← 返回目录

学习环境真的很重要吗？

学校≠教育≠技能；文凭溢价=80%信号传递+20%人力资本

358 👍 / 12 💬

问题描述

学习环境极其重要，甚至比你想象的还要重要。但我们通常所说的「环境」可能理解得过于狭隘了。

一个好的学习环境，其核心在于它是否「友善」，而不是它看起来有多光鲜亮丽。这里的「友善」，是心理学家 Robin Hogarth 提出的一个特定概念，它指的是一个能让你培养出有效直觉的环境。

一个「友善的学习环境」具备以下几个关键特征：

  1. 它能提供清晰、即时的反馈。 你做的每一个决定、采取的每一个行动，都能很快得到明确的结果反馈，告诉你这样做是对是错，效果如何。没有反馈或反馈模糊的环境，是「险恶的」——就像急诊室的医生，他们很少能看到自己治疗方案的长期效果。

  2. 它让你有机会反复练习并学习相关的线索。 一个友善的环境会让你反复接触到特定模式，从而内化那些真正有效的因果关系。

  3. 它能帮你区分技能和运气。 通过复盘和记录，你可以分析出成功或失败中，有多少是源于你的能力，有多少是随机因素。

为什么这很重要？

因为大多数人，尤其是进入了结构不良的领域（比如商业、投资、软件工程等）之后，往往会身处一个「险恶的」学习环境中。在这些领域，反馈是延迟的、模糊的、充满噪音的，你很难判断自己的决策是否正确。在这种环境下，你积累的经验很可能是在强化错误的直觉。

这和你的关系是什么？

最关键的一点是：你可以，也必须，主动为自己构建一个更「友善」的学习环境。

这与你身处的领域是「结构良好」（如数学）还是「结构不良」（如商业）无关。一个医学领域的医生，尽管医学本身是一个相对「友善」的领域（疾病有规律可循），但他的实际工作环境（如急诊室）却可能是「险恶的」。反之，一个投资者，尽管投资本身是一个「险恶的」领域（市场充满随机性），但他可以通过记决策日志、做案例复盘等方式，为自己创造一个相对「友善」的学习结构。

总结

学习环境的重要性，不在于它是否能提供抽象的「概念」或「原则」，而在于它是否能提供一个友善的反馈回路，让你能够通过实践来打磨和校准你的直觉。

因此，无论你学什么，都应该主动去寻找或创造这样的环境。问问自己：我如何能得到更清晰、更即时的反馈？我如何能系统性地复盘我的决策？我如何能区分哪些是我的能力，哪些只是运气？

能回答并解决这些问题的环境，就是好的学习环境。而一个看似资源丰富，却无法提供这种反馈回路的环境，无论多么光鲜，对你真正能力的提升都可能是「险恶的」。

以下内容摘自 @Thoughts Memo 汉化组的译文《结构不良的领域不一定「险恶」》

两周前，我们探讨了[1]认知灵活性理论（Cognitive Flexibility Theory, CFT），这是一种关于在结构不良的领域中培养适应性专业知识的理论。该理论试图解决的核心问题大致如下：「专家如何应对其领域内出现的新情况——即那些他们从未见过的事物？」我们讨论了这一问题的答案如何为我们改进笔记方法指明方向，解释了从历史中学习何以具有实际效用，并阐明了结构不良的领域的专家是如何通过类比（而非第一性原理）进行推理的。 一周之后[2]，我们探讨了该理论引申出的若干二阶启示——也就是说，如果你打算将该理论付诸实践，几乎必然会遇到的一些观点。

本周，我们将审视一些需要注意的方面。

在结构良好的领域，概念「确实」更为重要

在我最初那篇关于认知灵活性理论的文章中，我曾浓墨重彩地强调[1]过，在结构不良的领域，从案例中学习即便不说比从概念中学习「更」重要，至少也是「同等」重要的。我之所以认为这一点值得关注，是因为它有悖于我们在学校习以为常的那套教学模式——在学校里，概念往往被视为更具价值的知识；而案例则通常被当作可有可无的点缀。

