内容简介：

曾遇到一个问题：数学、物理、英语等学科，学了可能一辈子都用不上，那为什么在学校里要学习它呢？

这篇文章的观点是：旧的知识，会帮助我们学习新的知识。 有了基础知识后，在生活、工作中需要学习新知识时，速度会变快！

本文中实用的几个观点：

• 解决问题就是搜索：没有前人的知识，会让问题变得很难；
• 记忆会通过提取加强。 大脑为了节能，只会记住它认为有用的知识。
• 创造就是模仿。很多人神话了创造。
• 通过例子学习，要比通过抽象方法学习好。
• 技能会自动化。会带来2个缺点：很难去交给别人；可能会让你能力停滞。 需要用更难的挑战，摆脱自动化。
• 重新学习相对较快。

推荐原因： 实用；观点新颖

原作者：Scott H. Young，畅销书作家，叶赛文编译。 原文链接：https://betterhumans.pub/10-mental-models-for-learning-anything-318446320c1e

---

正文

思维模型是一种可以用来解释许多不同现象的概念。比如经济学中的供需关系，生物学中的自然选择，计算机科学中的递归，或者数学中的归纳证明——一旦你知道如何寻找它们，这些模型就无处不在。

就像理解供需关系能帮助你解决经济学问题一样，理解学习的思维模型会让你更容易解决学习中的问题。

可惜的是，学习很少被单独作为一门课程来教授——这意味着大多数这些思维模型只为专家所知。

在这篇文章中，我想分享对我影响最大的十个模型，并附上深入了解的参考资料，以防你想了解更多。

1. 解决问题就是搜索。

赫伯特·西蒙和艾伦·纽厄尔，通过他们的里程碑式的书《人类问题解决》开启了问题解决的研究。他们在书中认为，人们通过在问题空间中搜索来解决问题。

问题空间就像一个迷宫：你知道你现在在哪里，也知道是否已经到达出口，但你不知道如何到达那里。在此过程中，你的移动受到迷宫墙壁的限制。

问题空间也可以是抽象的。比如，解决魔方问题意味着在一个大的配置空间中移动——打乱的魔方是你的起点，每个颜色归位的魔方是终点，而扭转和转动则定义了问题空间的“墙壁”。

现实生活中的问题往往比迷宫或魔方更复杂——起始状态、结束状态和具体步骤通常不明确。

但在可能性空间中搜索依然是人们解决不熟悉问题的一个很好表征——这意味着当他们还没有一种方法或记忆直接引导他们到答案时。

这个模型的一个启示是，没有已有知识，大多数问题真的很难解决。

一个魔方有超过四十三亿亿种配置——如果你不聪明地处理，这是一个巨大的搜索空间。

学习就是获取模式和方法，以减少蛮力搜索的过程。

2. 记忆通过提取加强。

提取知识比再次看到某个信息更能加强记忆。测试知识不仅仅是衡量你知道什么的方法——它还能积极地改善你的记忆。事实上，测试是研究人员发现的最佳学习技术之一。

为什么提取如此有效？一种解释是，大脑通过只记住那些可能有用的东西来节省精力。如果你总是有答案在手，就没有必要将其编码到记忆中。相反，与提取相关的难度是你需要记住的强烈信号。

提取只有在有东西可以提取时才有效。这就是为什么我们需要书籍、老师和课程。

当记忆失败时，我们会求助于解决问题的搜索，根据问题空间的大小，这种搜索可能完全无法给我们正确的答案。然而，一旦我们看到答案，我们通过检索它会比反复查看它学到更多。

3.知识呈指数增长。

你能学到多少，取决于你已经知道多少。

研究发现，对某个主题的已有知识能显著影响你从文本中保留的知识量。在某些情况下，这种影响甚至超过了你的智力水平。

当你学习新知识时，你会将其融入到已有的知识中。这种整合为你以后回忆信息提供了更多的“钩子”。然而，当你对一个主题了解较少时，你的“钩子”也相应较少，新信息更容易被遗忘。就像晶体从种子中生长一样，一旦基础建立，未来的学习就会容易得多。

