一些思考：
学习内容，是不是要包装成问答的形式？ Re: 不需要，陈述句一样可以传递体系化地传递信息。 费曼学习和苏格拉底式的一连串发的探索学习法不同。费曼学习法中，我们假定有更多可用信息，我们关心的是这些信息如何通过输入输出反馈被掌握。 问题-答案其实是建立了一种距离模型，给定问题，每个答案较之问题都有好坏可比。 但认知的终极目的，是大脑形成满足应用需求的高质的认知结构。但这种结构具有复杂的内在关联，描述虽然复杂但是是有办法做到的。 好的问题要是这种结构的某种等效再构，以便能还原出认知结构。但提炼成问题不仅难度很大，从问题还原结构未必可以可靠地工作，所以多这么一层分装代价很高，但回报却不确定，不值得采纳为标准做法。 但是，人类的认知需要符合贝叶斯法则，用信念接纳证据，用证据改变信念. 问题更适用于通过质疑瓦解信念，而学习的主要环节是接受证据，陈述句是传递信息的自然形式。
费曼学习法一定需要一个10岁的小学生作为陪练吗？ 证据1: 不少youtuber采用费曼学习法，只是用这个方法自己教自己。比如把自己的教程录制下来，自己作为第三人客观地看待自己。 理由2: 虽然一个人一时具有思维定势，因而不能非常好的挑战自己，但是通过大段时间间隔获得思维扰动. 同样可以走出自己的思维定势 理由3: 总是可以通过额外的新信息来重建认知。自己的教学和别人的教学一旦可以同时看到，立刻可以非常有效地比对发现差异到底在哪里，是自己的更好还是别人的更好。我看体育动作教学视频总是发现，别人的错误动作，可以立刻让我意识到真正正确和好的动作是什么。 综上。有个10岁小学生陪练不是必要的，10岁小学生作为教学对象，由于他智识不足，反而不能提供最好教练的陪练服务，但是好的教练作为陪练却可以做到这一点。问题的关键是要有个反馈，能让自己意识到自己在什么地方需要改进，为什么非要改进，以及怎么改进。
那费曼学习法的陪练对象应该是小学生还是专业教练 小学生和孩子思维的一个特点是thinking start from scratch. 要教得会小学生， 你得用最简单的东西来讲解。避免额外的知识依赖。 你还会发现也只有这样的做才能避免一连串疑问后自相矛盾。这有助你培养建构知识的奥卡姆剃刀意识，获得泡利，费曼，爱因斯坦，查理·芒格这些神级别的敏锐。 好的教练的知识广度，深度，角度都接得住你的挑战。而且还能很好你引领你高效进步。 好的教练的作用是非常可怕的。见于 Bloom’s 2 sigma problem。它是最具有塑造这个世界威力的工具。[1]. 教练起的作用必须被充分利用。 但是，如果我们对自身的期望要远超过95%的采用普通学习者的水平，期望成为人类中的顶尖。那么在探索上的额外付出会让我们意识到大量事实和细节同样意义重大，要获得天才级别的表现这样的付出不可避免。天才的大脑之所以轻松高效运作是因为它高效阻绝了无数此路不通的可能。 其实，从信息论的角度。这个问题的关键是如何调节学习带宽（扣掉大脑已有信息后，新信息的输入带宽）。拿游戏来心理学来说， 输入带宽太小会让人觉得无聊，带宽太大会让人觉得焦虑。合适的太宽，才能让人觉得自在。存在所谓的最佳意外率15.87%的说法. 同时高频的信息具有更高的应用价值（-p*log(p)）,同时大脑也因为具有更多的相关经验而具有更高的接收带宽，所以应该优先学习。 结论就是：如果我们教小学生不觉得无聊，那我们应该教小学生，这可以帮我们意识到宏观的信息。否则，我们需要和我们自身水平相近的反馈信息的陪练。
费曼学习法中教学对象是机器系统，有哪些显著的优点？
最重要的优点是学习的材料，让机器辅助给出，这样可以减少表达的困难。第二个机器可以即时反馈，我们可以了解自己哪里教得不好。
从信息论的角度，由于用于表达的内容是机器辅助给出的，它是学习者的信息输入带宽是可以调节的，所以的话学习内容的意外绿换句话说最佳意外率是可以让机器系统是配的，所以这样最有可能让学习者初一个最佳心流验状态。
人教机器的模式会不会有无法弥补的弱点？人教机器的模式是不是无可替代？ 人教人的时可以从听众的表情、语调，回答等判断自己讲解的质量，允许试图超越自己，达到最优化的输出。 那在人教机器里这种实时、反馈是不是有可能呢？或者说，反馈信号应该怎么设计呢？ 有效的信息质量评价函数可以被构建。应与几个因素有关：1）创建的信息和的保留度（交叉熵）2）信息表达的易懂程度/受欢迎度。 有了模型用户可以，把自己的讲话的方式往最佳的模型靠拢，而不是根据受众的个体差异，针对性的给出反馈。这个好处，其实是比坏处大得多，因为这样学习过程在保留内容适宜性情况下更符合格式塔心理学，具有最低路径阻力。这个办法无可代替。
系统定义：
一 输入：
- 用户已有的知识知识结构
- 可供组织的用于被表达的学习材料
- 其他用户的表达 能够在没有一个真实的10岁小孩出现的情况下，我们依然能够完成这样的学习反馈，那我们就需要设计信息的反馈方式，其实对于平台而言，并没有太多的选择一个自动化的平台，而且是高效的平台。 这个平台下面全部都是学习者，所以反馈要在学习者中间完成，这样，才能够绕过，没有受众的问题 二 输出： 1.建立的之上的知识结构。 2.用户的表达
注：其实在结构层面，输入和输入应该是神经结构。但是它不可度量，也并非最终目标，所以这里还是把重点放在和神经等价的信息上。
三 优化目标： 1.知识的一致性。要求知识建立在熵最大的父路径之上（用以建构信息的信息本身具有尽可能最大的熵） 2.知识的完备性。一个是发现知识的完备性，另一个是理清知识的脉络能够知道哪些知识是重点，这是怎么做到的呢？在反馈上面会慢学习法通过教别人来意识到自己知识的欠缺。 从而把欠缺的知识弥补上这就实现了知识的网背心 3.知识的交叉引用
四 求解器：费曼学习平台V1 核心思路: 就是每次让学习者选择一些用来教别人的学习材料，通过几个选择达到对一个知识的完整描述，然后让其他的学习者来选择哪些是最好的教授的课程。
让用户选择讲述某个学习主题讲述的过程中被表达的内容会不断地跳出，让用户来选择。 在主动教学的过程中，需要增加一些引导性的辅助工作，这样可以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。
用户选择的内容会被打分，可以看到，另外两个其他3用户生的讲课内容。 比对理解： 教学的过程中，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。
用户可以选择最优的其他人的学习内容，并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。
主动召回：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
本设计基于对 费曼学习法为什有效 的认识：