这套工具箱帮你适应这个复杂的世界

编者按：本文来自微信大众号“L先生说”（ID：lxianshengmiao），作者Lachel，36氪经授权发布。

本文共有 5200 字

说到「学习」，你会想到什么？

你或许会想到一万小时规则；或许会想起《故意操练》；或许会想到舒适圈、心流、反应、心思表征……这些，都是市面上耳熟能详、关于学习的理论和畅销书。

它们有用吗？当然有用。

但你或许会发现，许多时分，甚至是大多数时分，这些市面上的理论和方法，如同在应对日子中的实际问题时，并不是特别见效？

比方：

• 怎样快速了解和摸透一个范畴？

• 怎样把学到的常识点真实用起来？

• 遇到问题时，怎样快速高效地回忆起相关的常识？

诸如此类。

原因其实很简略：

这些理论也好，书本也罢，它们所针对的，其实是针对特定情境下的「体现」（Performance），而非真实含义上的「处理问题」（Solving）。

什么意思呢？

咱们可以把前者，称为「技术性问题」，把后者称为「情境性问题」。

它们在这三方面上，有着十分大的差异：

固定环境和可变环境：

• 技术性问题面临的是固定环境。比方：拉小提琴，不管你是初学者仍是大师，你面临的永远是一把小提琴，不会改动；

• 但情境性问题则不然。你每天要完结的使命不或许原封不动，每天的举动轨道也不或许原封不动。然后，曩昔的行为形式，未必能一向适用。

关闭和敞开：

• 技术性问题的意图是十分清晰的：下棋，便是为了赢，那么我每一步都要使大局的胜率最高。全部战略和技巧都是为了达到这一意图，十分清晰。

• 但情境性问题是彻底敞开的。哪怕是最简略的「今日去哪里玩」，你都很难找出一个清晰的方针 —— 实际上，连问题的自身都是可以质疑的：我是要出去玩，仍是待在家里学点东西？

确定性和不确定性：

• 技术性问题有100%的确定性。我按下某个键，就会弹出某个音；我下在这个方位，就可以吃掉对方的子。假如出错了，那必定不是棋子的问题，而是我看得不行远。

• 但实际日子中的问题，往往都具有极高的不确定性。相同一套说辞，对这个客户适用，但对另一个客户却或许拔苗助长。

这就导致了，咱们所习得的理论和方法，往往更适合于增进某个动作、某套技术的熟练度，但很难协助咱们更好地处理实际问题。

这相同也是许多人的缺点地点：为了学习而学习。

堆集了许多常识点，却不知道该怎样用起来。

学习并不是常识的囤积，而是为了帮咱们更好地习气这个国际。

那么，怎样完结更有用的学习 —— 或许说自我的全面提高，来应对这个杂乱的国际呢？

这是一个十分杂乱的问题，我或许会计划写一本书来具体讲。在这之前，也可以先拜见之前写过的几篇文章：

为什么学了许多常识，依然没有什么用？

不破除这种认知，读再多书都没用

怎样让学习像打游戏相同好玩？

今日，我想共享几个简略而又有用的准则，期望能给你一些启示。

1. 了解情境

技术性问题和情境性问题，最大的差异是什么？望文生义，就在于情境。

前者所面临的情境是单一的、简略的、不变的，但实际日子中，咱们面临的情境是杂乱多变的。

一个情境由多个要素组成，每一个要素都跟其他要素羁绊在一起，牵一发而动全身，一起构成了咱们地点的这个国际。

哪怕仅仅是一项「给今日的使命划定优先级」的问题，都会遭到老板、上级、搭档、供货商、客户和外在环境等多方面要素的约束。每一天你需求作出的决议计划，很或许都是不同的。

了解情境有多重要呢？心思学家 Robert Sternberg 对智力提出了一个「智力的三元模型」（Triarchic theory），其中就包含：处理新情境的才干（Creative intelligence），以及习气环境改变的才干（Pratical intelligence）。

