费曼学习平台 – V3

第三版的学习平台

一 输入:

系统已有的所有用户的知识表达

二 输出:

用户创作的新的知识表达

三 优化目标:

最大化 使用学习平台的每日信息增益

四 解决的核心问题

  1. 不同水平的用户,如何给予不同的增益信息带宽
    把用户分为学生 / 观察,助教 / 试教,讲师 / 讲解 3个角色。它们对应的难度是不同的。
    从读者 -> 助教 -> 讲师,多次迭代,可以反复提升学习的带宽。
  2. 提供一个高效的讲解解决方案。从用以组织表达的关键词,以及这些关键词展开的若干等效长形式。
  3. 对初级讲解内容手动整理,精炼,修改讲解,形成师讲解
  4. 对讲师讲解进行评选。提取出关键字,和初级讲解素材。
  5. 在主动教学的过程中,如何降低,费曼学习法的实施难度。因为每个人的知识体系都是不一样的,而且每个人对什么是最好的教学,并没有一个统一的概念,而什么是最好应该是通过系统化的方式,以算法作为工具,把这种方式找出来。

四 求解器:费曼学习平台V3

核心思路: 就是每次让学习者选择别人的讲解,通过几个选择达到对一个知识的完整描述,并重组为自己的课程。然后让其他的学习者来评价自己的课程。
1. 用户选择择最优的,其它用户的讲解。点选其中打算自己采用的知识点,作为自己的知识点
2. 通过点选自己的知识点,形成自己的初始讲解。初始讲解通过算法生成。
3. 让用户编辑、增量修改初始的讲解。
4. 用户选择的内容会被标识欢迎度。并被比较自己和被喜爱的答案的异同。因为表达和反馈的存在受众反馈的听众反馈的存在,授课者,能够意识到自己知识的。自己知识的欠缺。形成比对理解。
5. 且用户会把自己的讲课和最佳的学习内容,一并记录到自己的学习内容记录里面。用户的关键词会作为唤起记忆的工具。
6. 用户可以通过回顾来查看自己学习过的内容,当用户有许多内容没有复习时,这种回顾是强制的。
学习者在完成教学之后,他再过一段时间,比如半小时以后它可以看到其他学习者对他学习过程的反馈,那这个时间间隔的用意一个是增加了学习者走出思维,定式的,可能因为学习者在学习的当下。 他的思维对象并没有能够真正有效的指向目标,学习对象,只有通过更长时间的间隔的引路,通过遗忘通过发散放空的思维,才能够重新正确的认识到,学习对象的真实含义。
7. 主动召回:闪卡练习。学习者可以选择是否需要再次学习。如果算法可以确认出哪些东西需要复习,那建议优先学习。

那学习者是否在收集了其他反馈之后还需要再次的讲解学习的内容呢?
看看影响表达的注意因素。如果用演讲做启发,一是知识,二是激情和代入,三是简明的风格,也就是把握重点的能力,这实际上是一种相当独立的意识和能力换句话说。 知道哪些知识,通过哪种表达方式是更高效,更能被对方接收理解的,更能作为更高效的通信方式。
关键还是要看再次尝试的收益曲线

一些新的思考:

1.用户选择的讲解材料应该是用一个缩略词作简写还是用一句话

要想在移动端非常有限的界面,下面一栏能够表达出重要的信息,选择用关键词来表达是没有办法的事情唯一的选择。 用短语做沟通是高效的。特别是在学习过程中,可以很好地起到唤醒作用。

2.讲解中,用户如何更改自己的表达

用户可以双击某句话的表达来自动更新换另外一种表达。用户也可以直接修改表达。

3. 是不是应该采用对话体的方式让多个人同时参与讨论,这样可以不断地一个一个知识点的过一各个知识点的完善,直到把整个知识点便利下来。

这里存在两种非常关键的选择,一个是允许用户自己来组织整个的知识体系。哪怕这个体系是不完整的另外一种情况下是强制要求这个知识体系是完整版。 或者说对话 起码对话题这种方式有追求知识体系完整的倾向。
但是从信息增量而言的角度来看,其实并不适合在单次的学习过程中就追求知识体系的完整性。或者说某个知识,他包含了哪些具体的内容追求这种知识表达的完整性,其实用户更适合在多次的增量。 增量认知中来完善自己的知识结构,因为这样能够持续的产生心理体验而对话题的方式兴新密度太高了。

那是不是存在一种可能像对于背单词这种应用,其实只要给一个解释,那他的知识已经是足够全面的更多的表达无非,就是从更多的角度来完善这个知识,其实用户也知道这些多余的表达的支持,可以没有任何负担,没有认知的负担。

4. 那我怎样才能够知道用户是不是发生了认知过载,还是说我们怎么样才能确认出用户到底是不是处在心流模式呢?

