如何科学利用神经科学原理提高学习效率？

要实用的话还是别碰神经科学了，因为你不太可能从分子和电信号层面来刺激神经细胞强化学习。

如果你实在闲着没事要看，试试这篇，如果没被劝退，那你骨骼惊奇：

对于在职场的专业技能提升，我建议抛开学生思维，别管学校那一套了，然后了解一下隐性知识相关的研究。

为什么呢？让我们先做个假设，假设你是一位职业培训项目设计师，需要让一群职场新手在短时间内达到胜任水平。你会怎么做？

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」。

专业技能领域的研究人员会说：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。

1. 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。
   
   
2. 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。
   
   
3. 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）。
   
   
4. 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。
   
   
5. 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？
   
   
6. 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。
   
   
7. 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^[1]，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？

我推荐看看这篇文章中介绍的方法：

以下内容摘自 @Thoughts Memo 汉化组的译文《更有效的模仿：如何习得专家的隐性知识》
注：这是关于隐性知识系列^[2]的第 2 部分。请点击这里^[3]阅读第 1 部分。

假设你相信隐性知识的确存在。同时假设你也认同隐性知识主要是通过模仿、学徒制和沉浸式学习获得的。

那么很自然地会产生这样的疑问：有没有方法可以更高效地掌握它？是否有研究告诉我们如何优化模仿能力，或者提升学徒制的学习效率？我在之前的文章中提到，自然决策（Naturalistic Decision Making, NDM）领域是我发现的最具发展潜力的专家技能研究分支领域；文中还提到，学习 NDM 的理念和方法对我个人精进专业能力起到了最显著的影响。

这篇文章将具体阐述这些方法。

两点说明

在开始之前，有两点需要快速说明。

首先，我必须承认我对「隐性知识」这个术语的使用并不严谨。「隐性知识」源自认识论领域，这是一门研究真理的哲学分支。通过将「隐性知识」定义为「不能仅通过文字表达的知识」，我可能让自己面临各种概念混淆和学术上的吹毛求疵。

在为这个系列选择这个术语时，我已经意识到了这一点。

让我们快速了解一下「隐性知识」这个概念中令人困惑的诸多方面，以便你理解我刻意跳过了哲学文献中的大部分内容：

• 隐性知识可能是「具身化的」——也就是说，像骑自行车或挥动网球拍这样的活动与身体相关，而不一定与有意识的思维相关。一些哲学家认为，这类技能是一种特殊类型的隐性知识，与编程、设计和写作等更偏重脑力的领域中的隐性知识有本质区别。（我个人不认同这种观点，但要论证为什么他们持这种观点需要约 50 页的篇幅，所以我们不会深入讨论这个问题）。
  
  
• 许多类型的隐性知识可以被转化为显性知识：例如，骑自行车或踢球可以在研究论文中被转化为一系列物理方程式。这是一种显性知识，它可能有助于你制造一个会骑自行车或踢球的机器人。但从教学角度看，这种形式的显性知识毫无用处：它无法帮助你学会骑自行车或踢球。那么，这究竟是隐性知识还是显性知识？或者它兼具两者的特性？
  
  
• 那些可以通过视频或图片传达的隐性知识又该如何分类呢？我可能无法仅通过文字向你解释如何完成一系列复杂的瑜伽姿势，但如果我录制一段简短的视频，或绘制一系列图表，你可能就能学会。这种知识是隐性的还是显性的？
  
  
• 再来看组织层面的隐性知识。1988 年，大野耐一出版了《丰田生产系统》（Toyota Production System, TPS），首次系统阐述了精益制造背后的理念。在此之前，他多年来一直抵制对这些原则进行成文化；大野担心 TPS 的公开会削弱丰田的竞争优势。但事实证明，仅仅出版大野的书并没有导致丰田的竞争对手广泛采用这一系统。更为奇怪的是，那些从丰田挖走 TPS 专家的竞争对手也无法在自己的公司复制丰田的系统。似乎 TPS 需要在系统实施的同时发展相应的组织文化。这一现象催生了关于组织隐性知识的一个完整的研究分支。

