مقالات

آیا نیاز به مطالعه راه حل ها یا حل مشکلات دارید؟


ویدیوی این انشا را ببینید.

یادگیری نیاز به تلاش دارد. اما همه تلاش ها برای یادگیری خوب نیستند.

وضعیت زیر را در نظر بگیرید. برای کلاسی که شرکت می کنید، مجموعه مشکل دارید. شما دو راه برای مطالعه آنها دارید:

  1. خودتان می توانید مشکلات را حل کنید.
  2. شما می توانید به راه حل های ارائه شده توسط معلم خود نگاه کنید.

کدام روش به یادگیری عمومی تری منجر می شود که به شما امکان می دهد در انواع جدید مشکلات بهتر عمل کنید؟

جالب است که در بسیاری از موارد پاسخ در واقع گزینه دو است: راه حل را در نظر بگیرید. و این می تواند درست باشد حتی اگر خودتان قادر به حل مشکلات باشید.

به نظر می رسد که این برخلاف آنچه به بسیاری از ما در مورد چگونگی یادگیری مؤثر آموزش داده شده است، تضاد دارد: تنها راه برای ایجاد مهارت، حل مشکلات دشوار است. بدون درد، بدون سود، درست است؟ من با آن دیدگاه همدردی می‌کنم، زیرا حداقل تا زمانی که علم را درک نکرده‌ام، تقریباً این احساس را داشتم.

در این مقاله، می‌خواهم تحقیقاتی را که نظر من را تغییر داد، با شما به اشتراک بگذارم. من می خواهم به شما نشان دهم که در هنگام حل مشکلات دشوار در سر شما چه می گذرد، و همچنین به شما کلید این را بدهم که بدانید حل مشکل چه زمانی کار می کند (و چه زمانی کار نمی کند).

پازل

آیا می توان یک مشکل را بدون یادگیری نحوه انجام آن حل کرد؟

در سال 1982، جان سولر، روانشناس، آزمایشی را برای حل مسئله با دانشجویان انجام داد.

وظایفی که به دانش آموزان داده شد نسبتاً ساده بودند: با توجه به یک عدد شروع و یک عدد هدف، هدف رسیدن از ابتدا به هدف است. اما فقط دو حرکت ممکن وجود دارد: یا عددی را که در حال حاضر دارید در سه ضرب کنید یا بیست و نه را از آن کم کنید.

به عنوان مثال، فرض کنید عدد 15 را دارید و به شما گفته می شود که به 16 برسید. برای شروع می توانید آن را در 3 ضرب کنید که به عدد 45 می رسد. و سپس 29 را کم می کنید که به 16 می رسد. تمام شد.



در همه مشکلات گیرایی وجود داشت. هر مجموعه Sweller را می توان با ضرب متناوب در سه و تفریق بیست و نه بار حل کرد. به عبارت دیگر، شما فقط باید این دو قانون را مکرراً اعمال کنید و همیشه در نهایت به پاسخ خواهید رسید.

اما همانطور که سوئلر بعدها گفت:

“دانشجویان من این مشکلات را نسبتاً آسان با شکست های بسیار کم حل می کردند، اما چیز عجیبی در راه حل های آنها وجود داشت. حتی اگر همه مسائل باید با این ترتیب متناوب حل می شد … تعداد بسیار کمی از دانش آموزان این قانون را کشف کردند … هر کاری که حل کننده ها برای حل مسائل انجام دادند، یادگیری قانون دنباله متناوب نقشی نداشت.”

چگونه دانش آموزان می توانند این مشکلات را حل کنند اما یاد نگیرند روش برای حل آنها استفاده می شود؟

چگونه مشکلات را حل می کنیم

درست ده سال قبل از آزمایش سولر، هربرت سایمون و آلن نیوول، برنده آینده جایزه نوبل، کتابی برجسته به نام حل مشکلات انسانی منتشر کردند. در آن، این دو به بررسی فرآیندهای ذهنی افراد برای حل مشکلات دشوار پرداختند.

آنها دریافتند که وقتی مردم با مشکلی مواجه می شوند که نمی دانند چگونه به آن پاسخ دهند، درگیر فرآیند جستجو در فضای مشکل می شوند. این کمی شبیه تلاش برای پیمایش در پیچ و خم است، اما به جای عبور از یک فضای فیزیکی با دیوارها و بن‌بست‌ها، در حال پیمایش در حالات احتمالی خود مشکل هستید.



