别人假期休息娱乐放松的时候,正是职场人默默赶超同事的机会。然而,学习非常反人性,尤其在假期。
假期前这两天都无心工作,还指望假期在家好好学习?根据威尔海姆·霍夫曼一项研究,人们在醒着的时候,大约会花费 1/4 的时间,用来抵制欲望。
为什么我们明明知道学习有价值,却不愿意花费时间学习呢?
因为学习需要付出努力。只要涉及学习,就需要动脑。我们通常会很抗拒思考,因为这需要耗费很多精力,感觉要被掏空。《可见的学习与学习科学》这本书提到,要求一个人付出努力从来都不是一个简单的要求,我们必须要考虑成本问题,对大脑同时出现的各种需求做出权衡。
一方面,可能是没有正向反馈。工作后学习是为了什么?要么解决当下发生的问题,比如面对各种需求时怎么实现,述职报告怎么写,如何做用户运营等等;要么希望通过学习加薪升职。学习有着高度的不确定性,当我们无法知道学习是否能为我们带来直接的效果与反馈时,就有可能丧失继续学习的动力,从而半途而废。
另一方面,可能没有一个互相督促的小团队。一个人的学习是寂寞的,想象一下每天晚上拖着疲惫的身躯下班回家,洗个澡,不知不觉时间已经 11 点多了,此时看到舒服的床,在开电脑看网课 or 看书 or 躺平之间挣扎了下,默默选择了放过自己,明天再说。但是如果有一群人一起学习,每天晚上互相督促、鼓励,谁不看书、不完成作业——谁发红包,是不是学习就会有点动力了?与其孤独求索,不如集体进化。
万事开头难,说服自己去学习是开始学习的第一步。但当你下定决心开始学习后,又会不会感到无从下手,亦或是面临“知识看了,但是它不进脑子”的痛苦呢?但如果你掌握了科学学习的方法,这些问题都会迎刃而解。
独乐乐不如众乐乐,学习何尝不是如此呢?
特伦斯在《深度学习:智能时代的核心驱动力量》提到,强化学习的基础,是观察动物怎样通过探索环境中的各种选择并从结果中学习,从而在不确定的条件中解决难题。随着学习能力的提高,探索过程逐渐减少,最终会直接利用学习过程中发现的最佳策略,从而解决问题。
在击败李世石一年后的 2017 年,AlphaGo 还击败了由 5 名顶尖棋手组成的队伍,这些棋手都分析过 AlphaGo 的招数,并相应地改变自己的策略,结果依旧落败,原因在于在开始跟棋手下棋之前,AlphaGo 通过观察学习了 16 万次人类围棋比赛。由此可见,观察对于学习的重要性。
当大脑对于有意义、有价值的事情积极回应时,记忆力会被激活,学习会变得有效。记忆的激活,靠的就是在观察中不断思考,从看似“被动”的经验中学习知识。
说起学习,你是否在手机上安装了数十个 APP,订阅了上百个公众号推送,买了数十本书,这些内容如洪水猛兽般充斥着我们的大脑,渐渐地,它们变成了一个巨大的知识垃圾站,内容不断增多甚至混乱,但是我们就是没时间去吸收,也很难产生实际效果。
主要有以下三个原因:
过多的 APP、过多的书、过多的资料,会造成信息过载;
低水平的信息,早已烂熟于心的内容,会造成信息过载;
对学习结果的过度期待,过度自信或自卑,会造成信息过载…
这些都会影响我们的学习效果。
美国作家迈克尔·海亚特在《规划最好的一年》一书中,提出 Smarter Goal 概念。核心在于:不管我们学习什么内容,首先要制定目标。只有定了目标后,才可以开展相关计划。在学习前,首先要区分你是处于舒适区(Comfort Zone),学习区(Stretch Zone)还是恐慌区(Stress Zone)。
舒适区,表示我们习以为常的工作,比如回邮件、打电话等重复性工作,一旦跳出这个领域,就会无所适从。
学习区,平时较少涉足的领域,需要花费时间、精力去思考、学习,使大脑处于兴奋状态,跳一跳,就可以摘桃子。
恐慌区,这个区域会使你感到很焦虑、恐惧,即使很努力也无法完成任务。
对比以上三个区域会发现,舒适区是靠重复的经验来解决问题,学习区要将重复的经验用到新的领域取到新的成果,恐慌区我们的重复经验无法迁移到新领域。
