惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

cs.CV updates on arXiv.org
cs.CV updates on arXiv.org
freeCodeCamp Programming Tutorials: Python, JavaScript, Git & More
MyScale Blog
MyScale Blog
Microsoft Azure Blog
Microsoft Azure Blog
N
Netflix TechBlog - Medium
M
MIT News - Artificial intelligence
GbyAI
GbyAI
人人都是产品经理
人人都是产品经理
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
博客园_首页
爱范儿
爱范儿
博客园 - 三生石上(FineUI控件)
L
LangChain Blog
CTFtime.org: upcoming CTF events
CTFtime.org: upcoming CTF events
云风的 BLOG
云风的 BLOG
Y
Y Combinator Blog
L
LINUX DO - 热门话题
Project Zero
Project Zero
罗磊的独立博客
Threat Intelligence Blog | Flashpoint
Threat Intelligence Blog | Flashpoint
MongoDB | Blog
MongoDB | Blog
Spread Privacy
Spread Privacy
S
Schneier on Security
cs.CL updates on arXiv.org
cs.CL updates on arXiv.org
J
Java Code Geeks
P
Palo Alto Networks Blog
D
Darknet – Hacking Tools, Hacker News & Cyber Security
博客园 - Franky
T
Threat Research - Cisco Blogs
D
Docker
Hugging Face - Blog
Hugging Face - Blog
S
Securelist
Google DeepMind News
Google DeepMind News
T
The Exploit Database - CXSecurity.com
L
Lohrmann on Cybersecurity
月光博客
月光博客
V
Vulnerabilities – Threatpost
NISL@THU
NISL@THU
V
Visual Studio Blog
AWS News Blog
AWS News Blog
I
Intezer
T
The Blog of Author Tim Ferriss
P
Privacy International News Feed
T
Tor Project blog
F
Full Disclosure
P
Proofpoint News Feed
SecWiki News
SecWiki News
H
Heimdal Security Blog
Help Net Security
Help Net Security
The Hacker News
The Hacker News

