你所在的位置: 首页 > 正文

全球公认的高效学习方法——费曼技巧学习法!

2019-08-25 点击:1931
全球公认的高效学习方法,学习 Feynman技能学习方法!

费曼的技能是一种顶级学习方法,可以帮助您真正理解新知识,因为它揭示了学习的本质。

68db70db55f5425b9b5c2e2764013741.JPG

所谓的费曼学习方法是,在你学会了新知识之后,把自己想象成一个老师:用最简单的话来说,用自己的语言和简单的词语复述复杂而深刻的知识,最好不要使用行业术语。为了达到这个效果,最好想象一下,即使他们能理解,你也要给80岁或8岁的孩子。

9cb997b171df4421ad0d6999646abc7e.JPG

总而言之:用白话来解释新知识。这是费曼的技巧!

6c73fa7247af4d49b4621a7f0036028e.JPG

在学习金字塔中,当教给他人时,学习内容的保留率最高,因此费曼技能是一种非常好的学习方法。

费曼的技能来源?

费曼是美国物理学家,曾获得诺贝尔物理学奖。它是典型的大学暴君,各种科研书籍都很强大。那么他和学习方法之间的联系是什么?

24fc3f20c34d4d88b4f58177c53dfc44.JPG

他告诉大学生《大学物理》300人,但他们可以用简单的方式做到这一点,复杂而深入的物理特别容易理解。

他总能用各种生活例子表达抽象的,宏观的和微观的概念,让你理解知识。学生们也非常喜欢他的课,因为它根本不乏味,后来学生就这样学习。结果,学习效果非常好。后来,人们提炼出了一种底层的终极学习方法:费曼学习方法。

为什么费曼技能有用?

在我们谈论费曼的技巧之前,让我们先了解学习的本质是什么。

我们理解新事物的过程并非孤立无援,而是找到现有的相关概念并将它们联系起来形成一个新概念。

认知心理学告诉我们,大脑中知识的存储是由节点+连接组成的,它构成了整个网络。

b93e897308f2476abfe7a909086fd302.JPG

每个节点等同于概念,例如计算机或属性,例如办公室,娱乐。节点之间的连接表示一种相互关系,例如can,take,那么节点之间的连接可能是计算机可以工作的。

这些节点和连接通过神经元和突触存储在计算机中。

在我们的大脑皮层中,大约有160亿个神经元通过突触连接。

当神经元接受刺激时,突触被激活,唤醒相邻的神经元。

我们可以简单地理解每个神经元都是一个概念和知识,然后当计算机被激活时,它会让我想起办公神经元,它构成一个句子:计算机可以工作。

6e2953829d0743d9bfeb3afe8bde9ed9.JPG

该模型实际上有两个重要特征:

我们越熟悉,刺激时就越容易被激活。

给一个板栗,当我们说电脑可以用.时,我们可以很容易地想到电脑可以用于办公,可以用于娱乐,可以用于学习,但我们很难想到电脑可以用来翻墙,为什么我们很容易想到娱乐和办公室学习,而不是翻倒墙,因为在大脑中,相比墙,娱乐办公室学习是一个更熟悉和更常见的概念。

为了拯救大脑的认知资源,我们为不同的概念分配不同的权重

概念越熟悉,重量越高,提取的可能性越大。

通过强制两个概念之间的联系,我可以产生新的知识。

给一个板栗,业务如何为你洗脑,今年的假期不是收到礼物,礼物只收到.

无论你喜不喜欢,如果你听到这句话,你会立即想到“Melaton Platinum”,因为这个广告试图以重复的方式强行交换礼物和褪黑激素。

同样地,当我们想到反头皮屑时,我们会想到海飞丝。

另一个例子是laptop=notebook + computer group synthesis,新知识实际上是由原始知识组成和解释的。

因此,获取新知识的过程主要是通过联系强迫将新知识概念插入到原始知识系统中。

所以这就是为什么当我们学习新知识时,最好用白话来解释。一方面,白话是我们熟悉的知识,熟悉的知识很容易提取,另一方面,白话的解释实际上是旧知识。通过与新知识的一些新联系,自然的新知识自然易于提取和易于理解。

简而言之:我们与旧知识的联系越多,我们就越容易理解新知识。

所以我们可以提出这样一个学习公式:E=K/I

在这个公式中,E表示我们对新知识的掌握,K表示我们对原始知识的熟悉,并且我代表了新知识的复杂性。

换句话说,我们与知识点的掌握程度和相关知识的熟悉度成正比,与新知识的复杂性成反比。

所以最有效的学习方法是:

凭借熟悉的知识,不断理解和理解新知识,只有学习效率最高。

所以这就是为什么费曼的技术如此有用的根本原因。

6a4850e0d0474d00b29e3025906dc509.JPG

如果你不能用自己的话说出一个新的知识点,你就不会真正理解它。

小编就是这篇文章的创作,在空调不冷却的情况下,请好评!

13: 53

来源:中国商业研究院

全球公认的高效学习方法,学习 Feynman技能学习方法!

