[抄]碎片化阅读的危害

知乎链接

碎片化阅读的危害

琐碎的知识无用

琐碎的知识形不成体系在影响高效学习的误区中,有一个便是认为“知道=学会”,但是如果知道的东西只是零碎的分布着,没有形成系统,你是很难去应用的。
曾有一家报社搞国学知识竞赛,找专家出了一套国学题目。其中有一道题为,胡萝卜是什么时候传入中国的?如果你能把它变成系统的知识,那它是有用的,但是假如一个人并没有这样的意愿和目标,他只知道胡萝卜是什么时候传入中国的,这样的知识对他不仅没用,还可能产生负面影响。因为他知道大多数人都不知道的答案,心里一阵窃喜,并特别想让人知道,想让人问他。于是这颗萝卜就把他一辈子拴死了。
琐碎的知识就像难以消化的残渣一样,留存在脑海中,想快速遗忘掉却不可得。

碎片化阅读影响人的性情

德国哲学家尼采写过一篇文章叫《我为什么这么聪明》。他的结论就一句话:我之所以这么聪明,是因为我从来不在不必要的事情上浪费精力。无聊的知识会让人变的无聊,琐碎的知识会让人变的琐碎,甚至猥琐。孔子的学生夏说过“虽小道,必有可观者焉”,但是“致远恐泥,是以君子不为也”。
零碎的阅读,可能带来零碎的认知,而零碎的不系统的认知,则可能造成碎片化、焦虑不安、浮躁的人生。这就是碎片化阅读带来的长久危害。

碎片化阅读令人注意力涣散、执行力低下

碎片化阅读最大的危害是容易让人把“知道”当成“懂得”。阅读的本质是获取信息,尽量追求系统、全面,所以阅读尽量精读,因为精读能最大化的提取信息、收获知识。可毕竟需要筛选且内容优劣不一,所以有的书简单涉猎即可,粗读、浅读。读的太零碎,就不习惯集中精力阅读了。碎片式阅读是过于“浅”了,打开一个网页看个标题就关闭了;看别人的答案扫完第一段就开始去写评论了;知道某本书,看个序言就觉得自己读过了。碎片式阅读慢慢变成自欺欺人,不懂装懂,连自己都骗。有人过于习惯碎片阅读,无法集中精力,每天把网上的热门新闻标题看一遍,就觉得自己囊括天下时政了。真正关心时政的人,往往要看各种数据,各方面的知识储备做参考,才能谈一点有用的个人见解。合理分配碎片阅读的时间占比,才是让人舒服的阅读方式。

碎片化阅读浪费时间

因为浅尝辄止,缺乏深度思考。学到的东西会很快遗忘,碎片化阅读就像刷抖音一样,也是一种虚度光阴。

碎片化阅读让人失去思辨能力

碎片化阅读是输入,大量的输入会影响像洪水一样冲垮人的辨别思考的阀门,让许多良莠不齐的知识冲入脑海。
碎片化阅读的状态下,每一段文字的力量都是旗鼓相当的弱,而人们最终只会选择最合自己眼缘的那些部分。你不会获得新的知识,你的观点只会被你既有的偏见所加深。
最后,就陷入了一个完全的“思维茧房”——人就是从这时候开始,逐渐失去了思辨和更新自我的能力。

碎片化阅读的好处

碎片化阅读并非一无是处,碎片知识也是知识。碎片知识本身没有坏处,当无法消化碎片知识的头脑输入了太多的碎片知识,碎片知识的害处才凸现出来。
绝大多数的“知识”都是以碎片化的形式存在的,碎片化也是获得知识的一个重要方式和途径。所以不应对“从零碎的途径获得零碎的知识”这一情况排斥,而是将其作为除了系统习得知识以外的一种有益的补充。而且在某种情况下,碎片化的知识甚至比系统化的知识的作用更大。比如在需要创新时,偶得的观点或知识点往往能刺激你实现突破。你可以更深入一层地去理解:碎片化的知识作为“知识点”,作为偶然的“顿悟”与“启发”,在你进行创新、谋求突破、企求质变时,往往能发挥关键的作用;而“系统化知识”的本质是对“结构性思维”的追求,每一个具体的知识系统只是结构化思维的具体表现形式。系统化知识可能在你看待一个项目或事物之处及积累的过程中需要你去掌握,是用来全面地、持久性地打牢地基;而碎片化知识往往是量变到一定程度时,促进质变的那一点。