（剩下的一种是剖析才干，Analytic intelligence）

可以说，有用地了解和剖析外部国际，关于问题的处理，起着至关重要的效果。

那么，怎样更好地了解咱们所面临的情境呢？

一个最简略的思想方法，便是去理清要素与要素之间的联接 —— 亦即我所着重的「体系考虑法」。

我在怎样考虑一个生疏的范畴？ 中，共享过一个简略的模型：

Have：你有什么，你能供给什么？

Need：你需求什么，你的缺口是什么？

Constraint：你的行为会遭到什么条件束缚？

可以说，全部的要素，均会经由这三个参数，互相联接和组合起来。构成一个个职业、商业链条，甚至整个外部国际。

举个比方：你作为一个部分领导，要推广一个新方针，那么，你得去考虑：

• 部分里别离有哪些人？

• 每个人想从部分里取得什么？

• 每个人为了取得这些东西，乐意支付一些什么？

• 每个人的思想形式是什么样的？他/她会有什么习气？会遭到什么影响？存在哪些约束？

在这个状况下，你再去把整个部分、事务的逻辑链条理清楚，才干找到下手的当地（当然，也或许发现无法下手）。不然，你的新政只能是一个海市蜃楼。

举个比方：假如你的团队同伴都是举动派，做事情风风火火（C），而你要求他们编撰许多的文档和记载，那这个方针是必定实施不下去的。你要考虑是怎样削减他们的抵触情绪和劳作本钱（H），以及怎样让他们觉得「这个方针的确有用」（N）。

由这套方法论，咱们还可以推导出什么呢？

全部事物的存在，都必定有其原因。

如前文所述：任何一个要素，必定都不是孤立存在的，它必定会经过 HNC 模型，跟其他要素相联接。

举个比方：假如你发现公司里存在一个前史遗留问题，现已十分久了，那么，别急着去着手，你要考虑的是：它为什么这么久还没有被人处理？

原因无非这么几点：

• 处理它的本钱太高（H）；

• 处理了它的收益不大，没什么含义（N）；

• 去动它或许触及其他环节，影响其他人的利益，或是对整个体系发生扰动（C）。

从这个视点考虑，你才干真实发现「病根」地点。

期望这套方法论，可以协助你更好地，从体系的视点去看待和考虑问题。

2. 重视 Know-Why

咱们平常所学习的常识，往往有两种类型。

一种叫做「Know-What」，亦即对概念的常识。比方：这个术语是什么意思？这个范畴是研讨什么的？这个规范的概略是什么？等等。

另一种叫做「Know-How」，亦即对举动的常识。比方：怎样操作这个程序？怎样策划一个活动？怎样编撰一份产品文档？等等。

这两种都是常识的有用堆集。但仅仅停步于此，是不行的。

为什么呢？由于从「学习」到「使用」的过程中，有一个最重要的途径，便是：

我应该在什么时分、什么场景下使用它？

亦即「Know-Why」：为什么会有这个常识点？它是为了处理什么而存在的？它的中心和实质是什么？

只要弄通了这一点，才干将 Know-What 和 Know-How 的价值最大化。

所以，我平常在自己的文章里，都会诲人不倦地用许多的篇幅，去说明原理（亦即 Why）。

或许有些读者觉得没必要，有些读者会直接拉到实操和技巧，但说实话，Why 的部分，比 How 的部分，其实会更重要。

原因很简略：How 是带有激烈的个人情境的，我不或许依据每位读者的状况，去定制一套最优的方法，而只能写一些通用的形式。而一旦了解透了 Why，其实未必要遵循我的主张来，你自己也能找出恰当的途径。

举个比方：我在之前的文章里讲过，读书不要寻求「把一本书读完」，而是要广泛、横向地去进行主题阅览，哪怕一起读好几本书、一本书只读几页也没关系。

但这一点是否对每个人都适用呢？其实未必。

假如你有激烈的「一本书翻开了就必定要读完」情结，又或许你作业太忙、只能挤出一点时间读书，那就不太适用这个方法。

但一旦你了解了，这个方法的实质在于「以我为主，为我所用」，那即便不做主题阅览，你也可以依照自己的步谐和节奏，去找出最适合自己的阅览方法。

这儿也共享一个小主张：在学习相同东西时，事前想好：我或许会在什么时分用到它？

然后，把这个常识点跟场景树立联络。

比方，我最近在读修建学和修建史。但我不会呆板地依照教材的内容去回忆，而或许会依照这样的思路：

• 见到一个生疏修建时，我怎样分辩它是什么门户、什么类型的？

• 我该怎样赏识一个修建？可以从哪些细节下手？

诸如此类。

然后，再把这些常识点放在笔记软件里「游览」的部分（留意不是「修建」），以便在游览时随时拿出来参看。

这便是「Know-Why」，它的实质是一种粘合剂，把多种多样的「Know-What」和「Know-How」联合起来，让常识发挥出应有的效果。

3. 发现问题

假如只能列出一种最好的学习方法，那必定是「发现问题」。

为什么呢？这需求说到咱们神经网络的一个特征：敏感染。

让咱们回到学习的实质。当学习一个常识点时，大脑里边发生了什么样的改变？答案是：关于这个常识点的部分神经网络活动增强了，而且其内部神经元之间的链接也被强化了。

但是，神经元的链接不或许无限提高，在每一天里，咱们能真实学习的内容也是有限的，许多东西会被大脑在睡觉时铲除去 —— 这也便是「分明读过一本书，却不管怎样都想不起来了」的原因。

