相见恨晚！我這輩子見過最好的學習方法 | CLT認知負荷理論 | 湯質看本質

[@K59820433]

學校最大的問題在於沒有給出“學習意義“，好的家庭會讓孩子知道學習意義；不好的家庭只會鞭策孩子讀書，為了讀書而讀書，這是非常反人類的。 自古人類就是在各式各樣的探索及挑戰中學習技能，而不是對一本厚厚的書死記硬背來生存的 許多人懵懵懂懂的大學畢業了卻不知道要做什麼，都是這個原因

[@rocky_talkie]

冒昧地問一句，您知道學習的意義嗎？恐怕您自己也不知道。學習的意義正如播主所說的，是一個壞問題，正如人生意義電車難題等，沒有確切答案，很容易造成信息過載

[@kodreaming]

有多少人， 尤其是孩子能够明白意义？ 我们自己回想下自己多大的时候明白学习的意义？ 实际一点的还是小的时候养成习惯， 然后慢慢体会到好处. 要孩子顿悟学习的意义 这个难度太大了

[@gn0581724]

@@rocky_talkie 學習的意義有很多面向，最簡單的：為什麼要去上學？ 是為了學會在這個社會上生存的技能，在這之外也有無法成為生存技能的興趣技能，或者打發時間的小技能，後兩者是因為人的大腦會一直處在活動之中，人會為了自己的大腦服務，為了不無聊，會在額外的生存技能上學習更多其他有的沒的的東西，這些都是學習的意義。

[@rocky_talkie]

@@gn0581724 按照您所言，去上學是為了學習生存技能，那麼輟學者就學不到生存技能了？顯然未必，相信您身邊也有很多有錢人小時候輟學或者跟不上，然而不影響他們在社會上風生水起。 其次談談興趣，請問您興趣為何？可能是健身，跑步，游泳，抑或打遊戲，吃美食，旅遊等等。這些興趣愛好難道是在學校培養出來的？大概率不是，而是你在生活中憑著愛好點滴積累而來的。而這些興趣有何意義？除了讓自己開心，對別人也沒什麼意義對吧？ 並不是說您總結的答案是錯的，而是學習意義這個話題非常深刻與複雜，不能一概而論。而且就算你知道了學習意義，你也不會有動力去學習。相反一些沒太大意義的興趣愛好，學習起來倒是很快。

[@rocky_talkie]

這些的確是學習的意義，但是請捫心自問，你懂得這些意義之後是學習動力爆棚，還是繼續擺爛，道理都懂，卻過不好這一生呢？

[@jamesfeng617]

这个影片让我收获很多东西。我另外想要补充一点不一样的看法。对于初学者来说，我们肯定需要分割问题降低难度。但是对于那些习惯于学习并且特别追求高效学习的人来说，一开始就接受复杂问题，并且进行交错练习可能是更好的套路。这里只是想要做一个补充，我认为两种方法同样重要。

[@justin7393]

方法一：祛除冗余 （使用图文并茂 - 宜家说明书只有图；去掉所有不需要的内容） 方法二：分割複雜 （句子扩展 - 补全句子 之前，之后，所以，但是，因为） 方法三：交替實例 （给出跟学习到的内容最接近的实例 - 使用AI）

[@dancingbuddha_ontherose]

謝謝小老師！

[@城下一聚]