Все публикации подряд на Хабре

Ловим музу за клавиатуру: как айтишнику стать автором Что умеет Midjourney в 2026? Мой немного грустный разбор этого шикарного инструмента Никто не любит писать тесты, но ИИ может исправить это IPv8 выглядит как мечта. Поэтому почти наверняка не взлетит Производители вернули в продажу материнки с DDR3. Что происходит? Управление агентом с телефона через Telegram теперь в KodaCode От координации к лидерству: как меняется роль руководителя разработки Я сделала родителям бизнес вместо пенсии: зарабатываем 70 тысяч, мама не даёт продать В три раза быстрее приемка товара и оптимизация трудозатрат на 73%: как «РСТ-Инвент» помог Gulliver Group ИИ-шечный мир победил? О влиянии искусственного интеллекта на игропром Кремль снижает давление на Телеграмм пока Европа строит интернет по паспорту Как CEO, CTO и CIO за 8 часов собрали ИИ-директора, который умеет держать позицию под давлением Как (не) потерять домен за выходные Вместо 8 разных VPS: как я организовал практику студентам на одном сервере Почему твой Open Source проект не замечают? R&D: искусство управления неопределенностью в разработке AI-дефляция: вакансий для разработчиков больше, а рост зарплат — худший за 15 лет Мы отдали управление роботами OpenClaw. Что из этого вышло Галактический ID: система идентификации для всех форм разумной жизни Шесть основ бизнес-анализа: начинаем с вопроса «Кто в игре?» Код-ревью, в котором дело не в коде Данные переехали. Команда — нет Системной подход к сдаче OSWE в 2025 Почему комната управления реактором покрашена в цвет морской пены 4 YAML-файла вместо PySpark: как аналитикам строить пайплайны без разработчиков LLM-агент для поиска свободных доменов: автоматизируем подбор Когда, зачем и как правильно начинать новую сессию в Claude Code? Как я заставил нейросеть писать макросы для FreeCAD Анатомия ИИ‑агента для подбора персонала. От тысячи резюме к топ‑10 за минуты Опыт разработчика как экономика внимания Автономность как точка невозврата: кто будет субъектом в цифровом будущем Обучение ИИ в «диких» условиях: как рутинные действия превращаются в датасеты Как измерить LLM для задач кибербеза: обзор открытых бенчмарков Где хранить код? Сравнение GitHub, GitLab и Bitbucket Математика объясняет, почему нормальное распределение встречается повсюду Почему ваш FinOps не работает: 12 тезисов от практиков Как подписать проектную документацию УКЭП с использованием бесплатных лицензий Pilot Адаптивное администрирование Sigla Vision Я грузил уран в бочки, а потом 20 лет строил ИТ в атомной отрасли Чем позвонить с Эвереста? История и обзор спутниковой связи. Часть 2 Как языковая модель помогает контролировать качество инструктажей по охране труда в металлургии Как не передать на desktop свой IP в РКН Анатомия SAP Privileges: как устроено управление правами в macOS MoneyDev: Сказка про три главных слова Обновлённый токенизатор видео K-VAE 2.0 от Сбера Как сделать диспетчеризацию дома на 1284 квартиры почти бесплатно Как мы разогнали железную дорогу Мы дали агентам рутину. Теперь надо решить — что делать с освободившимся временем Токсичный контент, промпт-хакинг и защита ИИ — всё о Guardrails для LLM Умный город начинается с точного взгляда: как «Фалькон Тех» меняет пространство к лучшему Навайбкодил приложение для анализа графов Почему Дюну так интересно читать? Упрощаем работу с рутиной или как стать Гендальфом Белым Деконструкция Go: CPU, RAM и что там происходит. Go Assembler база. Часть 1.1 Какие профессии исчезнут из-за ИИ, а какие появятся? И что с этим делать Как мы построили IT-отдел, где хочется расти: архитектурные встречи, прозрачные метрики и книжные подарки Rufler: Делаем из Claude Code автономный рой через один YAML-конфиг Sing-box и белый список приложений Как построить надёжный обмен сообщениями в микросервисах: лучшие практики для enterprise OpenAI строит MLM-пирамиду, а McKinsey и Accenture помогают ей в этом Дом, который не построил Фишер (Часть 2) «Сверхзвуковой математик» против «Вдумчивого логиста»: битва алгоритмов 3D-упаковки Мультимодальные модели – грубый и дорогой инструмент Разговоры ничего не стоят. Код тоже Проверки физических лиц: с кого начнет ФНС Топ-10 бесплатных нейросетей для создания видео в 2026 году Первые слои кода: как наши решения сегодня определяют архитектуру ИИ на десятилетия Разработка нового статического анализатора: PVS-Studio JavaScript Поиск уязвимостей ПО: базовый минимум или роскошный максимум Почему оценка персонала не работает как инструмент управления Как мы разработали ИИ-ассистента и сократили рутину продуктовой команды на 50% Как я ушел из найма, нажарил косточек и продал на маркетплейсах на 168 млн в год Когда 1С:ERP уже внедрена, а нормального производственного плана всё ещё нет Как я сделал Claude мультимодальным, подключив к нему Qwen Omni Как приглашение на вакансию мечты превращается в атаку Infrastructure as Code: философия и лучшие практики IaC Тестируем Yandex Code Assistant на задаче, в которой нужно хранить секреты nxs-universal-chart v3.0: новое поколение универсального Helm-чарта Callback Injection: Техника, которая отправила Microsoft Defender в глухой нокаут «Все идеи на стол»: митап как способ вывести проект из тупика Сегодня я узнал нечто новое о GPU благодаря багу в своей игре Как заставить LLM ̶ ̶г̶а̶л̶л̶ю̶ ̶ эволюционировать Карта событий как фундамент аналитики: практический кейс для E-commerce Что выбрать для AI: x86, ARM или RISC-V? Дайджест железа за март Роль соматических мутаций в развитии аутоиммунных заболеваний: путь к избирательной терапии Mythos от Anthropic — тревожный сигнал для всех, а не только для банков Guardrails для LLM на Java: как приручить промпт‑инъекции и токсичные ответы Green-VLA: как мы собрали VLA-модель для реального антропоморфного робота и не потеряли обобщение Финансовая гонка вооружений: почему умные люди добровольно в ней участвуют Эра ИИ-агентов наступила: выбираем лучшего цифрового сотрудника # Практический опыт внедрения WinCC Redundancy на производственном предприятии Сделал MVP за 3 дня, а потом неделю прикручивал оплату. Оно того стоило? Физика против Маска: почему Starship V3 может оказаться ещё одной катастрофой Нефть Венесуэлы: крупнейшие запасы в мире, но не крупнейшая нефтяная держава JPA 4. Переосмысление Hibernate Почему зеркальная фотокамера Nikon D5 десятилетней давности идеально подошла для миссии «Артемида-2» Проект «Уровень-Спутник» или как мы сделали платформу для гидрологов «Замедлиться, чтобы ускориться»: почему ИИ повышает цену ошибок в требованиях и архитектуре Как с нуля поднять трафик IT-компании на 1657% при бюджете 55 тыс. и выжить Pixel-perfect Downsampling — идеальная отрисовка 50 миллионов точек без потерь
Более 10 лет Comprehensible Input: The Good, the Bad and the Ugly
archimag · 2026-05-20 · via Все публикации подряд на Хабре

