上学期间，最羡慕的便是那些“学神”，他们课间玩耍、午间休息，放学后也是慢慢悠悠的晃回去，可每每考试，他们总是那个最高分，他们的学习，似乎毫不费力，作为普通人的我，除了羡慕嫉妒恨外，只能无奈的安慰自己：谁让自己的脑袋没别人聪明呢？自我安慰过后，继续死命的刷题。
虽说我也知道学习是需要方法的，可向同学老师请教过几次后，总是不得要领，直到今天看到这本《认知觉醒》后才明白自己到底是哪里出了问题。
这套学习方法，除了在校学生外，对于想在职场提升自我学习力的人而言，也是很适用的，可以说，只要是学习，这套方法就是个万能公式！
废话不多说了，现在就放上这套学习万能公式。
01、明确自我定位
首先要明确，这里说的定位，并不是指所谓的好生、中生还是差生，而是你在学习时，感到吃力与否的定位。
书中，把定位分为三个层次：舒适区、拉伸区和困难区。
如何理解这个定位呢？拿数学举个例子，在做一套数学卷子时，那些你看一眼就马上能整理出思路做出来的题目属于舒适区，而那些看着有思路却又没法立马做出来，需要费力思考一翻的题目便是拉伸区，最后那些需要老师讲解或者看都看不懂的题目就属于困难区了。
那么，你平时需要多花精力攻克的区域就是属于拉伸区的题目。如果总是呆在舒适区，只做那些你会的题目，进步从何谈起。
让自己不断的在舒适区的边缘持续练习，舒适圈就会不断扩大，拉伸区也会不断的扩展，原先的困难区慢慢变成拉伸区，这就是成长。
如果能保持在拉伸区，就能做到持续性成长。
02、万能学习公式——深度学习
我们知道，那些会学习的人，他们很会钻，并且知识结构十分的庞大。
其实，要做到这点，并不是很难，接下来，就让我们看看深度学习的要点吧。
获取高质量的知识
何为高质量？用写作来举例，就是直接搜索写作干货，但很多人看完就结束了，看完等于学会。正确的方法应该还是，找到一篇阅读量10万+的爆款文，然后拆解它，学习它的格式、用词、结构，揣摩作者的观点与你自己的有何不同等。
也就是说，尽可能的自己钻研，而不是拿来主义。
深度衔接新知识
学习到一个新的知识点或者技能，它如果是独立存在的，过不了多久就会忘，这也正是为什么许多人说自己看书看完就忘。那是因为你并没有把看到的、学到的关联到自己的知识体系中。
解决如何关联，最简单的方法，就是问下自己：这个道理还能用在什么地方？
输出成果去教授
相信大家都听过这样一个理论：上课听老师讲，你其实只学会了30%；当你和别人讨论时，你则学会了50%；而你可以将学到的实践到生活中时，你已学会了75%；只有当你将学会的东西用自己的语言去表达出来，教给别人的时候，这个时候，你已经将知识的90%内化成你自己的东西了。
这，就是近年来我们经常听到的，输出倒逼输入，这也是正面反馈的方法之一。
不管怎么说，最终，还是需要我们自己去读、自己去思考、自己亲自去做才行。
03、努力学习的陷阱
每当我们的学习结果不理想时，总是下意识的认为，是自己不够刻苦努力。
可你有没有想过，也有可能是因为你刻苦努力过了头？
下面，我们就来说说，在学习过程中，我们经常会陷入的误区。
刻苦努力不休息
我们的精力其实是有限的，如果过分消耗的话，只会导致注意力下降、反应迟钝、思维混乱等现象，所以，刻苦努力的前提是，要主动休息，不能过度的消耗自己，只要感到精力不足，就立马停下开始休息。
这里要提醒的是，休息，指的是不会损耗你精力的事情，本身休息是为了恢复精力的，如果你又去做损耗精力的事情，比如刷手机视频、打游戏等，那么，在后续的学习中只会越来越糟糕。
只学习，不反馈
这是大部分人存在的问题，好的反馈，能让大脑感到愉悦，当大脑对一件事情产生愉悦感后，你再做这件事情就不会感到痛苦，你将会像沉迷于游戏一样沉迷于学习。
上文就提到了正面反馈的方法之一——将自己所学转换成自己的语言表达出来。
迷恋打卡
近几年，网络上各种不同的打卡群层出不穷，什么早起打卡群、背单词打卡群、健身打卡群等等。可是，事情发展到后来，越来越偏离的初衷。
早上订个闹钟，6点醒过来打个卡，然后倒头继续睡；今天要背的单词只是扫一眼，然后就直接打卡了；健身APP软件只是开在那里单纯的播放，等到放完了，就直接去群里打个卡……等等诸如此类。
原本的初衷是督促自己养成好习惯，却在不知不觉间变成了完成打卡任务。
大家从内在需求变成了外在形式需求，而这种任务心态会让我们感到不安、焦虑，甚至是麻木。
要改变这种情况，我们可以尝试着用记录代替打卡，记录今天学了什么，做了什么，在记录的同时还可以反思，这样又同时完成了复盘。
而且，大家在给自己设置目标时，可以尝试着用《微习惯》这本书中的方法——只设置下限，不设置上限。这样，如果有多余的精力可以超额完成目标的话，满满的成就感能增加我们的内驱力，促使我们第二天能够主动的学习并且感觉毫无负担。
综上所述，我们其实只要用对了方法，我们也可以像“学神”那样，沉浸于学习的快乐中！
我喜欢的书摘金句：
浅层学习满足输入，深度学习注重输出。