即為『模組化』學習。 前知識，就是己經模組化的基礎，不必是同領域的，事實上查理芒格等大師們，也建議人最好先把一門知識學到極深，再廣泛地學習大量不同領域、甚至不相關領域的知識。原因很簡單，那都是模組化的過程，通過深度學習，理解如何模組化，即新手到專家；再通過廣度學習，把不同領域的前知識互相融合為更精粹的前知識 (即模組)。所謂悟性強的孩子，也就是具備了不同學科都有相當程度前知識的人，但那並不需要使用大量時間，只要孩子能夠學習某一種知識到足夠深的程度，學習的奧妙(即模組化的能力)就被挖掘出來了，往往孩子們與家長都並沒有察覺。 而這與AI的成長是一個原理。 這裡我必須先解釋為什麼目前的AI都還只是統計學。AI的訓練是使用大量的輸入，經由設計的邏輯，來產生對應的資料庫，但輸出時，會從大量資料裡，按統計原理來找出一段對話使它最能符合使用者提出的句子或問題。在AI發展初期，AI的反應 (即輸出) 確實是會有錯誤，但那正是訓練所需要的反饋，對反應錯誤的修正、或者重覆提問，都是下一次更優良的輸入。然而，AI的邏輯，始終是按照設計者決定好的演算方法，並不是AI自己產生、目前也無法產生，就像汽油引擎的運作一樣，它再優秀再會產生良好的反應，也不會把運作邏輯整個轉換成電動引擎，因為它架構上先天就不具備，AI的演算方式就是這樣，它不會用它沒有被設計進去的演算路徑，因為那不存在。 人也是一樣的東西，人類的思考與邏輯，其實也是初始符號、語言、圖象、感情、環境變化等等的綜合產物。所有人的思考與發現，仍然是人類社會的那一套，一開始不具備，但人類社會一直灌輸我們，最後成就我們的思想，就像人類成就AI的思想一樣。每一個人的思想不同，也僅僅是像不同系統的AI有不同演算法一樣而己，只是我們更能接受人類思想的差異，但並不能接受機器有超出人類想像的反應；換個角度來看，人類的思想差異，其實只不過都是同一道菜，只是有些人的鹽 (比如說正義感) 放的多了、而有些人幾乎不放，差異只在廚師手法和材料的量，也許最後天差地遠，但本質上仍然是做同一道菜。那些一開始本不存在的主義、理論、公式、邏輯、乃至所有人類的科學成就，都是從『環境中的輸入』產生的。事實上也只是人類在數千數萬年中，不斷觀察環境後、試圖理解環境、傳承這份經驗，而產生的文字/符號/公式等等........ 那些主義、理論、公式、邏輯、乃至所有人類的科學成就，只是對環境的『解釋』，至於它是否是正確的？ 仍在不斷觀察、發現、驗證與進步中。 也就是說，Ai看似有智慧和靈性的對話，事實上只是極複雜的統計答案而己。而AI產生有意義『思考和對話』的過程，與人類認知世界的方式一模一樣，只是AI的邏輯可以不斷修正、而人類絕大多數不願改變自己思考方式；只是AI的資料庫極大，而人類的模組區塊並沒有我們想像得那麼無限大；只是AI的模組化能力，依靠的是機械本身算力，而人類只能使用少少的工作記憶。 AI並不比人類差、人類也只是輸在機體差異罷了，因為我們運作方式都一樣。別忘了，你無法使用『對你而言』不存在的東西，思考、邏輯、能力等等.. 都是這樣的。

[@OPP-eo4nj]

感謝整理，功德無量。

[@Sausage-u5g]

說得真好 哥有推薦學習PyTorch 入門影片嗎

[@netenken]

完全同意，個人也有相同模式的學習經驗，覺得十分正確

[@王甯-h2x]

“然而，AI的邏輯，始終是按照設計者決定好的演算方法” "AI的演算方式就是這樣，它不會用它沒有被設計進去的演算路徑，因為那不存在。" 認真回：這兩句很可能不對，基於深度神經網路的AI，也就是目前主流的AI，它的推理過程不是被設計出來的、也基本就確定是不可解釋的（目前有研究在鑽研這一塊，可解釋性）。請讓我解釋。 現代神經網路模型神經元的數量隨便就是破億個（甚至還估太少），推演（inference）過程是基於線性代數以類似加權平均（weighted sum）的方式去整合（linear combination）每一層的神經元，再經由激勵函數（activation function）產生非線性的結果傳給下一層，最終得到一組代表機率（probability）的數字來闡述對不同結果的信心（confidence）。舉例：Chat GPT提供你的是他最有「信心」的一個答案。用一個不精確的講法：你把每個神經元看成做完一個if條件，那麼AI做決策的過程便使用了破億個if條件。我們有時間逐一設計「破億個」if-else嗎？即便設計出來是有辦法用一兩句話講明白的嗎？結果顯而易見。既然如此，那在不可解釋（bj4）的情況下AI是怎麼「學」的呢？它的底層原理是數學的偏微分，「數學上調整這些權重能降低誤差，所以這麼修正」但我們不會在數學公式裡看到那些「因為、所以」。 比較精確來說，當我們在說「AI使用的演算法」時，我們指的是「AI所使用的模型架構/訓練方式」。好的模型使我們比較容易訓練出「好像真的有學到東西」的最終模型，且/或使用比較短的訓練時間。但它究竟學到了什麼？訓練完的模型裡只有「數字」沒有「解釋」，就我目前的理解，人類目前無能為力。

