大脑使用手册,百名顶尖学者采用的学习方法

大脑使用手册,百名顶尖学者采用的学习方法

一直以来,我们以为学习就是废寝忘食,就是一遍又一遍地阅读书本和笔记,甚至在阅读的同时花费大量时间把书本的内容制作成精美的脑图。而《学习之道》这本书却颠覆了我的认知,它从脑科学的角度,告诉我们什么才是正确的学习方法。

这本书的作者,芭芭拉·奥克利(Barbara Oakley),年轻时偏爱文科,高中时数理课程一直不及格。但是她现在是奥克兰大学的工程学教授,Coursera的“创新讲师”。她把自己的学习经验写成了这本书《学习之道》,并通过对数百名世界一流的教授的访谈,发现这些学者也在使用她书中描述的学习方法。今天我们就来分享书中的主要内容:如何学习

首先,我们需要了解大脑的两种不同的思维模式。一种是专注模式,对应于注意力高度集中的状态,一种是发散模式,对应于放松休息的状态。日常生活中,大脑会频繁地在这两种模式之间切换。那么,那一种模式对学习很重要呢?也许我们认为是专注模式,而事实上,这两种模式对学习都非常重要。

专注模式 Focused Mode 与 发散模式 Diffuse Mode

专注模式是利用理性、连贯、分解的途径直接解决问题的一种模式。当我们把注意力集中到某个问题上时,专注模式就开启了。而发散模式,是通过信息之间建立相互联系而迸发灵感。当我们在一个问题上挣扎许久而没有任何思路时,放松注意力,任由思维漫步,发散模式就会出现。它可能会反馈给我们一个宝贵的灵感。

当我们集中精力解决问题或分析问题时,例如在解决数学问题,编码算法或阅读教科书时,我们就是处于专注模式之中。假设我们的大脑就是个弹球游戏,专注模式就像弹出了一个“思维小球”,在大脑里的弹柱之间随机碰撞,寻找答案。

由于专注模式下弹柱之间排列的很紧密,这会带来一个问题,就是“思维小球”只是在上方弹来弹去,而真正的答案却在下半部分。这就体现在我们感觉学的脑袋都木了,一个问题始终无法解决,或者一个文案憋了大半天了也只写了一个开头。因为当我们专心揣摩问题时,我们的思维是集中而狭隘的,“思维小球”只会循规蹈矩地走那些我们已经熟悉的路径。这些路径,就是我们脑海中已经有的经验,或者是最初的想法,这些会阻碍我们产生更好的想法或答案。这种现象,就是思维的“定式效应”。一叶障目不见泰山,就是这个道理。如果有同学在考试时,发现有道题好像以前做过,于是不假思索快速写下答案,结果做错了。就是吃了“思维定式”的亏。

关于思维定式,有一个小故事:

心算家伯特·卡米洛从来没有失算过。这一天他做表演时,有人上台给他出了道题:“一辆载着283名旅客的火车驶进车站,有87人下车,65人上车;下一站又下去49人,上来112人;再下一站又下去37人,上来96人;再再下站又下去74人,上来69人;再再再下一站又下去17人,上来23人……”
那人刚说完,心算大师便不屑地答道:“小儿科!告诉你,火车上一共还有___”
“不,”那人拦住他说,“我是请您算出火车一共停了多少站口。”
阿伯特·卡米洛呆住了,这组简单的加减法成了他的“滑铁卢”。

所以,做作业和考试时,接受大脑中的第一个想法,会妨碍我们找到更好的途径。

在思维定式的影响下,国际象棋选手坚信他们扫视棋盘是在寻找不同的棋路。然而,对棋手眼球移动轨迹的研究却显示,他们其实一直执着于最初的走法。不仅是眼睛,就连他们的思维也深陷其中,难以找到新的解法。

把思维切换到发散模式,就能跳出“思维定式”。发散模式的弹柱之间间隔更大,容纳了更为开阔的全局视野。他会把相距很远的节点连接在一起,从而打开我们的思路,使我们能在更广阔的领域寻求潜在的解决方案。

专注模式和发散模式对学习都非常重要。想要学习数学和科学,而且保持创造力,两种思维模式都会被用到,对他们的强化训练缺一不可。但我们无法同时处于两种模式之中。因此,在面对一个困难问题时,我们必须先要用专注模式奋斗上一段时间,投入艰苦的努力。之后可以切换到发散模式去解决那些艰涩难懂的问题。就像是打乒乓球一样,有来有往,在专注模式和发散模式之间不断地切换。