我在此直接说明，这些问题对我而言都不特别有趣——至少在本博客的语境下不是。这是一个实践者的博客：我关注的是什么有用，而非什么是「真理」。如果你是哲学家，或者是熟悉维特根斯坦、德雷福斯或波兰尼的网络论坛上的吹毛求疵者，这些问题的答案对你可能很重要。但如果你是一名实践者，当你观察到公司里某位同事展现出高水平的专业技能时，你可能对这些问题的答案毫无兴趣。你只想学习如何习得那位更有经验的同事头脑中的知识。

因此，这是我绕过上述所有讨论的方式：当我在本系列中提到隐性知识时，我真正关注的是「专家直觉」或「专家判断」。这就是我在第 1 部分^[3]中提到的「充满各种注意事项的专业知识」。专家直觉之所以是隐性的，正是因为它极难研究、极难明确表达，也极难教授。

当我在本系列中谈论隐性知识时，我真正感兴趣的是「专家直觉」

原则上，许多形式的专家直觉是可以被明确表达出来的：如果你能找到恰当的技能娴熟的实践者，或者能接触到受过 NDM 传统训练的人，他们可能能够提取并解释那些支撑实践者表现的隐性专业知识心智模型。但这给我们带来了两个问题：

1. 首先，你可能在自己的领域中找不到这样的人。即使在判断和决策领域，NDM 研究也被视为小众；同时兼具高水平专业知识和能将这种专业知识提炼为具体原则能力的人极为罕见。
   
   
2. 其次，如果你想获得他们的技能，这样的解释可能对你帮助不大。（想想骑自行车的物理方程——这些对学会骑自行车毫无帮助！）同样，一位专家程序员可能会解释她的判断——充满各种注意事项和陷阱！——但这对你来说可能用处不大。

我在之前的文章^[3]中已经简单提到了这两个问题。我认为，问题的核心在于，无论你所在领域的隐性知识是否可以被明确化，对你而言，假设它不可能被明确化反而更有用。这种立场能让你自由地寻找不仅仅依靠解释的学习方法。

我的第二个注意事项是：即使隐性知识非常令人困惑，引入这个概念仍然很有价值。我发现，当我直接向人们解释 NDM 时，他们通常对这些理念不太感兴趣。但如果我先解释隐性知识的概念——即某些形式的知识，嵌入在人类专业技能中，无法仅通过文字捕捉——他们会立即将这种现象与自身经验联系起来，然后对我热情讲述的 NDM 培训方法变得更加接受。

所以，考虑到这两点注意事项：让我们开始吧。

自然决策者是怎么做的

为了更好地通过模仿学习，我们需要理解我们所追求的隐性知识的本质。将这种隐性知识称为「专家直觉」的危险之处在于，人们很容易听到「直觉」一词就认为「哦，所以这种东西我们无法学习，继续前进吧。」

但事实并非如此。整个 NDM 研究领域就是围绕着获取专家直觉，提取它并将其转化为组织（大多数情况下是军队）的培训项目而建立的。在许多这类项目中，组织会衡量培训成果，发现改进之处，支付研究人员费用，然后让研究人员转向下一个项目。

他们是如何做到这一点的？

据我所知，NDM 研究人员的工具箱中有三种工具。首先，他们进行所谓的「认知任务分析」（Cognitive Task Analysis, CTA），这是一套旨在阐明专业知识隐性心智模型的访谈技术。这并不是一项容易的任务。早期版本被称为「关键决策方法」，它专注于专业知识驱动表现的「棘手案例」，目的是引出从业者头脑中正在发生的思考过程。如今，这套技术更加庞大，它们都被归纳在 CTA 的大伞下。

