add by zhj: 工作中提高自己水平的最重要的一点是——快速的学习能力。这篇文章就是探讨这个问题的,掌握了快速学习能力的规律,你自然就有了快速学习能力了。

原文:Learning How to Learn学习笔记

强力推荐的Coursera课程 “learning how to learn”. 这门课的一个主要观点是

  • diffuse mode thinking (如常规的身体锻炼)

对提高思考和学习能力有很大帮助。我实践了一两个月,感觉效果很好。工作中遇到的问题都更容易梳理解决。我们目标只有一个:了解大脑的工作原理,以便更好的学习。

以下是唐昕同学,本人和网络上一些笔记的整理:

1. 集中思维 vs. 发散思维

  • 学习和思考有两个模式(mode), 即 focus mode (集中) 和 diffuse mode (发散).
  • Focus mode learning 即我们通常意义上的“学”, 如上课, 看书, 做练习等。
  • Diffuse mode leanring 指就某个内容进行随意的发散性思考。
  • 学习知识或技能是身体进行特定的神经连接,搭建神经网络的过程。 这个过程需要我们不断的切换focus mode 和 diffuse mode.
  • 打个比喻: 盖一面墙, 我们需要铺一层砖和黏合剂,等黏合剂干了把砖头稳固好, 再铺上面一层。 这样墙才能盖起来。 盖得太快太急, 墙可能会塌掉。
  • 搭建神经网络也是这样。 Focue mode learning 就是连接神经元; diffuse mode learning 就是给时间让这些连接稳固。 对于好的神经网络搭建,两者缺一不可。

2. 多感学习和空间识别

  • 多种感官的刺激让学习效果更好。因为那样子的神经连接更丰富, 更稳固。
  • 空间识别: 我们大脑的空间识别网络特别好。

3. 记忆系统

  • 短期: 研究表明我们的短期记忆最多只能放四间事情。
  • 长期: Chunking (对概念进行切割和封装) 做得越好, 记起来越容易,越牢靠。

Chunk告诉你如何解决问题,context告诉你什么时候使用chunk,以及这个chunk在整张知识图中的位置。举个例子,你在读一本书,书中的概念和章节就是一个个chunk,你为了更好的掌握这本书的主题(大chunk),往往会看书之前先翻章节题目,看看每节的图片(自顶向下,掌握大局),之后再钻进去一节节地看(自底向上,步步为营)。先有一个总体了解,然后再处理局部拼图,这样即使你最后遗漏了一些细节,也不影响你使用整张图。

  • Chunk就像是知识的雪球,聚少成多,相互关联,终成雪人。

  • 如何形成chunks? 集中注意力,理解,反复练习。

  • 如何练习? 回忆怎么建立chunk, 最小化测试自己, 保持上下文的连贯

如何应用到我们自身学习上?

1. 集中思维 vs. 发散思维

  • 学习时间不宜太长。 比如用 pomodoro 定时: 番茄土豆工作法. 每半个小时休息十分钟。 让新知识有时间从focus mode 切换到 diffuse mode 巩固。
  • 分散学习。 一个知识或技能可以把它分到多天,每天花少量时间学习。 这样的长期效果比集中一天要好。
  • 对于重要的知识点或问题多进行随意联想。 Diffuse mode thinking 可能会提供意想不到的好答案。

2. 多感学习和空间识别

  • 尽可能使用不同感官学习。
  • 练习其实也是一种多感学习。 所以越多越好。
  • 我们可以利用我们大脑的空间识别网络特别好这点, 用想象的方式把学到的知识点进行虚拟的空间链接。 那样子能够快速搭建神经网络, 掌握和巩固所学。

3. 记忆系统

  • 可以利用长短期记忆特性,用递归的方式,把新概念切成<=四块子概念, 进行有效的连接封装, 强化长期记忆。
  • 锻炼身体重要。除了散步洗澡听音乐等让你放松的方式会帮助你进入diffuse mode,锻炼健身能让你从之前集中精力的地方解放出来,使得diffuse mode有机会呈现。研究还表明锻炼身体对大脑生长新的神经元并保持脑健康也同样重要。

  • 睡眠影响学习。脑内会积累影响记忆和思考的物质,可视之为脑内毒素(metabolic toxins)。睡眠时神经元收缩,可使这些物质更容易被清除,同时加固你白天想学习和记忆的东西。