当然，这个过程有其极限，否则知识将无限增长。

尽管如此，记住这一点很重要，因为学习的早期阶段通常是最困难的，这可能会误导你对未来难度的判断。

4. 创造力主要是复制。

很少有主题像创造力那样被误解。我们往往赋予创意人士一种近乎神奇的光环，但实际上，创造力在实践中要平凡得多。

在对重大发明的回顾中，马特·里德利认为，新发明并不是突然完全成型地出现的，而是旧想法随机变异的结果。 当这些想法被证明有用时，它们会扩展到新的领域。

这种观点的证据来自于几乎同时发生的创新现象。历史上多次出现多个不相关的人同时开发出相同的创新，这表明这些发明在被发现之前在可能性空间中“接近”。

即使在美术领域，复制的重要性也被忽视了。是的，许多艺术革命是对过去趋势的反叛。

但这些革命者几乎无一例外都深受他们反叛的传统影响。反叛任何惯例都需要对那个惯例的了解。

5. 技能是具体的。

迁移是指在一个任务上练习或训练后在另一个任务上的能力增强。关于迁移的研究通常显示：

• 练习一个任务会让你在该任务上变得更好。
• 练习一个任务有助于类似的任务（通常是那些在程序或知识上有重叠的任务）。
• 练习一个任务对不相关的任务帮助不大，即使它们似乎需要相同的广泛能力，如“记忆”、“批判性思维”或“智力”。

很难对迁移做出精确预测，因为它们依赖于了解人类心智的确切工作原理和所有知识的结构。

然而，在更受限制的领域中，约翰·安德森发现，基于知识运行的IF-THEN规则与观察到的智力技能迁移量相当匹配。

虽然技能是具体的，但广泛的知识可以带来普遍性。例如，学习一种外语中的一个单词只有在使用或听到那个单词时才有帮助。但是如果你知道很多单词，你可以表达很多不同的意思。

同样，知道一个想法可能意义不大，但掌握许多想法可以赋予巨大的力量。每多一年教育，智商提高1-5点，部分原因是学校教授的广泛知识与现实生活中（以及智力测试中）所需的知识重叠。

如果你想变得更聪明，没有捷径——你必须学很多。但反过来也成立。学得多会让你比预期更聪明。

6. 心智带宽极其有限。

我们一次只能记住几件事。乔治·米勒最初将这一数字定为七，加减两项。但最近的研究表明，这个数字更接近四。

这个极其狭窄的空间是所有学习、每一个想法、记忆和经验都必须通过的瓶颈，如果它要成为我们长期记忆的一部分的话。潜意识学习不起作用。如果你没有专注，你就不会学习。

我们可以提高学习效率的主要方法是确保通过瓶颈的信息是有用的。将带宽用于无关元素可能会减慢我们的速度。

自20世纪80年代以来，认知负荷理论被用来解释干预措施如何根据我们有限的心智带宽优化（或限制）学习。研究发现：

• 对于初学者来说，问题解决可能适得其反。新手在展示工作示例（解决方案）时表现更好。
• 材料应设计得不需要在页面或图表的不同部分之间翻转以理解内容。
• 冗余信息会阻碍学习。
• 当复杂的想法首先分部分呈现时，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。原因在于问题空间通常很大，大多数解决方案都是错误的。知道什么方法有效能大大减少可能性，而经历失败只会告诉你某个特定策略不行。

在学习过程中，一个好的规则是目标达到大约85%的成功率。

这意味着在进行学习或练习时，应该选择那些你有大约85%把握能成功完成的任务或问题。 这种成功率既不会让任务太简单而缺乏挑战性，也不会让任务太难以至于频繁失败，从而保持一个有效的学习进度。

通过保持这样的成功率，可以确保你在学习过程中既能体验到成功的成就感，又能持续面对适当的挑战，从而不断进步。

你可以通过调整练习的难度（如开卷与闭卷，有无导师，简单与复杂问题）或在低于这个阈值时寻求额外的培训和帮助来实现这一点。如果你超过这个阈值，可能你没有挑战足够难的问题，只是在练习而不是学习新技能。