[@城下一聚]

@@王甯-h2x 感謝大大的分享，太棒了。

[@argerlee]

我靠著大量的學習量，抓出了吸收知識的技巧，正好符合湯大大分享的認知負荷理論。感謝湯大大有系統地解說認知負荷理論，我會依此理論教育我的孩子以及公司的新人。

[@KilluaGonxx]

捕捉舊楓之谷大佬

[@chrisgou123]

@@KilluaGonxx 大陆叫冒险岛

[@evergreen_leaf-leaving]

好感動，終於有人說出來了，數學那種不會卻不知道卡在哪裡的茫然竟然被點出來了。太感謝了

[@Cookiemother]

國小到國中的教育的確是這樣教的，用已知的觀念帶入新的觀念，並且教完會直接做類似練習。 但是到了高中以後的內容龐大，受限於上課時間這些步驟就被省略了 這才發現自己高中數學、物理不好是有原因的。太多新的元素塞進腦袋裡，認知已經超過負荷了。也比較缺乏類似題型的練習，考題多半也都是變化題。

[@jhonvilly7825]

比如数学，绝大部分人都可以学到大学的程度，也就是能够掌握高中数学。但是要入门更深入的博士数学就需要天生数学IQ了。一般人怎么都达不到的。符合正态分布。

[@Azuma-0702]

感謝你的分享，我個人對腦科學及教育領域有些涉獵，所以對你所說的內容相當有感且認同，而認知負載理論是我初次接觸到的教學概念，我覺得其中說的策略對我幫助很大，再次感謝你這次的分享，受益良多

[@bird-cb7xb]

就記憶組塊啊，建議搜尋learning how to learn，比這影片簡潔又明瞭

[@liuliu-ox4hg]

明白人

[@zhanying-c3t]

难怪多邻国那么好玩😂

[@大海-n6i]

認同 其實更希望這影片有懶人包之類的

[@shunhuahuang2815]

感谢感谢

[@shunhuahuang2815]

你好，是这个影片吗Learning_how_to_learn___Barbara_Oakley___TEDxOakla

[@vakewake7596]

这和我做给工厂的sop 概念完全符合！ 当时公司因为sop 制作太慢而愁的不行，请我也帮忙， 我觉得有图又有文字看着特烦，所幸留了图和极少的关键字， 结果除了制作sop 标准书变快，连第一天上工的菜鸟都能一眼懂😂

[@林士堯-d2c]

我真是太愛你了，謝謝你的影片，還是一如往常的帶著大家看清楚事物本質❤

[@bookdomain6818]

作为一个家长，很高兴现在看到你的这个视频。

[@xiric2511]

能看到這個影片真的太幸運了，十分感謝🙏🙏

[@williamgrot]

本年度對我最大影響的知識飛昇，人生第一次在KZbin"超級感謝"就獻給你了。強烈推薦有小孩的爸媽都看看。

[@Walter-kd5pj]

点赞 这就是为什么国外的课本比国内的好 国外课本看似只是简单的例题 看似到处都有冗余的描述 书本看似很厚比国内得更厚 却更容易理解，别人是有理论依据的。事事讲理 讲科学 喜欢这种社会

[@joad1013]

