问题描述
千万别信前排几个老师角度的回答。你要是信了这些鬼话，认为这些老师有这个自主权来给学生设置不同的评分标准，那到时候你老师被卷逼同学举报到教务处，看看他是选择明哲保身还是保你。你赌得起吗？反正我见过的都是选择明哲保身的。
扯远了，我的建议是，上课戴个耳塞，或者降噪耳机，自己看书或者看网课记笔记、做题。老师要划重点的时候留意一下就行。我大一的时候就这样学的，学分绩九十多分吧。这是我当时做的卡片：
还有笔记：
不过大三为了去实习，就直接翘课了。说实话，比我闷头看书自学效率还高，因为很多专业知识，是不可能通过看书、看网课学会的，更别说听老师念 PPT 了。
以下内容节选自 @Thoughts Memo 汉化组的译文《加速专业技能养成》
如何加速专业技能养成？
让我们从第一性原理出发来思考这个问题。
假设你是一位培训项目设计师，需要让一群新手在短时间内达到胜任水平。你会怎么做？
我们大多数人大概会先问：这个领域的技能树是怎样的？对此，研究人员说：不，打住，把那套都忘了吧。
我认为我们大多数人大概会先问：这个领域的技能树是怎样的？我们会试图梳理出一套原子化的技能，按照从最基础到最高级的顺序排列，然后设计一套培训大纲，按正确的次序教授每一项技能，确保先教授必备的基础知识，然后逐步增加所教概念、技能和训练内容的复杂度。我们可能还会为较低级别的技能设计练习，并尝试设置一些阶段性的评估任务或「测验」。
简而言之，我们会试图复制我们在学校里接受教育的方式。
研究人员说：不，打住，把那套都忘了吧。
这种训练方法存在诸多问题。你可能对其中一些并不陌生。
- 首先，这种训练方法实在太 TM 耗时了。毕竟，这是主流的教学方法，而研究人员正是被要求来改进这种范式的。一个更有趣的问题是，为什么它会如此耗时。
- 对此有两个答案。其一，人类通过构建关于某个领域的心智模型来学习。起初，这些心智模型很粗糙，无法指导有效的行动。因此，新手会通过不断地构建、抛弃和重构心智模型来响应反馈，从而快速地发展这些模型。然而，到了某个阶段，这些心智模型变得足够有效、足够复杂，以至于它们成了「知识护盾」——即那些存在细微错误的心智模型，它们之所以阻碍学生达到更高的专业水平，恰恰是因为它们让学生能够拒绝异常数据。换句话说，将一个技能领域分解为原子化的技能是有风险的——由于技能层级本身的不完整性，你很可能会无意中促使学习者构建出存在细微错误的心智模型。这继而会减缓专业技能的发展，因为培训师此时必须做额外的工作——例如，你必须将「摧毁知识护盾」作为一项教学目标来设计你的训练任务。最好能完全避免这种情况。
- 将技能领域分解为相互分离的学习层级还有另一个弊端：专家能够看到新手无法察觉的概念或线索之间的联系。教授原子化的概念会阻碍新手学习这些内在联系，实际上可能导致后续表现不佳或遭遇训练瓶颈期。（注意：这并非一个普适性的建议；作者指出，如 Kim & Reigeluth 所演示的「简化条件法」是一种在分解领域的同时强调概念间联系的方法，但这种教学法并未普及。最好还是完全摒弃这种分解的要求）。
- 层级化训练方法糟糕的第二个原因是，对原子化技能的评估无法转化为对现实世界表现的评估。我想我们凭直觉就能明白这一点。针对基础技能的测试往往无法捕捉到在现实环境中应用技能时的细微差别。你可能在公司金融考试中表现优异，却把一家公司经营得一塌糊涂，因为你不知道在你所处的特定业务中应该留意哪些线索。
- 这种训练方法糟糕的第三个原因是，原子化的训练往往缺乏对实际应用场景的高度认知保真度。以著名的课堂学习理论「认知负荷理论」为例。该理论基本观点是：「内在认知负荷」与学习任务本身的复杂性相关；「外在认知负荷」则是由学习过程中那些不必要且干扰图式获取的活动引起的。教师的职责是设计教学方法以减少外在认知负荷。作者指出，当你的学生只需要应付考试时，这套理论没什么问题，但如果你的工作环境是在炮火连天中规划部队行动，那么你的训练项目或许也应该包含一些「外在认知负荷」吧？
- 这种训练方法糟糕的第四个原因是，当技能领域发生变化时，更新培训项目变得异常困难。这一点在商业和军事环境中都至关重要——设想一下，如果（商业中的）市场环境变化，或者叛乱分子改进了他们的简易爆炸装置（IED）战术，你就需要快速更新你的培训项目。但是层级化的教学大纲本身就难以更新。应该更新哪一课？哪个复杂程度？哪些先决条件需要改变？有太多的活动部件（牵一发而动全身）。训练更新理应更加容易。与此同时，士兵们却在没有接受更新训练的情况下被部署到前线，然后牺牲。
