如何用好碎片化时间,让思维更有效率?

很多人做时间管理,都会忽略这一点。

编者按:本文来自微信公众号“L先生说”(ID:lxianshengmiao),作者 Lachel,36氪经授权发布。

你通勤的时候,都是怎样利用时间的?

我刚毕业的时候,没多少余钱,不得已租了一个远离市区的房子。每天,赶50 分钟的地铁上班,晚上再赶 50 分钟的地铁下班。

这段时间当然不能浪费掉,于是就想着利用起来。

一开始,和大多数人一样,下了一堆电子书,每天废寝忘食在地铁上读书 —— 当时还没有罗辑思维,也没那么多听书、拆书的服务。

过了一段时间,我发现,这样做效率很低。

明明读过的书,只能记得一个大概,记不住内容,连写了什么都忘了。更有甚者,打开一本书,翻了几页,才发现自己几个月前已经看过 —— 但内容显然已经忘光了。

为什么会这样呢?

其实很简单。在很多时候,阅读,是吸收效率最低的一种学习方式。因为人的眼球扫视和认知速度,远远超过理解和记忆速度。

也就是说:我们读完一篇文章、一段章节,以为自己理解了,但实际上,只是「读完」了而已。我们的大脑根本没有做好接受它们的准备。

据研究,单纯进行文字阅读的吸收率,大致只有20% - 25%。

也就是说,你读完一本书,过了一个月,能记住里面四分之一的内容,其实已经算是不错了。

既然如此,为什么我一直呼吁大家读书呢?如何才能提高阅读的吸收率呢?

答案也很简单:加工。

单靠阅读,是很难记住知识的;你必须在阅读的同时,让大脑参与进来,进行深度加工,才能提高对知识的吸收率。

什么是加工?简单来说,就是对所读到的信息,进行思考。

举个例子,当我问「你如何利用通勤时间」时,不急着往下看,而是抬起头,回忆自己通勤时的状态,想一想自己通常都在做什么 —— 这就是一种加工。

同样,当你看到「加工」时,先回忆一下,调取你的知识,来猜测这里「加工」的含义,这也是一种加工。

神经科学认为,我们对知识的储存,是以「点」和「线」的形式,储存在记忆之中的。

当我们接受到任何一个外来的新信息时,进行回忆和沉思,从脑海中「提取」出相应的节点,将它们跟新信息联结到一起 —— 这就是「加工」的整个过程。

我们思考得越多,「提取」出来的节点越多,建立的新联结越多,加工的深度也就越深,我们对于一个新知识,也就能记得越牢。

这就是学习最本质的过程。

当我们利用整段时间(1-2个小时)读一本书时,我们会在一个安静、舒适的环境下,摒除外界干扰,沉浸到书的信息里面。

我们会反复阅读晦涩的内容,会将不同章节、不同页码的知识点联系起来。读到有趣的地方,会掩卷沉思;模糊的地方,会回过头来重读;甚至,会猜测下文,联系起自己的经历。诸如此类。

这些,都在不知不觉地,强化我们的「加工」过程。

但是,碎片化时间,往往比较短(15-30分钟),也容易受到打扰,并不利于我们集中精力,进行沉浸阅读。

在这种情况下,我们的阅读效率,其实是较低的。大多数时候,我们只是匆匆一瞥,告诉自己「我获得了这些信息」,但并没有真的学会它们。

我们是在满足自己的信息焦虑,而不是真的在学习。

这会造成什么后果呢?

我们对所有的信息,都是惊鸿一瞥。心理上,我们认为已经「读过了」,不再愿意去看它们。但实际上,我们并没有真正获取里面的价值。

所以,我经常听到这样的话:这本书我读过了,感觉没什么价值,不推荐看。

其实,是真的没有价值吗?

很多时候,是你的阅读方式不对,没能激发出它真正的价值。

明白了这一点之后,我采取的方式是什么呢?

我不再在通勤路上读书,而是相反,我尽量利用在办公室、家里的时间读书,并将「阅读」和「加工」分离,将「加工」,留到碎片化时间去做。

这就是很多人做时间管理所忽略的地方。

许多人会认为,时间管理,就是最大化利用每一段时间。于是,即使只有10分钟,他们也要把它利用起来。不能读书,就读文章;不能读文章,就听音频。总而言之,不能让自己觉得「这段时间被浪费了」。

所以这几年,这一类「帮你把碎片时间用起来」的知识服务,才如此盛行。

但实际上,最有效的碎片时间利用方式,不是阅读,而是思考。

举个例子。当我读一本书,读到一段关于舒缓压力的方式时,我可能会问自己:

  • 为什么这些方式有效?

  • 这背后的原理是什么?

  • 有没有哪些相关的知识可以联系起来?

  • 我能够如何应用这些方法?

  • 下一步要怎么做?

  • ……

诸如此类。

那么,我会把它们记下来,记在待办事项的 Focused 清单里面(参见:高效管理时间的秘诀,就在于这三个清单)。

然后,等到碎片时间,没有紧急的事情需要做时,我就打开这个清单,从最上面开始,找到需要思考的问题 —— 比如「为什么这些方式有效?」,一个个去攻克。

我会调动起自己的知识积累,去进行逻辑推理,思考彼此之间的联系、架构,尝试找出问题的答案。

与此同时,打开笔记软件。当我找到任何一个问题的答案时,或者产生任何有意思的灵感和想法,我就把它们记下来。

这种做法,不但可以提高加工深度,增加对知识的吸收率,而且,可以不断地丰富我的选题和素材库。

我写出来的文章,有相当一部分的素材,都来源于这种方式。

那么,在碎片化思考的时候,有哪些方法,可以使用呢?