這個用在自我教育也是一套思路，雖然自我教練不能從上帝視角設計課程，但能夠在初期挑選出適合自己的學習材料與順序來吸收。 感謝分享

[@無名氏-l1c]

我覺得對於組塊的最好實踐是incremental reading，可以有效的把組塊滾大

[@殊兒劉]

已感謝150元，想以微薄之力支持用心的、能提供實質幫助的視頻😊😊😊

[@Ocean8274-u3w]

去年刚看到你的视频的时候觉得你讲的不错，今年再看感觉你的用词太复杂了，各种概念名词的集合，可以更加简单一些。

[@RonLin067]

謝謝，本有模糊的想法，但沒有如此清楚，原來這個世界上早就有人研究出理論來了，感謝緣分(YT算法)讓我碰到這部影片。

[@setsura7]

不仅学习 生活也可以模块化 自从这么理解并实践以后我整个人都变得高效 甚至正面影响了我的家庭 这些都是长期编程后领悟的 模块化这个概念可以运用到万物

[@Xyz-nx3ul]

模塊化是什麼意思？like a function?

[@parkertam4142]

@@Xyz-nx3ul 就是部分和整体的联系 而且模块也会相互影响

[@bonjourchouquette]

這個太棒了，準備homeschool小孩，終於有頭緒怎麼設計課程了，感謝！

[@yuumiragdoll1509]

我前几年渐渐感觉到了，也一直在实践。今天能听博主系统讲出来，让我有了更深入的理解，感觉很开心

[@jasonh9814]

最有深度和系统的认知学习视频之一，实属学习者的高阶晋级课程，谢谢阿汤哥👍

[@Ju-mc9ph]

看到更新太好了⋯⋯ 而且還是與學習相關內容

[@古琴-w8i]

谢谢你完整介绍这个理论。正巧几个小时前也听了另一个博主在介绍这个学习方法。马上实践起来…

[@singo1232001]

這段我又更深刻的理解到 沒有交互性的量化思考 不管這個人自稱學得有多少 他學的東西甚至不值一提 嚴重的來說 一個國中學歷但有交互思考的所學的人 會比一個 把所有大學學科都學完但沒有交互思考的人 所學的還多

[@diingyangloh8094]

个人非常喜欢 <a href="#" class="seekto" data-time="1077">17:57</a> 给出的例子。 课堂上学霸突然被老师发难，提问了一个开放性的问题，无法流利的回答通常都是因为思绪混乱，不知道如何安排内容。 但是在回忆方面，学霸有着无可比拟的优势，但是开放性问题导致回答无法被安排就绪。 但是学会如何拆解问题，根据情况使用问题模版，内容都能瞬间被整理好。回答什么的根本不在话下

[@MX0190]

這部影片充分應用了CLT認知負荷理論，整部影片看下來知識結構非常的清晰好理解

[@_QingYi]

謝謝up主花費時間和精力整理並製成影片與眾人分享！🙏 收穫滿滿乾貨🌹 ------------------------------------------- 【筆記】 ※ 影片提供並詳述3種教學/學習方法，以提升學習者學習效率。 ● 學習的有效性＝〔理解＆記憶〕的能力。 　- 理解＝工作記憶＋長期記憶 　　　- 工作記憶(未知信息)：人腦的工作記憶容量有限制，並且人與人之間該硬體水平是相似的。 　　　- 長期記憶(已知信息)：大腦中已經存在的組織化和結構化信息。 → 因此，在特定領域，區分新手和專家的主要因素＝長期記憶中儲存和檢索大量相關信息的能力＝已經知道的信息。 *這些在“長期記憶”的已知信息，幫助"工作記憶"和"長期記憶"之間相互關聯性的連結，激活一個更大的認知組塊，幫助人更快速地處理和理解新信息。 / <a href="#" class="seekto" data-time="380">6:20</a> 認知負荷理論：教學的功能＝改變長期記憶的內容。 ● 提高學習效率的三種教學方法： ① 祛除冗余：簡化信息。運用圖形和圖表＞文字，幫助學習者快速理解與記憶。 ② 分割複雜：拆解信息，循序漸進。例如：語句的分解、擴張、合併，善用連接詞串連信息。 ③ 交互實例：模仿所學。先提供實例給學習者，再馬上給予學習者“高相似“的問題以進行練習。 《結論》 1. 對於已知信息：增加大腦長期記憶中儲存的信息量，並將信息組織化和結構化。 2. 對於未知信息：善用拆解、組織和串連等工具來有效處理新信息。

