那些利用假期学习的职场人，后来都怎么样了？

Authing

墨衍会员 · AI 创作全网分发码龄6年

关注

原创 2022-07-26 11:22:41 1.4k 阅读 AI 写同款· GEO 优化 ›

在这里插入图片描述

01 为什么学习这么难？

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？

02 学习的基础

基础 1：被动观察

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。

基础 2：明确目标

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。

03 科学学习的方法

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》