  • 隐喻(metaphors)是强大的学习技术。

4. 解决拖延

原因是人遇到困难,大脑真真切切会产生化学物质,让你感觉不开心。这时,老祖宗的基因会驱使你的大脑让你去做一些更能让你高兴的事,从而获得短暂的快感。看,你本能的完成了一次自救,把自己从不愉快中救了出来!但现代社会毕竟不同于远古时代,总是逃避困难的任务而选择简单的娱乐会让人自毁前程。

如何应对拖延?有个简单的工具:番茄工作法。操作简单,用个番茄钟(或者软件)记时间,25分钟内全神贯注在手头的工作上。原理是人一旦开始进行手头的困难工作,让你痛苦的化学物质就会骤减,然后慢慢的不愉快的情绪就消失不见了。简言之应对拖延的方法就是忍住不快和痛苦,立刻全身心投入工作一小段时间。

最后课程还总结了应试技巧:

  • 从细节到宏观,再从宏观到细节不断反复,会让自己清楚自己在学什么

  • 找到自己容易错的地方,然后从错误中学习,不断的测试自己

  • 从失败中吸取经验,然后慢慢学的更好,也会让自己喜欢上之前讨厌的学科

  • 学习自己喜欢的学科会有更多的动力,干自己爱干的事情,不会累

  • 想要学好一门语言,或一门学科,要把自己沉浸在其中,多多练习

  • 给自己定一个短期的目标,然后驱使自己的动力,一步一步完成

  • 休息很重要,能保证高效率的学习模式

  • 尽可能的利用身边一切的资源,多向有经验的老师同学请教,如老师的 办公室时间, 网上的 MOOC,其他一些公开课

  • 大任务分成若干个小任务,每天做一点,半个小时,

  • 学习语言错误的动机:炫耀,进入大学等。正确动机:喜爱其文化

  • 学习语言不要怕犯错误,即使犯了错误,别人也听得懂,大胆说

  • Self fulling Prophecy,告诉自己没有天赋,学不会→恶性循环

  • 任何人学习一门语言,都是付出了很多的努力,面临很多挑战,他们都战胜了

  • 学习语言总会遇到很多困难,尝试不同的方法,坚持一段时间不适合,换一下。

  • 学习和休息相结合,学习六天休息一天

  • 重复是需要的,单纯重复不一定是最好的方式。可以运用视觉

  • 学习数学慢慢来,数学问题太抽象,尽量把自己置入问题中

  • 人类没办法 多线程工作,所以集中精力干一件事才是最高效的

  • 关掉所有让人分心的提醒,手机短信,email,网站之类

  • 遇到难以理解时:类比, 画图, 举例, 把数学上抽象概念给虚拟化物化。

参考资料:

how to learn 笔记

week4_考试指南

【个人心得】番茄工作法の实战篇——学习如何学习的初期学习报告

如何培养好习惯(实战篇)——学习如何学习的终期学习报告

(翻译)有关学习的10个好习惯和10个坏习惯

Learning How to Learn, Part 1

Learning How to Learn, Part 2

Learning How to Learn学习笔记(转)的更多相关文章

  1. 机器学习实战(Machine Learning in Action)学习笔记————04.朴素贝叶斯分类(bayes)

    机器学习实战(Machine Learning in Action)学习笔记————04.朴素贝叶斯分类(bayes) 关键字:朴素贝叶斯.python.源码解析作者:米仓山下时间:2018-10-2 ...

  2. 【原】Learning Spark (Python版) 学习笔记(三)----工作原理、调优与Spark SQL

    周末的任务是更新Learning Spark系列第三篇,以为自己写不完了,但为了改正拖延症,还是得完成给自己定的任务啊 = =.这三章主要讲Spark的运行过程(本地+集群),性能调优以及Spark ...

  3. 机器学习实战(Machine Learning in Action)学习笔记————09.利用PCA简化数据

    机器学习实战(Machine Learning in Action)学习笔记————09.利用PCA简化数据 关键字:PCA.主成分分析.降维作者:米仓山下时间:2018-11-15机器学习实战(Ma ...