[@gdlee4819]

小汤视频系列给我很多启发，帮助很大，也引起了许多不同思考：折纸的例子我觉得起作用的不是去芜存菁，而是形象化；后面的和我最近的一个理解也有不同：图论里面，节点node很重要，但更重要的是节点间的连线edge

[@Bean-k3k]

湯質朋友，等你的影片好久了。 你製作的內容質量很高，表達一下欣賞。

[@lonlon564]

交替實例這個方法從我國中數學到我大學工數都是這個方法，不過我想起來國中數學還是有很多人掉隊，也許是他們都在聽老師講故事，我沒興趣我都直接把數學課本幹完，老師上到第四章我已經寫到11章了

[@nnl777]

看到更新太開心了😊

[@linye8379]

讲的很清楚，终于看到中文讲认知负荷理论的了 我觉得您可以强调一下 重复练习 （刻意练习）在降低认知负荷中的作用 您最后提到了用ChatGPT 做知识迁移训练，Knowledge transfer 也是值得讲一期的内容，期待

[@yingxueli3599]

很有意思，谢谢阿汤哥解了我多年的心结。也让我在反思自己学习经历的过程中找到了一些理论依据。快成年的时候遇到过这样的老师，虽然有点晚，但她影响了我后来的学习方向。希望多一点老师能够运用这种方法到教学中，少一点焦虑和锤头丧气的孩子。

[@Dumm11111]

「理解」然後才能記憶 這當然很重要 但 可能也是「很不要緊」的 因為 絕大多數的事物 實際存在的 是 「不可理解」的 所以 【記憶】本身就是至要的

[@jimpaul15]

真的講的十分清晰，把認知負荷講的明明白白，受益良多！！

[@xx-vs1cg]

在老师的解析下，我们之前了解到的零散知识碎片被完美地串联在一起。通过逻辑严密的语言讲述，我对这些知识有了更清晰的理解，并找到了可行的执行依据。这个过程就像我在学习摄影时遇到的人像摆姿问题一样。如果只是靠观察照片来记忆每一个动作，难度非常大。但如果将每一个关节的动作和表达的情绪用语言和文字具体描述出来，不仅可以加强记忆，还能具体指导我们如何操作。因此，我非常感谢老师制作的这个视频，它对我有着极大的影响。谢谢！

[@飛翔阿志]

看到你的影片實在太好了，超久沒更新以為你停更了

[@evazhang6502]

我好喜歡這個影片！很感謝你花時間製作這麼棒的講解！有些人覺得你的舉例還是很硬而且理論居多，但是我身為教育者卻認為這是非常剛好的內容！也在過程中檢視自己是否有符合認知負荷理論。🤍

[@Ansuz-oq6xt]

对于学习方法来说，本视频讲得无可挑剔。不过请记得区分教育和学习的差别，教育还包括对人格的探索/对自己的诚实。也许像你说的，在不久的将来人人都可以成为超级自学者。但教育更重要的是引导人去思考自己究竟是谁，要成为怎样的人。一个聪明人未必是一个了解自己的人，未必是一个问心无愧的人。

[@承澤教練]

👀10分鐘就開始燒腦了，感謝博主的用心，你值得付費（小小心意）🙏🙏🙏

[@TurkeyFamily]

有時只是 心靈不開放的問題，找回那個童心，忙記有什麼利益好慮，只是直觀，包括直觀你自己思緒思路而不回應。 可以嘗試為著教別人而去理解，那個推動力是有用的。 理解是多向道的，亦無止盡，享受就可。

