如何在信息过载的世界中学习｜Tania Lombrozo
获取信息曾是学习的一大限制。如今，更棘手的问题往往是判断什么值得我们关注。搜索引擎、社交平台、在线课程和生成式 AI 提供答案的速度，已经快过我们评估答案的速度。在 TEDxNewEngland 的演讲中，认知科学家 Tania Lombrozo 认为，更好的学习并不总是始于收集更多材料。有时，它始于更有意识地运用头脑中已有的内容。
Lombrozo 将这一过程称为“通过思考来学习”。这并不是说反思可以取代证据，或凭空提供我们从未接触过的事实。相反，思考可以提取隐藏的知识、重组熟悉的信息、产生新的结论，并准确揭示我们的理解在哪些地方失效。因此，内在反思既是强有力的第一步，也是应对信息过载的有效方式。
为什么解释问题有助于解决问题
软件工程师经常会对着一只橡皮鸭或其他不会回应的物体，出声讲述一个棘手的问题。这只鸭子并不具备技术专长。它的价值在于迫使程序员清楚说明当前情形、重建相关步骤，并让隐含的假设浮现出来。
Lombrozo 用这种做法说明了一个更广泛的原则。我们通常把学习视为信息从外部世界进入头脑：老师给出解释，书本提供事实，或搜索引擎返回答案。然而，人们也能通过审视和加工自己已经拥有的信息来学习。
想想一个关于熟悉房间或童年住所的问题。你或许从未记住那里有多少扇窗户。即便如此，你仍可能在脑海中走过那个空间，查看视觉记忆，并算出答案。这个数字本身并未作为现成事实储存在记忆中，而是通过把一种知识——记忆中的场景——转化为另一种形式而得出的。
声音、动作、空间布局和只理解了一部分的概念，也可能发生同样的情况。一个人知道的可能比他能立刻说出来的更多，因为有用的信息分布在不同类型的记忆之中。思考是提取并重新组合这些信息的一种方式。
学习需要转化，而不只是提取
Lombrozo 将内在知识比作厨房里的食材。你所拥有的东西未必完全符合食谱要求，但有时可以加以转换或组合。一块巧克力可以掰成小块；在需要有盐黄油时，也可以用盐和无盐黄油来替代。
知识也是如此。一段记忆、一条规则、一个例子或一项身体技能，可能包含答案所需的原材料，却不包含最终答案本身。有效的思考涉及改变这些材料的表征方式：把图像转化为计数，把多个例子归纳为模式，或把彼此独立的事实连成因果解释。
这一点很重要，因为一个人可以吸收大量信息，却几乎不进行任何转化。再读一篇文章或再索取一份摘要，或许会增加可获得的信息，但可获得并不等于理解。当我们把新材料与已有知识联系起来、检验其含义，并用它回答那些没人替我们回答的问题时，学习才会深化。
当然，这有明显的界限。再多的内省也无法揭示一个历史日期、一项陌生的科学测量结果，或一份我们从未接触过的文件内容。通过思考来学习不能制造缺失的证据。它的目的在于判断哪些内容可以从内部推导，哪些必须从外部获取。
自我解释背后的研究
“通过思考来学习”中一种尤其有效的形式是自我解释。学习者不只是反复阅读材料，而是停下来提出如下问题：
为什么这一步能从前一步推导出来？
这个例子如何符合一般原则？
如果改变一个条件，会发生什么？
不看来源，我能解释这个观点吗？
我的解释中哪一部分仍然模糊？
Lombrozo 指出，始于 20 世纪 80 年代末的研究考察了一个问题：为什么接触到相似课程和资源的学生，最终会形成截然不同程度的理解。一个重要差异在于，成功的学习者在学习过程中做了什么。他们会生成解释、质疑中间步骤，并尝试说明材料中各种关系。
后续研究证实了研究人员所称的“自我解释效应”。在不同年龄群体和学习情境中，向自己解释观点的人往往能形成更扎实的理解，也更能将所学应用到原始例子以外的场景。
这种益处并不来自写出精雕细琢的文字。一段犹豫不决的解释也可能很有成效，因为尝试本身就要求提取和组织信息。它迫使学习者决定哪些事实重要、它们之间如何关联，以及它们是否真的支持结论。
解释如何改变我们看待问题的方式
Lombrozo 描述了一项涉及卡片的实验，这些卡片可以按不止一种方式配对。成年人往往会注意到一种抽象关系——例如，将一张画着两只相同动物的卡片，与另一张同样画着两只相配动物的卡片配在一起。年幼儿童则更可能聚焦于共同的对象，因为两张卡片都包含同一种动物而将它们配对。