如果你研究心理学方法的发展历程，就会发现 CTA 实际上是行为主义者用来分析实验条件下心理效应的旧技术的延伸。（例如，Paul Harmon 在这里谈论了这种演变）。NDM 研究人员通常在项目开始时进行认知任务分析——这就是他们从所研究的专家那里提取隐性知识的方式。

其次，许多 NDM 研究人员依赖一种称为识别启动决策模型（recognition-primed decision, RPD）的专家直觉模型。这个模型由 Gary Klein 和他的合作者在 90 年代开发，是他们理解专家直觉的核心。RPD 解释了专家直觉如何运作，它揭示了为什么专家在解释自身专业知识时会遇到如此多的困难。NDM 从业者在访谈过程中使用 RPD 模型作为指导，同时也将其作为开发培训项目的框架。

识别启动决策模型是理解专家直觉的核心。

第三点，也是最后一点，NDM 研究人员开发了专门的培训项目，旨在让经验较少的从业者能够获得自己的专家判断能力。NDM 从业者通常对教学技术有一定的了解，但在这方面，他们同样受到 RPD 模型的指导。

看到这些后认为「哦，当你能够将隐性知识明确化时，你只需向人们解释清楚，他们就会理解」，这是一个常见的误解。这并非正确的结论。正如我们即将看到的，专业知识的大部分是隐性的，对于某些类型的专业知识，培训方法本身也必须是隐性的——也就是说，需要围绕复制、模仿和场景训练来构建，而非仅仅依靠明确的指导。NDM 给我们提供的是一种严谨的方法来思考这些问题。

因为 RPD 对 NDM 研究人员的工作如此核心，如果我们想自己应用这一方法，我们应该从这个模型开始，探索它所蕴含的一切含义。

识别启动决策模型

想象一下，如果你处在我的位置，坐在一位高级程序员旁边，他只花了几秒钟浏览你的代码，就给出了几条建议。「你是怎么做到的？」你好奇地问，他回答道：「哦，这只是感觉对了。」

要真正获取他的专业知识，我们必须追问：在那短短几秒钟里，他的大脑中究竟发生了什么？RPD 模型为我们提供了解答的线索。

识别启动决策模型描述了人类在现实世界中解决问题时的思维过程。它告诉我们，当专家在实际环境中遇到问题时，他们的大脑会观察不断变化环境中的情境，并立即将其与脑中储存的一系列原型进行模式匹配。如果他们将所见情境识别为某个原型的实例——即使面对的是非常规情境！——他们的大脑会立即生成四个方面的内容：

1. 一组「预期」——在分析情境时，专家会在脑海中构建事件如何演变及将如何继续发展的模拟场景。换句话说，他们能够预见接下来可能发生什么。他们的经验越丰富，这些预期就越清晰明确。例如，一位经验丰富的消防员可能只需观察现场，就能立即判断火势可能蔓延的方向，或者危险局势可能如何恶化。一位程序员在阅读代码库时，可能发现几处奇怪的临时修补，立即怀疑某个子模块是持续产生 bug 的源头。
   
   
2. 一组合理的目标——专家能够分辨当下应优先处理的事项和可以稍后解决的问题。例如，在遭受攻击时，一位海军陆战队小队长必须在保障队员安全、寻找更好的掩体和完成任务目标之间做出优先级排序。他识别出的情境原型告诉他在特定情境下应该优先考虑什么，从而释放认知资源用于其他形式的思考。同样，一位程序员收到一系列业务需求后，能够根据识别出的情境原型，立即在脑海中生成一个优先级分明的目标清单。
   
   
3. 一组相关线索——专家知道应该关注什么；而新手则不知道。识别出的原型会附带一组线索——例如，当你刚开始学习驾驶时，可能会被需要关注的仪表盘、按钮和后视镜等众多细节所淹没。然而，几个月后，你会自动处理这些事情，并根据不同情境有选择地将注意力转移到车辆的特定功能上。（比如，当转弯时，你知道要检查侧视镜，也知道要留意什么。）
   
