怎么把知乎的回答转化成自己的知识?

分析知乎上关于学习方法的讨论,通过建立术语体系、梳理观点、批判性思考和Learning-by-Doing实践,深入理解如何高效学习并内化知识。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

转载:http://jianshu.io/p/987f13d0215a

主题阅读+批判性思考+Learning-by-Doing,三大利器,可以解决这个问题!

分析性阅读

莫提默艾德勒先生在《如何阅读一本书》中提出,针对特定主题所进行的分析型阅读,是阅读的最高层次。具体方法是:

  • 搜集所有与特定主题相关的材料或章节。
  • 给这个主题建立特定的术语体系。
  • 了解不同作者的主旨或观点。
  • 分析讨论不同作者的分析过程。
  • 总结得出针对该主题的最终认识。
  • 知乎似乎是天然为主题阅读而生的,它是一个虚拟辩论会场,不同的作者从不同的角度、按照不同的思路,对特定问题进行讨论,几乎完全免去了读者搜集相关资料的工作。

以本题为例,在我写这个回答时,已发布的答案共67个。我可以将其默认为与该主题相关的所有材料(当然,知乎上还有与这个问题极其类似的其他问题,理论上也应拿来阅读、分析,但本文仅局限在这个问题下)。

第一步,建立术语体系。在所有回答中,不同作者用到的,比较模糊的术语有:信息、知识、智慧、专业回答、干货、碎片化、内化。首先要问的问题是,不同作者在使用这些术语时,他们所想表达的意思是相同的吗?信息和知识的区别是什么?知识和智慧又有什么差异?专业回答不就是干货吗?碎片化是什么意思?

由于各位答主都没有给出这些术语的具体定义,有些术语体系与我自己的有冲突。比如,我把信息定义为“是什么”,而知识和智慧都是“为什么”,而没有把二者拆开来。同时,我也看不出专业回答和干货的区别。碎片化我可以理解,即不成体系的片面知识。内化,我将其理解为完全掌握。因此,在我自己的概念中,与这个问题相关的复杂术语仅包括:信息、知识、专业回答、碎片化、完全掌握。

第二步,梳理观点。目前,具有代表性的观点是:

  • 知乎上学不到东西,建议用读书取而代之。
  • 知乎只能把你引进门,修行还要靠个人。
  • 根据不同的问题类型,采用不同的学习方法。
  • 根据在知乎上的所看所读,写文章、写答案、实践。

整体而言,第四类观点在所有答案当中占主导地位。

第三步,讨论各个观点的论证过程。根据上述四个观点分别梳理(不少回答只有观点,没有论证,这样的回答可以不看):

  • 针对第一类观点,各位答主主要根据个人经验来证明其观点,几乎没有充分的论证过程。
  • 针对第二类观点,最有力的论证来自于 @新田君。基本意思是:世界太大,个人太小,知乎能给你之前想像不到的知识与视角,这是知乎的好处。但由于知乎的知识太碎片化,在被引进门后,读者最好进行更为系统性的学习。
  • 针对第三类观点,不同答主将知乎回答划分为不同的类型,并分别给出学习方法。但问题一是缺乏论证,二是划分标准不统一,并且没有做到MECE。
  • 针对第四类观点。 @陈章鱼 老师通过讲故事来论证。有的答主通过讲述自己经历来论证。有的答主通过举例子来论证。也许最有力的论证来自于 @Johnny Jiang。他认为:回答问题的过程对于答题的人绝对是一个学习的过程,而且他/她所获得的要比绝大多数看这个回答的人要多。有人指出你回答中的错误,你修改过后会更正确全面的理解这个问题;同时你会和很多评论的人有交流讨论,和很多相关领域很厉害的人交流,这也让你更好的理解这个问题甚至整个领域。

第四步,根据前述总结,得出比较靠谱的观点:

  • 不同的问题,要有不同的学习方法。有的可以在知乎学,有的要配合更系统的材料学。
  • 整体而言,通过实践来学习、内化,最为重要。

批判性思考

针对各位答主的论证,对其进行批判性的分析、思考。主要标准有:

