编者按：我们都深知学习的重要性，但对学习的心智模型却知之甚少。本文列举了 10 个有用的心智模型，为您解密学习的神奇机制。本文来自编译。

(相关资料图)

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——只要你有意识地去了解，你会发现这些模型无处不在。

正如理解供给和需求有助于推理经济学问题一样，理解学习的心智模型有利于更加容易地思考学习问题。

不幸的是，学习很少单独作为一门课来教授，这意味着它的多数心智模型只有专家才知道。在本文中，我想分享对我影响最大的十个心智模型，并附上参考资料以供读者深入挖掘。

1. 解决问题就是不断搜索。

赫伯特·西蒙 (Herbert Simon) 和艾伦·纽厄尔 (Allen Newell) 以其里程碑式著作《人类问题解决》(Human Problem Solving) 启动了问题解决的研究。他们在书中指出，人们是通过搜索问题空间（problem space）来解决问题的。

问题空间就像一个迷宫：你知道自己现处的位置，你能判断自己是否已经到达出口，但你却不知道如何走出去。行走的每一步，无不受到迷宫墙壁的限制。

问题空间也可以是抽象的。例如，玩魔方意味着在一个巨大的路径组合空间中移动——起初各色块是混乱的，“出口”是把每种色块各归一面，而问题空间的“围墙”则是扭动魔方的曲折过程。

现实生活中的问题通常比迷宫或魔方更广泛——开始状态、结束状态和确切的移动状态通常是不明确的。但是，在解决陌生问题时，也就是在既没有方法也没有经验指导的情况下，在可能性空间(space of possibilities)中广泛搜索仍不失为是一种优良品质。

解决问题就是不断搜索，其中一层意思是，在没有先验知识的情况下，大多数问题都是很难解决的。一个魔方有超过 43 乘以百万的3次方个路径组合情况，如果你不是聪明绝顶的话，这是一个很大的搜索空间。学习是获取模式和方法、减少莽撞搜索的过程。

2. 通过检索增强记忆力。

检索知识（retrieving knowledge）比第二次查看知识更能增强记忆力。测试知识不仅是衡量知识储备的方法，也是有效提高记忆力的妙方。事实上，测试是研究人员发现的最好的学习技巧之一。

为什么检索如此有用？一种解释是：大脑只记忆那些可能证明有用的事情，以此节省精力。如果手边总是有答案，则无需在记忆中对其编码。相比之下，与检索相关的困难是我们需要牢记的强烈信号。

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、老师和课程。当我们无法借助记忆解决问题时，我们会转向上文中的搜索，搜索取决于问题空间的大小，它可能完全无法给出一个正确的答案。然而，一旦我们获悉答案，检索知识比反复查看知识能让我们学到更多。

3. 知识呈指数增长。

能学到多少取决于自己已知的有多少。研究发现，从文本中吸取的知识量取决于对该主题的先验知识。在某些情况下，这种效果甚至可以超过一般智力。

学习新事物时，我们会将它们整合到已知的事物中。当今后回顾信息时，这种整合能提供更多的调用链接。但是，当我们对某个主题知之甚少时，置入新信息的机会就会减少。这使信息更容易被遗忘。就像种子长出水晶一样，一旦有了基础，以后的学习就会容易得多。

当然，这个过程是有上限的，否则知识增长会无限加速。尽管如此，记住这点总没坏处。学习的早期阶段通常是最困难的，同时早期阶段的学习可能会让我们错误认识今后在某一领域中遇到的困难。

4. 创新主要是复制。

没有哪个学科像创造力一样备受人们误解。尽管我们倾向于给有创造力的人赋予近乎神奇的光环，但创造力在真实实践中却来得更为朴实、平凡。

马特·里德利(Matt Ridley)在回顾历史上的重大发明时，明确指出创新源自于进化过程。新发明并非以完整的形式呈现给世人，它本质上是旧点子的随机变异。当变异后的点子被证有用后，它们就会扩展、壮大，填补新的细分领域。

这种观点可以从近乎同步的创新现象中得到验证。历史上无数次，很多不相干的人带来了相同的创新，这表明这些创新在发现之前或许就靠近了可能性空间。

即使在美术中，临摹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。但革命者本身几乎无一例外地沉浸在他们自己所反抗的传统中。反抗任何传统需要了解该传统。

5. 技能是特定的。

迁移是指在一项任务中训练出的优秀能力可以用在另一项不同的任务中。在迁移研究中，一个典型的模式出现了：

某项任务练习可以我们更擅长处理该任务。

某项任务练习有助于我们完成类似的任务（通常是在程序或知识上有重叠的任务）。

某项任务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”。

人们很难预测迁移，因为这需要准确了解人类思维的运作方式和所有知识的结构。然而，在更受限制的领域，约翰·安德森（John Anderson）发现了知识运行的 IF-THEN 规则，它完美匹配了人们在智力技能中观察到的转移量。

