一项针对学习方法的研究

研究了哪些学习方法,各自策略和目的是什么?

  1. 测试。自测或练习。
  2. 分散练习。少量多次地练习。
  3. 混合练习。从一开始就用不同类别的问题来学习。
  4. 多问 Why 和 How。接触到一个新的概念之后,问自己为什么这个概念是对的,以及如何把这个概念和以前自己的知识树联系起来。
  5. 重读。在读完第一遍学习材料之后再读一遍。
  6. 划重点。把学习材料中你认为是重点的知识划出来。
  7. 总结。总结学习材料里的关键,包括转述。
  8. 图像化理解和记忆关键概念。使用图形图像和联想来理解文字和关键概念。

哪些学习方法比较有效?

  1. 测试。
    • 不只是学完知识之后的考试。测试可以立刻执行:比如阅读完一段文字之后,遮住文字,问自己刚刚那一段讲了什么,用回忆的方式来加深记忆与理解更有效。
    • 那些需要回忆才能回答的测试的效果要好于从给出的选项中选择正确答案的测试效果。
    • 卡片式学习法也会很有效,把名词或者问题写在正面,然后把概念或者解答写在后面。复习时通过回忆答案与正确答案的比较来帮助自己掌握。
    • 反馈,比如把回答错误的卡片放回卡堆,可以有效增加学习效果。
  2. 分散练习。
    • 分散练习是相对于集中练习来说的,集中练习是指比如用抄写的方式背 20 个单词,一个单词写三遍然后下一个单词,分散测试则是一个单词写一遍,写完最后一个单词再回过头来所有单词再写一遍。
    • 从时间尺度上来说,集中练习有点像一个是大块的时间投入下去,比如明天考试,我今晚花了7个小时复习看完了书。分散练习则是下周考试,我这周每天花1小时复习。
    • 研究表明,即使花同样的时间,分散练习的效果也远好于集中练习。但集中练习会有一种幻觉,感觉好像在短时间内学到了很多,而事实上忘得也会非常快。
  3. 混合练习。
    • 混合练习是指在学习过程中,跳跃地学习概念和解答问题。
    • 一个实验,两批学生在为期两周的学习时间里学习计算固体体积的方法,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。
    • 混合练习之所以有效的一个原因是,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,混合练习的优势就显现出来。
    • 混合练习适用于「数学」以及「概念学习」,但并不是任何时候都有效。
  4. 多问 Why 和 How。
    • 接触到一个新的概念之后,问自己为什么这个概念是对的,以及如何把这个概念和以前自己的知识树联系起来。
    • 这个策略有效的原因是我们可以通过问自己 why 和 how 来实现主动学习。
    • 但是提问的方式不是简单的总结或者转述(当然,总结和转述也是很好的学习方法。)而应该问内容之外的事情,比如这个概念对我来说意味着什么,作者为什么要提这部分内容。
    • 一个可能的问题是,在我们学习一个全新的概念,乃至全新的领域的时候,缺乏背景知识时,难以回答为什么这个概念是对的这样的问题。

哪些学习方法其实并没有想象中的有效?

  1. 重读。单独地重新读一遍教材或者笔记并不能有效地帮助学习。辅助以其他策略比如回忆和练习,会更好。
  2. 划重点。单独的划重点也不见得有效,甚至可能会破坏概念与概念之间的联系感。划重点可以在一开始浏览的时候做。在学习过程中配合其他的策略可能会更好。
  3. 总结和转述。这个是有效的,但总结能力本身要求比较高。(平时可以试着只用一句话讲清楚概念。跟别人聊天时,总结对方的观点,并转述给对方听来确认。)
  4. 记忆关键概念和图像化。作用有限,时效较短,而且并不是所有概念和内容都能方便的图像化的。

Reference

  1. 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.

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

来自专栏腾讯技术工程官方号的专栏

腾讯AI Lab:深度解读AI辅助翻译的研究及应用

11月13日,深圳 - 腾讯AI Lab今日发布了一款AI辅助翻译产品 - “腾讯辅助翻译”(Transmart),可满足用户快速翻译的需求,用AI辅助人工翻译...

17.9K3
来自专栏AI科技评论

开发 | 入门深度学习,读对书很重要

AI科技评论按:本文作者为 Jeffries Consulting 创始人 Daniel Jeffries,他以自己的阅读体验,对当前含金量极高的几本深度学习书...

35611
来自专栏AI研习社

干货!从基础到进阶,长文解析微软量子计算概念和算法(上)

我们谈论的量子计算,是一个完全不同的领域。量子计算让我们能够以秒级、 小时级或者几天的时间去解决那些以现在的技术需要花费上亿年计算的问题,我们完全重新定义了所做...

1232
来自专栏AI研习社

博客 | 一份中外结合的 Machine Learning 自学计划

看了Siraj Raval的3个月学习机器学习计划的视频,感觉非常好,地址:https://www.youtube.com/watch?v=Cr6VqTRO1v...

811
来自专栏ATYUN订阅号

MIT突破:自我监督系统DON,机器人可在检查随机物体后理解它们并拾取

几十年来,装配线等受控环境中的机器人能够一次又一次地拾取同一物体。最近,计算机视觉的突破使机器人能够在物体之间进行基本区分。尽管如此,系统并没有真正理解物体的形...

772
来自专栏量子位

人人能上手:OpenAI发射初学者友好的强化学习教程 | 代码简约易懂

他们刚刚发射了一套强化学习 (RL) 入门教程,叫做Spinning Up。真诚友好,无微不至。

1115
来自专栏机器人网

五本必读的深度学习圣经书籍,入门 AI 从「深度学习」开始

(以下以 Daniel Jeffries 第一人称撰写) 多年来,由于实验室研究和现实应用效果之间的鸿沟,少有人持续研究人工智能,AI 在很多领域停滞不前。...

3786
来自专栏牛客网

数据挖掘算法工程师面经

走到现在,校招已经过了一半,自己心仪的公司也基本都走完了校招流程,我的校招随之已经结束了,在家中陪着父母过一个长假。闲下来,想远离代码,远离算法,好好的放松下自...

50710
来自专栏牛客网

从春招到秋招,算法工程师养成记(阿里+腾讯+其他)

自我介绍 大家好,我是老班长,一名老牛油(至于多老呢?我基本是第一批关注牛客网的同学,我加牛客网qq1群的时候,群里只有400多人(现在估计10多个群了吧),那...

60511
来自专栏AI科技大本营的专栏

文因互联鲍捷:深度解析知识图谱发展关键阶段及技术脉络 | 公开课笔记

知识图谱是人工智能三大分支之一——符号主义——在新时期主要的落地技术方式。该技术虽然在 2012 年才得名,但它的历史渊源,却可以追溯到更早的语义网、描述逻辑、...

1235

扫码关注云+社区