   
4. 一个行动方案——最后但同样重要的是，如果情境属于典型情境，专家会在脑海中立即生成一套行动方案。如果情境不典型，专家的大脑仍会生成一系列行动，但专家会放慢节奏，在脑海中逐步推演每个行动步骤。

识别目标、线索、预期和行动是情境识别的组成部分。重要的是要理解，所有这些识别过程都发生在隐性记忆中。这就是为什么专家往往无法用语言清晰表达他们正在做什么。

隐性记忆操作是在潜意识层面进行的。例如，我们识别面孔的能力就是一种隐性记忆操作，我们无法解释它是如何发生的。当你的朋友 Mary 走进房间时，你能立即认出她的脸。但值得注意的是，回忆她的名字则是一个完全不同的过程：这是因为面部识别属于「再认」过程；而名字提取属于「回忆」过程，这两种操作在大脑中依赖不同的子系统。(Gillund & Shiffrin, 1984)

当专家说「这感觉就是对的」时，他们实际上是在表达：他们将当前问题识别为头脑中已有原型的一个实例，这一识别产生了四种副产品；这种隐性记忆操作发生得如此迅速，以至于他们无法用语言描述思考过程。他们只能说「这感觉就是对的！」，就像你可能对一位熟人说：「我认识她，只是想不起她的名字！」

再认过程发生在隐性记忆中，这解释了为什么专家们往往无法用语言表达他们如何知道该采取什么行动。

我们目前探讨的 RPD 模型还不完整。专家有时会遇到与他们头脑中已有经验不匹配的情境。或者，他们发现了违反最初预期的证据。在这种情境下，专家会立即意识到他们匹配的原型有误，于是他们会退回到模式识别阶段。他们尝试构建一个叙述或模拟来解释眼前所见的情境，以便与不同的原型进行匹配。这时，消防员、程序员或海军陆战队小队长可能会选择收集更多信息——消防员可能会后退一步寻找其他烟雾迹象；程序员可能选择深入研究特定子系统；小队长可能决定通过另一条路径进行侦察。

我们的 RPD 模型现在看起来是这样的。红色部分是 RPD 模型的第二个变体，包含了重复的模式匹配循环：

RPD 模型的第三个也是最后一个变体关注的是行动选择。在传统的规范决策理论中，人们会提出多个选择方案，相互比较它们的优缺点，然后选择可能的最佳选项，通常会运用某种期望值计算方法。然而，在现实世界中，Klein 和他的研究团队发现专家们并不默认采用这种策略。相反，他们采用「满足化」策略——选择第一个满足其标准的可行方案。

具体来说，专家会选择一个行动方案，在脑海中逐步模拟其执行过程，然后要么采纳这个方案，要么因为其不足而放弃。他们会反复评估每个设想的行动方案，直到找到第一个满足所有标准的方案。如果他们用尽了所有可能的行动方案，他们会退回到原型识别阶段。但如果他们找到一个在心理模拟中看似有效的行动方案，他们会立即付诸实施。

Klein 在 Sources of Power 第 7 章中解释，像「逐一审视各个行动方案，直到找到一个合适的」这样的策略在以下情况下更为常见：

• 时间压力较大时。
• 人们在该领域拥有丰富经验时。这使他们对自己的判断更有信心，因此他们的大脑会默认采用这种问题解决策略。
• 环境更加动态多变时（意味着情境快速变化，使得决策分析成本高昂，因为之前的分析可能全部作废）。
• 目标定义模糊不清时。