这里面非常重要的,是发散思维。

人的大脑有两种模式,一种是专注模式,另一种是发散模式。当人处于专注模式时,主要活跃的脑区是前额叶皮质 —— 也就是负责逻辑思考和推理的地方。

这时,我们的注意力聚焦在问题上,试图对它进行理解、分析和推理。我们激活的神经元是集中的。

而当我们处于「发散模式」时,脑成像显示,没有哪一个脑区特别活跃,它「弥散」在我们整个大脑中。所以,它不利于对问题进行复杂的理解,但激活的神经元会更广泛、更多元。

也就是说,在发散模式下,我们能够联系的「节点」会更多。那么,针对新信息,能够进行重构和联结的机会,也会更多。

所以,最好的方式,是在阅读时,先利用「专注思维」,理解文章所表达的含义;接着,再调到「发散思维」,从文中的知识点出发,漫无边际地想象、漫游,让知识点尽可能多地跟脑海中的「节点」建立联系。

这里,前者可以在整段时间、系统阅读时做;后者,则不妨放到碎片时间来进行。

有一个方法,叫做 TEC 架构法,可以帮你训练这种模式。

什么是 TEC 架构法?

假设你现在有 5 分钟的碎片时间,想弄清楚一个问题,你可以这么问自己:

  1. 我要思考的焦点和任务是什么?(Target & Task)

  2. 我能想到多少跟它们相关的信息、线索、可能性?(Expand & Explore)

  3. 这些收获中有哪些是可以进一步利用的?(Contract & Conclude)

简而言之,TEC 的操作步骤就是:先澄清问题、确定自己要解决的核心问题;然后发散思维,让大脑放松,想象出尽可能多的可能性和线索,把它们逐一记下来;最后,再从这些记录之中,筛选出能用的,进行下一步的分析和推理。

一次 TEC 练习的标准时间是 5 分钟,亦即分别分配 1 分钟、3 分钟、1 分钟到三部分上。

当然,你可以根据自己的状态和习惯来调整。不宜太长,否则很容易感到疲倦。

我们知道,人有这么一种特征:当你脑海里想着一种事物时,无论你遇到什么东西,碰到什么事件,你都很容易把它们,跟脑海中的事物联系起来。

有一句俗话形容这种现象,叫做:当你手上有锤子的时候,看什么都是钉子。

既然如此,我们为什么不能利用起来呢?

通过 TEC 架构法,把需要解决的问题放在大脑里,过一遍,不但能理清思路、扩充节点,还能帮你保持对问题的敏感性。

这样一来,你就会下意识地,将这个问题,跟见到的事物建立联结。

举个简单的例子。

倘若你是设计师,需要构思一个海报的排版,一时没有头绪。你日思夜想,走路时都在思考。这时,你看到的任何图案,包括店铺的招牌、商场里的海报,都会被你纳入意识中,代入设计需求里。

你会想:咦,这个排版能不能用?这个细节很有意思,能不能拿过来?这个字体不错,回去马上买……

所以,我跟专业人士打交道的时候,注意到,他们都有一个共同点:

无论聊到什么、看到什么,他们都会下意识地联想到自己的业务,思考「这个东西可以怎么用?」

原因很简单,无非是他们对自己的业务十分热忱,无时无刻不在脑子里构思而已。

像上次和几位朋友逛商场,看到一个体验活动,我们的第一反应是:

这个活动的场地布置和宣传不行啊;

没有指引,没有维序,也没有客户服务,乙方太偷工减料了吧;

现场提交的信息如何保证有效性?这不是浪费钱嘛;

……

在心理学上,这就叫做「敏感化技术」

很多人会有这种体验:被一个问题长久困扰,一直不得门径,突然间某一天灵光一闪,瞬间想通了之前的关隘,所有迷雾一扫而空。

这些时刻,背后往往都是「敏感化技术」在起作用。

那么,如何调动自己的「发散思维」,将碎片时间利用起来呢?

最关键的,是要保持放松。

可以试试,聚焦在自己的呼吸上,一起一落,减慢速度,使心情平静下来,将脑子里的杂念和思维清出大脑。

如果有条件的话,拿出纸笔,花上30秒,将脑海中的念头写下来,不需要成文,也不用管内容。写上三五行,会感觉很舒畅。

另一个有效的方法,是换个环境。

去一些新奇的、陌生的环境,走一条没走过的路,都可以刺激我们的大脑,让我们从「专注模式」切换到「发散模式」—— 因为在这种情况下,我们需要更多地去收集周围环境的信息,建立模型。

这可以帮助我们,将注意力从内部转移到外部。这样一来,在减轻压力的同时,也能有效地刺激和活化思维。

所以,当你觉得思维堵塞时,不妨出去走走,换个环境,让大脑放松,给思维减负。说不定,问题的答案,就会自然而然浮现出来。

当然,这样做也有一个缺点:从旁人的角度看,会觉得你经常在「发呆」。

不过,很多时候,适当的发呆是有益的:它可以梳理我们的思维和知识体系,让我们更好地前进。

而且,在这个信息爆炸的时代里,将注意力从信息上转移开来,能有一段闲暇时间去发呆,难道不是一件十分美好的享受么?


转自:http://36kr.com/p/5100999.html


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于新网络权重,以最小损失函数。 11. **正则(Regularization)**:技术如 Dropout、L1/L2 正则等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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