Уровень сложностиПростой

Время на прочтение8 мин

Охват и читатели2

Мнение

Уже более 10 лет английский является моим основным каналом для получения информации. Все эти годы я очень много читал, включая художественную литературу, но ещё больше слушал — аудиокниги и YouTube. Я уверен, что в сумме это не менее 5 000 часов. Как это повлияло на мою способность говорить? В сухом остатке — никак.

Я не скажу, что годы были потрачены зря, потому что я получил доступ к информации, которая либо просто недоступна на русском, либо попадает к нам спустя годы в усеченном (или даже искаженном) виде. Я даже не скажу, что делал что-то не так, потому что в тот момент у меня не было особого выбора (об этом позже). Но если бы мне пришлось начинать сейчас сначала, то я бы безусловно выбрал другой путь.

Моя краткая история

У меня всегда было очень плохо с английским. В сельской школе его фактически не преподавали, а в университете, несмотря на титанические усилия (во всяком случае по сравнению с основными предметами по физике и математике, которые мне всегда давались очень легко), я был на грани отчисления именно из-за английского. Тогда меня спасло только то, что я играл за сборную университета по шахматам и смог решить вопрос через «физруков».

Годы работы в IT не изменили ситуацию. Я понимал тексты на английском кое-как, благо я мог читать код. В любом случае плохой английский всегда ограничивал мои карьерные перспективы. У меня есть знакомые, которые работают в североамериканских компаниях, но при этом их английский довольно посредственный. Да, так работать можно, но без способности ясно излагать свои мысли и вести сложную дискуссию ваш карьерный потолок находится на уровне «принеси-подай», а это не то, что меня когда-либо интересовало.

Так что в какой-то момент я загорелся идеей наконец-то освоить язык и вложил в это действительно много сил. Метод, который я использовал в течение первого года, очень сильно похож на подход, изложенный в книге «Fluent Forever» (я прочитал её относительно недавно), за исключением принципа «Pronunciation First» — Gabe Wyner оперный певец, а мои музыкальные способности явно намного ниже средних (в студенчестве я научился играть на гитаре, но рот мне лучше не открывать).

Я загрузил в Anki все слова из Oxford 3000 и скачал для них аудио оттуда же (это было давно, сейчас уже полно качественных колод и аудио для них обязательно). Я «выучил» их за месяц. После этого мне попался курс от A.G. Hoge и, о чудо, впервые в жизни я смог понимать английскую речь на слух (он говорит медленно, очень четко артикулирует и использует только базовую лексику и грамматические конструкции). Я слушал вводную статью в течение нескольких часов, переслушивая раз за разом. До сих пор помню это ощущение эйфории.

Я бросил Anki через год. В колоде было около 10 000 слов, и ежедневная ревью-сессия требовала около часа времени. Популярность подходов на базе comprehensible input в то время стремительно росла, и я переключился исключительно на чтение и аудирование.

The Good

Я использовал Anki для первоначальной загрузки слов в мозг. Эта первичная информация сама по себе не так уж и полезна, но тут приходит на помощь чтение. У каждого слова есть много разных значений, а ещё очень важна collocation — какие слова естественно употребляются вместе. Большой объём чтения позволяет познакомиться с использованием слов и их сочетаний в разных контекстах.

Вначале читать было тяжело, потому что каждое слово — это была отдельная карточка с несколькими разными значениями, но постепенно они «встроились» в систему нейронных связей. Я начал с чтения Винни-Пуха, прочитал все популярные подростковые книги, а потом всего Хемингуэя (и с тех пор его очень люблю).