用取得的成果来比较更为明显,舒适区是反复获得同一个结果视为无进步,学习区是可以取得不同的结果视为有进步,恐慌区是无法取得的结果视为无进步。因此我们在某领域内进行刻意练习时,先要判断该领域是否在学习区中,这种具有高度针对性的练习,取得的进步会更大。
会观察、明确目标仅仅是学习的基础,我们还需要会学习,运用正确的学习方法,每天比别人进步一点点,久而久之,就可以实现知识复利,在职场走的更久、更远、更宽广。
学习的起步期:任务激发
假设工程师想实现一个新的产品功能,但是之前没做过,所以需要知道怎么做。这时候,首先需要去查找相关资料,看看有没有相关企业已经做了这个功能,然后通过各种科技网站、书籍、文献去了解并深入学习功能背后的技术逻辑。
可能的话,你可以去请教了解这个技术的人,让他给你演示怎么操作或者给你解答相关技术问题,然后工程师可以复现这个功能。在复现过程中会遇到 bug,通过不断修复 bug,将产品功能不断完善,直到上线。上线后,再根据用户反馈,不断优化迭代,最终实现 error-free。这就是学习-吸收-内化-优化的过程。
对于一个复杂任务而言,有时候仅仅靠一个人闷头学习是不足以解决问题的,我们还需要群体的智慧,通力合作,以完成一个项目。邱昭良博士在《知识炼金术:知识萃取和运营的艺术与实务》这本书提到,企业通过同事互助、团队共创和业务专家出手三种方式,直接解决其具体问题的创新性实践,即“知识集市”。
“知识集市”每个阶段的话题都是与参与者紧密相关的,可以直接帮助个人解决工作中的实际问题,不仅有利于激发参与者的主动性,而且学习效果明显。
在“知识集市”中,学习的“能量”非常高,概括而言,共有如下几类学习发生:
每一位参与者都有动机和机会向他人学习;
每个人既是知识的需求方,也是知识的供给方,可以充分激活已有的经验(头脑中蕴藏的隐性知识),快速共享;
通过团队研讨,可以激发集体的智慧和创新,实现团队学习;
对于一些疑难杂症,可以借助业务专家的智慧。因此,如果组织得当,这将是一个能量很高的“学习场”。
学习的发展期:构成组块
下面,不如让我们先来做一个小测验,请用 10 秒记住下列数字:
38245671
是不是感觉这一整串很难记住?现在请花 10 秒再试试记住下列数字,但这次可以两个两个分组记忆:
34-18-75-24-90
是不是感觉分组记忆更为轻松?
芭芭拉·奥克利在《学习之道》这本书中,提到了“组块”的概念。当你第一次遇到科学或数学中的全新概念时,往往不知其所云,就像看见下方左图的拼图碎片一样。如果不理解含义,也不考虑其所在的背景,仅记忆一个事实(如中图),但你依然不知道怎样将这个概念与其他知识相联系。
构建组块(chunking)能帮你利用意义,便于我们将各个碎片化信息联系在一起,形成知识系统。
通俗来说,组块就是界定问题,即要想清楚再开始做,才能建立目标感,并将拼图一块一块拼成最终的解决方案。
构建组块有三个步骤:
第一步,集中注意力。如果边学习边听着音乐,就无法构建组块,因为你的大脑根本没有真正专注于此。着手开始学习新东西,既要创造新的神经模型,也要把新模型和遍布大脑各处的既有模型联结在一起。
第二步,理解。要把基本概念打包成组块,首先要理解这个基本概念。不管这个概念是大陆漂移、力与质量的比例关系,或是经济学的供求原则,又或是某种数学难题。暂时只要求基本理解,即合成信息得出关键要义就好。在理解各个组块的含义后,才有可能发散思考组块和组块之间的联系。
第三步,获取背景信息。最重要的不仅仅是理解组块本身(what),而是要理解组块是怎么用的(how),在哪使用(where)。背景信息意味着跳出初始问题,用更宽广的视角看问题。
组块的构建分为“自上而下、从下而上”两个方向。从下至上的组块过程,是指学习过程中的练习与重复可以帮助建立和加固每个组块。当你需要信息时,就可以轻松地从记忆中获取。还有一个是从上至下“纵览全局”的过程,这一过程能让你看到知识在宏观图景中的位置。