  • 清楚。回答的表述简洁、清楚。
  • 正确。基本事实、信息、数据正确。
  • 精确。基本事实、信息、数据精确。
  • 逻辑。论证、推理过程严密。
  • 一致。前后观点、逻辑一致。
  • 切题。回答与问题直接相关。
  • 完整。回答涵盖与问题相关的全部环节。
  • 全面。回答角度广泛,立场多样。
  • 深刻。回答要有理论、有方法、有指导意义。
  • 公正。没有无端损害他人利益。

继续以本题的全部回答为例,这些回答基本上表述清楚,切题;各个回答自身观点一致;同时不涉及正确、精确、公正等判断标准。缺点是:无法满足逻辑、完整、全面、深刻等标准。

  • 本问题的回答下,有不少回答没有论证,或者仅使用单一的论证模式,且以举例居多,论证有效性不足。
  • 所有回答整合在一起,尚有很多环节没有覆盖。如,如何确定想要学习的领域?如何搜集、整理这些知识?如何对这些知识进行分析、评价?如何对问题进行分类,分类的标准是什么,以信息/知识为维度,还是以干货/消遣为维度,要不要进一步细化?不同类型下的知识,以哪种学习方式最佳?除了写文章、写回答,还有哪些实践方法?除了实践,思考还需不需要?等等。
  • 不少内容,点到即止,没有给出具体的方法。如,大家都讲要将学到的东西内化,但如何内化?只说要实践,但只要实践就可以了吗?大家几乎没有说清楚。

总结到此,对于自己在各位答主的基础上,下一步应该思考的方向和具体内容,就很明确了。在思考的基础上,进一步补充、优化对这一问题的理解与回答。

Learning-By-Doing

思考完成后,总结出可以亲自实践的活动,设置实践目标、计划、截止日期,在实践中进一步加深理解,同时养成习惯。

例如,如果决定利用思维导图,提升在知乎学习能力。可以做如下工作:

  • 阅读与思维导图相关的图书1-3本、或知乎全部相关问答,掌握思维导图使用方法,耗时两周。
  • 针对感兴趣的领域进行主题阅读,同步画思维导图,每天完成1-3个问题,为期一月。
  • 将思维导图的学习方法,运用到其他学习情境当中,耗时两月。
  • 每季总结使用思维导图的心得和经验,及时优化、改进。

通过上述三步,首先掌握知乎er对某一问题的认识;其次分析知乎er认识的疏漏与不足,全面提升自己对该问题的认知水平;最后,将需要实践的内容,内化成习惯。从而由内到外,将知乎知识内化为自己的东西。

转载于:https://www.cnblogs.com/yanyichao/p/3772554.html

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
内容概要:本文详细介绍了哈希表及其相关概念和技术细节,包括哈希表的引入、哈希函数的设计、冲突处理机制、字符串哈希的基础、哈希错误率分析以及哈希的改进与应用。哈希表作为一种高效的数据结构,通过键值对存储数据,能够快速定位和检索。文中讨论了整数键值和字符串键值的哈希方法,特别是字符串哈希中的多项式哈希及其优化方法,如双哈希和子串哈希的快速计算。此外,还探讨了常见的冲突处理方法——拉链法和闭散列法,并提供了C++实现示例。最后,文章列举了哈希在字符串匹配、最长回文子串、最长公共子字符串等问题中的具体应用。 适合人群:计算机科学专业的学生、算法竞赛选手以及有一定编程基础并对数据结构和算法感兴趣的开发者。 使用场景及目标:①理解哈希表的工作原理及其在各种编程任务中的应用;②掌握哈希函数的设计原则,包括如何选择合适的模数和基数;③学会处理哈希冲突的方法,如拉链法和闭散列法;④了解并能运用字符串哈希解决实际问题,如字符串匹配、回文检测等。 阅读建议:由于哈希涉及较多数学知识和编程技巧,建议读者先熟悉基本的数据结构和算法理论,再结合代码实例进行深入理解。同时,在实践中不断尝试不同的哈希策略,对比性能差异,从而更好地掌握哈希技术。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值