笔记整理「学习主题」--下
这篇文章是「学习主题」的下半部分，上半部分在这里：「笔记整理「学习主题」--上」
刻意练习
-
学习区·逼自己犯错：刻意练习理论把学习材料分成三个同心圆，由内向外分别是舒适区，学习区和恐慌区。在舒适区，人们会感到非常熟悉，并且感觉尽在掌握。几乎没有焦虑或者压力感，表现也能非常稳定。而在恐慌区呢，人们会非常焦虑以至于不知所措。学习区就在它们中间，属于可以达成，但同时有点挑战（Attainable but Ambitious）的地方。有个比喻非常贴切：
右手刷牙是舒适区，左手刷牙就是学习区，而用脚刷牙就是恐慌区。
不过实际情况中这三者并不完全是按照难度来划分的，比如打羽毛球，我们平时打比赛都可能在舒适区。如果觉察到自己反手接扣杀是弱点，那么重复地练习反手接扣杀就属于刻意地在学习区练习。对于想成为高手的人来说，还需要警惕「可接受」级别的技能，「刻意练习」这本书里有提到开了十几年车的老司机的水平并不会比开了3年的小司机要高，因为一般的老司机不会刻意练习开车技能，当一个技能达到「可接受」级别之后（进入舒适区），如果不刻意去练习，是无法再进一步提高的，即便练习一万小时也没有意义。
-
反馈·我错哪了：反馈最好是即时的，数值的，其目的在于告诉我们什么地方需要提高。只有满足「提供针对性的缺陷」这个条件才是刻意练习需要的好的反馈。另外还有一种反馈，是「结果」或者「里程碑」的反馈，比如玩游戏的时候完成某项成就，比如减肥的时候成功减掉10斤肉。这样的反馈有助于坚持和获得成就感，但并不属于刻意练习中的反馈。而且很多时候一个好的反馈，需要一个好的导师，一个小提琴大师不但能指出来你哪里拉得有问题，还能告诉你为什么会有这个问题，怎么提高，甚至还能帮你安排一系列科学的训练计划，不断帮你升级学习区。
-
觉察·责任在我：更确切地说是「自我觉察」，觉察其实是反馈的一部分，普通人投篮可能就是看球有没有进，但一个高段位觉察者投篮进步的速度就可能会非常快，因为他的每一个投篮都能觉察到自己的发力、姿势、出球时机、甚至心情感受，然后根据反馈不断调整。为什么要强调「自我觉察」呢？在「高绩效教练」这本书中讲了一个例子：
说的是训练场教练不够了，于是就临时找来两个教滑雪的去教人打网球，结果教出来的效果一样，有些地方甚至得比网球教练还要好。这教滑雪的教练当然不会教网球，但是教练的本质是一样的，引导学员去关注自己的技术问题。区别在于，网球教练会告诉学员哪哪错了，然后学员会非常依赖网球教练，会照着教练的做法去做。而滑雪教练就把注意力放在了如何让学员自己发现自己的动作问题上，然后自己主动地去调整，反而达到了更好的效果。
这个例子给我两个启发，1）刻意练习的时候过分依赖导师反馈不是一件好事，即便有导师，也必须把提升自己的责任完全放在自己身上。2）高质量反馈可以通过给自己高质量的提问来获得。那么如何提问呢？「高绩效教练」给出了 GROW 模型提问：Goal，最终目标是什么？Reality，现在是什么情况，有什么障碍，顾虑？Options，你有什么样的选择？Will，这是你自己的意志吗？What，Why，When，Who，Where，How，下一步你要做什么，为什么，什么时候做，和谁一起做，在哪做，怎么做？
-
专注·做且仅做一件事：在「学习之道」这本书中，提到了大脑的两种不同的思维模式：专注和发散。其中专注模式一次只思考一件事，可以深入地解决某些问题，尤其是数理问题，高段位的觉察能力也必须专注力全开，可以说刻意练习的时候必然是专注的时候。专注的缺点是比较累，通常25~45分钟的专注之后大脑就会自动进入无法专注的状态需要休息。另一个问题是容易陷入思维定式，一旦问题需要领域外的知识，或需要跳出已有的思维框架，专注状态下反而会难以解决。
-