随着这几十年心流理论的发展,目前普遍认为只有当技巧水平和挑战水平都处于较高水平时候,才会出现心流。若两者均为较低水平,即使匹配也不会被认为产生心流,一般认为是属于一种叫Apathy(冷漠或无感)的状态。
这就是为什么我们刚开始学习一种运动是一般会觉得没什么意思,当我们熟悉以后技巧,运用更高级技能水平去挑战更难得技术动作时才会觉得更有意思。除了Apathy,在其他层次同时也细分出其他状态。
进入心流状态可以被认为需要满足以下五个条件:

热爱所做的事情
有明确的目标
具备一定的技能,能够掌控所做的事情
有一定的挑战性,难度可以微微超过当下的能力(通俗来讲即跳一跳就能够得着)
能从所做的事情中得到阶段性的反馈和奖励
这五个条件都具备时,所做的事情能够让你更容易地进入心流状态。

假设同时存在多个老师。每个人人讲同一个主题,那么多个相关的讲解断言同时陈列,可以允许一种强烈的对比。

但是,我不认为这种方式是可取的,因为费曼学习法要形成自己的意愿,需要建立体系化的表达。

但是呢,诸如评论这样的,可以强烈调整某一小块信息的。应该也是有机会可以看到的。比如一句话,如果觉得可以,点击,应该要能够查看相关的,就关于这句话的表达。

一个模型是,随机加入一个

心理状态分布图

5. 我认为必须采用对话的方式,因为如果让用户自己选择学习材料那么如何才能够超越,原本的认知去真正的建立对认知对象的理解人,特别是当这个认知的对象,并不在他的心理模型当中的时候,那他是没有办法注意到真正的认知的角度了。

    在一个说,起来,一群用户讨论一个知识的时候,这时候其实自己关心的主题的大小是可以控制的换句话说,我们只要允许用户能够部分的控制聊天的方向就行了,而这个时候整个的系统依然有机会引导他接近完备的认知。

说起来,我们人和人之间的交流之所以非常有效,我们能很快地从别人身上收取吸收到很多非常有效的想法,就是因为对话题的方式,他是一年一点修正观念的最好的方式,也是一点一点输送信息的最好的方式。

那反过来如果每个用户都是表达一个完整的观点好,那这时候观点的文本其实是比较长的,那我们如何确保用户能够在表达完讲解完自己的观念,以后还能够花费差不多同样的或者一半的精力来审核别人的观点,并且我们指望他还能够在那样的努力之后。我认为这对人要求实在是太高了,这是做不到的事情。 但是对话题的方式就不一样了,通过对话里的方式用户在给出一些表达的时候,实际上她就在修正自己的认知,以及建立对真正模型的认知那用户对自己认知的历史,也就是聊天记录在记忆当中是非常有概念的。 不管是空间认知,还是信息的指向都是有确切的记忆的。
从行为模式来说,我们不可能指望用户的行为模式,是严格按照我们复杂的期望来的。可行的只能是我们对他们的期望是让用户用轻松的办法,花费少的心智努力。

6. 如果采用了对话体的方式,那如何还能够让用户进行完整的知识的表达呢? 如果缺乏的表达的系统性那费曼学习法,他预期要做的是是不是就是完全不成立了呢?

这个问题会出现但是有办法解决我们只要把用户对话过程中,他自己讲的那一部分课程汇总成一个总体的讲课记录,或者说讲解记录那么用户便可以建构一个完整的表达内容。

团体心流中的职业划分

1.作为艺术家,把内容修饰得有吸引力。2.主攻,把握重点,核心内容撰写。 3.评审,选出最佳的其他人的学习内容
这几个不同的角色,对应的输入带宽是不断降低的,因而构建了一个梯次降低的学习带宽。
团队围绕着这一个共同的目标,构建了一个协同创作系统。

这三个阶段都是完全独立的,每个层级都可以被单独评价
通信机制:

人数不多,不足以实时反馈的办法:
每天集中时间,开始比赛
2.和已有的结果柔和,机器打分

群体创造其实是另一种最天然的心流创作方式。

team flow / group flow
Sawyer establishes ideal conditions for
group flow: group goals, close listening, complete concentration, being
in control, blending egos, equal participation, knowing team mates, good
communication, and being progress-oriented.
https://files.eric.ed.gov/fulltext/EJ1077079.pdf

#https://kknews.cc/zh-tw/game/g2qylre.html
好玩的是游戏内容,而不是机制

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注