相比之下，人们更可能在以下情况下使用比较评估法：

• 他们需要为自己的选择辩护时——比如向上级解释。
• 涉及冲突解决时（你需要满足具有不同需求的多个利益相关者）。
• 人们经验不足，因此对自己大脑产生的选项缺乏信心时。
• 他们需要优化——也就是说，当他们被要求找到最佳行动方案时。
• 最后，当情境计算复杂度高时——例如，分析投资组合以选择最佳策略。这类任务涉及如此多的考量因素，往往会超出我们大脑中模式识别机制的处理能力。

然而，在大多数情况下，人类的默认反应是采取「满足化」策略：即生成行动方案，然后逐一评估，直到找到第一个合适的就停止。这种策略根据具体情境可能是好是坏：事实上，许多关于认知偏见和启发式的研究认为，正是这种思考方式导致了人类判断的错误。Klein 只是指出这就是我们大脑的运作方式。

这最后的讨论结束了我们对识别启动决策模型的探讨。完整的模型现在呈现如下：

识别启动决策模型之所以有价值，是因为它为我们理解人类专业知识提供了一个框架。当你在某位专家的指导下学习时，实际上发生的是你在隐性记忆中构建原型——即你在识别关键线索、学习合理目标、内化行动方案并储存预期结果。同时，你也在积累必要的经验，以便能在头脑中模拟各种行动方案。

Klein提到RPD与其他专业知识模型相似，如 Lee Beach 和 Terry Mitchell 提出的意象理论、Jens Rasmussen 的技能-规则-知识框架，以及 P. A. Anderson、Wohl 和 Dreyfus 兄弟提出的其他专业知识模型。根据 Klein 在 Sources of Power 第 7 章中的观点，RPD 的贡献主要在于：

• 它似乎描述了有经验的人最常使用的决策策略。
• 它解释了人们如何利用经验做出困难决策。
• 它证明了人们可以在不依赖理性选择策略的情况下做出有效决策。（着重部分为作者后加）

这就引出了一个问题：我们如何应用这一模型？

我们如何应用 RPD 模型？

RPD 模型带来的最显著的成果之一是，我们现在可以利用它进行认知任务分析。换句话说，我们实际上有可能理解高级程序员头脑中的思考过程。

当采访专家时，NDM 研究者总会聚焦于专家经历过的「棘手案例」，以便研究他们头脑中的识别驱动过程。具体而言，CTA 访谈者会建立案例事件的时间线，然后提出问题以引导：

• 他们最先注意到哪些线索？
• 在那个特定情境中，他们预期接下来会发生什么？（预期结果）
• 他们有哪些优先事项（目标）？
• 哪些行动方案立即浮现在脑海中？

这四种副产品是获取从业者隐性知识的途径。

随后，当设计培训项目时，NDM 研究者能够依靠这些已明确的原型和四种副产品来开发有效的培训场景。当然，最终目标是扩充学习者头脑中的经验原型集合。

RPD 模型应该会立即提示某些培训方法。让我们来看看这些可利用的方法，如果你稍加思考，我认为这些应该是显而易见的：

1 系统地扩展你所拥有的原型集合

第一种应用方法自然源于该模型：由于专业知识很大程度上依赖于模式匹配，许多由 NDM 从业者设计的培训项目都致力于扩充学习者头脑中的原型库。

1993 年，NDM 领域先驱 Beth Crandall 研究了一组新生儿重症监护室（neonatal intensive care unit, NICU）的专家护士，他们能「直觉感知」早产儿是否患有败血症——远早于其他护士或医生能够发现的时候。这些护士坚称他们能够通过「直觉」和「经验」来判断，仅此而已。

Crandall 对他们进行了一系列 CTA 访谈，并成功提取出他们注意到的感知线索。随后她被要求将这些发现转化为一个演示文稿，用于她所合作的医院集团中所有 NICU 护士的入职培训。这些护士用来识别败血症的几个感知线索在当时的医学文献中尚属未知；护士们自己也不清楚他们具体在寻找什么，因为他们是在响应一个「完形感知」——婴儿呈现的整体形象。

