On Education | 关于教育 (Last Update 07/12/2020)

关于教育的更新请移步以下链接:
2020/10/17 教育碎碎念

INTRO: 什么是好的教育?疫情下,教育也不得不被迫实施了这场大型的远程实验,而我们也不得不开始再次思考教育的本质。我很幸运的参加了一个每周探索小组探讨这些问题。

每周探索小组第一周:

与三个小伙伴试图讨论了这个问题后有了以下的提问与总结(会不断更新):

  1. 教材之间似乎总是缺乏某种叙事,如何让不同课程之间更加有联系?
  2. 如何实现商业教材上的变革,使学到的东西能够与现实接轨?
  3. 线上教育有什么创新?有什么坏处?(特别地,如何解决CS专业知识繁杂,不知道什么最有用的情况?) 先说讨论后可能的解决方案:也许可以做个开源平台作为一种减少试错的过滤器。通过线上教育这种更加实时与广泛的数据,以游戏里打怪点技能点的方式,将专业,公司/学术岗位的具体技能点以一种更为具体的结构化的方式呈现给那些想要达到目的的人。

事情的起因是因为一个问题困扰了我许久: 每次我想要自己尝试着做一个个人项目的时候,常常不知如何下手,也不知道自己到底缺乏什么样的知识。网上虽然有非常多的博客与资源,但一个领域的萌新们常常需要通过大量的试错才能过滤出有用的信息。这点很像因为信息大爆炸而带来的悖论:信息似乎变多了,但有用的信息变多了吗?实际上并非如此。而知道如何通过各种手段好好过滤信息并成功整合的人才能够以高效的方式理解一个科目,乃至以更加洞明的思维理解这个世界。

一个领域中的从业者,教授,身边的大神,关注的业界巨佬都可以成为一个人的“信息过滤器”。比如在和非常多的大神交谈的过程中,我意识到了许多CS大神都有着非常好的数学修养。在课外就读了诸如数论(Number Theory),组合数学(Combinatorial Mathematics), 抽象代数(Abstract Algebra)等等的书籍。而这些数学知识则经常能够旁侧敲击的帮助他们快速解决LeetCode上的中难题,并在理解更加高阶的CS知识中如鱼得水。今天与电脑视觉(Computer Vision)的大神Metaxas教授简短的交流之后也得知数值分析(Numerical Analysis)是非常重要的先修课程,而数值分析的先修课程则是Calc4。至于想要真正入门Data Science, AI, 或是ML,那么统计中的推论统计学(Inferential Statistics)与Cal3的知识也必不可少。

与此同时,如果想做的是应用开发,又会有完全不同的技能点道路。比如想做网页应用(Web Application)就要去学各种因项目的性质而异的开发语言,开发框架,数据管理,前后端的整合,甚至是一些有助于审美的平面设计课程与和开发流程相关的经验知识。此时数学知识似乎又变得不是那么的重要了。

在CS这个知识迭代如此之快的行业之下,最佳实践有哪些, 什么样的课程意想不到的帮助了很多人增加了一个领域的竞争力,什么样的思维方式与学习习惯会让人更加高效的达成目的?最重要的是,如何将这些知识与经验串联起来并降低想要进入这个行业却又不知如何下手的人的门槛?解决方案中的技能树是否能够应用到其它的科目?

此时又有一个难点,即教材与当下商业/学术世界的工作需要是有时间差的。将当下,甚至近几年的实践经验写进教材是一件非常麻烦的事,而为了实现教育的快速变革可能同时需要进顶尖公司与学校拿到一手资源,并且也许还需要能够将这些资源转换成优秀教材的教育人才。不过现在又类似Coursera,edX,Lynda(现LinkedIn Learning),Pluralsight这种免费的与付费的教育平台,似乎能够解决一部分优秀资源的问题。至少在那些不太容易改变的基础理论课上,这些平台已经有了很好的覆盖。