در آزمایش سولر، تنها دو حرکت وجود داشت – یا در سه ضرب کنید یا بیست و نه را کم کنید. البته در بیشتر کارها حرکات احتمالی بیشتری وجود دارد. مکعب روبیک دارای هجده حرکت مختلف است که در مجموع به چهل و سه حرکت می رسد. کوئینتیلیون تنظیمات این بخشی از دلیل این است که چرخش تصادفی مکعب مشکل را حل نمی کند – احتمالات بسیار زیادی وجود دارد. در عوض، باید کاری هوشمندانه تر انجام دهیم.

سایمون و نیول دریافتند که افراد با استفاده از روش‌های اکتشافی یا روش‌های حل مسئله با هدف کلی این پیچیدگی را کاهش دادند. این اکتشافات ذاتی هستند. نیازی به آموزش نداریم ما آنها را خود به خود اعمال می کنیم، حتی اگر متوجه نباشیم.

سیمون و نیوول چندین مورد از این اکتشافی ها را شناسایی کردند. اما یک مورد خاص وجود داشت که سولر فکر می‌کرد ممکن است در رفتار شگفت‌انگیز دانش‌آموزانش نقشی داشته باشد: تحلیل ابزار و هدف.

این اکتشافی نامی جذاب دارد، اما درک آن واقعاً آسان است. تجزیه و تحلیل ابزار و هدف با در نظر گرفتن یک هدف شروع می شود، سپس به دنبال اقداماتی می شود که می تواند شما را قادر به دستیابی به آن کند. اگر نمی توانید مستقیماً آن عمل را انجام دهید، یک هدف فرعی ایجاد می کنید تا به نقطه ای برسید که بتوانید آن عمل را انجام دهید. اگر این فرآیند را بارها تکرار کنید، به راه حل خواهید رسید.

اجازه دهید این موضوع را با یک مثال واضح تر کنیم. فرض کنید باید از نیویورک به پاریس بروید. راه رفتن به پاریس چیست؟ هواپیما. چگونه هواپیما را می گیرید؟ شما بلیط بخرید. چگونه بلیط بخریم؟ می توانید یکی از خطوط هوایی را در فرودگاه خریداری کنید. چگونه به فرودگاه بروم؟ سوار تاکسی شو شما ایده را دریافت می کنید.

تحلیل ابزار و هدف کار می کند. این یک استراتژی خوب برای حل مشکلات ناآشنا است، اما یک نقطه ضعف دارد. پی بردن به همه این اهداف و اهداف فرعی، پهنای باند ذهنی زیادی را اشغال می کند، چیزی که روانشناسان آن را حافظه فعال شما می نامند. و اگر حافظه کاری شما بیش از حد بارگذاری شده باشد، ممکن است ظرفیت زیادی برای مشاهده الگوهای مفید در آنچه می خواهید یاد بگیرید، نداشته باشید.

برای سولر، این به معنای یک آزمایش بود. اگر بتوانید تجزیه و تحلیل معنا و هدف را سرکوب کنید، آیا حل مسائل را بهتر یاد خواهید گرفت؟

مشکلات بدون هدف؟

سولر این را در آزمایشی با دانش آموزانی که حل پازل های مثلثاتی را یاد می گرفتند، آزمایش کرد. اساساً، او از دانش‌آموزان خواست که زاویه یا طول ضلع یک شکل را که احتمالاً در دبیرستان انجام می‌دادید، حل کنند.

جمله بندی کلاسیک برای این پازل ها این است که یک زاویه یا طول ضلع را نشان می دهد و از دانش آموز می خواهد آن را پیدا کند. برای انجام این کار، دانش‌آموزان معمولاً بر تحلیل ابزار و هدف تکیه می‌کنند. با شروع از هدف، آنها به عقب کار می کنند تا بفهمند برای محاسبه پاسخ به چه مقادیر دیگری نیاز دارند. این رویکرد از حافظه فعال زیادی استفاده می کند که می تواند حواس را از یادگیری اصول واقعی هندسه منحرف کند.

