心智模型是一个一般性的概念，可以用来解释许多不同的现象。经济学中的供给和需求、生物学中的自然选择、计算机科学中的递归、数学中的归纳证明--只要你知道去寻找，这些模型就无处不在。
就像理解供给和需求有助于你思考经济学问题一样，理解学习的心理模型也会让你更容易思考学习问题。
在这篇文章中，我想与大家分享对我影响最大的十种心智模式，同时附上参考资料，以便大家深入了解。
1、解决问题就是搜索
赫伯特·西蒙（Herbert Simon）和艾伦·纽厄尔（Allen Newell）以他们的里程碑式著作《人类问题解决》（Human Problem Solving）启动了对问题解决的研究。在书中，他们认为人们通过搜索问题空间来解决问题。
一个问题空间就像一个迷宫：你知道你现在在哪里，你知道你是否已经到达出口，但你不知道如何到达那里。一路上，迷宫的墙壁限制了你的行动。
问题空间也可以是抽象的。例如，解决一个魔方，意味着在一个由各种配置组成的大问题空间中移动--混乱的立方体是你的起点，每种颜色都被隔离到一边的立方体是出口，而曲折和转折则定义了问题空间的“墙”。
现实生活中的问题通常比迷宫或魔方更复杂：开始状态、结束状态和确切的移动往往不明确。但是，在可能性的空间中搜索仍然是人们在解决不熟悉的问题时所做的一个很好的表征--也就是说，当他们还没有一种方法或记忆来直接引导他们找到答案时。
这个模型的一个含义是，如果没有先验知识，大多数问题真的很难解决。一个魔方有超过43 × 105次方的配置；如果你不聪明的话，这是一个很大的搜索空间。学习是一个获得模式和方法的过程，以减少暴力搜索。
2、记忆通过检索得到加强。
检索知识比第二次看到的同一事物更能加强记忆。测试知识不仅仅是衡量你所知道的事物的一种方式，它能积极地改善你的记忆。事实上，测试是研究人员发现的最佳学习技巧之一。
为什么检索如此有帮助？一种看法是，大脑只记住那些可能被证明有用的东西，从而节省了精力。如果你总是有一个答案在手，就没有必要把它编码在记忆中。相反，与检索相关的困难是一个强烈的信号，表明你需要记忆。
检索只有在有东西可以检索的情况下才起作用。这就是为什么我们需要书籍、老师和课程。当记忆失效时，我们会退回到解决问题的搜索上，根据问题空间的大小，搜索可能完全不能给我们一个正确的答案。然而，一旦我们看到了答案，我们通过检索它比反复查看它能学到更多的东西。
3、知识是呈指数增长的。
你能学到多少东西，取决于你已经知道什么。研究发现，从一篇文章中保留的知识量取决于先前对该主题的知识。在某些情况下，这种影响甚至可以超过一般智力。
当你学习新事物时，你会把它们整合到你已经知道的东西中。这种整合为你以后回忆这些信息提供了更多的钩子。然而，当你对一个主题知之甚少时，你就会有更少的钩子将新信息放在上面。这使得信息更容易被遗忘。就像从种子中长出的水晶一样，一旦建立了基础，未来的学习就会容易得多。
当然，这个过程有局限性，否则知识会无限加速。不过，记住这一点还是很有好处的，因为学习的早期阶段往往是最难的，而且会对一个领域内未来的难度产生误导性印象。
4、创造力主要是模仿
很少有学科像创造力这样被误解，我们倾向于给有创造力的人灌输一种近乎魔法的光环，但创造力在实践中要平凡得多。
马特·里德利（Matt Ridley）在一篇关于重大发明的令人印象深刻的评论中指出，创新是一个进化过程的结果。新发明不是以完全成形的形式出现在世界上，而是旧思想的随机突变。当这些想法被证明是有用的，他们扩大到填补一个新的实用市场。
支持这一观点的证据来自于几乎同时发生的创新现象，在历史上，无数次，多个不相关的人开发出了同样的创新，这表明这些发明在被发现之前，就在可能性空间中以某种方式“邻近”。
即使在美术中，临摹的重要性也被忽视了，是的，许多艺术革命都是对过去潮流的明确拒绝。但革命者本身几乎无一例外地沉浸在他们所反抗的传统中。反对任何公约都需要了解该公约。
5、技能是特定的但可转移
转移是指在一项任务中经过练习或训练后，在另一项任务中的能力得到提高。在关于转移的研究中，出现了一个典型的模式。
- 对一项任务的练习使你更擅长于此。
- 练习一项任务有助于完成类似的任务（通常是那些在程序或知识上重叠的任务）。
- 对一项任务的练习对不相关的任务帮助不大，即使它们似乎需要同样广泛的能力，如 "记忆"、"批判性思维 "或 "智力"。
很难对转移做出准确的预测，因为它们取决于对人类思维的确切运作方式和所有知识的结构的了解。然而，在更有限的领域中，约翰-安德森发现，“对知识进行操作的IF-THEN规则”与智力技能中观察到的转移量形成了相当好的匹配。
虽然技能可能是具体的，但广度创造了通用性。例如，学习外语中的一个单词，只有在使用或听到这个单词时才有帮助。但是如果你知道很多单词，你就可以说很多不同的事物。
同样地，知道一个想法可能不重要，但掌握许多想法可以带来巨大的力量。每多受一年教育，智商就会提高1-5分，部分原因是学校教授的知识广度与现实生活（以及智力测试）中需要的知识相重叠。
如果你想变得更聪明，没有捷径可走：你必须学习很多东西。但反过来说也是如此。大量学习会使你比你预想的更聪明。
