学习曲线的最佳陡峭度


说一个东西难学,往往用一句话形容:它拥有陡峭的学习曲线。

而一个技能的学习曲线如果太陡峭,显然不适合一般人去学习掌握,大部分人没入门就放弃了。或许有一些意志异常坚定的人可以坚持下来,成就一番事业。

之前看曾国藩的读书方法,那叫一个【顽固】啊!曾国藩读一本书,一定要读懂、读完才去读第二本,无论这本书如何艰深难解,也绝不绕开。很少人能像他那样读书学习,显然有更加高效的读书学习方法。

还有一个常见的例子就是有些常年不运动的人,不知道受到什么刺激开始健身。一开始就给自己设定了高标准的短期目标。比如,开始跑步就每天跑个半小时,一个星期就把自己跑残了。膝盖受伤这种障碍,不是你意志力坚强与否可以逾越的。

当然,如果学习曲线太平缓,对学习也没有什么好处。这就像是下棋的人老和臭棋篓子下棋,自己的棋艺估计很难提高。学习资料如果相对于自己的能力太简单,学习过程基本上也是处于无聊的阶段。

前几天,我给儿子找来可汗学院的数学教学视频看,一开始想简单一点,选择的是加减法。没想到小家伙完全不买账,说太简单了,一会儿就没兴趣了……

所以,从定性角度上说,学习曲线过于陡峭、过于平缓,都不利于学习。那么从定量角度上说,什么样的陡峭度,才是最优的学习曲线呢?

1. 定量分析

针对大脑学习效率的定量分析,估计很难做到精确。好在,科学家可以做类比。

想一下人类大脑的学习场景:遇到熟悉的信息,一眼就可以做出正确判断,这不叫学习;遇到陌生的信息,做出了错误的判断,大脑会重视这种新信息,这才叫学习。所以,在《认知天性》这本书里面,有一个科学家结论性的建议:用考试的方式来学习,可以帮自己更快的区分新旧信息,从而更快的学习。相当于试错后,针对反馈来增强大脑间特定神经元之间的连接,从而起到学习的效果。

现在的机器学习算法,也是如此。

AlphaGo下围棋之所以利害,在于其试错学习的机制。试错了减分;试对了加分,人类不需要教他,给他足够的试错机会,他自己就可以摸索出人类意想不到的更优解来。

那么,针对一个机器学习算法,喂它的信息具备什么特征时,它才学得最快呢?

和人类大脑一样,对于机器学习算法来说,也有新信息和旧信息。实验数据发现,当新信息占比在15.87%时,算法的学习效率达到最高。而且,这个数据不只是针对机器学习算法,针对人类教学实验和动物训练实验也发现同样的规律。当新信息占比在15%左右时,学习效果达到最好。

所以,大家知道了,最佳的学习曲线陡峭度是:15.87%

2. 应用践行

知道了这个最佳陡峭度数字之后,对大家的学习有什么好处呢?

其实,大家可能很难精确的量化自己的学习内容的新信息比例,但至少大家可以主观的做一些判断。

比如,前文说的曾国藩的读书方法,那是应该摒弃的。读一个领域的书,你应该采用【循序渐进】的原则去选书,而循序渐进的精准比例就是,对你来说的新信息占比15%左右。太难读不进去的书,放下它,也放过自己;太简单没啥挑战的书,放下它,不要浪费时间。

比如,引导孩子学英语,之前在《如何培养孩子的阅读习惯?》中,说过分级读物的重要性。分级读物也是一种维持学习曲线相应陡峭度的方式。作为家长,你可以把15%作为依据来进一步调整孩子学习资料的陡峭度。

这从一个侧面也说明了,类似那种【磨耳朵】的英文音频不停的放,对孩子学英文来说,或许没多大好处。因为很可能,磨耳朵音频的新信息量对于孩子来说远高于15%,孩子完全没有听进去,自然没有效果。


或许哪天可以开发一个个性化的学习App。比如针对学外语来说,在用户的学习过程中检测用户的能力标准,动态调整新信息出现的比例。让用户永远接触到接近15%的新信息学习资料。

想必,学习效果可以突飞猛进吧。

推荐阅读更多精彩内容

  • 栈 1. 栈(stack)又名堆栈,它是一种运算受限的线性表。其限制是仅允许在表的一端进行插入和删除运算。这一端被...
    程序员高级码农阅读 4,441评论 0赞 11
  • 今天在手机赌钱平台读到一篇文章《你拿手机撩我的样子,很丑》,看到这标题我就立马想到了我自己:曾经的我也在手机上发一些撩...
    亚里士多德芳阅读 178评论 2赞 3
  • 流式布局在日常开发应用还是挺需要的,如搜索的记录一般大家就会做成流式布局,但是 Android 没有这样的布局,所...
    Vegen阅读 171评论 0赞 1
  • 罗胖说做事的着眼点不应该是:立场、感受、评价,而应该是:目标、方法、行动。
    李灿辉阅读 37评论 0赞 0
  • 冬天的小雨 ① 人们都喜欢冬天的一抹暖阳,遇见它则为之心动,亦如遇见了故人与老友,亦仿佛遇见了一种希翼,欢悦之感由...
    风光美景888阅读 629评论 11赞 18