我们究竟需要怎样的“系统化知识”。很久以来我也对此很困惑,为什么我总会从不同的途径吸收各种不同的知识,这些知识都是零碎的,该怎么更好地实现体系呢?后来在读书的过程中我发现这个问题同样存在,为什么呢?书上不是有完善的体系吗?确实是有完善的体系。但是对于我来说,我在大多时候不需要这些现成的“完整体系”,特别是“完整的学科体系”。一个完整的学科体系,至少包括发展历史、理论知识、实际应用三个层面,如果我因为工作需要去掌握一些心理学的知识,但是我真的觉得自己没有必要去掌握心理学的发展历史啊,反而只是心理学中某些零碎的知识点对我有莫大的帮助。所以我在思考,我们苦苦追求的“知识体系”究竟是什么?其实,可以将之理解为两个层面:第一,正如前面所说,与其说我们追求“知识体系化”,不如说我们追求“思维结构化”。你想一想,除非你是想系统地研究某一科目,不然你在生活中遇到的大多困难是你在面对一个问题时,你只能想到一个角度、一个维度、一种视角、一种理论,这个时候你就会觉得自己的知识不够系统化,但是其实是你的思维方式不够结构化。而“知识体系化”只是“思维结构化”的一种体现和具体载体。第二,我们在生活工作中追求的知识体系,往往是围绕我们的实际应用来的,无论是书本还是学科的体系,并不是我们想要的或者说最适用的“体系”,我们想要的体系是“围绕我们的实际应用,构建的最适用实际工作的个性化的知识体系”。

如何应对碎片化知识

有备无患

先系统学习知识,构建好自己对某项技能的认知体系。
在《刻意练习》中作者已经描述的很明确了,在业已规范的领域内如何进行系统化的刻意练习,从而快速达到最高水平。第一,找到行业里的教练、老师,让他们告诉你,比如我当时健身时一开始是自己摸索,总是半懂不懂的,而找了教练后就好了很多;第二,找行业内的顶尖人物,作为标准和你自己对比,找出差距,并找出差距的原因,然后进行练习。在这里在说下去就偏掉了。我想说的是学习系统化知识最简单的是找个教练或老师式的人手把手指导你;而建立一门学科的知识体系,最简单的方法是去看那本《XXX导论》《XX学》《XX原理》这种最基础的书,然后画出知识树状图。以后你每遇到一个相关的知识点,你就在这个学科的知识树上找他的枝丫添加上去,如果不能直接添加,你就找联系,一个从来没有的联系就是一个创新发现。碎片化的知识,就是通过不断与主干知识树相联系才成为一个体系的。另外,千万不要忘了,你建立知识体系是为了应用,不是为了让你对着人夸夸而谈你了解多么完整的知识体系。所以你的这个知识体系一定要紧密围绕你的实际应用和需求来。比如,课本给出的知识体系可能包含了很多层面,而你实际工作不需要那么多,那你就大胆的删改,直到最适用你为止,到这时候,才会真正内化成你的东西。结构化思维说白了,就是知识体系更加抽象化、概括化的表现。是思维的结构、模板、框架。

多总结,深度思考

好记性不如烂笔头。适当的输出能够促进自己主动思考。

去掉干扰信息,专注自己真正想要的碎片知识

碎片知识也分很多种,有些碎片知识如新闻、个人观感、情感故事之类毫无用处,尽量屏蔽掉。
整理自己的关注列表,去掉自己不感兴趣的碎片。

在合适的时间花费合适的时间进行碎片化阅读

碎片化知识零碎、单蹦个、随机性的特点,注定其发挥作用的形式之一是“奇兵”。人有三性,感性、理性这大家都知道,还有很重要的一点是“悟性”。你很难说在某一瞬间的“顿悟”,究竟是感性还是理性,他就那么难以捉摸,但在某一个时刻确实就出现了,这就是爱因斯旦所说的那“百分之一的灵感”,往往比百分之九十九的汗水更重要。这个好像说的很玄了,那么究竟该怎么触发这难以捕捉的悟性呢?就像武侠小说中的习武天分一样,有的人终其一生都难以顿悟。但并非没有规律可寻:第一是积累,就是在你做一件事情的时候你要把他的结构,把他的基础打老实了,把你能想到的,能借鉴的先都做到位了;第二是打开自己,这个尤为重要,我看过很多人的传记,那些作家或作曲家,往往在创作到一定程度时便会去放空自己,做一些不相干的事情,但是不要认为他们纯粹在碰运气,在此之前,他的积累已经在心里沉淀了很久,就差那么一点“灵光”了,他们现在更像是跳出了条条框框的限制,就像独孤求败最终不再使用任何武器和招式,拈花摘草皆可伤人。跳出限制,不再苦苦陷入这一特定事物的同时,让万事万物的感受都能直通到心理,这个时候你就很容易被触动了。

转载于:https://www.cnblogs.com/weiyinfu/p/10278310.html

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
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