心智模型是一种通用理念，可以解释许多不同的现象。比如经济学中的供给与需求、生物学中的自然选择、计算机科学中的递归或数学中的归纳证明——一旦你知道如何寻找，这些模型便无处不在。
正如理解供给与需求有助于你推理经济学问题一样，理解学习的心智模型会让你更容易思考学习问题。不幸的是，学习本身很少作为一门独立的课程被教授——这意味着大多数这些心智模型只为专业人士所知。在这篇文章中，我想分享我了解到的十个模型。
省流版：
1. 解决问题就是搜索
2. 记忆通过检索而增强
3. 知识呈指数级增长
4. 创造力大部分是模仿
5. 技能是具体的
6. 心理带宽极其有限
7. 成功是最好的老师
8. 我们通过例子进行推理
9. 知识随着经验变得无形
10. 再学习相对较快
详细版：
1. 解决问题就是搜索
赫伯特·西蒙和艾伦·纽厄尔以他们里程碑式的著作《人类问题解决》开创了问题解决的研究。书中他们认为，人们通过在问题空间中搜索来解决问题。
问题空间就像一个迷宫：你知道自己身在何处，如果你到达出口也会知道，但你不知道如何到达那里。在过程中，你的行动会受到迷宫墙壁的限制。
问题空间也可以是抽象的。例如，解决一个魔方意味着在一个巨大的配置问题空间中移动——被打乱的魔方是你的起点，每种颜色都归结到一面的魔方是出口，而扭动和转动则定义了问题空间的“墙壁”。
现实生活中的问题通常比迷宫或魔方更广阔——起始状态、结束状态和确切的步骤往往不明确。但在可能性空间中搜索仍然很好地描述了人们在解决不熟悉问题时的行为——这意味着当他们还没有直接指导他们找到答案的方法或记忆时。
这个模型的一个含义是，如果没有先验知识，大多数问题都非常难解决。一个魔方有超过四百三十亿亿种配置——如果你不聪明地处理，这将是一个巨大的搜索空间。学习就是获取模式和方法来减少暴力搜索的过程。
2. 记忆通过检索而增强
检索知识比第二次看到某物更能增强记忆。测试知识不仅仅是衡量你所知的一种方式——它还能积极地提高你的记忆力。事实上，测试是研究人员发现的最佳学习技巧之一。
为什么检索如此有益？一种解释是，大脑通过只记住那些可能有用处的东西来节省精力。如果你总能手到擒来，就没有必要将其编码到记忆中。相反，与检索相关的困难是一个强烈的信号，表明你需要记住它。
检索只有在有东西可检索时才有效。这就是为什么我们需要书籍、老师和课程。当记忆失效时，我们就会回到问题解决的搜索中，这取决于问题空间的大小，可能会完全无法给出正确答案。然而，一旦我们看到答案，通过检索它比反复查看它学到的更多。
3. 知识呈指数级增长
你能学到多少取决于你已经知道什么。研究发现，从文本中保留的知识量取决于对主题的先验知识。在某些情况下，这种效应甚至可以超越一般智力。
当你学习新事物时，你会将它们整合到你已有的知识中。这种整合为你提供了更多的“挂钩”，以便日后回忆这些信息。然而，当你对某个主题知之甚少时，你就很少有“挂钩”来放置新信息。这使得信息更容易被遗忘。就像晶体从种子中生长一样，一旦基础建立起来，未来的学习就会容易得多。
当然，这个过程是有限度的，否则知识会无限加速。尽管如此，记住这一点仍然是好的，因为学习的早期阶段通常是最困难的，并且可能给人一种未来在该领域学习难度会很大的误导性印象。
4. 创造力大部分是模仿
很少有学科像创造力一样被如此误解。我们倾向于赋予有创造力的人一种近乎神奇的光环，但创造力在实践中要平庸得多。
在一篇对重大发明进行精彩回顾的文章中，马特·里德利认为创新源于一个进化的过程。新的发明并非凭空出现，而是旧思想的本质随机变异。当这些想法被证明有用时，它们就会扩展以填补一个新的生态位。
这一观点的证据来自近似同时创新的现象。历史上多次，多个互不相关的人发展出相同的创新，这表明这些发明在被发现之前，在可能性空间中某种程度上是“近在咫尺”的。
即使在美术中，模仿的重要性也被忽视了。是的，许多艺术革命明确地拒绝了过去的潮流。但革命者本身，几乎无一例外，都沉浸在他们所反叛的传统中。反叛任何惯例都需要对该惯例有所了解。
5. 技能是具体的
迁移是指在不同的任务中练习或训练后，在另一项任务中能力得到提升。在迁移研究中，通常会出现以下模式：
练习一项任务会让你在这项任务上表现更好。
练习一项任务有助于完成相似的任务（通常是程序或知识上重叠的任务）。
练习一项任务对不相关的任务帮助很小，即使这些任务看起来需要相同的广泛能力，如“记忆力”、“批判性思维”或“智力”。
很难对迁移做出精确预测，因为这取决于对人脑运作方式和所有知识结构的精确了解。然而，在更受限的领域中，约翰·安德森发现，生产式（即作用于知识的IF-THEN规则）与智力技能中观察到的迁移量相当吻合。
虽然技能可能是具体的，但广度创造了普遍性。例如，学习一个外语单词只在使用或听到该单词时才有用。但如果你知道很多单词，你就可以表达许多不同的事物。
同样地，了解一个想法可能作用不大，但掌握许多想法可以带来巨大的力量。每多一年教育能提高智商1-5分，部分原因是学校教授的知识广度与现实生活（和智力测试）所需的知识重叠。