[@agwurn]

終於更新！感謝湯質又提供一部超高品質的影片！

[@jennyw6576]

谢谢你从理论上解释了为什么有些孩子学习能力差。我以前归纳成这些孩子不能“engage”，你让我明白工作记忆和长时间记忆关联问题

[@danmo7072]

我总结一下 就是把新知识套入旧知识减少认知过载 再补充一下 如果能直接把一个学科的重要的概念都用粗浅的例子理解了 再去学细节就很容易

[@gurinnmori]

個人認為，最後一部分關於職業的排名，比起2020年的，2023年的排名更貼切。2020年的預測小看了那些行業的專業性，作為專業從業者，我的感受是大家方法都會，但是同一張東西會有不同的評估結果，因為同行業每一位專業人士的分析側重點和個人經歷不同或者說對一些環境的敏感度，會有不同的預測，例如股票分析師，相信AI也無法給出一個100%肯定的結論。但是語言和教師這種職業是相對沒有含金量的，拿著已經有的知識照本宣讀，無非是有的學生聽得懂，有的聽不懂，並不會改變其根本原理或者理論。

[@Branch977]

隐隐约约的感觉，终于有人理论化的说出来了

[@dichoi4446]

还是有股快餐味，仿佛在墙外看b站，没有说up主不好的意思

[@Branch977]

@@dichoi4446 他的确在B站有账号，那边才是主力

[@瑞玲-y2g]

赞成✅，如果我就学习了这篇，也不会从小就讨厌语文，现在很多孩子讨厌写作文

[@imafish2992]

这个教学方法我有旁听一个物理老师，看他又用到过，当时很久没接触物理的我，也能一下就理解，然后迅速解题。

[@No-gl9od]

很喜欢您的介绍，我大侄听懂了，如果能把学术化的表达方式更通俗易懂的表达就更好了：比如学习一个单词，首先理解词性的意义，然后根据词性确定单词的词性，然后结合具有现实体验的情感画面来理解单词，练习的时候利用去除复杂的链接关系， 让单词和画面直接建立联系并且保持基础逻辑

[@kafuu1]

很棒的视频!我也对人类认知/记忆很感兴趣, 以后会做更多相关的视频吗

[@VictorHengyu]

您的这个视频真的是太棒了，一直在找科学教育的运用，这个是我感慨最深的一个

[@azureyang6955]

很好的內容謝謝分享，建議字幕可以再放大兩倍才看得清楚

[@ponluiding7827]

唸說明書那段好好笑 連湯老師也要屏住呼吸心態爆炸了

[@MusicalPan]

學校裡怎麼沒人教我們這樣學習啊？這方法太好了，老師教起來借力使力應該也很輕鬆。

[@xinyeoh9309]

因为老师也不知道

[@nicolezheng23]

谢谢！每次看你的视频都学到很多！

[@suncongdesyn6361]

本末倒置，是因为理解才有记忆存储，不是因为记忆才会有理解。我走在我家门口的店铺每天播放的广告词，有一个词没听清楚，不懂意义，虽然每次听到都觉得熟悉，但让我记住怎么发音我始终想不起来。

[@DavidLiuHome]

真棒，感覺學習理論真的進步了，不過整個影片裡有一個重大矛盾的地方，不知道大家有沒有發現？ 在前面摺紙的學習提到的認知負荷，與後面數學與外語學習時使用的漸進理解方式，是不是明顯是衝突的？ 也就是後面的方式是不是大量增加了認知負荷？跟前面摺紙的第一種模式很像？ 我知道，後面的陳述講解者是希望講述一個降低理解負荷的方式，可是如果沒處理好，一樣很容易成為發展長期記憶時的認知負荷障礙。 所以這邊顯然有些問題是沒有講清楚的。

[@GMSong-ov4ro]

學習就像是你交男女朋友一樣，對於你喜歡的人，你會想要去認識他的所有一切，他的姓名他的興趣他的生活作息他的願望他的性格他的喜好，不喜歡的人你連1分鐘都不想要花時間去知道。所以學習的重點，就是在於找到這個學習，對你來說有什麼重要性。找了很久都找不到，那也不用勉強自己，轉去找你喜歡的東西就好了

[@JocelynTyan]

講的很好，我遇過的好老師都是這麼做的，但是多數老師還是會選擇傳統模式，因為方便啊，他們早就沒有教育熱忱了，只是跟你我一樣的打工人罷了，當然也不能說譴責他們畢竟選這行有的人也是為了糊口飯吃

[@seraskier.]

