• 能说出来,才是你的知识


    投递人 itwriter 发布于 2016-08-17 09:56 评论(1) 有602人阅读 原文链接 [收藏] « »

      文/Jason Ng

      我们身处一个快速变化的时代,这个时代要求每一个人必须不断学习才能避免被淘汰。我们每天都在摄入信息,不管是从与朋友交谈、浏览朋友圈、查看 RSS 阅读等,但摄入信息不等于学习,学习不等于理解,理解不等于吸收,吸收也不代表你已经掌握了知识。

    Artboard 2

      作为一个语文从未及格的工科生,从 2006 年到现在,已经坚持写博客 10 年了,现在回想起来,自己都不敢相信。

      有时我会问自己,阿禅你自己到底几斤几两?凭什么能教别人?

      后来我悟到了一个道理:

    如果我能教别人一个概念,这意味着我已经能掌握这个概念,并且能灵活运用。

      为了写好每一篇文章,我花大量时间寻找各种材料,学习完之后,通过自己的语言,把概念重新描述,把知识点结构重组,并添加自己的观点,形成一篇文章。

      对我来说,每一篇文章,其实都是一个自我学习过程。顺便,这篇文章对别人有用,于是就有人阅读;有时,对很多人有用,于是就有了更多人阅读,甚至传说中的 10 万+。

      知识管理领域有一个概念叫「费曼技巧」,取自美国物理学家 Richard D Feynman 之名,说的也是这个道理,核心观点就是「以教促学」,当你能教会别人时,其实就意味着你已经学会了。

      从实践的角度来讲,「以教促学」描述的是这样一个学习过程:

    1. 你为自己确定了一个目标,想学习某个概念,或研究某个细分领域
    2. 为了深入研究并学以致用,你假设自己正在教导别人
    3. 为了能教导别人,你需要对正在学习的概念进行拆解,拆解出二级或三级甚至更多级别下的概念,形成概念树
    4. 你通过查找资料,从下往上理解各层级的概念,最后到达顶端
    5. 为了能教导别人,你把你的理解用更浅显的语言描述了出来,并在较难理解的概念里,使用常人容易理解的比喻来解释
    6. 于是你学会了这个新概念,完成了目标。
    7. 因为你能用自己的语言和比喻重新描述概念,你对概念的理解非常深入,并且能举一反三,这时,新概念从理解变成了你能随时运用的知识

      简单的流程图如下:

    屏幕快照 2016-08-15 下午 11.37.21

      可以说,我在写绝大多数文章时,都在运用这样的学习方法,每次写完,我都会觉得自己进步了一点点,而如果这篇文章恰好也能帮到别人,那心里的满足感就会油然而生。

      在这个快速变化的时候,每个人都是学习者,与其在学习时假设自己在教导别人,不如真的「教导」别人 — 从写作开始做起 — 就像我这样,开个公众号或建个博客,从今天起,用写作的方式来学习。当你能写出来,就意味着你已经学会了一点新知识。

    1. 不用担心你的文笔不好,说明文不需要用华丽的词语,相反,越是简单的词语,别人越容易看懂。
    2. 不用担心别人说写得不好,因为写作的第一目的是学习,你首先满足的是自己的学习需求。
    3. 别做写作计划,而是做学习计划,你为自己的学习而写,不是为读者服务。况且,刚开始时,你能有什么读者?
    4. 别停留在准备阶段,当你真正开始写作之后,你才会发现用自己的话说出一个概念绝非易事,当你持续写作之后,你才能掌握更快速的写作技巧,也就是更快速的学习技巧。
    5. 初期别在排版上下功夫,但排版很重要,先学会用自己的语言表达概念,再学习如何更好地为他人呈现内容,让他人学习(阅读)得更快。
    6. 学会制作流程图、图表等用来阐述概念。这也是语言表达的一种。

      当你写上一段时间,有了一定的读者,你会发现,你的学习过程已经不再是纯粹的直线,因为读者会给你反馈,你从读者的反馈里,又能获得新的知识,这些知识点可以以你的语言重新加入到你的「教案」里,形成一个更完整的教导过程 — 也就是一篇更完整的文章。

    屏幕快照 2016-08-15 下午 11.37.11

      这个过程是不断重复的,通过这样的循环,脑子里的知识就越加完善。

      世界变化很快,人需要不断学习。最佳的学习效果是学完了能教导别人,为了能教导别人,你需要重新梳理知识结构和使用更浅显的语言和比喻。最好的实践这种「以教促学」方法就是写作,当你假设你是在教导别人,你会发现你原计划要学的东西,实际会延伸出更多下级概念,你需要一一学习这些概念,再用足够简单的表达方式写出来,这样,你就完成了一次完整的学习。

      读完这篇文章,我建议你马上开始写作。读完不代表你已经掌握,能说(写)出来,才是你的知识。

    8
    0
     
     
    来自: kenengba.com
     
  • 相关阅读:
    损失函数及经验风险和结构风险
    ML面试题网站及ML模型网站
    数据归一化
    逻辑回归
    什么是凸函数及如何判断一个函数是否是凸函数
    Feature Selection Can Reduce Overfitting And RF Show Feature Importance
    Python Machine Learning-Chapter4
    skywalking与pinpoint全链路追踪方案对比
    全)Java从单体到微服务打造房产销售平台 2018年慕课网 高清视频+源码
    CentOS7 通过YUM安装MySQL5.7
  • 原文地址:https://www.cnblogs.com/0to9/p/5779604.html
Copyright © 2020-2023  润新知