- 这种训练方法糟糕的第五个原因是，外部评估常常削弱学习者在实地的感知构建（sensemaking）能力。换句话说，极其清晰的反馈有时反而会阻碍学生有效地从经验中学习，这可能会减缓他们在进入真实世界领域后的学习速度。
那么，你该怎么办？如果你无法设计层级化的技能树，该怎么办？如果逐步增加复杂性的方法行不通，又该怎么办？
答案是：走捷径。
我之前谈到过心理学中的自然决策（Naturalistic Decision Making, NDM）这一分支。NDM 领域包含了一系列用以提取专家内隐心智模型的方法。这些方法大致归类于「认知任务分析」（cognitive task analysis, 或简称 CTA）名下，是在应用领域经过 30 年发展而来的。我在我的隐性知识系列文章中写过 NDM，也分别在这里和这里介绍过 ACTA——CTA 中最简单的一种形式。我建议你把这两篇都读一下。
一旦你清晰地阐述了你想要达成的专业技能所对应的专家心智模型，你就可以问一个更简单的问题：我可以设计出什么样的模拟情境，来激发学生在脑中构建出相应的专家心智模型？
CTA 能让你做到的，就是提取出专家头脑中实际拥有的专业心智模型。这让你能够绕开设计完善的层级化技能树这一难题。一旦你清晰地阐述了你想要达成的专业技能所对应的专家心智模型，你就可以问一个更简单的问题：我可以设计出什么样的模拟情境，来激发学生在脑中构建出相应的专家心智模型？
这一核心见解，正是当今许多成功的加速专业技能培训项目的基础。
基于此，本书推荐的加速专业技能培训项目的通用结构如下：
- 识别领域专家。 该书提供了四种识别专家的方法——(1) 通过深入的职业生涯访谈了解其教育背景、培训经历和工作经验，(2) 考察专业标准或资格认证，(3) 评估他们在熟悉任务中的实际表现，以及(4) 社交网络分析（向从业者群体询问谁在哪些领域堪称大师）。
- 对已识别的专家进行认知任务分析（CTA），提取其专业技能。根据所使用的具体 CTA 方法，这一步最初可能需要几个月时间，并且需要对多位专家（有时也包括一些新手）进行多次访谈，才能有效地完成提取工作。
- 在进行第二步的同时，你将建立一个包含疑难案例的案例库。 存储这些案例，并根据难度指标对其进行分类编码。你可以请专家协助进行分类编码工作。
- 接下来，将你的案例库转化为一系列训练模拟情境。 这一步有点像一门艺术——研究人员表示「目前尚无一套通用的原则来指导如何设计出好的模拟情境」。他们知道与现实世界保持认知保真度是关键——但这种保真度需要达到多高呢？这方面的训练项目形式多样，从（使用 VR 头显的）完全虚拟模拟，到海军陆战队采用的纸笔决策练习（称为「战术决策游戏」）不一而足。
- 有些训练项目设计要求学习者自行进行感知构建（sensemaking）——即内省和反思他们从每次模拟中学到了什么。另一些项目则包含来自更有经验的从业者或在第一步中被识别为「专家」的人员的反馈。
- 有些训练项目可能会预先呈现抽象或普适性的原则，然后在训练模拟中对这些原则加以强调。例如，海军陆战队有一条关于战场计划被打乱时的经验法则：「持续移动，抢占高地，保持联络。」这是明确教授的。
- 最后，测试项目：让学习者完成你设计的一系列从易到难的训练模拟。 这也需要一定程度的调整——作者指出，某个领域中的「难度」是复杂的，可能需要反复试验才能找出合理的案例排序或良好的分类方案（更高级的学习者应分配更难的案例，否则你可能会构建或强化知识护盾）。
- 模拟训练中的反馈有时是定性的、多因素的。有些练习，如 Gary Klein 的「影子盒」（Shadowbox）方法，会在呈现的场景到达关键决策点时提出多项选择题（例如，「在心脏骤停的这个时刻（定格视频），你认为哪些线索是重要的？」）。学习者随后将自己的答案与专家的答案进行比较，并反思自己遗漏了什么。其他形式的反馈则不我们稍后会接触一个真实世界的案例，但我想先点出这种方法的几个显著特点：
- 注意案例库和模拟情境易于更新的特点。如果战场环境发生变化，精通认知任务分析（CTA）的培训项目设计师可以被部署到前线进行技能提取，然后返回将这些新提取的内容转化为额外的训练模拟情境。
- 技能保持与这种方法高度兼容——经验丰富的从业者可以参与一个间隔重复训练计划，定期进行模拟训练。或者，如果从业者无法进行模拟训练（例如，因为他们被派往离训练设施过远的地方），一种替代方案是在其调岗前进行「过度训练」——即密集的模拟训练，这能带来较为平缓的技能衰退速度。不过对此有两点需要注意：首先，间隔重复主要被证明对知识保持有效，对技能保持的效果证据尚不充分；其次，总的来说，研究表明技能往往比知识保持得更长久。作者指出，我们目前在技能保持方面仍缺乏良好的实证基础。