原來這些是老師要做的，我當初就是花一些時間看懂架構，再分解成我能理解的部分理解。但是文科就無法理解導致嚴重不足

[@jjwu856]

在有小孩之後, 刷到這個視頻, 跟發現寶藏一樣

[@brucelin8950]

最期待的還是LLM能達到 預測新理論的科學家的程度 我是在猜要等機器人應用出來之後才有可能 透過sensor去回饋認知學習 突破學術論文的文字與資料限制

[@meiyuc22]

要比別人聰明，最重要的就是鍛煉語言能力，把你腦子裏有的内容有效地説出來，越大程度能做到這點，在別人看起來就越聰明

[@RachelHuang-rebekah325]

非常多的乾貨，希望能有更多的範例！

[@19921205c]

好想買課程，但在台灣無法註冊帳號。 只能先買《關於說話的一切》這本書過過乾癮😂 默默許願希望有朝一日能開個會員或海外課程平台

[@LianaLee-xu3ux]

感谢分享！ 我目前在上的教育学的课程就包括认识学习理论，这门理论无论对学习者和教师都有非常深刻的影响

[@gurinnmori]

嵌入式指令在现实生活中的要是有用，那就是机器人，对人的学习而言只可能是简单的知识记忆，短期记忆。 抽象复杂的知识最大化记忆极限是图形记忆，少量文字解释。<a href="#" class="seekto" data-time="740">12:20</a>

[@吳鴻琛3]

看得津津有味 開始回想什麼是壞問題？ 過於開放的問題 基礎原理，祛除冗餘，分割複雜，交替實例 符號化，模組化，之前，之後，因為，所以，但是 我喜歡組合圖的解釋

[@Red_bean985]

就如同能看懂這篇影片的人，其實本身至少都有大專教育以上的水準。 如果完全沒有知識基底形成基礎模塊，根本不可能理解這篇的內容

[@neverdieking123]

大專教育的人受過更多學習的苦 => 經歷過充足的思考 => 累積了足夠的知識基底 所以這影片不是要令一張白紙明白，而是當有人面對學習的問題時，這影片能提供思路與方法 至於效果如何是在於實際嘗試，他人只能盡量簡化知識的表達

[@無名氏-l1c]

你這就是學歷歧視了，殊不知國民教育的內容及教法正是最不符合認知負荷模型的

[@Red_bean985]

@@無名氏-l1c 大專不在國民教育範圍.....

[@無名氏-l1c]

@@Red_bean985 有道理

[@lkjiwerglkajf9324]

這影片完全沒有任何專業知識要求 不用硬扯跟學歷的關係

[@unicorn8520]

非常優秀的影片，詳細的整理學習有效的基本脈絡，像一盞給學習者和教學者的明燈，很感謝您提供的內容和解說。

[@congxuhang9732]

说的太好了！很多老师都没有这个思路!

[@吳錫亮-g1z]

認知負荷理論嗎？感覺不錯

[@songmeishu5445]

太棒了这个视频。可不可以出一起如何思考的视频。。虽然理论上去除冗余，分割复杂，交替实例也是很好的方法。

[@huiwang9001]

非常醍醐灌顶！非常相见恨晚！

[@hengyili5596]

很屌的視頻, 很聰明的油主, 我完全是非專業的, 也覺得能藉你的語言瞭解受用, 感謝~

[@flaviazhang0420]

会分割问题，已经是高手级别的思维方式了，学习不好的人几乎都是方法用错了，且没人告知。自学分割哪里，怎么分割，可能对普通人来说更是难上加难

[@yanzhang8091]