费曼的技能是一种顶级学习方法,可以帮助您真正理解新知识,因为它揭示了学习的本质。

68db70db55f5425b9b5c2e2764013741.JPG

所谓的费曼学习方法是,在你学会了新知识之后,把自己想象成一个老师:用最简单的话来说,用自己的语言和简单的词语复述复杂而深刻的知识,最好不要使用行业术语。为了达到这个效果,最好想象一下,即使他们能理解,你也要给80岁或8岁的孩子。

9cb997b171df4421ad0d6999646abc7e.JPG

总而言之:用白话来解释新知识。这是费曼的技巧!

6c73fa7247af4d49b4621a7f0036028e.JPG

在学习金字塔中,当教给他人时,学习内容的保留率最高,因此费曼技能是一种非常好的学习方法。

费曼的技能来源?

费曼是美国物理学家,曾获得诺贝尔物理学奖。它是典型的大学暴君,各种科研书籍都很强大。那么他和学习方法之间的联系是什么?

24fc3f20c34d4d88b4f58177c53dfc44.JPG

他告诉大学生《大学物理》300人,但他们可以用简单的方式做到这一点,复杂而深入的物理特别容易理解。

他总能用各种生活例子表达抽象的,宏观的和微观的概念,让你理解知识。学生们也非常喜欢他的课,因为它根本不乏味,后来学生就这样学习。结果,学习效果非常好。后来,人们提炼出了一种底层的终极学习方法:费曼学习方法。

为什么费曼技能有用?

在我们谈论费曼的技巧之前,让我们先了解学习的本质是什么。

我们理解新事物的过程并非孤立无援,而是找到现有的相关概念并将它们联系起来形成一个新概念。

认知心理学告诉我们,大脑中知识的存储是由节点+连接组成的,它构成了整个网络。

b93e897308f2476abfe7a909086fd302.JPG

每个节点等同于概念,例如计算机或属性,例如办公室,娱乐。节点之间的连接表示一种相互关系,例如can,take,那么节点之间的连接可能是计算机可以工作的。

这些节点和连接通过神经元和突触存储在计算机中。

在我们的大脑皮层中,大约有160亿个神经元通过突触连接。

当神经元接受刺激时,突触被激活,唤醒相邻的神经元。

我们可以简单地理解每个神经元都是一个概念和知识,然后当计算机被激活时,它会让我想起办公神经元,它构成一个句子:计算机可以工作。

6e2953829d0743d9bfeb3afe8bde9ed9.JPG

该模型实际上有两个重要特征:

我们越熟悉,刺激时就越容易被激活。

给一个板栗,当我们说电脑可以用.时,我们可以很容易地想到电脑可以用于办公,可以用于娱乐,可以用于学习,但我们很难想到电脑可以用来翻墙,为什么我们很容易想到娱乐和办公室学习,而不是翻倒墙,因为在大脑中,相比墙,娱乐办公室学习是一个更熟悉和更常见的概念。

为了拯救大脑的认知资源,我们为不同的概念分配不同的权重

概念越熟悉,重量越高,提取的可能性越大。

通过强制两个概念之间的联系,我可以产生新的知识。

给一个板栗,业务如何为你洗脑,今年的假期不是收到礼物,礼物只收到.

无论你喜不喜欢,如果你听到这句话,你会立即想到“Melaton Platinum”,因为这个广告试图以重复的方式强行交换礼物和褪黑激素。

同样地,当我们想到反头皮屑时,我们会想到海飞丝。

另一个例子是laptop=notebook + computer group synthesis,新知识实际上是由原始知识组成和解释的。

因此,获取新知识的过程主要是通过联系强迫将新知识概念插入到原始知识系统中。

所以这就是为什么当我们学习新知识时,最好用白话来解释。一方面,白话是我们熟悉的知识,熟悉的知识很容易提取,另一方面,白话的解释实际上是旧知识。通过与新知识的一些新联系,自然的新知识自然易于提取和易于理解。

简而言之:我们与旧知识的联系越多,我们就越容易理解新知识。

所以我们可以提出这样一个学习公式:E=K/I

在这个公式中,E表示我们对新知识的掌握,K表示我们对原始知识的熟悉,并且我代表了新知识的复杂性。

换句话说,我们与知识点的掌握程度和相关知识的熟悉度成正比,与新知识的复杂性成反比。

所以最有效的学习方法是:

凭借熟悉的知识,不断理解和理解新知识,只有学习效率最高。

所以这就是为什么费曼的技术如此有用的根本原因。

6a4850e0d0474d00b29e3025906dc509.JPG

如果你不能用自己的话说出一个新的知识点,你就不会真正理解它。

小编就是这篇文章的创作,在空调不冷却的情况下,请好评!

仅提供信息存储空间服务。

费曼

知识

神经元

计算机

概念

阅读()

通博电子娱乐 版权所有© www.cheapuggboot-sale.com 技术支持:通博电子娱乐 | 网站地图