Всё это время я слушал A.G. Hoge и пытался смотреть фильмы с субтитрами (мне потребовалось несколько месяцев, чтобы начать различать отдельные слова в 12 Angry Men). Но именно большой объём чтения сделал мой словарный запас функциональным. Чтение, в отличие от аудирования, даёт мозгу время на поиск значения слова, и требуется время на автоматизацию и ускорение этого процесса. И это позволило постепенно начать слушать материалы более сложные, чем упрощённые учебные материалы.

Способность воспринимать английский на слух меняет правила игры. Для чтения или даже просмотра видео с субтитрами надо выделять отдельное время. А способность понимать устную речь позволяет встроить потребление контента на английском в повседневную жизнь. Уже много лет я постоянно слушаю практически исключительно на английском во время выполнения задач, не требующих особых когнитивных усилий (таких как вождение или уборка в квартире). Да, вначале мне приходилось выбирать авторов, которых я мог более-менее свободно понимать, но я уже забыл, когда перестал это делать.

Большой объём вырабатывает легкость. Я легко слушаю и читаю большинство материалов на английском. Читать тех. документацию стало проще на английском, чем на русском. Да, есть книги, которые мне тяжело читать на английском, но такие книги есть даже на русском (прошлым летом читал «Человеческую деятельность» Людвига фон Мизеса). Я даже стал думать, что понимаю практически 100% того контента, который потребляю.

Я ошибался.

The Bad

Все сторонники методов на базе comprehensible input обязательно подчеркивают важность tolerance for ambiguity (толерантности к неопределенности). Если вас раздражает всё, чего вы не понимаете, то сложно продолжать чтение или слушание. Но утверждается, что постепенно эта неясность будет исчезать, и вы будете понимать всё больше и больше.

Но можно посмотреть на это и с другой стороны: большой объём input, который вы не понимаете до конца, вырабатывает в вас tolerance for ambiguity. Вы тренируете свой мозг фильтровать то, что он не распознал. Постепенно у вас возникает ощущение полной ясности, но не потому, что вы всё поняли, а потому, что проигнорировали часть. Мне недавно попалось даже видео на эту тему You DON’T Understand 100% of What I Say in English, хотя к этому моменту я уже понял это сам.

При чтении/слушании книги или просмотре качественного видео у вас всегда есть достаточно большой контекст, на основе которого ваш мозг может достроить картину происходящего. В большинстве случаев пропустить что-то не фатально для общего понимания, хотя не всегда. Но в реальной коммуникации такого большого контекста обычно нет, что может и реально приводит к проблемам с взаимопониманием. Т.е. именно в реальном общении фактическая точность начинает играть первостепенное значение, и это не то, чему вас учит большой объём input.

Есть и другая проблема. Если вы много слушали, то у вас появляется чувство языка, вы знаете, как звучит хороший английский. Но когда вы пытаетесь говорить, то ваши собственные ошибки воспринимаются очень болезненно, потому что разница слишком очевидна. При этом человек с низким уровнем comprehension может болтать без умолку, совершенно не осознавая, насколько несовершенна его речь. Matt vs the World (он же Matt vs Japan) недавно выпустил видео на эту тему Delaying output is killing your Japanese, так что некоторые его давние поклонники испытали некоторый шок.

The Ugly

Когда я решил наконец заговорить, то обнаружил, что популярная идея, что если вы хорошо понимаете, то при необходимости легко и быстро заговорите, — неверна. Во всяком случае, по отношению ко мне. Впрочем, Matt в видео выше говорит то же самое. Чтобы понимать, вам надо язык переводить в meaning, а чтобы говорить, переводить meaning в язык, и это просто разные, мало связанные между собой процессы. Чтобы научиться говорить, большую часть необходимых нейронных связей надо создать заново.

Мало того, длительный период тишины и погружения в стиле Refold может быть даже опасен. Годами я учил свой мозг по большей части пропускать артикли, не замечать разницу между предлогами, игнорировать грамматические формы (здесь должен быть инфинитив или герундий? а может V3? при наличии большого контекста мозгу всё равно). Теперь это стало для меня очень важным, но наработанные нейронные связи уже очень эффективны. Мне надо не просто создать новые связи, мне надо перезаписать старые, очень эффективные связи.