相当于缓存一个目录，再根据目录从硬盘读取一个数据块。

[@K59820433]

感覺很像二十年前的遊戲跟現在的遊戲 以前的遊戲很少新手教學，任務地點在哪、NPC在哪都要自己找線索 現在的遊戲手把手的新手教學，雖然有些遊戲依然搭配大量文字的教學，但遊戲玩多了會發現大同小異，學習成本很低，不過也少了探索的樂趣

[@jeffw2672]

我在美國看到的教學都是類似這樣的思維

[@Hiiragi.0814]

終於更新了！ 感謝🙏

[@johntitan2656]

這思路很像寫論文大綱，原來大綱都包含寫的這麼鉅細靡遺是有理論基礎的

[@goodday5482]

好棒的內容，第一次聽到這名詞，學習了🙏

[@60tiantian]

最后的扩展到Ai真的牛

[@thistime_7822]

谢谢你产出那么优质的内容，这是一个对我来说全新的知识点

[@ann-e1t3]

感謝分享😊 不過有個小問題 <a href="#" class="seekto" data-time="43">00:43</a> 影片似乎只談了1、2、5 3、4是被剪掉還是我漏看了？😅 還是內容在別的影片裡？有大大能指路嗎🤔

[@yt-xe4cw]

我覺得問題就是如何把一個類別學精深才是困難。。。且台灣社會的工作普通人只能去做業務才賺的到錢的情況下。。。難

[@Immortality_Ewen]

可以分享下你是如何训练ChatGPT关于让它使用你提到的教学方法吗？

[@newton-2023]

很有启发，感谢汤质

[@renheliu1893]

博主举例的是非常基础的知识，太有局限性

[@ddho12911]

身為一個從小到大都成績優秀的學生來說 我想我應該有資格說這件事 那就是只要孩童認知到所解的難題的觀念可用來解決更複雜的問題時 那他成績一定會比別的孩童好

[@showbye0210]

202 交替實例 舉完例子馬上練習 相似問題例子相似問題 昨天我吃了一顆蘋果 寫早上過天晚上中午吃了一個蘋果 先時間後動作 後時間先動作 十個問題 跟實例問題五個 測試 交替實例 勝出 前知識足夠紮實 才是聰明的人原因 現在還來得及 出處：湯質

[@抖抖娃]

感谢❤终于明白了为什么我老学不懂原来是基础太薄弱了

[@淑方蕭-j4y]

理解，懂

[@dongling2203]

今天分清楚了：记忆和理解的区别，比如：一个大学生可以侃侃而谈某个话题，一个工程师理解这个话题，并在执行和落实这个话题（项目）。这区别可大了！！！

[@arkc.9552]

<a href="#" class="seekto" data-time="1110">18:30</a> 說的讓我想起 Content and language integrated learning (CLIL)

[@康姆-皮欧特]

很棒的概念，早十年看到就好了

[@我是哲學家]

謝謝你的影片，這給了我很大的幫助。

[@lianxiao588]

前知识、长时记忆可以无限扩展，工作记忆才是瓶颈。缺乏丰富、结构清晰的长时记忆--更加现实和紧迫。认知负荷理论：元素交互性强弱：困惑的来源--去除冗余、分割复杂，交替实例

[@zafakafc5033]

如果人的先天智力只和工作记忆有关，而工作记忆在人类当中差别不大，那么如何解释人在智商上的区别?(智商通常被认为是先天的)

[@wen-chichang7399]

每個人先天條件都不同，包含所謂的智商，但是事物運行的邏輯是相同的，也就是說，雖然每個人天生的條件不同，但是用對方法都能增加學習效率，差別只在於先天條件比較差的人，可能從需要花十次的練習時間變成花五次的時間去學習一件事，條件比較好的人可能就是從五次的時間變成只需要花三次的時間，雖然兩人有差異，但是跟自己比較都是進步的，那這個方法就是有效的，先天的條件跟學習的方法兩者不衝突，是不同的概念