我们每个人都有许多标签，例如高中生、成绩中等、文科，根据这些标签我和其他拥有相同标签的人分配了相同的教程、班级和老师，这可以带来效率上的提升，因为同一份教程、老师就可以服务几十上百人，而无须为每个人定制，但也正是这样造成了忽略个性的问题。
而 ChatGPT 的强大是在于对个人需求的定制化回复。在过往遇到问题时通常使用 Google 搜索答案，在接受答案之前需要花上一点时间阅读答案所针对的问题细节、背景是否与自己的相同，否则答案可能对自己无效。例如同样是学习编程，不同的人、不同的目标所采用的学习方法都会不同，使用 ChatGPT 就可以得到更加个性化的答案。利用这一特性 ChatGPT 对我的学习产生了很大的帮助，下面从学习的不同阶段展开分享。
知其然也要知其所以然，我喜欢研究某个技巧、方法之所以有效的底层原理，例如下面这个例子，在阅读学习方法的文章时了解到「人们更容易理解和记住直接相关的知识」但不明白原理是什么，于是向 ChatGPT 咨询并获得相关的实验、论文信息。通过获取新的学习材料加深自己的理解深度。
最近想找一些教程继续提升一下自己的编程能力，但大多数资源都是视频教程让我觉得很枯燥，我喜欢边学边做的课程，通过拉近理论和实践的距离我可以更快获得反馈和成就感。于是我向 ChatGPT 提交了自己的需求，最终选择了 Codewars 这个通过解题来学习和评估编程能力的网站，它不但可以反馈我的编程质量，还可以通过社区看到其他人对问题的解答方式从而学到更多。
在阅读前对内容具备整体认知有助于大脑完成知识的理解。就像拼图前如果不知道最终成品的样子很难从一大堆碎片中找到头绪。我在阅读文章时会使用 ChatGPT 获取文章的概要，在正式阅读前先在大脑中建立一个知识地图。
Codewars 是一个编程学习网站，它会提供许多试题要求用户编程解答，代码跑通后会展示其他用户的答案，经常会看到许多更加简洁但是自己又看不懂的解法，此时一个个查询其中的函数不如直接询问 ChatGPT。
在渐构中学习了精细加工和有效训练这两种可以帮助知识更好的存储到大脑中的方法。
学习材料可以分为指令材料和实例材料，实例材料和我们的日常经验贴近所以比较好理解，指令材料则更加抽象，例如英语语法就是一种指令材料。精细加工提供了两种帮助我们学习指令材料的方法。
通过查看更多的例子可以帮助我们理解知识，例如在学习「学习迁移」这个概念时，可以向 ChatGPT 获取例子来帮助理解。你可以试着读一下截图中 ChatGPT 提供的例子，是否以从例子中归纳出学习迁移的定义呢？
建立知识之间的链接可以迸发出新的洞见。例如著名的原子设计就是在化学元素和设计之间找到关联，将设计的不同单位比喻成原子、分子、有机体等进行管理，现如今已成为行业准则。在知识之间建立链接不止可以产生新的灵感而且还在大脑的信息之间建立了高速公路，让我们提取知识更加的可靠、高效。
例如在学习了信息论中「信息的等价性」原理后，似乎察觉到它和前面提到的「学习迁移」之间的联系，此时我会向 ChatGPT 咨询以验证自己的想法。
在学习福格行为模型后，书中更多是以大家工作和生活都会遇到的通用问题进行举例，我想知道这种行为模式和自己的具体工作——设计之间的关联是什么，是否可以帮助我提升设计能力。通过回答我发现，之前构建的「创造动机、降低使用障碍」的方法论可以进一步补充，增加「提醒」环节，也就是让用户拥有使用某个产品/功能的动机，之后降低他们使用的阻碍并且要有相关的提醒刺激用户使用，避免被遗忘。
有效训练是一种通过实际执行、答案反馈来避免能力错觉的方法。短视频中设计师教学绘画，评论区经常出现的评论就是「眼睛说会了，但手不会」，又例如上课时记了笔记，也觉得自己听懂了，但真要开始答题、向其他人解释概念就犯了难，这些都是能力错觉的例子。
前面提到我在学习编程时，会请求 ChatGPT 解释函数用法，之后为了避免自己产生能力错觉，同时还会要求 ChatGPT 提供试题来验证自己的掌握程度。
可以直接在会话界面中输入答案，ChatGPT 会判断代码是否能跑通、进行批改。这就完成了一次实际执行加答案反馈的有效训练。
同样，在学习概念知识时也可以通过用自己的话解释概念、举例来完成实际执行并向 ChatGPT 索取反馈验证自己的描述是否有误。
20 世纪上半叶的一位著名心理学家莫尔（O.K.Moore）曾提出一种可以提升儿童教育质量的环境，它应该包含几个特性
下图是基于此原则创造的环境。小孩在较少干扰的房间内操控打字机，另一个空间中成人观察孩子的行为进行对应的反馈。ChatGPT 似乎就成了我们背后的老师，而我们得以用相比百年前更低的成本拥有他。
"Hey Moore, what do you think about ChatGPT?"
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。