برای سرکوب این موضوع، سولر مشکلات «بدون هدف» را اختراع کرد. اینها همان پازل های مثلثاتی بودند، اما به جای یافتن یک زاویه خاص، از دانش آموزان خواسته شد تا حد امکان زوایا و طول ضلع ها را پیدا کنند.

سوئلر و همکارش الیزابت اوون، درک دانش‌آموزان از پازل‌ها را با دادن نوع جدیدی از پازل مثلثاتی که قبلاً هرگز ندیده بودند، آزمایش کردند. گروه بدون هدف، هشت مورد از ده را به دست آورد، در حالی که گروهی که حل مسئله سنتی را تمرین می کرد، فقط سه امتیاز کسب کرد.

اثر نمونه کار

مشکلات بدون هدف کمک کرد تا از تجزیه و تحلیل ذهنی خواستار ابزارها و اهداف اجتناب شود، اما آنها کاربرد محدودی داشتند. فضاهای مشکل اکثر مسائل دنیای واقعی برای این رویکرد مقیاس بندی بسیار بزرگ است.

برای پرداختن به این موضوع، سولر تکنیک متفاوتی را انتخاب کرد: نمونه های کاری. این‌ها راه‌حل‌های مکتوب برای یک مشکل بودند که معمولاً با تلاش تمرینی روی یک مشکل بسیار مشابه دنبال می‌شد تا مطمئن شوید که واقعاً آن را مطالعه کرده‌اید.

در یک آزمایش بعدی، سولر و همکارانش این رویکرد را با مسائل جبر امتحان کردند. به نیمی از دانش آموزان نمونه های کار شده داده شد. به نیمی دیگر مشکلات داده شد تا حل کنند، بدون راه حل. 

برای اطمینان از اینکه میزان موفقیت دو گروه مطابقت دارد، به هر دانش آموزی در گروه حل مسئله که پس از پنج دقیقه مشکل را حل نمی کرد، به سادگی راه حل داده می شد. بنابراین می‌دانیم که حل‌کننده‌های مشکل صرفاً به این دلیل که هرگز به پاسخ نرسیده‌اند، عملکرد ضعیفی ندارند.

وقتی روی مشکلات مشابه آزمایش شد، هر دو گروه تقریباً به یک اندازه عمل کردند. اما نکته مهم اینجاست: وقتی نوع جدیدی از مشکل معرفی شد، سه چهارم گروه نمونه کاری آن را حل کردند، در حالی که هیچ یک از گروه حل مسئله نتوانستند.

به نظر می رسد مطالعه نمونه های کار شده به دور از اینکه منجر به حفظ شکننده شود، به درک بهتر و تعمیم تکنیک نسبت به حل مسائل منجر می شود.

نظریه بار شناختی

این آزمایش ها همراه با سایر اثرات تجربی، سولر و همکارانش را به تدوین نظریه بار شناختی سوق داد. این نظریه اساساً بیان می‌کند که یادگیری حداقل شامل دو نوع متفاوت از ظرفیت شناختی محدود ما است.

اولین بار ذاتی، حافظه کاری است که برای یادگیری لازم است. بدون این تلاش، یادگیری اتفاق نمی افتد.

در مقابل، بار خارجی حافظه کاری است که به شدت برای یادگیری ضروری نیست، اما ممکن است توسط کار تحمیل شود. ما قبلاً یک نوع از این را دیده‌ایم که توسط حل مسئله ایجاد شده است – تجزیه و تحلیل ابزارها و اهداف از شما می‌خواهد که همه این اهداف و اهداف فرعی را در حین کار برای رسیدن به راه‌حل در ذهن داشته باشید.

اما این تنها نوع نیست. بار خارجی در موارد دیگر نیز رخ می دهد، مانند زمانی که باید به صورت بصری در اطراف مواد حرکت کنید تا یک نمودار را درک کنید، یا اگر اطلاعات نامربوطی دارید که باید نادیده بگیرید.

اگر کل بار از ظرفیت حافظه کاری شما بیشتر باشد، مقداری از آن حذف می شود. و اگر بخشی که حذف شد ذاتی یادگیری بود، در نهایت کمتر یاد خواهید گرفت. بهینه‌سازی بار شناختی – تضمین اینکه تلاش ذهنی صرف شده برای یادگیری واقعی را به حداکثر می‌رسانید – کلید یادگیری خوب است.