然而，对于这一观点，有一个重要的补充说明——这一点从前文「……在结构不良的领域中」这一限定语便可见端倪。在结构良好的领域，概念「仍然」比案例更为重要，而且依据第一性原理进行推理「通常」也比运用类比推理更为有效。也就是说，认知灵活性理论为在结构不良的现实世界领域中学习提出了一系列有趣且突破常规的建议，但你可千万别试图将其理念应用于数学、计算机编程，甚至是法语学习这类领域。

「结构不良的领域」的正式定义是：「对于相同名义类型的案例，概念的实例化呈现高度可变性」——换言之，你的领域或许拥有诸如「竞争优势」、「规模效益」或「心脏病发作」等概念，但这些概念的具体表现形式却「极度」依赖于具体的语境。

但并非所有领域都是结构不良的。数学、法语和计算机编程都属于结构异常清晰的领域：无论你是今天、明天还是后年参加考试，解二次方程的方法都是一样的；Python 的 for 循环在你编写的每一个 Python 程序中都以相同的方式运作。同样，尽管法语的规则（如同所有自然语言一样）丰富且略有变体，但它们「绝不」会因为你说的每一句话而改变。

（是的，你们当中那些了解语言教学法的人在这一点上可能会提出异议。正如我们稍后将看到的，第二语言学习有点像一个中间地带——介于结构良好和结构不良的之间，在过去四十年的学习理论中，这两种领域的特征都有所体现。但我选择语言学习这个例子是有原因的，我们稍后会谈及此点。）

将这些例子与软件工程对比一下。随着时间的推移，一位经验丰富的软件工程师或许会习得若干启发式方法，从而能够更准确地预测功能开发的时间表，但每一个功能本身都是独一无二的。为了预测某项特定任务，工程师必须考虑诸多不同因素：代码库的当前状态（有些状态较好，有些则不然）、功能的复杂程度（有些功能难度较高，有些则不然）、问题领域的模糊程度（我们是否清楚自己「真正」需要解决的问题是什么？），以及团队运作所处的信息环境（负责该功能的工程师是否掌握完成该功能所需的知识？）。

由于存在所有这些变数，认知灵活性理论提醒我们，你通常「无法」从案例研究中进行普适性的归纳。它还告诉我们，试图反其道而行之——即，尝试应用那些实际上依赖于特定情境的「普适」原则——往往会导致失败。因此，如果你已经高度适应传统教育体系，认知灵活性理论所提倡的做法可能会让你感到惊讶：它告诉你，结构不良的领域的专家是通过与过往案例进行类比来推理的；它主张你应该研究案例的全部丰富细节，「无需」进行抽象化，并且你应该在脑海中储存一系列案例，以便能够通过与你已见案例的片段进行比较来展开推理。

然而，你应该注意到，认知灵活性理论的所有建议在某种程度上都是低效的。事实上，我甚至敢说，如果你身处一个结构良好的领域，那么认知灵活性理论所倡导的那些建议应该被视为「极其」低效——低效到你应当主动规避其观点的程度。我认为，这一点是符合直觉的。如果你拥有概念，并且你的领域能够清晰地展现这些概念——那么，务必去学习这些概念。如果你能将大量的案例简化为一两条简单的原则，你将为自己节省下巨量的时间。

我说这些，主要是因为人们很容易在读了认知灵活性理论（CFT）后便高呼：「案例比抽象原则更重要！」，并鼓吹类比思维超越第一性原理思维的力量。但这实际上取决于具体的领域。关于 Elon Musk 对第一性原理的钟爱已有诸多论述——甚至到了有些励志网站宣称第一性原理思维便是 Musk 高效与成功的秘诀的程度。但我所见过的大多数 Musk 将事物拆解至第一性原理「并且」取得成功的具体案例，往往发生在某些结构更为良好的事物领域——比如，硬核的火箭工程，或者通过计算制造星舰的「实际」材料清单来颠覆数十年的行业定论。工程师们普遍信奉第一性原理思维至高无上并非偶然：当你在工程领域解决问题时，通常是第一性原理推理能让你走得最远。