但 Crandall 对她的演示文稿做了一个重要的改进。她没有像传统讲座那样孤立地呈现这些线索，而是通过一系列故事来展示它们，因为故事能更准确地反映护士在实际工作中可能遇到的各种情况。（例如，「你首先注意到婴儿 George 呼吸变浅。他看起来正常，但血压略微升高。你查看他的病历表……」）

Crandall 通过这些故事尝试扩展听众头脑中的原型库。她明确提出的感知线索只是冰山一角——关键是将它们嵌入护士可能遇到的真实场景中。之后，经验较少的护士可以在有经验的护士指导下学习，他们将共享 Crandall 工作中明确定义的感知线索词汇。

关键在于将这些感知线索融入护士可能遇到的真实场景中。

如果你是一名独立从业者，你如何运用这一见解？一种方法可能是有系统地寻找你经验不足的情境，以扩充你头脑中的原型库。另一种方法可能是选择和使用有助于构建原型的练习；例如，如果你是一名程序员，代码形（code katas）可能会有所帮助——但前提是这些练习能够反映你在实际领域中可能遇到的问题。

在实践中，尝试使用 CTA 来提取知识并创建培训项目是相当困难的。CTA 本身就是一项技能，大多数 NDM 领域的从业者表示，你需要数月甚至数年的经验才能熟练掌握它。尽管如此，我已经进行了一些实验，我认为还有几种其他方式可以应用它：

2 识别从业者拥有而你缺乏的原型

另一个不那么明显的使用 RPD 的方式是识别从业者何时在运用直觉。当你注意到一位从业者快速评估问题，当他们说「这感觉就是对的」，或者当他们给你的解释充满了各种注意事项和陷阱时，你现在知道他们正在使用源自经验的隐性记忆识别操作。如果你面临类似情况，却发现自己在比较不同选项，这应该提醒你，你的同事拥有你所没有的原型，而这可能是你需要获取的知识。

换句话说，你可以用这个方法为自己构建一个技能发展路径。

RPD 模型很有用，因为它让你知道应该询问从业者头脑中出现的线索、预期、优先事项和行动方案。不要误解我的意思：这不会完美提取他们的隐性知识，因为专家直觉本身难以明确表达，而且 CTA 本身就很复杂。但是，沿着这些方向提问出奇地有效——至少，你从中获得的提示会比简单模仿，或者在不了解这四种副产品的情况下问「你是怎么做到的？！」要好得多。

3 提升心理模拟能力

RPD 带来的第二个改进杠杆是：为学习者提供充足的经验，使他们能够进行有效的心理模拟。

请记住，心理模拟是 RPD 模型的核心组成部分：它驱动了对预期情况的识别，并允许实践者在选择执行某一方案前模拟可能的行动路径。更丰富的经验意味着更准确的心理模拟。

基于 Klein 的研究成果，海军陆战队的小队领导现在接受训练，学习识别影响自身表现的决策要求。Klein 写道：

决策要求训练是让小队领导识别他们面临的关键判断和决策，理解这些决策为何困难，以及可能出错的环节。这些决策要求是关键驱动因素，是他们需要精进的特定决策技能。此外，通过识别任务中的决策要求（例如，确定适合直升机的着陆区，判断一个小队从一个位置移动到另一个位置所需的时间），小队领导能够找到练习这些判断的方法，比如从直升机飞行员那里获取关于着陆区适宜性的反馈，或者对不同小队穿越地形的时间进行计时，从而对地形特性、天气影响和携带装备数量等因素变得更加敏感。因此，决策要求让小队领导能够识别自身需求，针对自己的任务，并发现参与实践和获取判断与决策反馈的方法。

你可以想象这有多么实用：当处于敌方火力攻击下时，海军陆战队小队领导可能需要评估不同的移动选项；拥有一套强调体验和测量不同地形条件下移动时间的训练方案，对于在实战中进行的心理模拟将极为有价值。

