或知识上重叠的任务)
在一项任务上练习对不相关的任务帮助不大,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”;
然而,人们很难对技能迁移做出准确的预测,因为它们依赖于准确了解人类思维的运作方式和所有知识的结构。
但是在给予更多限制条件后,约翰安德森发现了对知识起作用的 IF-THEN 规则与智力技能中观察到的转移形成了相当好的匹配。
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,你就可以有很多不同的表达。
同样,了解一个想法可能无关紧要,但掌握多个想法会产生巨大的力量。
每增加一年的教育,智商就会提高1-5 分,部分原因可能是学校教授的知识广度与现实生活(以及智力测验)所需的知识广度有所重叠。
虽然技能可能是特定的,但广度创造了普遍性。
如果你想成为一个聪明的人,是没有捷径可走的——你必须学习很多东西
认知负荷——有限的心理带宽
我们在任何时候只能记住有限的几件事。
George Miller 最初认为这个阈值是7(加减2)。即人类的大脑最多能够记住7件事情。但最近的研究表明这个数字更接近四。
在人脑这个极其复杂狭窄的空间去学习、思考、记忆和累计经验都会遇到瓶颈。
我们提高学习效率的主要方法是确保流经瓶颈的东西是有用的,将有限带宽投入到不相关的信息上可能会减慢我们的速度。
自 1980 年代以来,认知负荷理论一直被用来解释干预措施如何根据我们有限的心理带宽优化(或限制)学习。
研究发现:当想要教会有一定经验的初学者如何解决问题可能会更难。但,当向新手展示可行的案例(解决方案)时,他们往往会做得更好。
材料的设计应避免需要在图表的页面或部分之间翻动才能理解材料。
冗余信息会阻碍学习。
学习复杂的想法时,首先呈现部分内容有助于更容易地学习。
成功才是更好的老师
我们总说失败是成功之母,但相比起失败我们总是能够在成功中学到更多。究其原因是在解决问题的过程中会发现大多数解决方案都是错误的
当知道什么有效会大大减少试错的可能性,而经历失败只会告诉你一种特定的策略行不通。
一个好的学习规则是当我们在学习一样东西时以有 85% 的成功率为目标。
我们可以通过调整学习的难度(开卷与闭卷、有导师与无导师、简单与复杂问题)或在低于此阈值时寻求额外的培训和帮助来做到这一点。
当你在学习一样东西时超过85%的准确率,那就说明了你已经能够很好的掌握这项技能,再去继续学习你只能是在练习这项而不是学习新技能。
举个例子才是最好的学习方法
人们如何进行逻辑思考是一个古老的难题。
从康德开始,我们就知道逻辑不能从经验中获得。
不知何故,我们必须已经知道逻辑规则,否则一个不合逻辑的头脑永远不可能发明它们。
但如果是这样,为什么我们常常无法解决逻辑学家发明的问题呢?
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
比如说测试“所有人都会死”这样的三段论(三段论是指当其中一个命题必然地能从另外两个命题中得出的一种推论)
苏格拉底是人。因此,苏格拉底会死。
我们想象一群人,他们都会死,并想象苏格拉底是其中之一。
我们通过这个检验推导出三段论是真的。
Johnson-Laird认为这种基于心理模型的推理也可以解释我们的逻辑缺陷。
我们学习的时候最难的是需要我们理解检查多个知识模型的逻辑语句。当我们需要构建和审查的模型越多,我们就越有可能犯错误。
丹尼尔·卡尼曼 (Daniel Kahneman) 和阿莫斯·特沃斯基 (Amos Tversky) 的相关研究表明,这种基于例子的推理可以将回忆例子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_ _ 的词多于 _ _ K _,因为与第二类(例如 TAKE、BIKE)相比,更容易想到第一类(例如 KITE、KALE、KILL)中的例子,
通过例子进行推理有几个含义:
1. 通过例子学习往往比抽象的学习定义更快;
2. 我们需要很多例子去学习;
3. 几个例子并不代表全部;(你确定你已经考虑了所有可能的情况吗?)
知识随着经验的累积会变得无形
当一项技能通过实践会变得越来越自动化。这能够降低我们对技能的自觉意识,从而减少我们大脑宝贵的工作记忆容量。
想一想开车:起初,在打转向灯和踩油门的时候我们需要经过深思熟虑忐忐忑忑的。但当你有十年驾龄,你根本不用思考如何打灯还是要不要踩油门,怎么刹车。
然而,技能自动化程度的提高也有缺点。
一、当你向他人传授一项技能变得更加困难
当知识变得隐性时,就更难明确你是如何做出决定的。正如很多专家和教授们经常低估“基本”技能的重要性,因为长期以来大脑一直处于自动化模式,他们似乎并不需要在专业决策中考虑太多。
二、自动化技能不太容易受到有意识的控制
当你持续地按照你一直做的方式做某事时,这可能会导致刻板行为不再追求不同、创新和提升,即使你已经落后别人一大截了。
所以当我们熟练使用一项技能时寻求更困难的挑战变得至关重要,因为这些挑战会让你的大脑动起来不再自动化做出决策,并迫使自己尝试更好的解决方案。
再次学习比你想象中的快更多
当我们踏入职场多年后,你觉得回到学校你还能通过毕业所需的考试吗?面对课堂上的问题,很多职场人都不得不好意思地承认他们都忘记了。
忘记不常使用的任何技能不可避免的。
Hermann Ebbinghaus 发现知识以指数级的速度逐渐减少——开始时最快,随着时间的流逝逐渐减慢
但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。想象一下大脑的内存强度在0到100之间。
在某个阈值(比如3)下,内存是不可访问的。
因此,如果记忆强度从36下降到34,你就会忘记你所学的。
但即使是重新学习也会一点点提升并且修复记忆,最后让你足以记得这些知识。
相比之下,学习新的事物塑造新的记忆(从零开始)需要更多的工作。
虽然重新学习是一件枯燥令人厌烦的事情,然而我们却能够用更快的时间来增强我们的知识储备,何乐而不为呢?
继续阅读
阅读原文