从专注模式切换到发散模式的方式,就是让自己放松一下,比如散步、打盹、听听音乐、洗澡、坐公交车。这其中的关键就是去做个别的事情,让你的大脑自然地忘掉之前的问题。这时候,发散模式就会趁虚而入,上蹿下跳地寻求解决方案。

2004年,在一场国际象棋比赛中,对阵的是传奇象棋大师加里·卡斯帕罗(GarryKasparov)和一个叫马格努斯·卡尔森(MagnusCarlsen)的13岁男孩。在关键时刻,卡尔森却突然显得心不在焉,居然站起来溜达去了。这一方面对对手带来了压力,更重要的是,卡尔森通过这种方式让自己的思维脱离了专注模式。

发明家爱迪生在遇到棘手难题时往往会先去小睡一会儿,而非废寝忘食地努力攻克。他会拿着球坐在躺椅上,在身旁的地上放个盘子,然后逐渐放松下来,任由大脑进入自由开阔的发散思维模式。而一旦爱迪生睡着,他手中的球就会滑落,小球落进盘子的响声将他惊醒。在这一瞬间,伟大的发明家就会抓住发散思维留下的碎片,找到新的解决方案。

要解出难题或是学会新概念,至少要有一个你在无意识思考的时间段。而正是在这些你并非直接关注的时间间隔里,发散模式得以用新角度看问题。在此之后,当注意力重新转回到问题上时,你就可以将发散模式传达的新想法和新模型整合起来了,并可能突然在某个瞬间,灵光乍现。这就像其转墙一样,你必须给水泥留出干燥的时间,否则,试图通过突击学会所有知识,只能砌出一堆歪歪扭扭的墙。

如何学习

作者在书中列举了学习的10个好方法和10个误区,在这里,我分享以下4个主要内容。

保证睡眠

之所以把这个放在第一点,是因为我之前曾经以为挑灯夜战外加看看凌晨4点的洛杉矶那才叫努力学习。实际上,有研究表明,那些每晚只睡4个小时又能精力充沛的人,是因为他们的DEC2基因中存在一种轻微的突变,使他们的睡眠效率高过常人。他们是有天赋的。对于我这样的普通人来说,每晚只睡4个小时,不会让我学习变得更好,只会让我神经衰弱。

在我的视频“清醒梦,控制梦”中提到,良好以及充足的睡眠是高效学习中一个不可缺失的环节,不要盲目地去模仿头悬梁锥刺骨的故事,那只是一个励志但是低效的学习方法。

因为人醒着的时候,大脑会产生有毒物质,这可不是都市传说,是有科研报告证明的。而在睡眠中,脑细胞会收缩,细胞间隙会变大,于是,脑脊液就可以从中流过并且冲洗掉毒素。这样的夜间大扫除可以保证大脑的健康。有研究表明,睡眠是记忆和学习的重要环节,睡眠状态下的部分清理工作就是清除琐碎的记忆,并增强重要的部分。睡前学习还有可能让学习内容进入到自己的梦里去。

因此,保证充足的睡眠,给大脑时间让它去做它该做的事情。只不过,周末赖床,千万不要说是因为大脑需要更多的时间在整理这一周堆积的信息。

构建组块 Chunking Chunks

组块是根据意义将信息碎片组成的集合。也可以说,是你学习和记忆的知识的最小单元。比如说,我们把字母P, O和P连在一起,就组成了一个有意义的、便于记忆的组块:单词POP。把要处理的信息构成组块,可以使大脑更高效地运转。因为把一个想法或概念构成组块后,就不必纠缠于细节信息了。比如,早晨穿衣服,你只需要想着“我得穿上衣服”就行了,无需关心其中复杂的基础活动比如拿衣服伸左手伸右手之类的细节。

当你第一次遇到科学或数学中的全新概念时,往往不知道它到底是什么意思,就像看见图一的拼图碎片一样。如果不理解含义,也不考虑其所在的背景,仅记忆一个事实(如图二),是不能帮你理清头绪的,或者说,你仍不会明白一个概念是如何与其他已学概念拼合在一起的。构建组块(chunking)(如图三)能帮你利用意义,组合起信息碎片,新的逻辑整体更便于人们记住组块所包含的信息,也便于将其融入更大的学习背景。

Screen Shot 2020-08-03 at 1.10.56 PM
图一
Screen Shot 2020-08-03 at 1.10.28 PM
图二
Screen Shot 2020-08-03 at 1.10.17 PM
图三

那么,如何构建组块呢?