好吧，好吧，我明白你的意思了。工程领域确实如此。那么语言学习呢？

我先前特意提及学习法语是有原因的。广义而言，语言学习主要有两种途径。第一种途径是学习语言的规则——即语法，辅以一定的词汇量，并通过教学、反复操练和实践融会贯通。如果你现在去上语言课，这很可能就是你将接受到的教学方式。第二种途径则是像幼儿学语那样：也就是说，大量接触语言样本，侧重于沟通交流而非语法正确性，然后，通过量的积累，学习者最终会内化形成对该语言语法规则的感觉。我在此仅描述了两种主要途径，其实是略过了语言教学法漫长的发展史——我的意思是，世界各地的语言学习者都在通过上述两种方法的某种结合来进行学习，这与我们最初在认知灵活性理论中看到的关于案例（语言样本）与概念（语法规则）的讨论有一定程度的相似性。

这意味着什么呢？在这一点上，我认为将结构性视为一个连续的谱系会很有帮助。如果我在脑海中划一条想象中的线，那么计算机编程和数学会位于谱系中结构良好的那一端；而商业则会位于结构不良的那一端。语言学习则处于中间的某个位置。换一种更详尽的说法就是，语言基本上遵循一套固定的语法规则，但在实际使用中也表现出一定的变通性（比如，如果我们在 Twitter 上，我引用一张心满意足的猫的图片并配文「it me」，你就会明白我是在开一个 lolcat 式的玩笑，而并非我的语法水平很糟糕）。

我认为，对于实现最佳语言学习效果，普遍的实践者观点是两者兼顾，取长补短——也就是说，如果你想达到高水平的法语熟练度，务实的做法是既要进行概念学习，也要辅以类似「多跟法国人聊天，哪怕把他们给说烦了」的那种自然习得过程。如果说有什么可以推广的经验，那就是：如果你所处的领域中存在能够稳定呈现的概念，那就去学习它们。认知灵活性理论恰恰解释了当这种情况不复存在时，专家们会怎么做。此外，它还解释了为什么那些在课堂上（以及应试环境中）非常奏效的学习策略，在现实世界中往往无法产生同样积极的效果。结构不良的领域，只不过是需要一种不同的应对方法而已。

最后一点说明：你可能注意到我把投资放在了谱系的最末端，甚至比商业的例子更靠后。哦，你可能会问，为什么投资会在那里？我认为这个问题值得另行探讨。

结构不良的领域并非必然「险恶」

心理学家 Robin Hogarth 在其2001年的著作 Educating Intuition 中，引入了「友善的」与「险恶的」学习环境这一概念——即某些环境能够促成有效的专家直觉，而另一些过于「险恶的」环境则会导致错误的直觉，并因此滋生傲慢。这种「友善的」与「险恶的」二分法。这一观点在 Gary Klein 和 Daniel Kahneman 所著里程碑式的论文 Conditions for Intuitive Expertise 中再次得到论证，并在 David Epstein 的科普畅销书 Range 中进一步普及开来。

我此前从未读过 Hogarth 的这本书——至少在为本文做准备之前没有。如果我仅仅依据 Epstein 的描述，或是 Kahneman 和 Klein 在他们2009年论文中的论点，我会以为 Hogarth 的论点是关于特定领域所固有的「友善」或「险恶」属性。例如，Kahneman 和 Klein 在他们的论文中提出了如下论断：

这个识别模型意味着，一个直觉判断（识别）要真正称得上是专业技能，必须满足两个条件：首先，环境必须能够为情境的性质提供充分有效的线索。其次，人们必须有机会学习这些相关的线索。