بخش دوم: تبدیل

خوب، می توانم تصور کنم که بگویید این یک نظریه خوب است، اما اینطوری در مهارت های سخت خوب نمی شوید. شما فقط با دیدن پاسخ معلم در ریاضیات، برنامه نویسی، فیزیک یا هر چیز دیگری خوب نمی شوید – باید سخت فکر کنید و خودتان این کار را انجام دهید.

من اخیراً ویدیویی در مورد قدرت تمرین بازیابی پست کردم. یادآوری بیشتر از مرور، حافظه را تقویت می‌کند و دانش‌آموزان زمانی بهتر یاد می‌گیرند که به جای بازخوانی یک متن، با یک کتاب بسته حفظ کنند.

آیا من با خودم تناقض دارم؟

خوب، نه. زیرا همانطور که مشخص است، با ادامه یادگیری، قدرت مشکلات بی هدف، مثال های کارآمد و حتی خود آموزش شروع به معکوس می کند.

من در بالا نوشتم که مردم به طور خودکار از روش های اکتشافی مانند تجزیه و تحلیل ابزار و هدف در هنگام مواجهه با مشکلات دشوار استفاده می کنند. همانطور که معلوم است، این فقط تا حدی درست است.

تازه کارها از اکتشافی استفاده می کنند، کارشناسان دانش را استخراج می کنند



تازه کارهایی که برای اولین بار با مشکل مواجه می شوند، مشکلات را از این طریق حل می کنند. همانطور که دیدیم، این اغلب تنها راه حل آنهاست.

اما کارشناسانی که قبلاً نحوه حل مشکل یا مشابه آن را آموخته اند روند متفاوتی دارند. به جای حل یک مشکل با کار معکوس، آنها می توانند از نقطه شروع خود به جلو حرکت کنند و از دانشی که از قبل دارند برای رسیدن به مقصد استفاده کنند.

مثال قبلی را در نظر بگیرید، تلاش برای رفتن از نیویورک به پاریس. وقتی از شما پرسیدم که چگونه این مشکل را حل می کنید، احتمالاً بسیاری از شما استدلال معکوسی را که توضیح دادم، اول تصمیم به سفر با هواپیما، سپس خرید بلیط، رسیدن به فرودگاه، گرفتن تاکسی و غیره انجام نداده اید.

در عوض، قبلاً در سفر بوده‌اید، بنابراین نیازی به انجام این کار ندارید. شاید گوشی خود را باز کرده اید و به وب سایت مسافرتی مورد علاقه خود رفته اید و شروع به جستجوی پرواز کرده اید.

این نوع استدلال رو به جلو، همان بار سنگین و بیرونی را ندارد که تحلیل ابزار و هدف ایجاد می کند. با استفاده از دانش ذخیره شده در ذهن خود، چیزی که روانشناسان آن را طرحواره می نامند، می توانید به طور خودکار تشخیص دهید که با چه مشکلی روبرو هستید و راه حل هایی را از نقطه شروع خود برای رسیدن به مقصد پیاده سازی کنید.

برای کارشناسان، حل یک مشکل شناخته شده نیازی به جستجوی اکتشافی ندارد. این به سادگی مستلزم بازیابی طرحواره مناسب از حافظه و استفاده از آن دانش برای بردن شما به مرحله بعدی است.

تمرین بازیابی حافظه را بیشتر از مرور تقویت می کند. در نتیجه در این شرایط باید انتظار داشت که اثر مثال کاری معکوس شود. همانطور که بیشتر و بیشتر تمرین می کنید، مزایای یادگیری راه حل کاهش می یابد و مزایای استخراج طرحواره برای حل خود مشکل افزایش می یابد.

اما چیز دیگری وجود دارد. حتی بار داخلی مورد نیاز برای یادگیری در طول زمان تغییر می کند. از طریق فرآیندی به نام “چرخش”، حافظه کاری موثر ما با یادگیری در یک موضوع افزایش می یابد. بنابراین، حتی برای مسائل کاملاً جدید، متخصصان از حل مسئله بیشتر از یادگیری مثال‌ها سود می‌برند.

اثر معکوس تخصصی یک یافته کاملاً مستند است که نشان می‌دهد با ادامه یادگیری در یک حوزه، ارزش نمونه‌های کار شده کاهش می‌یابد تا زمانی که حل مسئله به استراتژی مؤثرتری تبدیل شود.