4 从专家处获取关于识别和模拟的反馈

有时候，为自己设计合适的训练方案确实很困难。解决这个问题的一种方法是，反思自己过去的经历，然后向更有经验的从业者请教，获取他们对你在过去情境中所做决策的反馈。

在这个过程中，重要的是要采用 CTA 中使用的方法：你应该按照事件发生的顺序线性地描述你的经历，只呈现当时你所掌握的信息，不要透露后来才了解到的内容。例如，如果你想提高人员管理方面的决策能力，你可以选择描述一次下属对你产生负面反应的经历，并按照事件的实际展开过程来讲述。你不应该告诉专家事后你才发现的情况。简单来说：你应该让专家设身处地地站在你的立场上思考。

在这个过程中，比较以下几点差异：

• 你注意到的线索与专家捕捉到的线索（有时这可能体现在他们在你讲述过程中提出的跟进问题中）。
• 你对接下来会发生的事情的预期与专家的预期。
• 你考虑采取的行动与专家会考虑的行动。
• 最后：你在那种情况下的优先考虑事项，与专家可能会有的优先考虑事项。

我从 Klein 的《认知批判》（cognitive critique）中借鉴了这个理念——这是他在与海军陆战队小队领导者合作时使用的一种工具：

认知批判帮助小队领导者反思演习中的成功与不足之处，并通过这种反思来增强他们从经验中获取的学习成效。这种批判是一个简单的练习，包含一系列问题，涉及小队领导者如何评估情况（评估是否准确？），不确定性（在哪些方面构成问题，又是如何处理的？），意图和理由（行动的重点是什么？），以及应急预案（对"假如"类问题的反应）。这个检查清单可以在战术决策游戏后使用，让小队领导者相互比较笔记、获取反馈，并了解他人对情况的感知。这个主要为野外训练演习后设计的检查清单，是通过回顾来丰富经验的一种方式，就像国际象棋大师复盘一局棋一样。

NDM 还有许多其他训练方法，但我发现几乎所有这些方法都围绕几个核心理念构建：

• 它们扩展学习者的原型库。
• 它们增强进行心理模拟所需的经验基础。
• 它们包含从更熟练的实践者那里获取及时反馈。

NDM 研究之所以让我感兴趣，主要是因为他们的出版物经常包含有效训练计划的描述。我阅读他们的研究主要是作为一种灵感来源——你也可以说，我正在利用它来扩展我头脑中可能的训练计划模式库。

我们如何确知这个模型是准确的？

你可能会合理地提出一个问题：我们如何知道 RPD 模型是真实可靠的？我已经向你介绍了 NDM 的研究方法，你可能已经注意到我所描述的内容都不是实验性的。NDM 研究人员不使用假设检验；在他们的工作中没有可证伪性的概念。Klein 本人也坦然承认 NDM「更接近人类学而非心理学」。

Klein 在 Sources of Power 的结论中为他的研究领域进行了这样的辩护：

我所描述的研究不是经典意义上的科学。我们没有校准仪器，也没有呈现经过精确测量的刺激，以确定它们投射到视网膜上时的确切视角。这些只是科学的外在表现，而非其核心特征。
进行科学研究的标准是什么？简而言之，就是以一种让他人能够重复研究的方式收集数据，并且这种探究依赖于证据和数据而非纯粹的论证。对于像我们这样的工作，复制意味着其他人可以采用与我们相同的方式收集数据，并且能够像我们一样分析和编码结果。其他人要使用我们的访谈方法可能会有难度，但我们已经发表了描述我们方法的文章，所以他们可以学习这些方法。毕竟，如果没有相当程度的训练，我也无法复制基因拼接实验，所以在研究自然决策时需要培训数据收集并不构成逻辑问题。近年来，已经有研究复制了我们的发现，特别是关于RPD模型的发现（Mosier, 1991; Pascual & Henderson, 1997; Randel, Pugh, & Reed, 1996）。
关于我们数据的性质，我们工作的一个弱点是大多数研究依赖于访谈而非正式实验，后者可以一次改变一个变量并观察其效果。有些科学学科不操纵变量，如地质学、天文学或人类学。自然决策研究可能更接近人类学而非心理学。有时我们观察决策者的行动，但在几乎所有研究中我们都依赖内省。我们要求人们描述他们的思考过程，然后分析他们的回答。我们无法确知他们告诉我们的内容是否真实，或者可能只是他们编造的想法。我们可以重复这些研究，或者更好的是，让其他研究者重复这些研究，看看他们是否能得到相同的结果。尽管如此，没有人能够完全确信决策者所说的话。

