别担心犯错，它是人类模式识别学习方法的一部分

• 根据宾夕法尼亚大学研究人员的一项新研究，人在避免过多复杂性和从情况中归纳要点的时候学得最好。
• 我们不需要记住每一个细节，而是通过模式识别对情况进行分类来学习。
• 如果考虑到每条信息的高度复杂性，我们恐怕记不住太多信息。

​

人类通过模式识别来学习。以一片你每天都要经过的灌木丛为例。它没有特别的吸引力，只是碰巧存在于你的正常回家路线上。有一天你注意到一条棕色尾巴从一边伸出来，一个鼻子从另一边伸出来。这片灌木丛正好和一只老虎差不多大。你唯一的想法就是逃跑。

你无需看到整只老虎才离开那里，已经显现的模式足以让你抓住要点。

根据宾夕法尼亚大学研究人员的一项新研究，抓住要点正是人类的学习方式。发表在《自然通讯》杂志（Nature Communications）上的这篇论文着眼于简单性和复杂性之间的平衡。人类的学习属于这一范畴的中间地带：足以产生想法创意，但不足以避免错误。错误是学习不可分割的一部分。

该团队由物理学博士生Christopher Lynn、神经科学博士生Ari Kahn和Danielle Bassett教授组成，招募了360名志愿者。每个参与者盯着一台电脑屏幕上的5个灰色方块，每个方块对应键盘上的一个键。两个方块会同时变红，每次发生这种情况时，参与者都被要求按下相应的键。

虽然志愿者们怀疑颜色的变化是随机的，但研究人员并不这么认为。顺序的生成分别使用了两种网络：模块化网络和点阵网络。虽然从微观层面下看几乎完全相同，但从宏观层面上看，这两种网络产生的模式看起来是有差异的。Lynn解释了为什么这很重要：

“电脑不会在意这种大尺度结构下的差异，但它会被人类大脑捕捉到。受试者可以更好地理解模块化网络的底层结构，并预测即将展示的图像。”

人们说，把人脑比作电脑并不准确。计算机在微观层面上理解信息，每个细节都很重要。一行程序代码中敲错一个符号就能搞垮整个网络。而人类的学习是通过盯着作为整体的森林，而非许许多多的单个树木。这使我们能避免复杂性，尽管后者对于理解大量信息的目标很重要。但这也同时意味着我们会犯错。正如卡恩所说，

“对结构或这些元素如何相互关联的理解，可以从不完全的信息编码中产生。如果有人能完美编码所接收到的全部信息，那么但凡有些许模糊性，他们都未必能理解同一种经验组合。”

承认某种东西与其它东西存在相似性，是我们能获取如此多数据的主要原因。在认知心理学中，这种分类过程被称为“组块”（chunking）：将单个数据分解并组合成一个整体。这是一个高效的过程，但同时也让我们容易出错。

10%的参与者有高贝塔值（beta value）思维，这意味着他们格外谨慎，不想犯错。20%的人表现出低贝塔值思维——极易出错。群体中的大部分人介于两者之间。（【贝塔值，beta value，是一种风险指数，用来衡量个别股票或股票基金相对于整个股市的价格波动情况。】）

最近一部反疫苗电影的粉丝可以说表现出了低贝塔值思维。疫苗是迄今为止发现的最有益的保护措施之一。你无法估算到底有多少生命因此获救，这并非预防性措施的通常做法。然而看看人口统计图吧。当疫苗首次投入临床使用时，地球上有超过10亿人，这是在智人发展了35万年后。而在路易·巴斯德首次疫苗试验139年后，我们已接近80亿人。（细菌理论、食物分配、抗生素和相关科技也发挥了作用，但疫苗的问世也与之有关。）

疫苗接种从来就不是一门完美的科学。和每一次医疗干预一样，它很复杂。低贝塔值思维的人避免复杂性而追求简单性。许多人把少数树木误认为是整个森林。在信息武器化以加快议程的时代，了解这一点很重要。通过复杂性来进行筛选实在累人，因此更多的人选择最简单的路线。

并不是说学习应该过于复杂。如前所述，只有十分之一的人会让自己的思维过度复杂化。大多数人则处于中间位置，会犯错误，但多数时候能抓住要点。

研究人员希望这一信息将有助于解决未来的精神疾病（比如精神分裂症）。他们引用了新兴的计算精神病学（computational psychiatry）领域的话，“它使用强大的数据分析、机器学习和人工智能技术来梳理极端异常行为背后的潜在因素。”

不要因为你的错误而沮丧，我们都犯过。关键是要识别它们并从经验中学习。多数情况下，掌握要点就足够了。

来源：bigthink，作者：Derek Beres

译者：Sail2008

声明：著作权所有，转载需授权，严禁抄袭，违者必究！

更多精彩内容，请关注我们。

Come on，给你的灵魂充充电！

相关推荐：

• 如何加快学习和掌握新技能：达芬奇的两个秘密帮你成为专家型通才
• “八五定律”：为什么适度失败反而能优化学习
• 为什么说终身学习是通往成功的国际通行证
• 如何十倍速你的学习曲线，达成个人成长​