读书:学得少,考得好

《Learn More Study Less》这本书最早在网上直译为《学得少却考得好》,后来机械工业出版社翻译为《如何高效学习》。这本书我是2013年从褪墨网站上看到的,当时看的是crowncheng翻译的版本。这本书介绍了不少学习方法,非常适合在校的学生,原文的作者Scott Young是一位加拿大的大学生,在高中和大学的学习成绩很好,但花在学习上的时间并不太多,是一位学神级的人物,号称与学渣一起玩,但考试成绩与学霸一样。

作者给他的学习方法起了个名字整体性学习方法(Holistic),用来与死记硬背(Rote Memorization)学习法相区别,书的第四部分为小结,前三部分分别讲了策略Strategy、技术Technology和精力管理Beyond。

一、整体性学习策略

1. 三个概念

作者首先引入三个概念想表示信息在大脑中的存储方式,为了理解这三个概念,作者用来城市地图来进行比喻。

结构Construct:作者把它与城市City进行类比。城市中有许许多多的建筑物和道路,没有道路相连的建筑物将难以找到,一个知识点如果有多条通道相连,你就会更容易地理解和应用该知识点。

模型Model:本书中使用“书的目录”来说明,Model的目的是压缩信息,而比喻法Metaphor就是一种压缩信息的办法。

高速公路Highway:就是城市之间的高速公路,想要各种知识点活跃起来,实际上就是这些有创造力的联结方法。

在读这本书的时候,这三个概念理解还是相当有困难的,至少对于我来说是这样的。我感觉最重要的可能就是联结(就是这里的高速公路,用来将各种知识点串结起来)和比喻(用熟知的事物来描述新学的知识),当联结的知识点越来越多后,学习的效率就会越来越高。

这里需要强调的就是Metaphor这个单词,书中翻译为比喻,也可以理解为类比的意义,在字典里经常翻译为隐喻和暗喻,是用来与Similes(明喻)相区别的,这两个单词实际上文学上的单词。

引用原文中的翻译如下:

比喻法在整体性学习中扮演的角色是类似的,比喻就是在不熟悉的知识和熟悉的知识之间架起一座沟通的桥梁。比喻在文学中主要提供视觉上的相似,在整体性学习中比喻联系的是类似的过程,事件或者信息的顺序(其实比喻法不必拘泥于二者有多么相似,只要有一点相似,不管是视觉、听觉、感觉还是直觉,也不管是原理,目的还是过程,都可以拿来比喻,比喻法也就是建立模型的方法)。

原书作者认为整体性学习是对发生在大脑里学习过程的一种模型,一种比喻。作者非常推崇这种比喻法,译者crowncheng认为本书的精华就在于比喻法,整体性学习的核心就是比喻法。比喻法的本质是一种用已有的知识结构来理解新知识的办法,但是这种理解不是在原有的知识结构上添砖加瓦,而是用原有熟悉的模型来帮助我们理解整合新的知识及联系。

2. 熟知结构

在讲结构Construct时,提到了几种熟知familiar的结构,感知型结构(Sensory Constructs)、关系型结构(Relationship Constructs)和基础数学型结构(Basic Math Constructs)。不管什么结构,实际上都是根据你的个人经验而来的,你如果熟知物理,你就尽量用物理的知识来进行类比(或称为比喻、暗喻或隐喻),如果你熟悉数学、天文、地理、文学、生物,那你的想像力就太丰富了,这可能就是为什么知道的东西越多学新东西就越容易的原因了。

3. 整体性学习法的六个步骤

获取、理解、拓展、纠错、应用和测试。

需要说明的是,这些步骤并没有严格的顺序,当你学习新知识的时候,这些事情是交错进行的。

感觉这几个过程又特别像是软件开发过程中的瀑布模型(这也是我用的一种比喻),特别是其中的测试环节,软件工程中分为需求测试、单元测试、功能测试和集成测试,这里的测试与前面的五个过程都有联系。

4. 信息结构

作者把信息分为五大类,针对每类有不同的学习方法。

(1)Arbitrary确定信息

Arbitrary这个单词很难翻译,crowncheng的译文里翻译为“随意信息”,它是一系列事实、日期、定义或规则,它们缺少逻辑分类。比如人有206块骨头,这些武断性的数字就是一些需要机械记忆的内容,也没有太多的道理可讲。

这类信息如果不反复记忆,则非常容易遗忘,可以采用三种办法增强这些知识点的记忆:联结法Linking、挂钩法Pegging、压缩法Compression。实际上像《超级记忆》之类的书都是介绍这些记忆方法的,就是把枯燥的东西转换为图像和故事来记忆。

(2)观点信息Opinion

观点信息是存在争论的信息,观点信息在论文中很常见。对于观点信息,最大的难点在于获取阶段,你需要检查大量的信息以寻找其中的模式,而不是去记忆具体的细节,速读技巧对于收集信息非常重要。具体技巧可以看有关快速阅读方面的书。

图示法是记忆这类信息的最有效方法,比如用思维导图。

(3)过程信息Process

过程信息是教你如何行动的信息,是讲述一系列动作、操作的信息。比如,讲述如何游泳的知识,编写一段电脑程序,建造一所房子等。学习这类信息最重要的是不断练习、重复动作。不过,建立正确的背景概念对于节约时间也很关键。

