just try？
早就嚷嚷过要多思考，多尝试，多try，只有做过了才知道适不适合自己，对与错。em...，等真要尝试的时候，发现这句话还是有问题。什么是适合自己的评判标准？尝试的周期是多少？考虑尝试的成本和代价了吗？单凭一句话，没办法把一整套答案都给的出来。
举个例子，我的成绩常年低下，也不是不努力，成绩就是提不上去，折腾多年，认可了是学习方法有问题，于是我就开始try了。
先是搜集学习方法种类，从其中挑选要尝试的一种学习方法，计划把这个学习方法用到哪里，制定衡量方法的效果好坏是否适合自己的标准，还要确保整个流程周期不长。
再细细一想，这就是一个在大学做实验的标准套路。
确定实验对象，挑选实验方法，设计实验内容，制定实验标准，得出实验结果，就是上边步骤的翻版，一模一样。
所以，可以借鉴科学的实验方法论来帮助try这件事。
恰巧，最近在学统计学，正好可以借鉴统计学中做实验的方法。
统计学？
搞统计学的肯定会知道统计显著性和统计功效，做实验也是在求若假设成立时，能够得到显著性结果的概率是多少。举个例子，公司A发明的感冒药B可以治愈＋预防感冒，这是一个假设。实验场景选在冬天，把这个感冒药B用在100人身上，最终会有4人会得感冒，把葡萄糖用在另100人身上，最终会有30人感冒。根据这个实验结果，可以认为感冒药B是有效果的。
第一批100人中有4人感冒，既4/100，第二批100人中有30人感冒，既30/100，这两个数值上的对比，明显有显著性的差异。若第一批100人中有20人感冒，则这个差异就很小，从而也没有办法作为感冒药B有效的依据了。
统计功效则是具体辨别这个假设为真为假的难易程度。比如在感冒药这个实验中把发烧作为是否感冒的依据，则只需要有个温度计就可以确认，但若是用打喷嚏来作为感冒依据，则就会把假的感冒者也纳入进去。
映射到学习方法，首先，用这个学习方法跟不用这个学习方法效果一定要明显，我才可以知道是否有效；再有，效果好与坏适合自己与否的标准要尽量好判断一些，避免模棱两可和纠结。
下边还有专业性较强的注意点：
1）数据量要大：比如多试几次，但耗费的时间和金钱较多
2）选择和设计容易出结果的实验：比如对自己做实验，不要舍近求远；再比如挑一些是容易做的，付出成本较少的实验内容
3）有始有终，避免数据流失：比如即使这个实验方向错了，也权当是一个过程 or 流程的尝试。（有点歧义）
有没觉得统计学也有点意思，还能够帮到自己呢，哈哈。
下边为没写好的部分。。。
4）制定假设成立的标准，要苛刻一点还是宽松一点：比如针对制药业，是否有副作用的实验当然需要最苛刻的标准，但是在开放性和尝试性的实验上可以选择宽松一点的标准
6）如何增强效应的大小？最好是效果超级明显，这个不是结果？是，制定要得出的结果与原有假设之间的关系？？？
7）没办法控制具体变量的时候，对数据下手；药剂，可以加量（属于第6点方法）；试验肥胖程度跟聪明之间的关系时，可对肥胖程度进行控制，只取头部跟尾部，去掉中间，等同于对数据下手
8）引入多个纬度，最终都为目标进行服务，起到意想不到的作用。
9）对组内进行干预，这个就不知道了。