反馈环·车轮滚滚：反馈环是刻意练习的整个套路，有意思的是，反馈环理论是我在看「游戏改变世界」时得到的。游戏化的本质其实和刻意练习是一致的：第一步：设定一个在学习区的小目标。第二步：设计一个反馈系统，其实这一步应该叫前馈（Feedforward），就像教练在你练习投球之前告诉你，投完后我会问你一个问题「你投球的时候那一块肌肉发力没注意到？」这样你投球的时候自然而然就会注意身体的肌肉情况。第三步：专注练习，并在练习中觉察自己。第四步：获得反馈，思考自己犯错的地方，接下来重复第一步。
-
心流·忘却时间：心流 (Flow) 是指一个人完全集中，并沉浸、享受在某件事中，完全忽略了时间、周围的人、干扰的事物、甚至身体需求，因为所有注意力都在了那件事上。现代游戏设计理论的本质其实是心流体验的设计，而把这项设计拓展到其他领域，比如教育、管理等非游戏领域，就是所谓的 游戏化 (Gamification)。无论是心流体验的设计，还是游戏化设计，还是刻意练习，其实都是同一件事情，设计合适的学习区以及给予恰当的反馈。
-
测验：测验是反馈的一种，单独把这个拎出来，是因为很多人害怕考试。一个方面是因为考试捆绑了很多外部动机，以至于这个东西本身的趣味性被大大削弱了，难以培养出对测验本身的内部动机来。另一方面，很多人面对考试是一种「僵固型心智」，就是认为考试失败说明自己很差劲，而且连续的失败就会觉得自己不可救药，或者反过来认为考试就是用来显示自己的聪明能干的，自己越是毫不费力地的高分，越显得聪明，总之错误和失败都是要极力避免和隐藏的东西。与之相对的就是「成长型心智」，认为考试是一次对自己能力的扫描，只要发现一些认知漏洞就会非常开心地、努力地去补漏。当然，测验本身可以随时进行，可以是「阅读完一段文字之后，遮住文字，尝试凭记忆复述。」也可以是「用小卡片把问题写在正面，答案写在背面，隔一阵子就拿出来回忆一下。」
-
脑内练习：脑内练习（Mental Practice）是一种很有意思的练习方法，我第一次知道这个概念是在练习合气道的时候一个黑带老师告诉我的一种一个人在家的练习方式。具体来说就是在大脑里想象自己做一个招式，然后想象自己的位置，步伐，动作，用力，重心控制，还有对手对你招式的反应，站位，重心。等到能够分毫不差地想象出来的时候，再去跟人练习或者请教黑带。而我等到老师说出来这个小技巧之后才发现原来我早就会了这个方法：下棋的时候不就会预测对方的下法在脑内做演算吗？只是我从来没想过还能运用在别的领域，并且还有效。我读了两篇 wiki 页面下引用的论文，简单地说，在某些情况下，脑内练习的效果跟实际练习的效果并没有很大区别。对于某些需要场地条件的领域的刻意练习来说，脑内练习实在太方便了，比如一个人打羽毛球的反手接扣杀球是弱点，但是在家里很难去练习这一点，即使在球场上，除非有专业的羽毛球教练来专门给你喂球，否则很难去「刻意练习」这个位置。但是脑内练习不一样，只要有想象力，可以立刻想象出一个球场，还有人不厌其烦地给你喂球来练习，奇妙的是，居然能跟实际练习有一样的效果。
整体学习法
-
知识拓展·编织网络：一个学科就像是一座大城市，里面有很多用交通网联系起来的房子（概念、知识点）。城市越大，我们需要越多的联系把这些知识点有机地结合起来。甚至还要在城市与城市之间建造高速公路。一个概念从来不应该是孤立的，与之相关的很多东西都应该被拓展出来。「如何高效学习」这本书中，就讲了三种拓展的方式，以一个物理公式为例：1）纵深拓展：知道这个公式的来龙去脉，如何推导出来的？是解决什么问题或解释什么现象的？2）横向拓展：知道这个公式发明的背景是什么，有没有什么新技术 发明影响了这个公式的提出？同时期还有什么样的公式，那个时代的科学家都在研究什么？3）跳跃拓展：还可以开脑洞式地拓展，比如这个物理公式好像还能解释某个别的领域的问题，比如经济学、心理学？
