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。
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》开创了问题解决的研究。在书中，他们认为人们通过搜索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，解决魔方意味着要穿越一个由大量配置组成的问题空间 — — 乱七八糟的魔方是起点，每种颜色都分到一侧的魔方是出口，而曲折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。但在可能性空间中搜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记忆可以直接引导他们找到答案时。
这个模型的一个含义是，如果没有先验知识，大多数问题都很难解决。魔方有超过 43 千万亿种配置——如果你不聪明的话，这是一个很大的搜索空间。学习是获取模式和方法以减少蛮力搜索的过程。学习是获取模式和方法以减少强力搜索的过程。
检索知识比再次看到某样东西更能增强记忆力。测试知识不仅仅是一种衡量你所知道的东西的方法——它还能积极地提高你的记忆力。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。如果你总是手头有答案，就没有必要把它编码在记忆中。相反，检索的困难是一个强烈的信号，表明你需要记住。
只有当有东西可以检索时，检索才会起作用。这就是我们需要书籍、老师和课程的原因。当记忆失效时，我们会求助于解决问题的搜索，根据问题空间的大小，这种方法可能完全无法给我们正确的答案。然而，一旦我们看到了答案，通过检索它，我们学到的东西就会比反复查看它更多。
你能学到多少取决于你已经知道了什么。研究发现，从文本中保留的知识量取决于对该主题的先前知识。在某些情况下，这种影响甚至可能超过一般智力。
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，你可以将新信息放在其中的线索就更少了。这会使信息更容易被遗忘。就像从种子中长出的晶体一样，一旦打下了基础，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未来的难度。
4.创造力大多来源于模仿
很少有话题像创造力这样被误解。我们倾向于赋予有创造力的人一种近乎神奇的气质，但创造力在实践中却平凡得多。
在一篇令人印象深刻的重大发明评论中，马特·里德利 (Matt Ridley) 认为创新源自进化过程。新发明并非一蹴而就，而是旧理念的随机变异。当这些理念被证明有用时，它们就会扩展以填补新的空白。
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，在某种程度上可能就存在于可能性空间的“附近”。
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。
迁移是指在一项任务中练习或训练后，另一项任务中的能力得到提高。在迁移研究中，出现了一种典型的模式：
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，在更受限制的领域，约翰·安德森发现，产生式（即对知识进行操作的“如果-那么”规则）与在智力技能中观察到的迁移量相当吻合。
虽然技能可能很具体，但广度决定了普遍性。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。但反之亦然。学习很多东西会让你比你想象的更聪明。
我们一次只能记住几件事。乔治·米勒最初将这个数字定为七件，上下浮动两件。但最近的研究表明，这个数字更接近四件。
这个极其狭窄的空间是所有学习、每个想法、记忆和经验必须通过的瓶颈，如果它们要成为我们长期经验的一部分的话。潜意识学习是行不通的。如果你不注意，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的速度。
自 1980 年代以来，认知负荷理论已被用来解释干预措施如何根据我们有限的心理带宽优化（或限制）学习。这项研究发现：
我们从成功中学到的东西比从失败中学到的东西更多。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。知道什么行得通可以大大减少可能性，而经历失败只会告诉你一种特定的策略行不通。
一个好的规则是学习时将成功率定为大约85% 。您可以通过调整练习的难度（开卷与闭卷、有无导师、简单与复杂问题）或在低于此门槛时寻求额外的培训和帮助来实现这一点。如果您的成功率超过了这个门槛，那么您可能没有寻求足够难的问题——而是在练习常规而不是学习新技能。
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，我们肯定已经知道逻辑规则，否则一个不合逻辑的头脑就不可能发明它们。但如果是这样，为什么我们经常在逻辑学家发明的那种问题上失败呢？
1983 年，菲利普·约翰逊-莱尔德 (Philip Johnson-Laird)提出了一个解决方案：我们通过构建情境的心理模型进行推理。
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，这种基于心理模型的推理也解释了我们的逻辑缺陷。我们最难理解的逻辑陈述需要我们检查多个模型。需要构建和审查的模型越多，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，这种基于例子的推理会导致我们将回忆例子的流畅性误认为是事件或模式的实际概率。例如，我们可能会认为符合模式 K _ _ _ 的单词比符合模式 _ _ K _ 的单词更多，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。
通过例子进行推理有几个含义：
技能通过练习变得越来越自动化。这降低了我们对技能的意识，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，使用转向灯和刹车是痛苦的刻意行为。经过多年的驾驶，你几乎不会想到它。
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，这可能会导致进步停滞不前。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。
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不可避免的命运。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）则需要更多的工作。
联结主义模型受到人类神经网络的启发，为再学习的效力提供了另一个论据。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，网络在第二次重新学习最佳响应的速度要快得多。
重新学习是一件麻烦事，尤其是因为以前很容易的问题会让人沮丧。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可以比从头开始更快地恢复。
作者：Scott H. Young
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。