简言之,自上而下是先结论后论据,解决单一问题;自下而上是先论据后结论,解决不熟悉或者复杂问题。
戴维·罗克在《脑科学效率》中也提到了一个案例,假设让你给一个复杂项目进行报价,如何入手?最简单的方式就是将这个项目分成不超过 4 个组块的内容,然后向下分解这些组块,直到它们建立联系、完成定价。
组块学习法熟练后,当你面对复杂项目时,大脑就会自然而然将项目分成组块,更简捷、更逻辑、更高效地完成项目。
学习的成熟期:计算哲学
作为职场人,你必须要证明,你的工作能为公司带来价值,才能在竞争中立于不败之地,即用个人的实力帮助企业实现——正确的决策-对的事情-产生好的结果。
帮助企业提高决策效率也是职场人学习的核心目标之一。
这些影响高效决策的数据包括,招聘人数、营销花费、ROI 、销售转化率、客单价、成单周期和怎么最大化利用渠道。这些数据涉及到各个环节和决策链,它们将最终通过一个关键的决策点在公司层面进行决策,这个决策点就是我们还有多少现金流。
拆分来说现金流包含两部分,第一部分是现金,第二部分是应收账款,现金流计算起来比较容易,要减去一些成本,其中包括人力成本、营销成本,还有公司各方面成本。
应收账款计算非常复杂,它包含的因素更多,比如我们签了多少合同,还有多少合同待签,以及已签合同里面对应的有效线索转化率是多少,计算转化率的原因是转化率影响着预算,预算影响着我们在哪些渠道进行营销、广告投放,以及要投入多少钱。上述这些复杂的应收账款的计算最终能够帮我们进行决策。
在没有完整信息化和工业化系统之前,上图中所有箭头都需要人工录入,而 Authing 成功做到了数据联动,现在 Authing 负责增长的同学只需要输入自己的线索,线索确定有效之后会自动转单给销售,销售填写好更新记录,整体现金流、成本、利润以及我们需要增长多少倍,都会自动出现数据结果,实现了一个高度自动化的流程。
在此之前,负责增长的同学需要找财务同学对齐信息,财务同学再去各个部门之间进行流转,最后用 Excel 来做计算,整个过程繁琐、低效和费时。
现在,整体协作变成了网状结构,每个人只需要各司其职,公司整体层面就可以看到全部数据的流传,并及时给到我们进行决策,这就是 Make Data Linked Again,也是 Authing 秉持的计算哲学,将应用和应用之间达成了一种数据与数据「图状」的互通有无,应用和应用之间的组件也可以互相嵌入,不仅重新定义了数据之间的互联标准,更定义了数据上层交互式组件的嵌入标准。
我们已在企业内部实施和编写「计算哲学」标准,并将通过十年、二十年的时间,推广计算哲学,并以此将数字世界的使用复杂度降到最低,成为数字化学习的底层逻辑,为职场人、为整个身份行业赋能。
参考资料
特伦斯·谢诺夫斯基《深度学习:智能时代的核心驱动力量》
迈克尔·海亚《规划最好的一年》
约翰·哈蒂 & 格雷戈里·C.R.耶茨《可见的学习与学习科学》
芭芭拉·奥克利《学习之道》
戴维·罗克《脑科学效率》
邱昭良《知识炼金术:知识萃取和运营的艺术与实务》
Authing 是国内首款以开发者为中心的全场景身份云产品,集成了所有主流身份认证协议,为企业和开发者提供完善安全的用户认证和访问管理服务,是腾讯云原生加速器首批成员。
Authing 被科技部认定为「2021 国家高新技术企业」,被中国信息通信研究院评选为「国内身份管理与访问控制领域创新企业」。
2021 年 8 月,Authing 入选福布斯亚洲的“最值得关注公司”百强榜单,创始人谢扬也入选福布斯亚洲 30 Under 30。2021 年 9 月,Authing 作为独家身份供应商顺利入选中国信息通信研究院“卓信大数据计划”的第三批成员单位。
Authing 已为中国石油、国家电网、招商银行、日本丰田、德高集团、元气森林、PingCAP、Ubras 等国内外优秀企业打造了卓越的开发方式、高效的办公流程和安全的 IT 管理体系。