- 完全不做基础技能训练似乎有些极端——但作者指出，训练模拟并不排斥基础技能的教学。
- 对于这种训练方法，一个常见的反应是：「等等，如果新手没有任何基础概念训练，就被直接扔到真实世界的任务中，他们不会感到迷茫和不知所措吗？」——这当然是一个合理的担忧。公平地说，书中的方法可以与某种形式的前期原子化技能训练相结合。但值得反思的是，如果这种进步感是以牺牲真实世界表现为代价换来的，那么新手体验到的这种「人为的进步感」是否真的有益？作者们基本上对此不以为意，他们的态度（我转述一下）大致是：「嗯，你到底想不想要加速专业技能养成呢？」用更正式的学习科学术语来讲，这种「不知所措」的感觉或许最好被视为一种「合意困难」，并且可能是为了达成加速目标而付出的可接受代价。
- 我注意到，感知构建（sensemaking）在书中许多训练项目中扮演着关键角色。模拟训练使得培训师可以选择要求学生自行进行感知构建——并由此学习——而不是一味寻求明确的反馈。这并非总是可行，但通常是个好主意，因为现实世界领域的技能精通源于有效的反思。因此，许多训练项目会引导学习者去反思那些动态的、混乱的反馈信息。
为了简洁起见，书中还有许多其他有趣的想法我无法在此一一深入。例如，第 14 章提出了一个极具启发性的观点，即案例库可以作为「组织知识管理」的基础：
案例经验对于达成高水平熟练度至关重要，因此可以认为，组织需要建立非常庞大的案例库，以用于培训（同时也为了保存组织的集体记忆）。如果在学习者处于关键学习时刻时，能够提供「恰到好处的案例」或一组案例，那么基于案例的教学效果将大大增强（Kolodner, 1993）。这也说明需要大量的案例来覆盖各种可能的突发情况。创建和维护案例库涉及到案例的组织、良好的检索机制以及智能索引——所有这些都是为了确保「前事不忘」而非「后事之师」。
例如，美国海军陆战队就拥有一个庞大且不断扩充的「战术决策游戏」（Tactical Decision-Making Games, TDGs）库，这些游戏基于各种真实或虚拟的战场情境构建而成；它们代表了海军陆战队集体作战专业技能的宝贵资料库。
日落时分的电力线路。
作者指出，这种方法不仅限于军事应用。以发电领域为例，其中一位作者曾负责一个项目，旨在捕获即将退休员工队伍中的隐性专业技能：
（在电力公司里）获取和灌输那些处于「钟形曲线（正态分布）中部」的知识是很容易的，但在一个发电厂，比如说 1500 名员工中，大概只有 5 个人是不可替代的。当（注意，不是如果）需要他们的时候，必须付出巨大努力将高端的技术智慧传授给少数特定的关键人员，这些人的价值在于他们能处理某些特定学科边缘地带的棘手问题（例如，那些能让公司避免负面新闻曝光的人；那些能确保周一晚上巨人体育场灯火通明的人）。这些顶尖或「王牌专家」有时甚至能改变任务执行方式，从而提升整个组织的韧性（Hoffman et al., 2011）。举个例子，当一座含有大量石棉的中继站建筑发生火灾时，一位专家的创新解决方案是：封锁整栋建筑，将内部冲洗物汇集到一个雨水渠中，然后从那里集中清理残骸。整个过程只花了几周时间（而非通常所需的数月），既保护了公众和环境，也避免了事件见报。
虽然达到专家水平可能只需要大约 10 年，但通常需要 25-35 年才能达到非常顶尖的熟练程度。这部分原因不仅在于能够用于进一步提升技能的有意义的真实世界经验的频率，还在于领域的复杂性和技术的生命周期。（例如，公用事业公司直到最近才开始从模拟控制转向数字控制。）关于纽约市面临的工程挑战有很多故事。工程师们必须维护和整合建于不同时代的众多子系统。一位资深的继电保护系统工程师退休后，由四位各有 10 年经验的工程师接替。但这还远远不够。（黑体为我所加）当一辆汽车撞上电线杆导致两条线路跳闸时，两条线路都瘫痪了。这两条线路上涉及数十种不同的继电器和数十种不同的继电保护方案，有些已有 50 年历史。最终不得不请回那位退休工程师来处理这个紧急状况。
换句话说，那些用作训练的疑难案例库，同样可以兼作专业技能的存储库。
那么明确。美国海军陆战队的「战术决策游戏」是在群体环境中以纸笔形式进行的，由一两位经验更丰富的指挥官引导。反馈是有机的，自然产生于小组讨论中。Lia DiBello 的「战略演练」是在企业内部以小组形式进行的，在模拟失败后，仅给参与者提供三个问题进行讨论：(1) 哪里出了问题？(2) 这次我们将采取哪些不同的做法？(3) 我们如何知道新做法正在奏效？有时，这还会结合一个由培训师引导的建设性练习。
后续请看译文：
Thoughts Memo：加速专业技能养成