过程信息的最大难点是需要实际投入大量的时间用于练习。你可以对概念理解的不好,也无须学完全部的材料,但是你必须要实实在在的练习。明白正确的背景模型,然后付诸实践。

  • 内在化Visceralization:把知识印在自己脑子中的一个过程。
  • 暗喻法Metaphor:类比
  • 图示法Diagraming:思维导图等
  • 模型纠错Model Debugging

(4)具体信息Concrete

是那些在实际中可以观察到、看到、听到或触到的信息。

(5)抽象信息Abstract

抽象信息缺少与感官的直接联系。数学、物理、心理学、计算机和化学主要涉及的是抽象信息。量子物理学和微积分中有大量抽象的信息,不容易马上想象出图像来。

抽象信息与确定信息Arbitrary正好相反,抽象信息非常难以理解,但逻辑性很强;而确定信息非常浅显,但逻辑性差。

在学习抽象信息时,整体性学习优势明显。通过将信息转化为更易理解的图像形式,可以在知识点之间建立广泛联系。内在化比喻法是两种主要的办法。

不过实际上,大多数信息都介于抽象和具体之间。

应对枯燥的课程:当你碰到“枯燥”的课程时,不要马上抱怨。问题可能在于老师教你时没有和你的经验联系,而使用整体性学习方法,你可以将内容与你感兴趣的东西相连。

5. 学习的目标

是为了通过考试,还是为了有进一步的应用?不同的目标决定了不同的学习过程和学习效果,伟大的学习目标产生伟大的学习效果。

要关心是不是学到有用的知识,学习上的投资会给你的生活带来巨大的益处,前提是你能真正应用那些花时间学来的知识,学习而没有实际的应用目的只是时间的浪费。Learning without a practical purpose is a waste of your time.

二、整体性学习技巧

一图胜千言,虽然自己的笔记画得有点丑。

  • 获取观点Acquiring Ideas
    • 快速阅读Speed Reading
    • 流笔记Flow-Based Notetaking
  • 联结观点Linking Ideas
    • 隐喻Metaphor
    • 内视化Visceralization
    • 图表化Diagraming
  • 处理确定性信息Handling the Arbitrary

这里面实际上就是讲了一些记忆技巧,《冠军记忆术》这本书里讲得比这详细的多。

  • 联结Linking
  • 挂钩Pegging
  • 压缩Compression

  • 拓展观点Extending Ideas
    • 实际应用Practical Usage
    • 模型纠错Model Debugging
    • 基于项目的学习Project-Based Learning

三、超越

这一部分主要介绍了精力管理、学习计划、学习习惯等方面的事。

原文发布于微信公众号 - 申龙斌的程序人生(slbGTD)

原文发表时间:2016-09-06

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏CVer

免费资源 | 机器学习 新手快速入门

昨天正式开启了CVer免费赠书:送7本实体书(包邮) 活动,其中、有 4种赠书方式,Amusi也觉得赠的书不多,反而赠书方式多了,甚至觉得自己往营销方面跑了。因...

2572
来自专栏AI科技评论

深度:机器如何模仿人类的学习方式?

导读: 古有算盘,今有计算机,人工智能(Artificial Intelligence,AI)始终是人类永恒又美好的梦想。然而,漫漫的历史长河中人类前仆后继,虽...

3674
来自专栏企鹅号快讯

人工智能、区块链、图灵测试……这30个大数据热词你真的都懂吗?

2017年,大数据产业依旧保持高速增长态势,并从单一的技术概念逐渐转化为新要素、新战略、新思维。鉴别真假内行的时候来了,你真的明白这些科技热词的意思吗?小编为您...

3139
来自专栏AI科技评论

不一样的论文解读:2018 KDD best paper「Embeddings at Airbnb」

Airbnb 的 Real-time Personalization using Embeddings for Search Ranking at Airbnb...

1842
来自专栏AI科技评论

干货 | 中科院孙冰杰博士:基于网络化数据表示学习的重叠社区发现研究

AI科技评论按:网络是大数据的重要组织形式,然而网络化的数据由于缺少高效可用的节点表示,而难于直接应用。网络化数据表示学习通过将高维稀疏难于应用的数据转化为低维...

3214
来自专栏AI科技评论

【深度】机器学习如何帮助Youtube 实现高效转码?

GAIR 今年夏天,雷锋网将在深圳举办一场盛况空前的“全球人工智能与机器人创新大会”(简称GAIR)。大会现场,雷锋网将发布“人工智能&机器人Top25创新企...

3955
来自专栏人工智能头条

KDnuggets热门深度学习工具排行:Pylearn2 居首,Caffe第二

1603
来自专栏机器之心

前沿 | DeepMind提出新型架构IMPALA:帮助实现单智能体的多任务强化学习

3608
来自专栏机器之心

开源 | Salesforce开源TransmogrifAI:用于结构化数据的端到端AutoML库

在过去的十年中,尽管机器学习取得了巨大的进步,但是建立生产就绪的机器学习系统仍然十分困难。三年前,当我们开始将机器学习功能构建到 Salesforce 平台上时...

3931
来自专栏磐创AI技术团队的专栏

热点 | 四月最佳Github项目库与最有趣Reddit热点讨论(文末免费送百G数据集)

1312

扫码关注云+社区

领取腾讯云代金券