随后，他们对选股的有效性表达了怀疑：

我们所说的有效性，描述的是相关环境的因果关系和统计结构。诸如一栋建筑即将在火灾中倒塌，或者一个婴儿将要表现出明显的感染症状这类情况极有可能存在某种征兆。但另一方面，我们不太可能找到公开信息来预测某只特定股票未来的表现——如果这类有效信息真的存在，那么股票的价格早已将其消化殆尽。因此，相比于相信交易员对某只股票的直觉，我们更有理由相信经验丰富的火场指挥官对建筑物稳定性的直觉，或是护士对某个婴儿状况的直觉。我们可以有把握地预期：对专业人士思维方式的细致研究，在上述前几种情形中比在后一种情形中更有可能揭示出有用的预测性线索。

这套推理思路曾困扰我许久。在选股这个领域，直觉专业知识是否可能存在呢？至少根据 Kahneman 和 Klein 的说法，答案是否定的。这便引出了一个问题：在公开股权投资领域，究竟存在着怎样的专业知识？如果在投资中直觉不足为信，那么这类专业知识又包含哪些其他要素呢？

对于这些问题，我尚无明确答案，但我对「友善的」与「险恶的」学习环境——即 Kahneman 和 Klein 认为对培养直觉专业知识至关重要的那类环境——有了更深入的理解。这正是我们今天要探讨的内容。

我最初的设想是，Hogarth 的研究为 Kahneman 和 Klein 的观点奠定了基础，并且，那些能够提供充分有效线索的环境（友善型）与那些不提供此类线索的环境（险恶型），不过是从业者工作环境中一些不可改变的固有属性。

但我后来发现自己错了。Hogarth 的论点比我最初预想的要精妙得多。当你阅读 Educating Intuition 时，你会很快意识到，Hogarth 的论点关乎各类学习结构与直觉专业知识发展之间的关系：在「险恶的」学习结构中产生的直觉应当受到质疑，而在「友善的」学习结构中培养起来的专家直觉则可以被认为是有效的。然而，至关重要的是，Hogarth 指出，你可以影响自己直觉的有效性——而实现这一点的方式，便是通过选择你在其中培养专业知识的学习环境类型。

换言之，「友善的学习结构」和「险恶的学习结构」与一个操作领域本身的「友善性」或「险恶性」是相互独立的。投资可能是一个「险恶的」领域，但你可以构建更为「友善的」学习环境来为投资专业知识的培养提供支持。而医学领域很可能是一个「友善的」学习领域（因为疾病存在有效的因果和统计线索，尽管其间存在巨大的变异性）——但作为一名执业医生，你却可能发现自己身处一个「险恶的」学习环境中。事实上，Hogarth 在他的书中就给出了一个这样的实例：

不妨设想一个在医院急诊室工作的医生——这是一个险恶的学习环境的典型案例。急诊室工作人员很少看到治疗的结果。在患者轻微受伤或疾病的情况下，他自己的医生将为他提供后续的护理。在更严重的受伤或疾病的情况下，患者将被转移到不同的病房进行进一步评估和后续护理。因此，急诊室工作人员不能依赖长期反馈；他们只能观察短期内发生的事情。他们也很少有机会进行实验，并且通常无法知道手头的任务是宽松的（许多疾病可以用抗生素治疗）还是严格的（呼吸急促是许多疾病的症状，有些是轻微的，有些可能危及生命）。

你如何判断一个领域是「友善的」还是「险恶的」呢？Hogarth 为我们提供了一些线索。在其著作 Educating Intuition 中，他提出了一系列问题，用以评估你自身的直觉：

  1. 将你的学习结构与已知的例子进行比较。例如，它更像是职业网球运动员那样的（友善型），还是更像急诊室医生那样的（险恶型）？

  2. 过去你做过多少次这类判断或决策？你真的清楚自己的过往记录吗？请记住，对直觉的信心可能是一把双刃剑。除非有某些事情让我们明确意识到过去的错误，否则以往多次做某事的经验会让我们相当自信。但这种自信未必站得住脚。

