根据宾夕法尼亚大学研究人员的一项新研究，人在避免过多复杂性和从情况中归纳要点的时候学得最好。我们不需要记住每一个细节，而是通过模式识别对情况进行分类来学习。如果考虑到每条信息的高度复杂性，我们恐怕记不住太多信息。 人类通过模式识别来学习。以一片你每天都要经过的灌木丛为例。它没有特别的吸引力，只是碰巧存在于你的正常回家路线上。有一天你注意到一条棕色尾巴从一边伸出来，一个鼻子从另一边伸出来。这片灌木丛正好和一只老虎差不多大。你唯一的想法就是逃跑。 你无需看到整只老虎才离开那里，已经显现的模式足以让你抓住要点。 根据宾夕法尼亚大学研究人员的一项新研究，抓住要点正是人类的学习方式。发表在《自然通讯》杂志（Nature Communications）上的这篇论文着眼于简单性和复杂性之间的平衡。人类的学习属于这一范畴的中间地带：足以产生想法创意，但不足以避免错误。错误是学习不可分割的一部分。 该团队由物理学博士生Christopher Lynn、神经科学博士生Ari Kahn和Danielle Bassett教授组成，招募了360名志愿者。每个参与者盯着一台电脑屏幕上的5个灰色方块，每个方块对应键盘上的一个键。两个方块会同时变红，每次发生这种情况时，参与者都被要求按下相应的键。 虽然志愿者们怀疑颜色的变化是随机的，但研究人员并不这么认为。顺序的生成分别使用了两种网络：模块化网络和点阵网络。虽然从微观层面下看几乎完全相同，但从宏观层面上看，这两种网络产生的模式看起来是有差异的。Lynn解释了为什么这很重要： ＂电脑不会在意这种大尺度结构下的差异，但它会被人类大脑捕捉到。受试者可以更好地理解模块化网络的底层结构，并预测即将展示的图像。＂ 人们说，把人脑比作电脑并不准确。计算机在微观层面上理解信息，每个细节都很重要。一行程序代码中敲错一个符号就能搞垮整个网络。而人类的学习是通过盯着作为整体的森林，而非许许多多的单个树木。这使我们能避免复杂性，尽管后者对于理解大量信息的目标很重要。但这也同时意味着我们会犯错。正如卡恩所说， ＂对结构或这些元素如何相互关联的理解，可以从不完全的信息编码中产生。如果有人能完美编码所接收到的全部信息，那么但凡有些许模糊性，他们都未必能理解同一种经验组合。＂ 承认某种东西与其它东西存在相似性，是我们能获取如此多数据的主要原因。在认知心理学中，这种分类过程被称为＂组块＂（chunking）：将单个数据分解并组合成一个整体。这是一个高效的过程，但同时也让我们容易出错。 10%的参与者有高贝塔值（beta value）思维，这意味着他们格外谨慎，不想犯错。20%的人表现出低贝塔值思维——极易出错。群体中的大部分人介于两者之间。（【贝塔值，beta value，是一种风险指数，用来衡量个别股票或股票基金相对于整个股市的价格波动情况。】） 最近一部反疫苗电影的粉丝可以说表现出了低贝塔值思维。疫苗是迄今为止发现的最有益的保护措施之一。你无法估算到底有多少生命因此获救，这并非预防性措施的通常做法。然而看看人口统计图吧。当疫苗首次投入临床使用时，地球上有超过10亿人，这是在智人发展了35万年后。而在路易·巴斯德首次疫苗试验139年后，我们已接近80亿人。（细菌理论、食物分配、抗生素和相关科技也发挥了作用，但疫苗的问世也与之有关。） 疫苗接种从来就不是一门完美的科学。和每一次医疗干预一样，它很复杂。低贝塔值思维的人避免复杂性而追求简单性。许多人把少数树木误认为是整个森林。在信息武器化以加快议程的时代，了解这一点很重要。通过复杂性来进行筛选实在累人，因此更多的人选择最简单的路线。 并不是说学习应该过于复杂。如前所述，只有十分之一的人会让自己的思维过度复杂化。大多数人则处于中间位置，会犯错误，但多数时候能抓住要点。 研究人员希望这一信息将有助于解决未来的精神疾病（比如精神分裂症）。他们引用了新兴的计算精神病学（computational psychiatry）领域的话，＂它使用强大的数据分析、机器学习和人工智能技术来梳理极端异常行为背后的潜在因素。＂ 不要因为你的错误而沮丧，我们都犯过。关键是要识别它们并从经验中学习。多数情况下，掌握要点就足够了。 来源：bigthink，作者：Derek Beres 译者：Sail2008 声明：著作权所有，转载需授权，严禁抄袭，违者必究！ 更多精彩内容，请关注我们。 Come on，给你的灵魂充充电！ 相关推荐：如何加快学习和掌握新技能：达芬奇的两个秘密帮你成为专家型通才＂八五定律＂：为什么适度失败反而能优化学习为什么说终身学习是通往成功的国际通行证如何十倍速你的学习曲线，达成个人成长