如果你想变得更聪明，没有捷径——你必须学很多东西。但反之亦然。学得多会让你比你预期的更聪明。
6. 心理带宽极其有限
我们一次只能记住几件事。乔治·米勒最初把这个数字定为七加减两项。但最近的研究表明，这个数字更接近四项。
这个极其狭窄的空间是所有学习、每一个想法、记忆和经验必须流经的瓶颈，才能成为我们长期经验的一部分。潜意识学习是无效的。如果你不专心，你就学不到东西。
提高学习效率的主要方法是确保流经瓶颈的东西是有用的。将带宽用于不相关的元素可能会减慢我们的速度。
自20世纪80年代以来，认知负荷理论一直被用来解释干预措施如何根据我们有限的心理带宽来优化（或限制）学习。这项研究发现：
解决问题可能对初学者适得其反。新手在看到已解决的例子（解决方案）时表现更好。
材料应设计成避免为了理解内容而在页面或图表不同部分之间来回翻阅。
冗余信息会阻碍学习。
复杂的概念在分部分呈现时更容易学习。
7. 成功是最好的老师
我们从成功中学习到的比从失败中学习到的更多。原因是问题空间通常很大，而且大多数解决方案都是错误的。知道什么有效能极大地减少可能性，而经历失败只会告诉你一种特定的策略不起作用。
一个好的规则是，在学习时，目标是保持大约85%的成功率。你可以通过调整练习的难度（开卷 vs 闭卷，有导师 vs 无导师，简单问题 vs 复杂问题）或在低于此阈值时寻求额外的训练和帮助来实现这一点。如果你的成功率高于此阈值，你可能没有寻求足够难的问题——并且正在练习常规而非学习新技能。
8. 我们通过例子进行推理
人们如何进行逻辑思考是一个古老的谜团。自康德以来，我们知道逻辑不能从经验中获得。我们必须以某种方式已经了解逻辑规则，否则一个不合逻辑的头脑永远不可能发明它们。但如果真是这样，为什么我们在面对逻辑学家发明的问题时却经常失败呢？
1983年，菲利普·约翰逊-莱尔德提出了一种解决方案：我们通过构建情境的心智模型来推理。
为了检验一个三段论，比如“所有人都会死。苏格拉底是人。因此，苏格拉底会死。”我们想象一群人，他们都会死，然后想象苏格拉底是他们中的一员。通过这种检验，我们推断出这个三段论是真的。
约翰逊-莱尔德认为，这种基于心智模型的推理也解释了我们的逻辑缺陷。我们最难理解的逻辑陈述是那些需要我们检验多个模型的。需要构建和审查的模型越多，我们犯错的可能性就越大。
丹尼尔·卡尼曼和阿莫斯·特沃斯基的相关研究表明，这种基于例子的推理可能导致我们将回忆例子的流畅性误认为事件或模式的实际概率。例如，我们可能会认为符合模式“K _ _”的单词比符合模式“_ K _”的单词更多，因为前者更容易想到例子（例如，KITE, KALE, KILL），而后者则较难（例如，TAKE, BIKE, NUKE）。
通过例子进行推理有几个含义：
通过例子学习通常比通过抽象描述更快。
要学习一般模式，我们需要大量的例子。
在基于几个例子做出广泛推断时，我们必须小心。（你确定你考虑了所有可能的情况吗？）
9. 知识随着经验变得无形
通过练习，技能变得越来越自动化。这减少了我们对技能的自觉意识，使其在执行时对我们宝贵的工作记忆容量占用更少。想想开车：起初，使用转向灯和刹车是痛苦的深思熟虑。几年驾驶后，你几乎不用思考。
然而，技能自动化程度的提高也有缺点。其中之一是，将技能传授给他人变得更加困难。当知识变得默会时，就更难明确你如何做出决定。专家们经常低估“基本”技能的重要性，因为它们早已自动化，似乎在他们的日常决策中并不占太多比重。
另一个缺点是自动化技能对意识控制的开放性较低。这可能导致进步停滞不前，当你一直以习惯的方式做事，即使这不再适用时。寻求更困难的挑战变得至关重要，因为这些挑战会把你从自动化中唤醒，迫使你尝试更好的解决方案。
10. 再学习相对较快
在学校学习多年后，我们中有多少人还能通过毕业所需的期末考试？面对课堂问题，许多成年人羞涩地承认他们记得很少。
遗忘是我们不经常使用的任何技能的不可避免的命运。赫尔曼·艾宾浩斯发现，知识以指数速度递减——开始时最快，随着时间推移而减慢。
然而，也有好的一面。再学习通常比初次学习快得多。其中一部分可以理解为一个阈值问题。想象一下记忆强度范围在0到100之间。在某个阈值之下，比如35，记忆是不可访问的。因此，如果记忆强度从36降到34，你就会忘记你所知道的。但即使是再学习的一点点促进，也会足以修复记忆，使其能够被回忆起来。相比之下，一个新记忆（从零开始）将需要更多的工作。
受人类神经网络启发而来的联结主义模型为再学习的效力提供了另一个论据。在这些模型中，一个计算神经网络可能需要数百次迭代才能达到最佳点。如果你“抖动”这个网络中的连接，它就会忘记正确答案，并且反应不会比随机更好。然而，正如上述阈值解释一样，网络在第二次学习时能更快地重新学习到最佳响应。
再学习是一种麻烦，特别是当你在之前很容易解决的问题上挣扎时，可能会令人沮丧。但这绝不是不深入和广泛学习的理由——即使是遗忘的知识也能比从头开始更快地被重新唤醒。