И ещё. Я обнаружил, что при чтении, проговаривая слова про себя, я использовал свой собственный вариант произношения. И это несмотря на большой объём аудирования. Это как будто разные вещи: когда я слушал, я узнавал один вариант произношения, а когда читал про себя, использовал другой. Это вылезло сразу при попытке заговорить. Научиться произносить и проговаривать про себя слова по-новому после десяти лет практики — та ещё задача.

Я не говорю, что input не нужен. Он критически важен для эффективного овладения языком. Но большой объём input, который не сопровождается достаточным объёмом output, приводит не просто к откладыванию способности говорить, он может активно мешать заговорить в будущем. Помимо прочего, приходится разрушать ту самую tolerance for ambiguity, потому что она не позволяет замечать проблемы. Это мучительно больно и требует огромных усилий.

Если не comprehensible input, то что?

Я не лингвист и не преподаватель английского языка, я инженер. Поэтому, задав себе вопрос, почему я не могу говорить (многие популяризаторы CI утверждают, что уже должен), я пошёл искать на него ответ. Это не так просто, потому что большая часть материалов на эту тему носит мотивационно-маркетинговый характер. Какой-либо системный и научно обоснованный подход встречается крайне редко. Я искал и находил ответы в разных источниках, но больше всего действительно полезной информации лично я нашёл в следующих плейлистах:

Согласно современным представлениям, язык — это прежде всего процедурный навык. Проблема классических подходов к изучению языков в том, что они опираются прежде всего на декларативную память. Декларативная память играет важную, но вспомогательную роль при изучении языка. Для достижения fluency недостаточно просто понять, необходимо автоматизировать навык. А это достигается через многократные повторения с самокоррекцией на основе обратной связи. Необходимо создать цикл: Попытка → Обратная связь → Корректировка → Повторить. И так много-много раз. К сожалению, при пассивном потреблении информации отсутствует обратная связь.

Так чтобы я изменил в своём подходе, если бы знал вначале то, что знаю сейчас? Очень много, и часть моего видения слишком радикальна для данной статьи. Но есть несколько вещей, которые не вызывают у меня никаких сомнений.

  • Я по-прежнему считаю, что большой объём input необходим. То, что одного comprehensible input недостаточно для того, чтобы начать говорить, не означает, что он бесполезен.

  • Подход Pronunciation First, который продвигает Gabe Wyner, на мой взгляд, совершенно необходим. Если вы не распознаете звуки, то вы их не узнаете в речи. Если вы не можете более-менее нормально произнести звук ртом, то у вас будет закрепляться искаженная фонетическая картина во время чтения про себя, увы. Переучиться стоило мне огромных усилий, впрочем, моё произношение ещё далеко от идеала, и я продолжаю над этим работать.

  • Я согласен с Matt vs the World, что надо начинать говорить как можно раньше. Он предлагает начинать Crosstalk, когда вы общаетесь с партнером каждый на своём языке. При этом постепенно можно начать использовать фразы на целевом языке. Если бы у меня был такой партнер со схожими с моими интересами, то это было бы очень ценным опытом.

  • Не уверен, что вначале мои финансы это позволяли, и я не помню, были ли такие сервисы, но сейчас найти хорошего преподавателя на italki или любом другом подобном сервисе для регулярного общения с обратной связью более чем реально.

Но общение с живыми людьми надо начинать со Small Talks. Для обсуждения глубоких концепций и сложных систем нужен продвинутый уровень устного английского, а ваш собеседник, с которым это было бы интересно обсуждать, вряд ли будет склонен к терпеливому исправлению ваших ошибок в речи. Но лично я плохо переношу разговоры ни о чём. Поэтому я начал разрабатывать FluentGym прежде всего для себя. Это не замена общению с живым человеком, но подготовка к нему на основе принципов Deliberate Practice, которая позволяет тренировать язык как процедурный навык. Но об этом в другой раз.

В любом случае, на мой взгляд, важно помнить, что биологически язык — это прежде всего устная речь. Навыки устной речи относительно легко переносятся на речь письменную, но не наоборот (я довольно долго и успешно общался с ChatGPT исключительно на английском, но особого эффекта для устной речи не заметил). А решение пазлов со вставкой пропущенных слов, выбором правильного варианта и т.п. учит по большей части только решению таких пазлов. Чтобы говорить лучше, надо говорить больше, получая немедленную обратную связь от терпеливого и заинтересованного собеседника.