事实上,很多学习平台其实已经有了Path的叙事概念,比如学语言的Exercism与系统性学习网页应用的Egghead。但实际上的学习过程其实更加动态。比如前不久我在一个博客上看到一本很有意思的书,是由刘汝佳编著的《算法竞赛经典入门》,检索后发现原来很多人在面试前会将这本书刷一遍。看了书之后才发现竟然还有这种能够边学C++边学代码竞赛还顺带了思维训练的奇书,我不禁做出了「还有这种好事.jpg」的表情。很多时候跟着Path从Hello World写到能够用C++写一个完整的数据结构实在是会让人感到非常剥离。比较复杂一点的付费平台上也不过是中规中矩的更深入的一个个介绍C++的特性以及使用方法,寡淡如水尝起来甚至有点苦。你要和我说那些常年在谷歌三大代码竞赛中斩获前三的家伙是这么学习C++的我是怎么也不信的。因为如果真的能将一个语言在竞赛中运用到极致,那必然是对需要解决的问题本身拥有极大的兴趣,并以好奇心为切入点,不断的去解题,并在解题的过程中不断补足自己的知识总结经验而成为大神的。

但还需要指出的一点则是开源技能树平台并不能代替一个人的思考,一个人的心路旅程,以及一个人的独特经历。竞赛大神们可以开YouTube,讲他们是如何一步步成为大神的,但实际上适用于他们的道路很大程度上不一定适用于普通人。开源技能数平台更像是一个导师,一个地图,告诉你要打哪些怪,甚至会有一些出其不意的攻略,但那些怪需要自己打,学习方法与学到的东西要自己总结,最终结合一个人独特的个人经历与脑回路变成自己的东西。如果能够像游戏那样能够让人清晰的看到自己的进度条,也许就能够自发的养成一个良好的学习->奖赏回路,甚至开创自己的free style打怪旅程。

再回到教育本身,假设能够以技能树作为辅助,并在每个技能节点链上经过了筛选的学习资源,那么大学教育本身如何能够在此基础上让学生们智识更上一层楼呢?

每周探索小组第二周:

什么是智商?我问在第二周讨论的时候问出了这个问题。经过搜索之后我得到了如下一些总结与更多的疑问:

智力单一定义:G-factor(智力普遍因素)。与各种流行的智力测试,个人未来成就等有正相关。但并不非常相关。比较不主流的多元智力分类似乎也都与G-factor有关。幼年时家庭环境对一个人的认知能力比较重要,而之后先天基因的影响会逐渐凸显。

经过探讨后我发现我真正感兴趣的其实是:能否提高系统性的学习能力?如何将知识变成能力,并通过反思来进步。

其中一位组员建议了我可以试着锻炼自己的线性逻辑思考,因为我天生的思考模式比较偏向碎片化,因而会比较富有创造力。但同时也会缺乏将学到的知识构建成随时可取的知识树的能力。他的建议是我可以先从把桌子上的东西进行分类并且记忆开始做起。进而在学习知识的时候也将知识分类,进行关联,并且写出来。

另外一位组员则提供了我一些非常有意思的资料。这些资料有一部分是来自Minerva Schools at KGI的教材。比如Minerva大学前校长Kossyln总结的Science of Learning。其中总结了16个学习的原则,而Minerva大学的课程也是围绕着这16个原则进行设计。她还提到了诸如卡片笔记索引法(Zettelkasten),Spaced Repetition, 以及顺着人类的认知偏差,让环境带着自己跑,让好行为变得更容易(Kahneman)等被人实践过的学习方法。

当然我的看法是因为每个人的大脑回路都是独特的,而思考方式与经历也各不相同,所以也许不会有什么放之四海而皆准的方法,可能需要东借一些西借一些并根据自身情况改进学习方法。

Updating…

  • © 2020-2021 Yingru Qiu
  • Powered by Hexo Theme Ayer
  • PV: UV: