重视你的认知资源
我们每个人在处理信息的过程中都会经历这些情况。在学习微积分等难度大的课题时，我们需要处理大量的抽象概念，这些概念会占用大量工作记忆的资源，增加我们的认知负荷。若信息组织不当，可能会导致我们认知负荷过载，从而影响学习效果。一个优秀的老师会通过精心设计的ppt形象地展示微积分的各种概念，这种视觉化的呈现方式帮助我们减少了很多外在认知负荷，使学习者可以将更多的认知资源投入到理解核心概念中。优秀的老师可以将两者结合起来，降低了学习难度，提高了相关认知负荷。这些例子都涉及认知负荷，而认知负荷的研究正是Cognitive Load Theory（认知负荷理论）的核心内容。
该理论由John Sweller及其同事们提出，基于人类认知系统的有限性，探讨如何优化信息呈现方式，以提高学习效率。认知负荷理论假设人类的认知系统主要包括工作记忆（working memory）和长期记忆（long-term memory）。工作记忆容量有限，长期记忆则负责存储已组织好的知识结构（即模式或脚本）。人类学习时，与现有知识体系相关或新的信息进入到工作记忆中被存储和被积极地推理，学习和理解。我们将重要的信息持续处理为模式后放入长期记忆中存储。当我们遇见相似问题时，大脑会检索长期记忆来调用类似模式到工作记忆中处理类似问题，这个过程是自动完成的，不会占用很多认知资源。。其中工作记忆资源是有限的，通常同一时间只能处理5-9个信息单元。有限的工作记忆资源导致了Cognitive Load（认知负荷）。
认知负荷理论将认知负荷分为三种：内在负荷 外在负荷 相关负荷。内在认知负荷是由特定任务本身的复杂性决定的。例如，阅读中文文章对母语为中文的人来说比阅读英文文章更容易，因为中文的语言规则和词汇体系已经被存储在长期记忆中，因此处理该信息的认知负荷较低。例如，中文论文比起看中文小说有更多的内在负荷，因为一般论文理解难度要大于小说。外在认知负荷是信息由以哪种方式呈现在学习者面前产生的。例如，当学习者在查找学习资料时，如果网页上充满无关广告和干扰信息，他们需要额外花费注意力筛选有用信息，这种额外的认知需求就属于外在认知负荷。相关认知负荷指学习者致力于管理与学习需要基本信息相关联的内在负荷的工作记忆资源。简单来说相关认知负荷指我们将认知资源放在学习任务本身上。相关认知负荷高低与前两者认知负荷有关系，如果内在认知负荷很高（说明你学习的信息很难），而你的外在认知低（意味着你呈现其信息的方式让你很容易理解和学习它），因此你的相关认知负荷就高，说明你将你的认知资源放在信息上。清楚这三者关系之后，我们将要看看有哪些策略可以帮助我们更好地掌控我们的认知资源。
我想要举一个我生活中的例子来说明Split-attention effect和Redundancy effect。前几天我经历了一个困境就是我收集很多优质资源，但是我没有很好的方法去管理这些资源，管理就是指将这些资源融入我的生活。那么问题来了，我如何融入我的生活呢？把这些资源放在哪？我什么时候去查看这些资源？我如何做到定期查看？这些资源的笔记和思考放在哪？我是否可以以来更好地优化这些步骤？
在回答这些问题之前我想要解释什么是项目管理和运营管理。项目管理是WBS--Work Breakdown Structure(工作流程细化)。对于上面将资源融入我生活的例子其实就是项目管理，我想要将那一套工作流程细化，细化到我具体执行哪些步骤。运营管理是将这些步骤内化，将其转化为一种被动技能。比如说一个健身小白初到健身房时，他可能会跟着别人样子练习，因为他不知道练哪些肌肉和动作。而一个运动员来到健身房就会按照他已经内化的项目来做，他会熟练地热身，清楚他想要练哪些部位，运动完之后的拉伸以及饮食等等。
回到我之前的例子，我想要将资源融入生活其实就是在进行项目管理，我需要弄清楚这些流程以及优化这些流程。当我熟练之后，我就会不假思索地运营它。我明白我想看的网站和播客很多，而且我也不可能每天去各自的网站找这些内容，因为这是一个非常消耗能量的过程。因此我运用了RSS技术，这是一种订阅网站的手段，通过将所有我想要看的网站更新集中在在Feedly上，避免了频繁查看不同网站所带来的认知负担，减少了外在认知负荷。然后我发现可以利用ai帮助我，因为网站每天会更新大量的信息，所以我规定每周一去查看信息，找到一周内想看的文章和论文。为了提高效率，我使用了一个自动化程序来收集所有我想看的网站的更新文章标题和链接并将其转为json文件，所以我只需要周一将文件发给gpt让其帮我找到我想要看的文章就好了。以上例子就说明了我将分散我注意力的资源集中起来，然后利用脚本去提取重要信息，删去繁杂的信息。
谢谢你的阅读！ 希望这篇文章能为你提供一些关于如何更好地管理认知负荷、优化学习效率的实用见解。如果你有任何问题、想法，或者想分享你的学习经验，欢迎随时通过邮箱与我联系。我非常期待听到你的反馈，也希望能与大家一起探讨更多关于学习、认知科学和效率提升的话题。