10 个底层思维模型，帮设计师高效学习！

编者按：对于我们中的绝大多数人而言，学习新知识是一件通常比较痛苦、有一定概率能收获快乐的事情。但是更多的情况是，我们一直在学习，少有时间停下来思考「如何学习」。这篇不是太旧的文章在 Medium 上收获了 1.5万赞（在那边算是很高的点赞量了），Scott H. Young 总结梳理了关于「学习」本身的 10 个底层的思维模型/框架，有些认知和我们通常习惯的认知有一定的差异，也许对你会有不少启发。

其实我们通常所说的心理模型是一种通用概念，可用于解释许多不同的现象。经济学中的供求关系、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——只要你知道去寻找，这些模型无处不在。

正如了解供给和需求有助于你推理经济问题一样，了解学习的心理模型将使思考学习问题变得更容易。

不幸的是，学习很少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有专家才知道。在这篇文章中，我想分享对我影响最大的十个模型，以及一些参考资料，以便如果你想了解更多。

1. 解决问题的方法就是搜索

赫伯特·西蒙和艾伦·纽厄尔以他们的里程碑式著作《人类问题解决》开创了问题解决这个主题的研究。在书中，他们认为人们通过搜索和构建问题空间来解决问题。

问题空间就像迷宫：你知道你现在在哪里，你知道你是否已经到达出口，但你不知道如何到达那里。一路上，你的行动受到迷宫墙壁的限制。

问题空间也可以是抽象的。例如，解开魔方，这意味着要穿越一个由大量有待还原的小方块组成的问题空间 — — 被打乱得乱七八糟的魔方是迷宫起点，每种颜色小方块被逐一分配到不同的面则是是出口，而魔方的结构限制则定义了问题空间的「墙壁」。

现实生活中的问题通常比迷宫或魔方更复杂——起始状态、结束状态和确切的移动通常并不明确。但在可能性空间中探索，仍然很好地描述了人们在解决不熟悉的问题时所做的事情——这意味着，当他们还没有一种方法或经验可以直接引导他们找到答案时，可以选择这种方式。

这个模型的含义是，如果没有先验知识，大多数问题都很难直接解决。魔方有超过 43 千万亿种组合——如果你不够聪明的话，你在这个庞大的可能性空间中寻求答案会很累。学习是获取事物运作模式和解决方法，以减少强力搜索的有效过程。

2.记忆通过检索得到加强

检索知识比再次看到某样东西更能增强记忆力。事实上，测试是研究人员发现的最好的学习技巧之一。

为什么测试和检索如此有用？一种理解方式是，大脑通过只记住那些可能有用的东西来节省精力。如果你总是手边就有答案，就没有必要把它刻录到记忆中。相反，测试和检索时感到困难，是一个强烈的信号，表明你需要记住它。

只有当有东西可以被检索时，测试才会起作用。这就是为什么我们需要书籍、老师和课程，因为当记忆失效时，我们会竭尽全力在大脑中去搜索答案，但是由于问题空间有大小差异，面对复杂问题的时候，这种方法可能完全无法给我们提供正确的答案。然而，一旦我们看到过答案，通过再次通过记忆检索它，我们学到的知识就会比反复浏览查看它来的更加稳固。

3.知识会呈指数级增长

你能学到多少取决于你已经知道了什么。研究发现，通过阅读文本你能够汲取的知识量，取决于对该主题下的你所积累的先验知识。在某些情况下，先验知识的影响甚至可能超过一般智力的范畴。

当你学习新知识时，你会将它们融入你已经知道的知识中。这种整合为你以后回忆这些信息提供了更多的线索。然而，当你对某个主题知之甚少时，新信息可供结合的线索就很少了。这会使信息更容易被遗忘。就像从种子和结晶体一样，一旦打下了基础就有了成长的底子，未来的学习就会容易得多。