-
发散模式·自由地联想：「学习之道」这本书中写的另一种思维模式就是发散模式。发散模式会在不同的学科，不同的事情上不断跳跃，而且通常不需要刻意去做，发呆的时候大脑就出于发散模式。缺点是无法集中思考比较细致的问题，比如计算一个什么公式，但可以迸发出比较多的联想。当然，也更容易睡着。书中有个很有意思的方法来进入发散模式，就是很舒服地坐在懒人椅上，手上拿串钥匙，钥匙下面放个盘子，眯上眼睛开始想事情，等到快睡着的那一刻，手一松钥匙滑到盘子上，人会马上惊醒，惊醒的时候就赶紧把想法写下来。不过整体学习法也不全是发散模式，只是发散模式适合整体学习法的「联系」这个内核。
-
发散集中循环·更大的车轮滚滚：发散模式有助于联想，建造知识网，甚至跳出已有框架去解决问题，专注模式则有助于解决细节概念，刻意练习，两者相辅相成，只有交替使用才能制造更大的 chunk。所以如何进入专注模式呢？我个人的方法是用番茄钟，不需要 APP，只用手机自带的倒计时功能就好。进入发散模式则简单许多，音乐、运动、冥想、散步、洗澡、画画、睡觉都可以。有一个固定的爱好其实在这一点上非常不错，爱因斯坦是小提琴，村上村树是长跑。
-
笔记流·思维导图的正确用法：
我很早以前喜欢画思维导图，后来发现，不过是把目录重新抄一遍而已，以后就直接用简单的层级结构了，直到我最近看到万维钢老师「痛惜」思维导图的误用（得到·精英日课·20170211）之后才发现，哦，原来我和万老师一样都不喜欢花里胡哨的思维导图。但是万老师比我更近一步，他找到了思维导图的正确打开方式：必须在草稿纸上写写画画，连线思考，真正地用图来引导思维！同样类似的方法我在「如何高效学习」中也看到了，叫「笔记流」，本质也是一样的：「在纸上建立概念之间的联系」。当然也有缺点：1）笔记流法的问题是必须在掌握多个概念之后才能用。2）必须一气呵成，不然第二天回看的时候都不知道自己写了啥。附上我写本文的思维导图：
思维导图用法
-
混合练习：指的是在学习过程中，跳跃地学习概念和解答问题。这一条是我在一篇讲学习工具比较的论文中找到的，文中还有个实验：
找两批学生学习固体体积计算方法，第一批使用普通学习模式，比如第一课学楔形的体积计算，然后练习4道题目，第二课学椭球的体积计算，然后练习4道题目，这样学完后考试。第二批用交叉学习模式，第一课就立刻学完四种形状的体积计算，然后练习4种不同物体的体积计算，第二课重复第一课的练习。最后考试的结果表明，普通学习模式在练习中能获得接近90%的正确率，而考试中却只能获得20%的正确率，而交叉学习组在练习种能获得60%的正确率，而考试中的正确率比平时还要高一点，几乎是普通学习模式组的三倍。
同样的学习方法，我在「学习之道」里也见过，在那本书里被称之为「分布式学习」，这个学习方法之所以有效的原因是普通学习模式学什么练什么，却少了「识别问题」这重要的一步，因此当问题交叉在一起并且有所变化的时候，普通学习就很难识别出问题的类型。仔细的读者会发现这一策略和刻意练习的针对性训练有所冲突，但仔细一想，这两者锻炼的本来就是不同的能力，如果为了清晰地了解某个特定概念本身，用刻意练习比较好，如果是锻炼联系、使用能力，混合练习比较适合，在学习的不同阶段用不同的方法。
-
教学相长：「如何高效学习」当中提到了「费曼技巧」和「表达问题」的学习方法。「费曼技巧」是把自己当做一个新生，尝试用「教」的方法教自己，记得要把教的步骤写下来，这样更清晰，不会糊弄一下就过去了。遇到任何疑问犹豫的地方都要回到原始材料里去再学一遍。「表达问题」和费曼技巧很像，只不过我并不知道问题的答案，我的目的是要把问题本身清晰地讲出来，程序员界非常流行的「橡皮鸭 debug」大法，就是这样对着橡皮鸭，一句一句地向它解释这条程序的目的是什么，最后通常还没说完就找到问题了。我原先也不明白为什么这样做有效，直到我看到知乎上的一本书「重拾英语听说」里面提到了一个实验：
