Hi 我是 VK~
AI 已經且正在改變我們獲取資訊的方式，同時也改變我們的學習方式。面對這個變化，許多人的第一反應是：「我要學會更好的 prompt 技巧！」
確實，prompt 能解決不少問題，但當我們深入使用 AI 學習時，會發現一個更根本的挑戰：即使 AI 能提供完美的答案，我們依然會遇到「看懂了但做不到」的困境。
或多或少我們有過花了好幾個小時看 YouTube 教學影片，感覺自己已經「學會」了某個技能，但真正要動手做的時候，卻發現腦袋一片空白？這也說明了一個重要事實：獲取資訊和真正的學習是兩回事。
當獲得資訊變得越來越容易，這也促使我們重新思考：在 AI 時代，我們到底需要什麼樣的學習能力？
這期會來介紹 Julie Dirksen 的書《Design for How People Learn》，她用一整本書的篇幅把學習流程拆解，並且透過經過科學驗證的學習設計原則，分享如何為學習者打造更好的學習體驗。
這本書帶給我更多的想法是：如何幫助自己在 AI 時代中，主動地建構屬於自己的學習系統。就如同書中所說的：「學習體驗就像一趟旅程，這趟旅程的終點不只是知道更多，而是做更多。」
這期內容會有：
- 為什麼要重新審視學習理論？從 Benjamin Bloom 談起
- 如何識別學習落差：是知識不足，還是練習不夠？
- 設計個人化的學習體驗：辨識快／慢技能，擬定學習策略🔒
- 如何培養好奇心、引導注意力？🔒
- 如何記得更好：重新理解記憶的運作方式🔒
- 如何識別學習盲點🔒
- 結語🔒
行政庶務：這個月剛好有五週，下週休息一次，我們兩週後見。
喜歡這期的內容，歡迎分享給朋友一起訂閱《VK科技閱讀時間》，祝你今天一切順利~
為什麼要重新審視學習理論？從 Benjamin Bloom 談起
當我們開始認真思考「如何在 AI 時代學得更好」這個問題時，很快就會發現我們需要一些理論基礎來指導實踐。這時就要來介紹一位美國教育學家 Benjamin Bloom 的研究和理論。
他在 1984 年提出的「2 Sigma問題」的解決方案，他的研究表示一對一個人化輔導能夠讓學生表現提升兩個標準差，相當於讓原本處於第 50 百分位的學生躍升至第 98 百分位。然而，傳統的一對一輔導成本高昂，難以大規模實施，直到AI技術的出現，才讓這個理想變得可行。這也是為什麼 AI 可以在教育領域展現出前所未有的潛力的根據。
除了這份研究之外，先前在訪談 NotebookLM 的團隊成員無論是胡程維和 Simon Tokumine，都不約而同提到 Bloom 學習分類理論的六層次如何影響他們在 NotebookLM 的設計：
- 在記憶層面，AI 能夠幫助學習者建立更有效的知識架構，就像一個「心智書櫃」智慧管理系統，將資訊分類存放在多個「書架」上，提供多重檢索路徑。
- 在理解階段，AI能夠根據學習者的背景知識和理解程度，提供個人化的解釋和類比，幫助新手學習者建立必要的心智模型。
- 在應用和分析層次，AI展現出更大的優勢。它能夠提供無限的練習機會和即時回饋，讓學習者在安全的環境中反覆練習，直到技能自動化。同時，AI能夠設計複雜的問題情境，挑戰學習者運用所學知識解決實際問題，培養批判性思維。
- 在評估和創造的高階層次中，AI 不再是簡單的資訊提供者，而是成為協作夥伴，與學習者共同探索、質疑和創新。
這框架主要讓人更系統性地理解學習本身的歷程和機制。接下來，讓我們深入探討大腦是如何學習的。
大腦如何學習：工作記憶、長期記憶
在《Design for How People Learn》中，作者 Julie Dirksen 也引用了 Bloom 的理論，但她更進一步地從認知科學的角度解釋了學習的機制。理解這些機制很重要，因為只有知道大腦如何處理資訊，我們才能設計出真正有效的學習方法。
設計有效的學習體驗前，要先來介紹一下我們的大腦是如何學習的。通常可以粗略地分成兩種記憶：工作記憶、長期記憶。
- 工作記憶（也就是大腦的「暫存區」）：容量非常有限，一般人只能同時處理 7 ± 2 個資訊單位。你試試看記住這串數字： 9 3 4 8 7 1 6 2 5 ，可能有點困難。但如果我把同樣的數字這樣排列：100 500 800，應該看過就可以馬上記起來，這就是「組塊化」（chunking ）的魔力。我們把原本 9 個獨立的數字，重新組織成 3 個有意義的單位。
這個原理對學習極其重要。當我們接觸新知識時，如果沒有適當的組織架構，大腦就會像面對那串隨機數字一樣手忙腳亂。這就是為什麼很多人聽完演講或看完教學影片後，會有「當下很懂，事後全忘」的感覺。