在这里，Klein 巧妙地转移焦点至实验室方法来规避这个问题：他论述主流实验心理学过分关注那些在实验室中易于测试的内容。他的辩护以如下论述结束：

（……）无论是实验室方法还是实地研究，都不可避免地面临各自研究方案中的局限。研究自然决策的学者必须担忧他们无法控制研究中的诸多条件；而采用严格控制的实验室范式的研究者则需要担心他们的发现能否推广到实验室环境之外。
评估自然决策方法的一种方式是通过其成果：它所产生的理念和模型的本质，以及它带来的实际应用。如果最终证明 NDM 和对不同力量来源的研究并无显著差异，那么我们对这种方法的信心将比任何关于何为科学的辩论更为确切地丧失。（着重部分为作者后加）

在 Sources of Power 首次出版的二十年后，NDM 作为一个研究领域已经更加稳固。全球更多军队正在运用 NDM 方法从他们最优秀的操作人员中提取专业知识的隐性模型，以便将这些知识转化为培训项目；纳斯达克聘请NDM 研究人员设计用户界面，以增强其团队中经验丰富的欺诈调查员的专业能力。Klein 本人与 Daniel Kahneman 合著了一篇著名论文，探讨专家直觉在何种情况下有效，又在何种情况下可能无效。更为有趣的是，NDM 先驱 Robert Hoffman，同时也是《专业技能与专家表现剑桥手册》的合著者之一，在过去十年中投入了大量精力为整个领域构建认识论体系。

我认为，这些都是 NDM 确实捕捉到了世界某些真相的迹象。但无论如何，我相信如果你只是想将其应用于职业发展，这些考量对你而言并不那么重要。

我在其他场合曾论述过，作为一名实践者，你的认识论应当与科学家不同。作为科学家，你会希望按照科学真理的标准来确认事实——这通常意味着多年的成功重复验证，最终汇聚为具有充分统计效力的多项随机对照试验的元分析。但作为实践者，你想要学习的是今天对你有用的知识，以助你实现目标。你评估一个想法的标准应围绕它是否对你有效——这与科学家的真理标准有着本质区别。

NDM 在我的实用证据层级中位居最高：我在生活中尝试过他们的方法和理念，几乎每一个都带来了实质性改进。我在这篇文章中分享了如何深入探索 RPD 的内涵，并尝试将其应用于我追求专业技能的过程。但我可能仅仅处于这场探索的起点。

这个领域中还有许多我尚未发现的内容。我猜想还有很多值得探索的收获。但不要仅凭我的话：试着将 RPD 模型作为一个视角来观察你周围人的专业技能。你想在哪方面变得出色？你周围谁已经在这方面表现优秀？去找到这些人，向他们请教，模仿他们，并从中学习。

上一篇：

下一篇：

Thoughts Memo 汉化组译制
感谢主要译者 claude-3.7-sonnet，校对 Passsso、Jarrett Ye
原文：Copying Better: How To Acquire The Tacit Knowledge of Experts - Commoncog
作者：Cedric Chin
最初发表于 2020 年 6 月 16 日，最后更新于 2024 年 2 月 18 日。

相关知识库

← 返回目录