  4. 机器学习实战(Machine Learning in Action)学习笔记————08.使用FPgrowth算法来高效发现频繁项集

    机器学习实战(Machine Learning in Action)学习笔记————08.使用FPgrowth算法来高效发现频繁项集 关键字:FPgrowth.频繁项集.条件FP树.非监督学习作者:米 ...

  5. 机器学习实战(Machine Learning in Action)学习笔记————07.使用Apriori算法进行关联分析

    机器学习实战(Machine Learning in Action)学习笔记————07.使用Apriori算法进行关联分析 关键字:Apriori.关联规则挖掘.频繁项集作者:米仓山下时间:2018 ...

  6. 机器学习实战(Machine Learning in Action)学习笔记————06.k-均值聚类算法(kMeans)学习笔记

    机器学习实战(Machine Learning in Action)学习笔记————06.k-均值聚类算法(kMeans)学习笔记 关键字:k-均值.kMeans.聚类.非监督学习作者:米仓山下时间: ...

  7. 机器学习实战(Machine Learning in Action)学习笔记————05.Logistic回归

    机器学习实战(Machine Learning in Action)学习笔记————05.Logistic回归 关键字:Logistic回归.python.源码解析.测试作者:米仓山下时间:2018- ...

  8. 机器学习实战(Machine Learning in Action)学习笔记————03.决策树原理、源码解析及测试

    机器学习实战(Machine Learning in Action)学习笔记————03.决策树原理.源码解析及测试 关键字:决策树.python.源码解析.测试作者:米仓山下时间:2018-10-2 ...

  9. 机器学习实战(Machine Learning in Action)学习笔记————02.k-邻近算法(KNN)

    机器学习实战(Machine Learning in Action)学习笔记————02.k-邻近算法(KNN) 关键字:邻近算法(kNN: k Nearest Neighbors).python.源 ...

随机推荐

  1. Ubuntu编绎 Objective C程序

    1.安装如下组件 sudo apt-get install如下组件:build-essential gobjc gobjc++ gnustep-devel 2.在工作目录建立下如Shell脚本,并更改 ...

  2. error: Semantic Issue: Interface type cannot be statically allocated

    转自:http://hongmin118.iteye.com/blog/1333524 error: Semantic Issue: Interface type cannot be statical ...

  3. 设置VMware随系统开机自动启动并引导虚拟机操作系统

    设置VMware随系统开机自动启动并引导虚拟机操作系统 转载 2012年03月15日 19:50:53 标签: vmware / 虚拟机 / windows / parameters / tools  ...

  4. CSS学习笔记(2)--html中checkbox和radio

    checkbox复选,radio单选 <!DOCTYPE html> <html lang="en"> <head> <meta char ...

  5. hdu 1213 (How Many Tables)(简单的并查集,纯模板)

    How Many Tables Time Limit: 2000/1000 MS (Java/Others)    Memory Limit: 65536/32768 K (Java/Others) ...

  6. Risk UVA - 12264 拆点法+最大流+二分 最少流量的节点流量尽量多。

    /** 题目:Risk UVA - 12264 链接:https://vjudge.net/problem/UVA-12264 题意:给n个点的无权无向图(n<=100),每个点有一个非负数ai ...

  7. 关于selenium IDE找不到元素bug

    使用 selenium IDE 录制脚本,经常会发生 这样一种错误. 页面上,明明存在这个元素,就是找不到. 其实原理很简单   , 按钮 点击,没有时间延迟,但是页面加载,需要一段时间. 页面元素还 ...

  8. 说明反转控制(IOC)和面向方向编程(AOP)在spring中的应用

    说明反转控制(IOC)和面向方向编程(AOP)在spring中的应用 解答:Spring 核心容器(Core)提供Spring框架的基本功能.核心容器的主要组件是BeanFactory,它是工厂模式的 ...

  9. <! - - ... - -> 注解

    <A HREF TARGET> 指定超连结的分割视窗 <A HREF=#锚的名称> 指定锚名称的超连结 <A HREF> 指定超连结 <A NAME=锚的名称 ...

  10. Java 和因特网

    既然Java 不过另一种类型的程序设计语言,大家可能会奇怪它为什么值得如此重视,为什么还有这么多的人 认为它是计算机程序设计的一个里程碑呢?如果您来自一个传统的程序设计背景,那么答案在刚开始的时候 并 ...