تمرین و حل مسئله یک امر تسلط است. اما چه زمانی اینکه آنها اهمیت دارند به همان اندازه مهم است. آموزش خوب باید روی توضیحات واضح و نمونه های کار در اوایل تمرکز داشته باشد و به آرامی این حمایت را محو کند تا با پیشرفت دانش آموزان بر حل مستقل مسئله تمرکز کند.

بخش سوم: ضمیمه

چگونه می توانید این نظریه را برای یادگیری بهتر به کار ببرید؟

ساده ترین راه این است که بفهمیم هم به مثال های خوب و هم به تمرین کافی برای یادگیری نیاز داریم. در ابتدا، مثال ها قوی تر هستند. بعداً، مشکلات عملی باید زمان بیشتری را از ما بگیرند. با حرکت بین این دو، می‌توانیم از برخی از موارد شدید شکست که ناشی از از دست دادن کامل یک نوع تجربه یادگیری است جلوگیری کنیم.

اما برخی از محققان سعی کرده اند بهتر عمل کنند. بار شناختی یک مقیاس کشویی است، بنابراین ما باید راه هایی را برای انتقال هموار بین نمونه های مطالعه و حل مسئله کاملاً مستقل پیدا کنیم. در اینجا سه مورد وجود دارد:

1. اولین استراتژی استفاده از خود توضیحی است. در این رویکرد، شما با مثال‌های کاملاً توسعه‌یافته شروع می‌کنید، اما از شما خواسته می‌شود برای هر مرحله توضیحی ارائه دهید. محققین الکساندر رنکل و همکارانش دریافتند که این گام اضافی در برانگیختن خود توضیحی منجر به یادگیری عمیق تری نسبت به نمونه های عملی در یک آزمایش می شود.

2. استراتژی دوم محو می شود. با این رویکرد، ما به آرامی از مثال های کار شده به حل مسئله می رویم و بیشتر و بیشتر نمونه را حذف می کنیم و از دانش آموز می خواهیم که آن را به تنهایی پر کند. محققان دریافتند که میرایی معکوس، که در آن ابتدا آخرین مراحل فرآیند حل مسئله نادیده گرفته می‌شود، بهترین کار را دارد.

3. استراتژی سوم مشکلات استخراج مرحله ای است. در این صورت راه حل مشکل مرحله به مرحله آشکار می شود. این به شما فرصت یادگیری می دهد، اما نیازی به ایجاد راه حل کامل ندارد. محققان Gesa van den Broek و همکاران دریافتند که این امر یادگیری را بهبود می بخشد، حتی اگر دانش آموزان زمان بیشتری را در آزمایش خود صرف کنند.

اگر علاقه مند به استفاده از این در تحقیقات خود هستید، من ابزاری ایجاد کرده ام که از هوش مصنوعی برای اعمال خودکار این تکنیک ها استفاده می کند. اینجا را ببینید.

بحث

یافته‌های اساسی تئوری بار شناختی – اینکه حافظه فعال یک محدودیت عمده در یادگیری است، اینکه آموزش خوب و مثال‌های کاربردی مهم هستند، به ویژه برای کسانی که تازه شروع به کار کرده‌اند، و اینکه ارزش حل مسئله و تمرین مستقل با کسب تخصص بیشتر افزایش می‌یابد – اکنون شکی نیست.

با این حال، اگر بگویم که این اکتشافات همیشه مورد استقبال قرار می گرفت، دروغ می گویم. این ایده که راهنمایی، آموزش و تمرین روشن برای یادگیری ضروری است، اغلب با باورهای عمیقاً متضاد است. اغلب باورهایی که با آنچه که داده ها واقعاً پشتیبانی می کنند در تضاد هستند.

و همانطور که در ابتدا اشاره کردم، این موضوعی است که کاوش در تحقیق اصلی تا حد زیادی نظر من را تغییر داده است.

یادگیری مؤثر مستلزم تلاش است. اما همه تلاش ها به یک اندازه موثر نیستند. یادگیری خوب نه تنها مستلزم یافتن مسیر خود، بلکه پیروی از نمونه های خوب است.


Source link

نوشته های مشابه

دیدگاهتان را بنویسید

همچنین ببینید
بستن
دکمه بازگشت به بالا