8. 我们通过例子进行推理。

人们如何进行逻辑思考一直是个谜。自康德以来，我们知道逻辑不能从经验中获得。我们必须已经知道逻辑规则，否则一个没有逻辑的头脑无法发明它们。但如果是这样，为什么我们经常在逻辑学家设计的问题上失败呢？

1983年，菲利普·约翰逊-莱尔德提出了一个解决方案：我们通过构建一个情况的思维模型来进行推理。

要测试一个三段论，比如“所有人都是凡人。苏格拉底是人。因此，苏格拉底是凡人”，我们会想象一群人，他们都是凡人，并想象苏格拉底是其中之一。通过这种审查，我们得出三段论是正确的。

约翰逊-莱尔德认为，这种基于思维模型的推理也解释了我们的逻辑缺陷。我们在需要检查多个模型的逻辑陈述上表现较差。需要构建和审查的模型越多，我们犯错的可能性就越大。

丹尼尔·卡尼曼和阿莫斯·特沃斯基的相关研究表明，这种基于例子的推理可以导致我们误以为回忆例子的流畅度等同于事件或模式的实际概率。例如，我们可能认为更多的单词符合模式K _ _ _ 而不是 _ _ K _ ，因为在第一类（如KITE, KALE, KILL）中更容易想到例子，而不是第二类（如TAKE, BIKE, NUKE）。

通过例子进行推理有几个含义：

• **通过例子学习通常比抽象描述更快。 **
• 要学习一个一般模式，我们需要很多例子。
• 在基于少数例子进行广泛推断时要小心。（你确定你已经考虑了所有可能的情况吗？）

9. 随着经验的增加，知识变得隐形。

通过练习，技能变得越来越自动化。这减少了我们对技能的有意识意识，使其需要更少的宝贵工作记忆容量来执行。

想想开车：一开始，使用转向灯和刹车是痛苦的刻意行为。经过多年的驾驶，你几乎不再考虑它们。

然而，技能的自动化有其缺点。一个是它变得更难将技能教给别人。当知识变得隐性时，明确你如何做出决定变得更困难。专家们经常低估“基本”技能的重要性，因为这些技能早已自动化，不再似乎在他们的日常决策中起很大作用。

另一个缺点是，自动化的技能不太容易被有意识地控制。这会导致进步停滞，因为你一直用老方法做事，即便这种方法已经不再合适。

寻求更难的挑战变得至关重要，因为这些挑战会让你摆脱自动化，并迫使你尝试更好的解决方案。

10. 重新学习相对较快。

在学校度过了多年后，我们中有多少人还能通过我们需要毕业的期末考试？面对课堂问题，许多成年人不好意思地承认他们记得很少。

遗忘是任何我们不经常使用的技能的不可避免的命运。赫尔曼·艾宾浩斯发现，知识以指数速度减少——最初最快，随着时间的推移减慢。

然而，这里有一线希望。重新学习通常比初次学习快得多。有些可以理解为阈值问题。想象记忆强度范围在0到100之间。在某个阈值以下，比如35，记忆是不可访问的。因此，如果记忆强度从36下降到34，你会忘记你所知道的。即使是重新学习的一点点提升也足以修复记忆，使其能够被回忆起来。相比之下，新记忆（从零开始）需要更多的努力。

受人类神经网络启发的连接主义模型为重新学习的有效性提供了另一个论据。

在这些模型中，一个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“摇动”这个网络中的连接，它会忘记正确答案，反应不比偶然更好。然而，正如上面的阈值解释一样，网络第二次重新学习最佳反应要快得多。

重新学习是一个麻烦，尤其是因为与以前简单的问题斗争可能令人沮丧。然而，这不是不深入和广泛学习的理由——即使是被遗忘的知识也可以比从头开始更快地恢复。

你面临哪些学习挑战？你能应用其中一个思维模型来从新的角度看待它吗？这对解决你认为困难的技能或学科有什么启示？在评论中分享你的想法！