第一步就是把注意力集中在需要组块的信息上。开着电视当背景音,或者时不时查查手机,是没法构建组块的,拖延症也没法开始构建组块。因为构建组块需要大脑的专注。

组块的第二步是理解。要把基本概念打包成组块,必须要理解这个概念。无论这个概念是大陆漂移还是供求关系。

组块的第三步,是获取背景信息。因为我们不仅要知道如何进行组块,还必须了解何时何地使用他们。这是很重要的一点,也是常常被我们忽略的一点。学习知识的目的,就是为了使用知识。足够的背景信息可以给你更宽广的视角,比如你刚学的心理学概念还能够应用在经济学的课题中。这和我们整理笔记也是一样,我们需要知道某些笔记能够应用在哪些方面,哪些方面不能用,这样这些知识点才能活起来。

回想练习

试着回想学习材料,即提取练习(Retrieval Practive),效果比单纯阅读材料好的多。很多人都在学习中体验过能力错觉(illusions of competence)。比如,不断重复阅读笔记或课本。当书本或者Google搜索的结果摆在眼前时,大脑会产生错觉,会以为这些学习材料也同样存入了大脑,但实际上只是小和尚念经。因为看书毕竟比回想简单很多,我们就因此执迷于自己的错觉,从而坚持低效率的学习方式。我在之前视频中说过,在学习过程中,输出要比输入困难很多。

还有一种典型的能力错觉就是在阅读时大量地进行高亮,划重点。这些动作让你以为自己的大脑在工作,其实只是手在工作而已。因此在做标记前,要先训练自己找到主要观点,并把所作标记数量降到最少。

在学习中进行回想 — — 让大脑提取关键概念,而非通过重复阅读被动地获取知识,将让你更加集中高效地利用学习时间。练习回想时要注意,第一次回想最好在24小时之内,间隔时间太久就会把学到的东西忘掉了,又得从头开始。重复的间隔一般应该遵从艾宾浩斯遗忘曲线。

期刊《科学》(Science)中发表的一项研究为以上说法提供了确凿证据。研究者让学生在学过一段科学性文字后,通过尽可能回想信息进行练习。之后再次学习该段内容并回想(即让他们努力记住关键概念)。

结果,相同时间内,仅靠对材料的练习和回想,学习的内容和深度远远超过其他方法,包括多次重复阅读并画出概念图。

有趣的是,学生们自己反而觉得仅对学习材料进行阅读和回想并不是最好的学习方式。他们觉得概念导图(画出概念间关系的简图)才是最好的学习方法。由此可见,我们所认为理所当然的事情往往并不是事实。

穿插学习 Interleaving

穿插学习,是指把解题策略不同的题目混在一起练习,解决混杂交错的各种问题,而不是在同一个问题上过度学习(Overlearning)。

什么是过度学习呢?当我们学习了一种新的解题方法之后,为了学会这种新技巧,在一段时间内,我们会倾向于不断练习,即便在完全理解之后,还会不断地练习。这就是过度学习。过度学习对体育或者乐器演奏时是有用的,但是在学习数理化的时候,则需要注意避免。比如,如果一个例题就能帮助获得对某个数学难题的理解,就不要再去重复练习更多同类的题目了。

重复你已经掌握的东西非常容易,但这可能会造成能力错觉,让你误以为自己已掌握了所有材料,而其实你只掌握了简单的部分。所以,你应该均衡学习。把精力集中在你认为困难的部分。专注于学习的困难部分称为刻意训练 (deliberate practice), 这种刻意训练,通常是好学生与优秀学生的差别所在。

我们所要做到的是在每个学习单元时间内,把学习内容尽量最大化。一旦理解了概念“X”,学习的重心就要转移到别的概念上去。之后再根据遗忘曲线来回顾“X”。虽然在不同的章节材料中跳跃着复习题目,会让你感到学习变得更加困难。但实际上,它帮你加深了对学习内容的理解。

当你在一个学科内穿插学习,你开始在这个学科内发展创造力。当你在多个不同学科间穿插学习,你能更容易地在不同领域的组块间创造联系,这能进一步提高你的创造性。

这本书带领我们探索了看待学习的新方式,了解了学习自相矛盾的本质。例如解决问题少不了专注力,然而专注也会限制我们的解题能力。虽说坚持不懈是关键,可难免我们也会因此而百思不得其解。


感谢阅读!如果你喜欢这类文章,欢迎订阅 Learning by Sharing Newsletter 或者我的YouTube频道 回到Axton,一起好奇地看世界!