- 長期記憶：認知科學家用「書架」（一種心智圖像）來比喻我們的長期記憶系統。想像你的大腦裡有無數個書架，每個書架都有自己的分類系統。當新資訊進來時，大腦會試圖把它放到適當的「書架」上。
問題是，如果你在某個領域「書架」還很薄弱（比如你剛開始學程式），那麼新的程式碼知識就很容易「掉到地上」，變成一堆雜亂無章的資訊堆。這解釋了為什麼有時候我們學東西會有「忽然開竅」的感覺。那不是因為我們突然變聰明了，而是因為我們的「書架」終於建構得夠牢固，可以承載和組織更多相關的知識。
舉例來說，當第一次學開車時，光是要記住怎麼踩油門煞車、打方向燈、注意後照鏡，就已經讓大腦超載了。但經過練習後，這些動作變得自動化，你就可以把注意力放在更複雜的駕駛技巧上。
這就是專業能力發展的過程：從需要有意識地處理每個細節，到把基礎技能內化為自動反應，騰出認知資源來處理更高層次的問題。
如何識別學習落差：是知識不足，還是練習不夠？
理解了大腦的學習機制後，我們就能更好地診斷學習問題。當學習者無法達成目標時，我們需要先找出問題的根源：是工作記憶超載？是缺乏適當的「書架」來組織知識？還是需要更多練習來達到自動化？
不同類型的學習問題需要完全不同的解決方案，這就是為什麼我們需要學會識別不同類型的學習落差。
傳統的學習設計常常假設，只要把資訊傳達給學習者，他們就能夠執行。但實際上，學習落差有多種不同類型，這裡列舉五種學習落差：
- 知識落差：純粹不知道某件事，比如不知道 Python 的語法
- 技能落差：知道怎麼做，但做不好，比如知道 Python 語法，但寫不出乾淨的程式
- 動機落差：知道該怎麼做，也有能力做，但就是不想做
- 環境落差：環境不支持學習者成功執行所學
- 溝通落差：失敗不是因為缺乏知識，而是因為指令不清楚
在 AI 時代，這些落差的重要性發生了根本性變化。純粹的知識落差已經不是大問題，可以透過 ChatGPT、Grok、Claude 等 AI 來解決。其他落差雖然還需要人為介入，但解決方法相對明確：動機落差可以透過重新設計環境和獎勵機制來改善；環境落差可以透過增加資源、改善環境來解決；溝通落差本質上是溝通問題，而不是學習問題。
這裡真正的挑戰在於技能落差。要如何判斷是技能落差，還是知識落差？
面對新的學習目標時，可以問：「認為一個人可以不經練習就精通這件事，合理嗎？」
- 如果答案是「可以」，那這主要是知識落差，用 AI 搜尋和整理資訊就夠了。
- 如果答案是「不可以」，那這是技能落差，你需要設計練習和設計學習回饋機制。
這也就是我們聚焦的主軸：如何培養技能？如何學得更好？記得更深？
設計個人化的學習體驗：辨識快／慢技能，擬定學習策略
既然技能落差是 AI 時代的核心挑戰，我們就需要更系統性的方法來處理它。《Design for How People Learn》影響我最多的地方是如何設計「好的學習體驗」。雖然書中的對象是針對教學者進行學習設計，但這些方法可以很好地讓人更有系統性地看待與 AI 協作的方法，如何透過 AI 幫助自己學得更好。
設定學習目標
想像一下：你看了幾支 Python 教學影片，覺得自己「懂了」，但真正要寫程式時，卻發現腦袋一片空白。這可能是我們在設定學習目標時最常犯的錯誤：太模糊了。
設計好的學習體驗，第一步就是先設定好的學習目標。每次設定學習目標時，可以問自己兩個問題：
- 學習者在現實世界中真的會做這件事嗎？
- 教學者能判斷他們是否真的做到了嗎？
比如說，「理解機器學習的概念」就是個糟糕的學習目標，因為太模糊了。更好的目標可能是：「能夠為一個實際的商業問題選擇適合的機器學習演算法，並解釋選擇的理由。」這個目標既實用又可以驗證。
辨識快／慢技能，採取不同的學習策略
有了明確的學習目標後，下一步是理解這個目標涉及哪些類型的技能。這裡要介紹一個深刻但常被忽略的理論：「步調分層」（Pace Layering），他由《Whole Earth Catalog》共同創辦人（賈伯斯最喜歡的期刊，也是 Stay hungry, stay foolish. 原句的出處）Stewart Brand 提出。
為什麼要從建築學借鏡？因為建築物和技能發展有著驚人的相似性。
Brand 在《How Buildings Learn》書中提出了「步調分層」（Pace Layering）理論：建築物的不同部分變化速度不同。房間內的物品可能每天都在變，室內裝潢可能幾個月、幾年會變一次；但結構、地基可能幾十、數百年才會變動。
如同 Brand 提到，「從最快的層到最慢的層，它們之間的關係可以這樣描述：快者學，慢者記；快者提議，慢者決議；快者是斷續的，慢者是連續的；小而快者透過累積的創新與偶爾的革命，指導大而慢者；大而慢者透過約束與恆常，掌控小而快者。快者吸引我們所有的注意力，慢者掌握真正的力量。」