那么，大脑怎样判别哪些信息更重要，哪些信息可以铲除呢？一个十分重要的参数，便是敏感染。

简而言之：当咱们重视某个问题时，与之相关的神经网络，就会额定得到一个加权输入。正是这个加权输入，使得这部分神经网络在大脑的认知中「更重要」。

因而，学习一个范畴，更好的方法是什么？其实并不是按步照班地看书，一个个常识点去霸占；而是分红两步：

1）自上而下：先对一个范畴发生爱好，然后去构建全体的结构。

2）自下而上：触摸这个范畴，自己去发现问题、找到问题，再从问题动身去溯源，找出回答。随后，把一个个回答链接起来，填充进结构里，得到一个更微观的视界。

我每天必定会拨出一段时间，去阅读一遍我的信息途径。不是精读，而是环视一遍，从中找出我感爱好的论题，再从这些论题动身，去查找相关的研讨、发展和探究，把这个论题弄通弄透。

下一步，再把它跟我已有的常识网络链接起来，去更新我的常识库。

假如是一个新范畴，也是相同的。以我常讲的编程为例。好的学习途径，必定是在作业中发现问题，去考虑「我可以写一个什么程序来处理问题」，再从方针倒推，去弄通整个途径。

许多读者或许会问：但是，要怎样样找到问题呢？我如同没有什么问题呀？

一个方法是，去寻求「抱负状况」和「实际状况」之间的距离。问自己：

• 我期望完结什么样的状况？

• 我现在的状况是什么样的？

这两者之差，便是问题地点。

比方：我期望我在游览时，看到一些闻名的修建，可以赏识它们的美感，无需导游说明或是现场查找，而我现在明显做不到 —— 那么，我就必须补一下相关的常识。

再比方：我每天都有一些例行作业，期望能在半小时内完结，而现在手动一个个去做需求2小时，怎样尽或许削减操作，紧缩这段时间呢？—— 这也是一个问题。

不要为了学习而去学习，而是要为了处理实际问题而去学习。

4. 拓展视界

跟读者和朋友聊地利，我会发现一个问题：

许多人的视界，往往都限制在自己的专业范畴上面，太窄了。

实际上，哪怕你仅仅分出一点点精力，略微进入其他范畴，所带来的收益都是巨大的。

为什么呢？正如我所说的，常识是有网络效应的。

简略来说：假如你的常识库里只要 10 个常识点，那它们之间链接的或许性便是 45 种。假如你的常识库有 20 个常识点，那它们组合的或许性有多少呢？190 种。

这仅仅两两之间的组合，假如把一切的网络或许性都算上，那距离会十分十分大。

而许多范畴其实都有一个什么样的规则呢？易学难精。

初期，你或许花费几十个小时，就能大致了解这个范畴的概略和结构，把握一系列常识点。后边跟着你的深化探究，学习曲线会变得更峻峭。你要花更多的时间，才干完善、弄透一个更杂乱的常识点。

但对咱们而言，把握「初期」就现已足够了。

所以，一个主张便是：把 80% 的时间精力花在你的专业范畴上，用剩下的 20% 去探究其他或许性。

以我为例，除了心思学和认知科学之外，我对经济学、社会学、商业、管理学、市场营销、物理学、IT、前史、艺术……都有爱好，这些，都会反映在我的文章里。

这儿没有夸耀的意思。这儿面，许多都是我的「20%」，我对它们的了解也便是刚刚入门罢了 —— 但即便如此，也能常常带给我许多创意，协助我发现不同范畴间磕碰出来的火花。

这些，便是我的「aha!」时间。

这个国际，从底层而言，全部都是互相组合、链接的，仅仅它们生长到认知和使用层面，才分出不同的种种细分学科、范畴。

假如仅仅停留在地面上的部分，你就简单陷于片面，难以窥见国际的全貌。

无妨把视界拓展一点，走得更远一些。

你会发现躲藏在这个杂乱国际，背面的「或许性之美」。