大哉问：学习中最应该养成什么习惯？| 月旦评

上周跟朋友讨论了这个问题：什么是学习中最大的误区？我们的共识是：

以为学习的行动，就是学习本身

学习是以改变为目的的一系列探索活动。如果改变没有发生，没有形成新的视角或行动或规则，那么学习基本上可以说无效。

明确了应该避开「不改变」这个误区，那么下一个大问题来了：

什么是学习中最应该养成的习惯？

00 思考了很久，目前的回答是：

学习是一种训练

学习不是看书、做实验这些行为本身，学习是围绕目标和薄弱点的「训练」，它们指向思想或行动的改变。

学习不是孤立的阅读、孤立的理解、孤立的运用，一个学习的「迭代」包括：

设定目标 - 模块拆解 - 刻意练习 - 评估调整

完整的学习由很多个迭代循环构成，迭代的结果是行为改变。

向机器学习「学习」

最近在学习机器学习和深度学习。机器如何学习给我非常多启发。

机器的学习为什么高效？除了它计算能力超强、根本不会疲劳以外，它们学习的方法——所谓算法——都是最聪明的人类精心设计的。

深度学习的基本思路是：

• 设定目标 Y
• 找到真实数据集（包含自变量 x 和输出值 y）
• 给出初始模型，喂入真实数据集
• 观察模型输出的损失（目标 Y 和实际值 y 的差值）
• 调整模型参数，使损失函数最小
• （重复循环）
• 达到目标 Y ，停止训练

再打开「刻意练习」这本书复习一下。

刻意练习聚焦于提高绩效和表现，它的特点：

• 有定义明确的特定目标
• 专注的
• 包含反馈
• 需要走出舒适区
• 产生有效的心理表征
• 构建或修改那些过去已经获得的技能

See? 机器学习完全遵守了这些规则，能不高效吗？！

GEXTE ：学习循环的模板

事不宜迟，在我们下一个学习计划，启用 00 为你准备的「GEXTE 学习循环模板」吧！

在定义一个学习项目时，我们需要把学习的循环拆分成几个部分：

目标是什么？怎么评估做到了？可以拆分为哪些训练模块？模仿什么？训练步骤是？

代号	循环项	定义	每次循环时
G	目标 / Goal	明确可描述的目标，从现状 A 到终点 B	回顾目标
E	评估方法 / Error	如何评估是否达成目标	获得反馈
X	技能模块 / X	影响 Error 的模块、技能点	检查是否有遗漏
T	模仿对象 / Target	具体的模仿对象和结果	比较的结果差别
E	单次训练 / Epoch	每一次训练要做什么	调整行动或目标

可打印的模板也做好了：

看吧，学习是远比我们想象要复杂但也更有趣的挑战。不妨在每个循环后面，增加一些奖励来激励自己。

虽然正儿八经地学个什么颇费力，但总比数十年喊着口号却原地打转强得多，是不是？

下面来看两个例子：编程学习和产品决策能力训练。

栗子1：学习用 Processing 模拟自然现象

Processing 是基于 Java 的一套编程语言和环境，有很强的图形、动画生成能力，被称为「设计师的编程语言」。现在我们就来尝试用 GEXTE 模板定义完整的学习循环。

G 目标

目标1：学习如何用代码可视化表达随机性、力与运动、震荡、粒子、分形等自然现象

现状 A

• 不了解模拟自然现象的算法
• 不知道如何用 Processing 实现

终点 B

• 能用基础的公式表示自然现象背后的数学和物理原理
• 用 Processing 实现动画程序

目标2：练习巩固 Python 语法

现状 A

• 会基本的 Python 语法
• 能看懂简单的 Java 程序

终点 B：用 Python 实现 Processing 动画程序

E 评估

用 processing.py 实现模拟自然现象的动画程序

• 程序运行结果是否如预期
• 抄程序：Java 没问题但 Python 有问题的地方，是需要加强的薄弱点
• 重写程序
  • 是否理解原理
  • 是否理解 Processing 如何实现
  • 是否理清实现的思路

X 模块

• 自然现象的原理
• Processing 语法和模块
• Python 语法
• debug 方法

T 对象

「The Nature of Code」配套视频和例子

E 训练

• 看 youtube 视频和书，学习自然现象的原理
• 看 Java 代码
• 用 Python 抄一遍
• 用 Python 自己写一遍
• 填写训练反馈
• 完成 9 个单元，把所有例子翻译成 python 版本

Bonus

• 上传 NOC python version 到 Github
• 每一章实现一个有意思的小动画

上面这个例子可能比较特殊，因为学习对象是界定非常明确的编程练习，学习产出也容易评估。

下面再举一个不太容易定义的例子。

栗子2：产品决策能力训练

G 目标

提升决策的质量并优化决策的流程

E 评估

决策是否达到预期目标

X 模块

• 逻辑思维、抽象、演绎、分析、综合等能力
• 决策信息的收集
• 提炼、表达和沟通能力
• 决策落地
• 评估标准制定和信息收集

T 对象

• 自己的决策：拥有最全面的信息，方便评估
• 上级/团队的决策：观察、评估上级或团队的决策，也是绝佳的练习机会

E 训练

• 决策问题产生和定义
• 情报收集和分析
• 决策制定和描述
• 推进和项目组织
• 结果评估
• 决策方法总结

每一步可能还有很多细分的练习模块，这里就不具体展开，产品同学们开启脑洞吧。

最后

打造有效的学习循环很难，几乎就像是打造一个产品循环。

这也就是为什么学习容易成为西西弗斯式壮（xiao）举（hua）的原因。因为富有成效的学习，太不符合大脑喜欢最短路径的构造，所以我们总是自欺自人。

但总有一些奖赏，要在经历之后才深明其义。

One of the first rules of science is if somebody delivers a secret weapon to you, you better use it. --- Herbert Simon

---

You might be also interested in:

• The Ambiguities of Experience | 组织和经验的迷思
• Upgrade your design thinking | 升级你的设计思维
• 5 Key Concepts of Programming | 学编程？从五个思维训练开始
• Why and How You Should Use Git | 多用 Git 少交税
• Learning tips for our brain | 别傻了，傲娇大脑爱学习？
• Model about behavior change | 你为什么不想做，想做也做不到
• Change about change | 莫弃疗——关于改变的改变

---

@kidult00 . Thanks for Upvoting !