如何提高学习效率？这个法则可以帮你

正文

请到「今天看啥」查看全文

但是，在舒适区停留时间过长可能会阻止我们发展新技能，因为我们基本学不到新东西，日子有点千篇一律。

2. 学习区

也称为成长区，位于舒适区之外，但是不会超出舒适区太多。 在这里，我们扩展已有技能，虽然有点吃力，但是能搞定 ，也就是「跳一跳，够得着」。

理想情况下，随着我们在学习区中花费更多的时间，我们对新技能就更加熟悉，随着熟悉程度增加，这些新技能就会变成旧技能，融入我们的舒适区。

3. 恐慌区

在这个区域，我们面对的是完全学不懂的知识，或者远超出自己能力的任务。 我们感到焦虑、恐慌、不知所措。即使拼尽全力去学习，也收效甚微，甚至一团糟。

学习区模型表明， 要想学到新的知识和技能，我们就不能一直躲在舒适区，要跨出去接触新东西，但是不需要太多 ，因为太多了就会跑到恐慌区，不但压力大，学习很可能会失败。

说到这里，我终于明白上中学的时候，那些学不进去的同学有多痛苦了。他们知识落下太多，听课就好比是听天书，压根听不懂。别人的学习区是他们的恐慌区。

有人问，都说要脱离舒适区，这个度怎么把握？万一跑太远，跑到恐慌区了怎么办？

给你介绍一个法则，可以帮你评估自己是不是在学习区。

85% 法则

美国亚利桑那大学和布朗大学的研究者，于 2019 年在《自然》上发表了论文《最优学习的85%规则》（The Eighty Five Percent Rule for Optimal Learning）。这篇论文利用机器学习的方法来研究在多大的难度下，机器学习得最快。

机器学习这个词已经火了很久了，为了便于理解研究者的实验，先科普一下。

首先，机器学习是一种实现人工智能的方法。其次，机器学习以数据为「原材料」，无需显式编程就能表征出学习能力。虽然机器学习算法的实现也需要编程，但和传统的显式编程有明显不同。

在传统的编程范式中，通过编写程序，给定输入并计算，就会得到可预期的结果。但机器学习不一样，它会在给定输入和预期结果的基础之上，经过计算（拟合数据）得到模型参数，这些模型参数反过来将构成程序中很重要的一部分。

两者的差别如下图所示：

图：传统编程与和机器学习的差别。
来源： https://www.92python.com/view/233.html

机器学习包括很多方法，比如线性回归、决策树、贝叶斯分类等，其中一种方法是人工神经网络学习。

一个人工神经网络包含一系列基本的「神经元」（或者说感知器），就是下图中的圆圈。

图片来源： http://www.ruanyifeng.com/blog/2017/07/neural-network.html

图中，底层感知器接收外部输入，做出判断以后，再发出信号，作为上层感知器的输入，直至得到最后结果。

我们可以用大量的数据去训练神经网络，让它自己学会如何做判断。这话是什么意思呢？

请到「今天看啥」查看全文