当然，这个过程是有限制的，否则知识的增长速度会无限加快。不过，最好还是记住这一点，因为学习的早期阶段往往是最困难的，而且可能会让人误以为某个领域截下来推进的难度很大。

4.创造力大多来源于模仿

很少有东西像创造力一样被深刻误解。我们倾向于赋予有创造力的人一种近乎神奇的特质，但创造力在实践中却显得要平凡得多。

在一篇令人印象深刻的文章中，马特·里德利 (Matt Ridley) 认为，创新源自不断演进的过程。新发明并非一蹴而就，而是旧理念的随机变异之后的结果。当这些理念被证明有用时，它们就会扩展，并且填补新的空白。

这种观点的证据来自近乎同时发生的创新现象。历史上曾多次出现多个互不相干的人开发出同一项创新，这表明这些发明在被发现之前，在某种程度上，这些发明/发现本来就存在于可能性空间中的「临近的地方」。

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，沉浸在他们所反抗的传统之中。反抗任何传统都需要意识到这种传统本身的存在。

5.技能是非常具体的

通常「迁移」是指一项能力通过后，另一项能力也得​​到相应提高。在迁移研究中，出现了一种典型的模式：

• 对一项任务进行练习可以让你做得更好。
• 一项任务的练习有助于完成类似的任务（通常是程序性或知识重叠的任务）。
• 专注于一项任务的练习，对于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」和「智力」。

我们很难对「迁移」做出准确的预测，因为它们取决于对人类思维的确切运作方式，和所有知识结构的了解。然而，在更垂直的领域，约翰·安德森发现，知识内部的因果逻辑，与在智力技能中所涉及到的「迁移量」是比较吻合的。

虽然技能可能很具体，但广度决定了泛用性。例如，学习外语中的单词只有在使用或听到该单词时才有用。但如果你知道很多单词，你就可以表达很多不同的东西。

同样，了解一个概念可能无关紧要，但掌握多个概念可以带来巨大的力量。每多接受一年教育，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（和智力测试）所需的知识广度重叠。

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。学习很多东西会让你比你想象的更聪明。

6. 思维带宽极其有限

我们一次只能记住几件事。乔治·米勒最初将这个数字定为 7±2 。但最近的研究表明，这个数字更接近 4 。

这个极其狭窄的空间，是所有学习、每个想法、记忆和经验必须面对的「瓶颈」，如果要让它们成为我们长期经验的一部分的话，如何有效利用我们的思维带宽，就非常重要了。如果你不能精准灵活地控制自己的注意力，你就学不到东西。

提高学习效率的主要方法是确保流经「瓶颈」的东西是有用的。将带宽用于不相关的元素可能会减慢我们学习吸收的速度。

自 1980 年代以来，「认知负荷」理论就已被用来解释，心理带宽是是如何影响和限制我们学习的。这项研究发现：

• 解决问题对初学者来说可能适得其反。如果向初学者展示可行的示例（解决方案），他们可能会做得更好。
• 给初学者的内容，在设计上应避免需要翻阅页面、或者查阅图表来辅助理解。
• 冗余的信息会阻碍学习。
• 如果先分部分呈现复杂的想法，则可以更容易地学习。

7.成功是最好的老师

我们从成功中学到的东西比失败多。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。知道什么有效可以大大收束可能性，而经历失败只会告诉你一种特定的策略是行不通的。

根据研究，一个好的规则，是学习时将成功率定为大约85% 。你可以通过调整练习的难度（开卷或闭卷、有无导师、简单或复杂问题），或在低于此门槛时，提供额外的培训和帮助，来实现这一成功率。如果您的成功率超过了这个门槛，那么你可能没有找到足够难的问题，或者说你是在进行常规练习而不是学习新技能。

8.我们通过案例进行推理

人们如何进行逻辑思考是一个古老的谜题。自康德以来，我们就知道逻辑不能从经验中获得。无论如何，我们要么是已经知道逻辑规则，要么不合逻辑的头脑就不可能发明逻辑。但是，为什么我们知道了逻辑，又仍然会在逻辑问题上犯错呢？