当研究人员要求五六岁的儿童解释为什么某些卡片属于一组时，他们的选择开始转向成年人偏好的、更抽象的模式。研究人员没有给他们纠正性反馈，也没有提供额外事实。仅仅是要求作出解释，就改变了他们组织眼前信息的方式。
这一发现抓住了学习中的一个重要之处。解释不只是报告一个已经完成的想法，它还能重塑想法本身。通过寻找一个普遍的理由，学习者可能超越显眼的表面特征，注意到更深层的结构。
这种转变有助于迁移。如果一个人只理解某个例子的可见细节，所学内容可能仍会局限于那个案例。如果他们识别出其底层关系，那么当对象、语言或情境改变时，他们就更可能认出同样的关系。
解释深度错觉
人们经常觉得自己理解熟悉的系统，直到他们尝试解释这些系统如何运作。马桶、拉链、自行车、天气现象或经济机制，凭借日常经验看似显而易见。一旦有人试图给出详细的因果说明，这种信心往往就会崩塌。
研究人员将这种不匹配称为“解释深度错觉”。熟悉感会制造一种理解的感觉，超过一个人实际能够重建的内容。我们会把认识某个事物、会使用它，或能轻易获取关于它的信息，误认为是真正理解它。
自我解释能戳破这种错觉。每一个不完整的过渡都会变得可见：“我知道这两件事有关联，但我说不出是如何关联的。”那一刻并不是学习失败，而是很有价值的诊断证据。
Lombrozo 举了一个例子：尝试解释低气压与龙卷风漏斗之间的关系。学习者可能一开始掌握了几个相关概念，却发现缺少一个因果环节。与其泛泛地搜索“关于龙卷风的一切”，他们可以提出一个更狭窄的问题，询问气压、气流或漏斗形成。
因此，尝试解释会形成一份信息购物清单。它能指出哪些部分已经具备，哪些仍有待寻找。
将信息过载转化为有针对性的探究
当人们感到不确定时，自然反应往往是收集更多：更多标签页、更多视频、更多保存的论文，以及更多 AI 生成的概览。这可能带来正在进步的感觉，却让最初的问题更难看清。
通过思考来学习提出了不同的顺序：
说明你想理解或完成的事情。
仅用你目前所知的内容解释这个主题。
标出假设、薄弱环节和未解问题。
专门搜索修补这些缺口所需的信息。
将新证据纳入后，重新构建解释。
这个顺序不会减少世界上的知识总量，但会缩小与学习者眼前需求相关的那一部分范围。模糊的“学习气候相关知识”的愿望，可能变成一个关于某个具体反馈循环如何运作的问题。对软件漏洞寻求泛泛帮助的搜索，也可能变成对某一次状态转换或错误条件的调查。
有针对性的探究也更容易帮助我们判断新信息。当你知道一个来源应当填补哪个缺口时，就能判断它是否真的提供了缺失的证据。没有这种目的，几乎任何相关内容都可能显得有用。
AI 应当，以及不应当，为学习者做什么
随着 AI 系统让综合整理变得毫不费力，Lombrozo 的观点显得尤为重要。聊天机器人可以在数秒内检索定义、提出解释、比较理论，并呈现连贯的答案。这些能力可以支持学习，但也可能把理解形成过程中所需的心理操作外包出去。
如果工具完成了所有选择、组合和解释，用户可能得到一个好答案，却没有建立起可用的心智模型。结果是另一种错觉：知识似乎已被自己拥有，只因为它可以被即时获取。
解决方案不是拒绝外部工具，而是在主动思考之后——或与之同时——使用它们。在请求解释之前，先尝试自己给出解释。让系统质疑某个因果联系、为一个具体的不确定点提供证据，或将你的模型与另一种模型进行比较。读完回应后，关闭它，再用自己的话重建论证。
这种方法保留了富有成效的分工。外部资源提供记忆无法给出的事实、视角和证据。学习者仍负责整合：决定各部分如何契合、哪些地方的信心有依据，以及哪些问题仍未解决。
学习的更好起点
通过思考来学习并不一定比查找答案更容易。它需要付出努力、容纳不确定性，有时还会暴露出我们理解得多么有限。这些是特性，而不是缺陷。努力被投入到建立联系和诊断需求上，而不只是积累材料。
Lombrozo 的核心建议很简单：在向外寻找之前，先从内在开始。提取你所知道的内容，转化它、组合它，并尝试给出解释。然后，让解释失败的地方引导你的搜索。
在信息丰富的世界中，优秀的学习者不只是最会找到内容的人。他们还能判断自己已知什么、识别缺少什么，并为了明确的理由获取下一块拼图。