  3. 你过去收到过什么样的反馈？

  4. 这种反馈是否清晰，也就是说，明确无误？例如，「工作表现相对成功」这样的标准可能就相当模糊。

  5. 反馈有多即时？换言之，你是否在做出判断或采取行动后很快就得到了反馈？

  6. 反馈是否在任何方面受到了损害？例如，它是否可能因为自我实现的预言或其他行为而产生了偏差？

  7. 在这类过往情境中，运气扮演了怎样的角色？

  8. 这是否重要？如果答案是肯定的，那么对其进行详细分析将是值得的。切勿仅仅依赖直觉。

这些问题可以反向应用，从而为你自己寻找或创建「友善的学习环境」提供建议。例如：

回想一下，认知灵活性理论（CFT）是一种学习理论，它源于旨在加速医学专业知识培养的研究工作。从这个角度看，认知灵活性理论的学习系统，不过是一种尝试，旨在为医生提供比他们被迫通过现实世界经验积累案例时更为「友善的」学习结构。

所以我的观点是：一个领域的「结构不良性」与其「友善性」或「险恶性」是分离的属性。你有可能本在一个结构良好的领域中工作，却身处一个「险恶的」学习环境（比如反馈——鬼知道什么原因——就是不给你）；或者，你也有可能在一个结构不良的领域中工作，却拥有一个相对「友善的」学习环境（在这种环境中，你可以相对容易地在长时间内追踪那些高度可变概念的决策结果）。

可以说，投资领域比商业领域更为结构不良——概念的变异性会因你所关注的行业和部门而显著增大；长期的行业格局、市场参与者以及市场结构都倾向于在数年间发生演变。但是，选股本身固有的那种「险恶性」或许可以通过采纳一些最佳实践而在一定程度上得到改善——例如，决策日志在投资者群体中的普及程度远高于普通大众，这并非偶然；同样，定量和定性案例研究在机构投资中更为普遍也并不令人意外。这类实践有助于创造一个比市场本身更为「友善的」学习环境。

让我们来总结一下。今天我们讨论了哪些内容呢？我们一直在探讨认知灵活性理论（CFT），这是一种学习理论，它为在各种结构不良的现实世界领域中培养专业知识提供了诸多有趣的建议。我们讨论了以下几点需要注意之处：

  1. 首先，认知灵活性理论的建议主要适用于结构不良的领域。我们审视了当这些建议被用于结构良好的领域时，其效率会变得何等低下。

  2. 其次，我们讨论了技能领域是如何分布在一个从结构良好到结构不良的连续谱系上的。某些领域，例如第二语言学习，则处于两者之间的某个位置。在这类领域学习，可能需要同时学习案例和概念。

  3. 第三，结构不良的领域并非必然「险恶」，而且「险恶的学习结构」可能存在于所有类型的领域中。我最近和一位读者交流，他告诉我认知灵活性理论为他在「险恶领域」中更好地学习提供了指引。我说我对这种说法感到有些不自在，并且我会更深入地研究相关文献，看看它们是怎么阐述的。最终，最令我信服的解释是：认知灵活性理论为你提供了一套在结构不良的条件下进行学习的指导方针，但你仍需主动去寻找「友善的学习环境」，或者为自己创造出这样的学习环境。

不管怎样，我发现这种区分令人振奋——它意味着，无论你身处何种类型的领域，或者这些领域有多么结构不良或多么「险恶」，其实都无关紧要。通过努力，你依然能够为自己构建更为「友善的」学习环境。如果这都不能带来希望，我不知道还有什么能了；我希望你也觉得这个想法能为你赋能。

上一篇：

原则本身并无用处

下一篇：

认知灵活性理论：规则
Thoughts Memo 汉化组译制
感谢主要译者 gemini-2.5-pro-exp，校对 Horla lu、Jarrett Ye
原文：Ill-Structured Domains Aren't Necessarily Wicked - Commoncog
作者：Cedric Chin
最初发布于 2022 年 2 月 23 日，最后更新于 2022 年 7 月 6 日。

相关专栏

Cedric Chin

相关知识库

隐性知识 & 结构不良领域

参考

1. 如何通过记笔记成为专家 ./1906644198037365763.html
2. 原则本身并无用处 ./1915334623606605743.html

← 返回目录