1983 年，菲利普·约翰逊-莱尔德 (Philip Johnson-Laird)提出了一个答案：我们通过构建情境心智模型进行来进行推理。

为了检验「所有人都会死。苏格拉底是人。因此，苏格拉底会死」这样的三段论，我们想象一群人，他们都是会死的，并想象苏格拉底是其中之一。通过这种检验，我们推断出三段论是正确的。

约翰逊-莱尔德认为，这种基于心智模型的推理，也解释了我们的身为人的逻辑缺陷。理解复杂的逻辑陈述，需要我们同时调用多个心智模型，需要构建和调用的模型越多，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，这种基于情境案例的推理，会导致我们将更容易被回忆起的案例，误认为是实际发生概率更高的案例。例如，我们可能会认为K开头的单词（K _ _ _） 的单词，比中间有K的单词（ _ _ K _ ) 更多，因为第一类的例子（例如 KITE、KALE、KILL）比第二类的例子（例如 TAKE、BIKE、NUKE）更容易想到。然而实际的情况并非如此。

通过案例进行推理有几个含义：

• 通过案例而不是抽象描述来学习通常更快。
• 为了学会并理解常规的模式，我们需要很多例子。
• 我们必须小心谨慎，不要仅根据几个例子就做出广泛的推断。（你确定你已经考虑了所有可能的情况吗？）

9. 知识随着经验的积累而变得无形

技能通过练习变得越来越自动化。这降低了我们对技能的感知，使得它不需要我们宝贵的工作记忆容量来执行。想想开车：一开始，学习使用转向灯和刹车是痛苦的刻意训练，而经过多年的驾驶，你几乎不会动脑子去想这两个操作，它们被内化为下意识的行为。

然而，技能自动化程度的提高也有缺点。其中之一就是，向别人传授技能变得更加困难。当知识成为隐性知识时，就更难明确说明你如何做出决定。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，似乎不会对他们的日常决策产生太大影响。

另一个缺点是自动化技能不太容易受到有意识的控制。如果你继续按照自己一贯的方式做某事，即使这种方式不再合适，这可能会导致停滞不前，难以进步。寻求更困难的挑战变得至关重要，因为这些挑战会让你脱离自动化，迫使你尝试更好的解决方案。

10.重新学习相对较快

在学校里度过了多年时光后，我们中有多少人还能通过毕业所需的期末考试？面对课堂上的题目，许多成年人羞怯地承认他们记不住什么。

遗忘是任何不经常使用的技能的最终归宿。赫尔曼·艾宾浩斯发现，知识以指数级的速度逐渐减少——一开始最快，随着时间的推移逐渐变慢。

但也有好的一面。重新学习通常比最初的学习要快得多。这可以理解为阈值问题。想象一下，记忆强度介于 0 到 100 之间。在某个阈值以下，比如 35，记忆是无法访问的。因此，如果记忆强度从 36 降到 34，你就会忘记你所知道的内容。但即使重新学习只是一点点提升，也能修复记忆，足以回忆起它。相比之下，新的记忆（从零开始）则需要更多的前期积累。

联结主义模型受到人类神经网络的启发，为再学习的高效提供了另一个论据。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。如果你「摇动」这个网络中的连接，它会忘记正确的答案，并且反应不会比偶然的更好。然而，与上面的阈值解释一样，神经网络在第二次重新学习之后，重新习得的速度要快得多。

重新学习是一件麻烦事，尤其是因为以前很容易搞定的问题现在不会，这个事实会让人沮丧。然而，这并不是不深入和广泛学习的理由——即使是忘记的知识，也比从头开始学习可以更快地恢复。

你面临的学习挑战是什么？你能应用这些思维模型之一来从新的角度看待它吗？那些让你感觉很难学习的东西，你是否能想到更好的学习技巧？