让三组学生学习一种新语言，第一组做听和读，第二组做写和说，第三组听说读写都做。最后测试他们对语言的使用能力，结果发现同样时间之后第一组的理解能力最好，第二组的表达能力最好，而第三组都处于中间。这说明理解能力（听、读）和产出能力（说、写）是两种完全不同的渠道，并没有很明显的相得益彰的表现。
日常生活中我们很多时候「用」知识其实是一种产出能力的表现，这个能力无法靠理解能力和输入来得到很好的锻炼。必须要靠产出本身来练习。所以「划重点」、「重复阅读」、「瞄一眼答案觉得自己会了」这样仅靠输入就以为自己理解了的方法根本无助于真正的产出能力培养。
-
面向项目：也是在「如何高效学习」中提到的，做一个实际的项目，最好不是那种玩具性质的学习项目，而是真正面向公众的产品，然后花 1-3 个月，一边学习一边做出来。比如你学的是编程，那么写一个游戏或者建一个网站。比如你学的是历史，那么就一个历史问题写一篇探讨性的文章。比如你学的是会计，那么做一个对某些上市公司财报的分析。个人经验是，写一篇你想要进入的领域的综述性的文章总是会有益的。
-
知识迭代：知识迭代不只是更新已有知识中的错误观点，更新错误观点当然非常重要，卓老板的口头禅就是「知识这东西，就得经常核实和订正，尤其是那些从别人那听来的知识」。李笑来老师也在他的「通往财富自由之路」里面提到过「错误/不清晰知识的负利息」效应。但这里的知识迭代还有另外一层意思，就是一种像软件敏捷开发一样的快速迭代的方式去学习。首先需要一个大体的框架，如果一个学科是一座城市，那么这个学科的知识框架就是这个城市的规划图。有了框架就能方便地把一个知识点纳入到整个体系当中去理解，也能清晰地知道对于整个学科，我还有什么地方是欠缺的，需要补足那一块。有了框架之后，上面的所有知识点就可以从原型开始迭代，一个原型的基本要求就是能用，因此必须以「产品」的心态去打造每一个知识点的原型，再慢慢迭代升级，丰富链接。
-
训练方法·为什么我需要导师：尽管在「刻意练习·反馈」一节中已经提到了导师的重要性，但是有些人看了「刻意练习·觉察」一节之后会感觉专业教练好像也不是那么必要嘛。其实导师确实不是必要的，必要的是训练方法。万维钢在「万万没想到」（吐槽一下书名，Google 一下出来的都是叫兽的电影，这其实是一本挺严肃的书）中有一个数据很有意思，原文太长，我引用一下我自己的读书笔记：
训练的方法是不断进步的，比如作曲，如果一个普通学生用普通的训练方法需要6年才能达到的水平，那么如果用更好的训练方法用3年就达到了相同的水平的话，「有效指数」（index of precociousness）就是200%，莫扎特的有效指数大概是130%，而20世纪的天才们虽然没有莫扎特有名，但其训练水平能达到300%~500%。
简单的说，如果没有现代的训练方法，而别人有，别人很可能只需要花1年时间就可以等同于你闷头练习 3~5 年的时间，注意这还是在你有教材，有系统地训练的前提下的，如果连这些前人积累的知识、甚至工具都没有，那你想对抗的就不是别人的训练时间了，而是整个现代人类文明了。没错，我说的就是某些数理民科。
书单补充
John Dunlosky, "Strengthening the Student Toolbox: Study Strategies to Boost Learning" American Educator, Fall, 2013. This excellent, comprehensive article is written by one of the top researchers in learning.