6.心理带宽是极其有限的。
我们在任何时候都只能记住几件事情。乔治-米勒最初认为这个数字是7，只能记得七件事情，最多加上或减去两个项目。
但最近的研究工作表明，这个数字更接近于四件事。
这个令人难以置信的狭窄空间是所有学习、每个想法、记忆和经验必须通过的瓶颈，如果它要成为我们长期经验的一部分。潜意识学习是行不通的。如果你不注意，你就不会学习。
我们可以提高学习效率的主要方法是确保流经瓶颈的东西是有用的。将带宽用于不相关的元素可能会减慢我们的速度。
自20世纪80年代以来，认知负荷理论被用来解释如何根据我们有限的心理带宽来优化（或限制）学习的干预措施。这项研究发现：
- 问题解决对初学者来说可能是适得其反的。新手在看到工作实例（解决方案）时表现更好。
- 材料的设计应避免需要在不同的页面或图表的不同部分之间进行翻阅以理解材料。
- 冗余的信息阻碍了学习。
- 复杂的想法如果先分部分介绍，可以更容易学习。
7.成功是最好的老师。
我们从成功中学到的东西比失败多。原因是，问题空间通常很大，大多数解决方案都是错误的。知道什么是有效的，就可以大大减少可能性，而经历失败只能告诉你一个具体的策略是无效的。
一个好的规则是，在学习时要争取达到大约85%的成功率。你可以通过调整练习的难度（开卷与闭卷，有导师与无导师，简单问题与复杂问题），或者在低于这个阈值时寻求额外的培训和帮助来做到这一点。如果你的成功率高于这个阈值，你可能没有寻求足够难的问题--而且是在练习常规而不是学习新技能。
8、我们通过实例进行推理
人们如何进行逻辑思维是一个古老的难题。自康德以来，我们就知道，逻辑不能从经验中获得。
不知何故，我们必须已经知道了逻辑的规则，否则一个没有逻辑的头脑就不可能发明这些规则。
但如果是这样的话，为什么我们经常在逻辑学家发明的各种问题上失败呢？
1983年，菲利普-约翰逊-莱尔德提出了一个解决方案：我们通过构建上下文情境的心理模型来推理。
为了测试一个像 "所有人都是凡人。苏格拉底是一个人。因此，苏格拉底是凡人"，我们想象有一群人，他们都是凡人，并想象苏格拉底是其中之一。我们通过这样的考察推断出这个语句是真的。
约翰逊-莱尔德提出，这种基于心理模型的推理也解释了我们的逻辑缺陷。我们在处理那些需要我们检查多个模型的逻辑陈述时最为吃力。需要构建和审查的模型越多，我们就越有可能犯错。
丹尼尔-卡尼曼（Daniel Kahneman）和阿莫斯-特维斯基（Amos Tversky）的相关研究表明，这种基于例子的推理会导致我们将回忆例子的流利程度误认为是事件或模式的实际概率。例如，我们可能认为更多的词符合K _ _的模式，而不是_ K _，因为第一类的例子（如KITE、KALE、KILL）比第二类（如TAKE、BIKE、NUKE）更容易想到。
通过例子进行推理有几个含义。
- 通过例子学习往往比抽象的描述更快。
- 为了学习一个一般的模式，我们需要许多例子。
- 在根据几个例子进行广泛的推理时，我们必须注意。(你确定你已经考虑了所有可能的情况吗？）
9、知识随着经验的积累而变得不可见
通过练习，技能变得越来越自动化。这减少了我们对该技能的意识，使其需要我们宝贵的工作记忆能力来执行。想一想驾驶汽车：起初，使用闪烁器和刹车是很痛苦的事情。经过多年的驾驶，你几乎不会去想它。
然而，技能的自动化程度提高也有缺点。其一是将技能教给别人变得更加困难。当知识变成隐性的时候，就更难明确你是如何做出决定的。专家们经常低估 "基本 "技能的重要性，因为这些技能早已被自动化，在他们的日常决策中似乎并没有什么影响。
另一个缺点是，自动化技能对意识控制的开放程度较低。这可能会导致进步的停滞不前，当你继续按照你一直以来的方式做某件事情时，即使那已经不再合适了。寻求更多困难的挑战变得至关重要，因为这些挑战使你脱离了自动化，迫使你尝试更好的解决方案。
10、再学习相对较快
在学校里呆了几年后，我们中有多少人还能通过毕业所需的期末考试？面对课堂上的问题，许多成年人不好意思地承认他们记不起什么。
遗忘是任何我们不经常使用的技能不可避免的命运。赫尔曼·艾宾浩斯发现，知识以指数级的速度逐渐减少--开始时最快，随着时间的推移而减慢。
然而，也有银。再学习通常比初始学习快得多。其中一些可以理解为阈值问题。想象一下，记忆强度的范围在0到100之间。在某个阈值下，比如说35，存储器是不可访问的。因此，如果一个记忆的强度从36降到34，你就会忘记你所知道的。但是，即使再学习带来的一点刺激也足以修复记忆，使其回忆起来，相反，一个新的记忆（从零开始）需要更多的工作。
受人类神经网络启发的联结主义模型为再学习的潜力提供了另一个论据。在这些模型中，计算神经网络可能需要数百次迭代才能达到最佳点。如果你轻轻摇动这个网络中的连接，它会忘记正确的答案，并不会做出比偶然更好的反应。然而，与上述阈值解释一样，网络第二次重新学习最佳响应的速度要快得多。1
重新学习是一件令人讨厌的事，特别是因为与以前容易的问题作斗争可能会令人沮丧。然而，我们没有理由不深入广泛地学习--即使是被遗忘的知识，也能比从头开始更快地被唤醒。