Skip to content

AI STUDIO Taiwan

台 灣 人 工 智 慧 與 資 料 科 學 研 究 室

  • About 關於本站
  • 專欄列表
  • Taiwan NLP.台灣自然語言處理與人工智慧交流社( 1.8萬位成員)
  • 關於 Taiwan NLP 社群

【站長哲學】綜合蘇格拉底法與費曼技巧的一種學習方法

Posted on 2018 年 7 月 28 日2023 年 5 月 11 日 By 楊 明翰 在〈【站長哲學】綜合蘇格拉底法與費曼技巧的一種學習方法〉中尚無留言
Philosophy 站長哲學
Print Friendly, PDF & Email

這是我對自己學習知識的一份思想總結,也是一個學習技法的操作手冊

內容目錄

  • 學習知識的目的性
  • 蘇格拉底法
  • 費曼技巧
  • 綜合方法
  • 一些工具
  • 手算數學的知識
  • 總結

學習知識的目的性

學習知識是多數人在20歲以前花費最多時間和金錢去做的事情,它佔用我們絕多數的時間和精神,卻鮮少人思考這件事本身的意義和方法。因此在我談論循環學習法之前,先分析學習知識的目的性。學習知識最直覺的用途是工作,我們藉由學習一項專業知識並將之轉化為技能,利用時間與技能形成產出來賺取金錢,或是其他價值,這是多數人追求知識的目的。另外有一些人,追求知識的同時會對知識本身提出疑問,並且藉由文獻,數據,實驗和辯論來回答這些疑問,從而改進一些方法和理論,這些人並不是在追求訓練知識本身,而是在試圖建造知識本身的分支和延伸。這種目的對於學習知識的態度更為複雜,並不只是熟嫻一項技藝,而是花更多力氣探索和辯證,在人類的知識金字塔上堆疊,創建更多的項目。第三種學習知識的目的是質疑知識本身,並且試圖回答人類與世界絕大多數的為什麼。例如學習微積分來回答為什麼棒球投擲出去的末速度的數值會是那樣?

這三種追求知識的代表各有千秋,第一種追求知識的目的做到極致,我認為以日本職人(Shokunin)為代表,並把追求時間與技能本身昇華成目的,以熟練為精神指標。而第二種人,不停的試圖改進技術,推動文明的前進。近代史上我認為以西方工業的研究人員與發明家為代表,具體來說像是尼古拉·特斯拉這類的開創者為代表,他們以實驗為精神指標。而第三種人,則是以基礎科學的建立者為代表。這類型得追求在於知識本身的純粹性,希望探究事物原理,而不在當下考慮實用面,應用面。近代史我認為以西方科學家為代表,例如牛頓,愛因斯坦等人。他們以辯證,論述為精神指標。這三種追求知識得目的是最為常見得原因,而我們必須思考的是,我們為何而學?我們追求知識的目標是哪一種?這三種本質上對人類的文明在不同場景下都有不同的貢獻,但是驅動學習的初衷和對知識的掌握要求不儘然相同。

我認為在學習任何一項知識之前,必然需要經過思考學習得目標為何?不同的戰略目標會有各自對應的戰術方法,明白自己的學習目的才是真正為學習這件事情負責任的態度,否則如同多數人對於知識都處於被動的接收狀態,都不具有學習的主體性,無疑是浪費自己的學術生涯寶貴的時間,也浪費國家資源對於學習知識本身的挹注,甚至可以說是非常可恥的。

最後,本文所探討的學習方法其精神強調能夠利用知識執行第二類與第三類的知識開拓工作,所以實驗與辯證精神是遠大於反覆練習操作知識的,因此想將此技法推薦給從事類似事情的研發人員。

蘇格拉底法

蘇格拉底法是西哲蘇格拉底的學習技巧。具體來說,教師並不會給予學生問題的答案本身,而是不斷拋出問題讓學生加以批判,辯證,並藉由教師一連串的問題構築出知識網路。此法的優點在於讓學習者能對知識本身的連結性和脈絡會更加清晰,也更有能力對知識提出問題和實驗,形成研究知識的慣性。缺點在於,耗時耗力之外,引導者本身對於知識體系的連結能力要夠強,才足以勝任引導者布局知識的角色。對於研究者而言,對知識提出問題是很重要的過程,此法是所有科學的必然。

費曼技巧

費曼技巧來自於美國物理學學家理查.費曼(Richard P. Feynman)的設計。具體的操作步驟如下

Step1:把你想學習的知識看完之後,把概念寫在紙上。

Step2:想像一個小孩子的學生,想像他的年齡,已知知識等等。

Step3:用自己的說法,簡單易懂的詞彙把這份知識教給這個想像中的學生。

Step4:如果發現自己無法明白的說出所以然,那說明知識理解不夠清楚,重複1-3步驟直到完全學會為止。

筆者認為此法的優點有:完全學會之後能夠極大化的增加對知識的操作能力,也就是說,面對現實世界的問題會比較有足夠能力去使用此知識來解決問題。缺點則是耗時耗力,且對於訓練第一型解固定題型熟練本身並沒有直接幫助。總結來說,對於研究人員的知識可操作性能夠很大程度的提升,因此是一個重要的學習技巧。

綜合方法

如果將蘇格拉底法語費曼技巧結合在一起,會形成一個辯證循環,我認為這是一個能更大強度提升知識拓展工作的能力。具體操作方法如下

Step1:先把要學習的知識概念寫在一張A4紙上,把有關係的概念用線段連起來。

Step2:想像自己是引導教師的角色,開始一連串的拋出問題,並且假設這位引導員的知識不足,但所有的疑問按照Step1的問題走。

Step3:用自己的語言,簡單的詞彙回應問題,並試圖講解給想像中的引導教師。

Step4:假想一些現實世界的問題,帶入情境去思考,然後由引導教師拋出問題,想辦法用目前的知識去解決它。

Step5:重複1-4步驟直到完全理解為止。

此方法的關鍵點在於,同時假設兩個身分,一個負責建立知識網路和提出詰問,另一個負責用淺顯易懂的方式回答問題,教導提出問題的角色。同時於這兩種身分當中切換需要利用一點想像力,最簡單的啟動方式就是在準備切換角色之前先閉上眼睛,默數10秒,在腦海裡默想角色的圖像(Image),你可以替這兩種角色假設一些具體的細節,甚至乾脆不同性別,膚色與文化背景,然後想像一個具體的樣貌,來幫助操作。另外,很多知識本身是巢狀的,也就是因為A 包含B

,B包含C,所以為了解釋A必須要先討論C再討論B最後才討論A。這種遞迴得知識網路詰問與學習,也是此方法能夠深度的學習的關鍵。

由於我們事先設計了提問和回答方兩種角色,因此在辯證的過程當中,可以同時訓練提問和利用知識回答的兩種關鍵能力,因此可能有機會提升利用知識解決問題的能力。

一些工具

綜合方法的每個環節也可以利用一些工具來輔助,舉例來說像是回答問題的時候,弄一個白板來講解可能效果會更好。還有像是把講解的過程乾脆直接實施在讀書會或是一些實體的教育經驗上。或許這些更具體的操作可以讓自己學會更多。

手算數學的知識

數學類型的知識往往會用公式來簡潔的表達一連串的抽象計算流程,例如像是連續加法利用Sigma來表示。抽象演算是數學解決問題的技巧,流程大約是把現實世界的問題傳送到數學的抽象空間中進行演算,透過化簡與分解,通常能夠取得一些方程式來回答現實世界的問題。換言之,抽象演算是數學的利器,依賴抽象演算不會出差錯的原則,人類大腦可以暫時不管實際發生什麼事情,只需要專注在演算本身的流程即可。

然而,當數學演算必須展開成具體流程並且交給演算法來實現到程式語言時,工程師必須精確的了解演算的每一個環節發生什麼事情,才能把計算流程轉譯到電腦程式上,這時候數學符號的簡潔優勢便成為多數工程師的學習與工程阻力。為了解決這個問題,除了綜合方法之外,我們也可以利用實際帶入數字去拆解演算法本身的運作流程。這時候加入一個學習環節就是把數值帶入公式,一個個步驟像影格一樣拆解,這個過程一般稱為手解、手算或是手撕。這樣的流程優點是能夠消除實作的抽象阻力,將數學公式抽象具體化,動態化。缺點是極其耗時耗力。這個技巧對於資訊科學實作有一定程度的幫助,對於資訊科學相關的研究人員,是值得使用的一種學習技巧。

總結

本文所討論的學習方法是筆者本身所使用的學習方式,對於提升知識的可操作性有很大的幫助。學習的過程耗時耗力,但可視為一種長期投資,需要時間去累積知識網路的複雜性和可操作性。對於研究人員而言,知識可操作性是驅動科學研究的核心能力,其重要性並不亞於觀察現實世界的問題,撰寫論文與執行實驗的能力。這篇文章一共介紹了四種方式來學習(蘇格拉底,費曼,前兩者綜合,以及手算),學習的目的是理解知識本身,並且增強知識解決問題的能力,以及開拓知識網路的能力,希望這篇文章能夠給讀者帶來學習高等教育的啟發,讓台灣的研發力量能夠更大程度的提升!

✔ 幫我們按個喜歡和分享,支持我們

平均分數 0 / 5. 給分人數 0

尚未有評分,請幫我評分歐

楊 明翰
楊 明翰

是一名八年級中段班的創業者與資料科學家

“With belief and action, we change the world.”

憑藉信念與行動,我們改變世界💪

更多關於站長

本文允許重製、散布、傳輸以及修改,但不得為商業目的之使用

使用時必須註明出處自:楊明翰 , 台灣人工智慧與資料科學研究室 https://aistudio.tw

標籤: 學習方法 蘇格拉底法 費曼技巧

文章導覽

❮ Previous Post: 【個人演講】AI人工智慧趨勢與就業機會講座 共生 : The Future of Humanity and Artificial Intelligence
Next Post: 【站長哲學】史詩信念 ❯

發佈留言 取消回覆

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *

更多AI相關資訊,歡迎加入站長的粉絲團

Facebook

閱讀視覺風格選擇


實驗袍白 / 適合資料分析師、科學家
終端機黑 / 適合黑客、電腦工程師

專欄列表

  • Artificial intelligence 人工智慧 (3)
    • HPC 高效能運算 (1)
    • PyTorch (1)
    • 從頭實作AI (1)
  • Backend 後端開發 (1)
  • C++ 應用 (2)
  • Community 社群介紹 (1)
  • Data Engineering 資料工程與訊號分析 (1)
  • Java 開發與教學 (2)
  • Linux 入門 (5)
  • NLP/NLU 自然語言處理與理解 (4)
  • Philosophy 站長哲學 (5)
  • Python 開發與教學 (7)
    • Python Flask 網站開發 (1)
    • Python 中階 (1)
    • Python 入門 (5)
  • Slides會議簡報 (12)
  • Start-up 創新創業 (7)
  • 機器學習數學基礎 (1)
  • 私人筆記手稿 (4)
  • 線上教學目錄 (4)

近期發布

  • 【Linux 應用】使用Zenity零成本開發的多開瀏覽器管理器
  • 【Start-up 創新創業】如何選擇創業題目
  • 【自然語言處理與理解】Llama-2大語言模型CPU版本使用
  • 【個人演講】AI EXPO 2023 ChatGPT以及LLM
  • 【自訓課程】NGS 次世代基因體資料科學 課程

討論

尚無留言可供顯示。

年份彙整

  • 2023 (9)
  • 2022 (4)
  • 2021 (6)
  • 2020 (14)
  • 2019 (8)
  • 2018 (10)
  • 2017 (2)
  • 2016 (4)
  • 2015 (2)

ChatGPT GRU HPC llama-cpp LLM Log4J LSTM Node.js SMO SVM Zenity 人工智慧 人格特質 出資 創新 創業 多語言 多開瀏覽器 大語言模型 感知機 戰鬥 技術 技術合夥 技術股 撰寫程式 新創 新手 新聞輿情 最佳化 機器學習 死亡 現代C++ 系統日誌 股東權益 能力 證明 變數 負債 資本 資產負債表 長短期記憶 霍普菲爾 類神經網 類神經網路 風險

調整字型大小

A 縮小字型大小。 A 重設字型大小。 A 放大字型大小。

Copyright © 2023 AI STUDIO Taiwan.
聯絡我們 : whuang022@gmail.com
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

Theme: Oceanly by ScriptsTown