Read more

Napkin AI: 一键生成专业图表

Napkin AI: 一键生成专业图表

主题 Napkin AI 工具介绍与使用教程:详细介绍了 Napkin AI 这款能将文本转化为专业图表的工具,并提供了实际操作指南。 AI 辅助内容创作与可视化:探讨了如何利用 AI 工具(如 NotebookLM 和 Napkin AI)来总结视频内容并将其转化为视觉吸引力强的图表。 专业图表在商业展示中的重要性:讨论了高质量图表在商业咨询和演示中的关键作用。 核心要点 * Napkin AI 能将文本自动转化为专业级别的图表,大大提高了内容创作和演示的效率。 * 该工具提供了丰富的自定义选项和高级功能,如 Spark Search 和协作功能,满足不同用户的需求。 * Napkin AI 的出现可能会降低高质量商业展示的成本门槛,使普通用户也能制作出专业水准的图表。 * 尽管目前还处于测试阶段,Napkin AI 展现出了巨大的潜力,预示着内容创作和信息可视化领域的变革。 洞见 Napkin AI 代表了一种新兴的"专业技能"趋势。

By Axton
Claude 新功能超越 ChatGPT?

Claude 新功能超越 ChatGPT?

主题 Claude最新数据分析功能发布与ChatGPT对比: 详细介绍了Claude新推出的数据分析功能,并与ChatGPT的高级数据分析功能进行了对比测试。 AI公司之间的竞争: 分析了Anthropic(Claude)和OpenAI(ChatGPT)在功能更新方面的竞争态势。 大型语言模型的数据处理能力: 探讨了Claude和ChatGPT在处理不同规模数据文件时的表现和局限性。 核心要点 * Claude新推出的数据分析功能能够处理CSV文件并生成交互式图表,展示了大语言模型在数据科学领域的应用潜力。 * Anthropic通过连续推出新功能,包括数据分析工具,似乎在直接挑战OpenAI的市场地位,反映了AI公司间激烈的竞争态势。 * 虽然Claude在图表交互性和视觉效果上表现出色,但在数据处理能力和全面性上仍落后于ChatGPT的高级数据分析功能。 * 大型语言模型正在向多功能、集成化方向发展,不再局限于纯文本处理,而是扩展到数据分析、可视化等领域。 洞见 AI公司间的功能竞争正在推动"AI即服务"(AIaaS)生态系统的快速演变。随着像Claude

By Axton
Claude 3.5: AI 自主操作电脑

Claude 3.5: AI 自主操作电脑

主题 Claude的新功能 - AI操作计算机: 介绍了Anthropic公司最新发布的Claude 3.5 Sonnet模型,能够按照用户指令操作计算机,包括移动光标、点击和输入信息。 AI操作计算机的意义与影响: 分析了这项功能对人工智能发展的重大意义,以及可能对人类工作产生的影响。 Claude在计算机操作测试中的表现: 详细介绍了Claude在计算机操作能力评估中的表现,与人类和其他AI模型进行了对比。 AI与现有工具的融合: 讨论了AI如何与现有计算机环境和工具相融合,以及这种融合对未来自动化发展的影响。 核心要点 * Claude 3.5 Sonnet模型展示了AI操作计算机的能力,标志着人工智能向AGI迈进的重要一步。 * AI操作计算机的能力源于多模态技术和工具使用研究的结合,展现了AI在复杂任务中的应用潜力。 * 虽然Claude在计算机操作测试中的表现(14.9%)远低于人类水平,但已大幅领先于其他AI模型,预示着未来快速进步的可能性。 * AI与现有计算机环境的融合代表了一种新趋势,即AI开始适应现有工具,而非工具适应AI。 * 这项技术的

By Axton