虽然技能可能是特定的，但知识的广度创造了普遍性。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，你就可以说很多不同的话。

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。反之亦然。学习带来的智力提升超乎你的想象。

6. 心理带宽极其有限。

我们在任何时候只能记住几件事。乔治·米勒（George Miller）最初将这个记忆数值设置为7加减2。但最近的研究表明更接近于4。

如果你想转换为长期知识，那么这个极其狭窄的空间是所有学习、所有想法、所有记忆和经验都必须穿越工作记忆的瓶颈（也就是 7 加减 2 个记忆组块）。潜意识学习是不起作用的，没有注意，就没有学习。

提高学习效率的主要方法是确保穿过瓶颈的信息是有用的。将带宽浪费在不相关的事物上可能会减慢学习速度。

自二十世纪 80 年代以来，认知负荷理论（cognitive load theory）一直用来解释干预措施如何根据有限的心理带宽优化（或限制）学习。本研究发现：

解决问题对初学者来说可能适得其反。当向新手展示可行的示例（解决方案）时，他们会做得更好。

为了领会材料内容，人们不得不在图表的各页面或各部分来回翻动，这种现象应该在设计材料时考虑避免。

冗余信息会阻碍学习。

分部分呈现信息，可以更容易地学习复杂想法。

7. 成功是最好的老师。

我们从成功中学到的比失败的多。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。

一个好的方法是，在学习时，把成功率定在 85% 左右。要实现此目标，我们可以校准练习的难度（开卷与闭卷、有无导师、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。如果我们成功跨越这个阀值，那么面对的可能不是真正的难题，我们正在训练的不过是常规操作而不是在学习新的技能。

8. 我们通过例子推理。

人们如何作出逻辑思考是一个亘古难题。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，否则一颗不合逻辑的头脑永远不可能发明逻辑。但如果是这样，为什么我们经常无法解决逻辑学家发明的问题呢？

1983 年，菲利普·约翰逊·莱尔德（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。

检验像“所有人都会死”这样的三段论。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。

莱尔德建议，这种基于心理模型的推理也可以解释我们的逻辑缺陷。对于需要验证多个模型的逻辑语句，我们总是最为头疼。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，这种基于示例的推理可能会导致我们将回忆示例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_ _ _ 的单词多于 _ _ 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）中的词。

通过示例进行推理有几个含义：

通过示例学习通常比抽象描述更快。

要学习一般模式，我们需要很多例子。

我们在根据几个例子进行广泛的推断时必须小心谨慎。（确定已经考虑了所有可能情况了吗？）

9. 经验越丰富，技能越无形。

技能通过实践变得越来越自动化。这会降低我们对技能的自觉意识，从而减少调用宝贵的工作记忆容量来执行技能。想一想开车：起初，使用转向灯和刹车是经过深思熟虑的。经过多年的驾驶，我们几乎不用细想。

然而，技能自动化程度的提高也有缺点。一是向他人传授一项技能变得更加困难。当知识变得隐性时，就更难明确自己是如何做出决定的。专家们经常低估“基本”技能的重要性，因为长期以来它们一直是自动化运行，人们似乎无需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受到有意识的控制。当我们继续按照既有方式行事时，这可能会导致进展停滞，即使该方式不再合适。寻求更困难的挑战变得无比重要，因为这些挑战会让我们失去自动化，并迫使我们尝试更好的解决方案。

10. 重新学习比较快。

在学校呆过那么多年，我们当中有多少人还能通过毕业所需的期末考试？面对课堂上的问题，许多成年人不好意思地承认他们记得不多。

对于不经常使用的技能，遗忘是不可避免的命运。赫尔曼·艾宾浩斯（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。

然而，还有一线希望。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。想象记忆强度在 0 到 100 之间。在某个阈值下，比如 35，记忆是无法调用的。因此，如果记忆强度从 36 下降到 34，我们就会忘记自己所知道的。但即使是重新学习的一点点提升也会修复记忆，足以回忆起它。相比之下，新的记忆（从零开始）需要更多的工作。

受人类神经网络启发的连接主义模型为再次学习的效力提供了另一个有力论据。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“摇动”这个网络中的连接，它就会忘记正确的答案，并且不会比偶然做出更好的反应。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。

重新学习让人厌烦，特别是与以往简单的问题纠缠更让人心烦意乱。然而，我们没有理由只是粗浅地、泛泛地学习。即使是被遗忘的知识，我们再度学习起来也可以比从头开始来得更快。

译者：小川