تلاش بیشتر همیشه به یادگیری بهتر نمی رسد

مثال پایتون را می فهمید، اما وقتی صفحه خالی است نمی دانید از کجا شروع کنید. وسوسه می شوید نتیجه بگیرید «برنامه نویسی به درد من نمی خورد». هنوز برای چنین حکمی زود است؛ ولی «فقط بیشتر تلاش کن» هم جواب کاملی نیست. ظاهر گیر ها شبیه هم است، علتشان نه.

ذهنیت رشد اگر در یادگیری فنی به کار بیاید، باید از شعار فاصله بگیرد. توانایی تغییر می کند، اما تلاش به تنهایی نتیجه را تضمین نمی کند. روش تمرین، بازخورد، دسترسی به مسئله واقعی، زمان، سلامت و شرایط محیط هم دخیل اند. پس نه از یک نتیجه ناموفق درباره استعدادتان حکم بدهید و نه خودتان را مجبور کنید به هر قیمت ادامه دهید. اول علت را پیدا کنید.

چهار جور گیر کردن

پیش از افزودن ساعت تمرین، ببینید کدام ردیف به شما نزدیک تر است. کمبود مهارت با تمرین حل می شود؛ روش نامناسب با تغییر روش؛ مانع محیطی شاید به گفت وگو یا تیم دیگری نیاز داشته باشد؛ گاهی هم تغییر هدف سنجیده تر است.

پژوهش ها هم پشتوانه شعار «باور کن، پس موفق می شوی» نیستند. آزمایشی بزرگ و از پیش ثبت شده در مدارس آمریکا، اثر کوچکی از آموزش ذهنیت رشد بر نمره دانش آموزانی یافت که پیشرفت پایین تری داشتند؛ اثر به محیط مدرسه هم وابسته بود. گزارش Nature نشان می دهد باور به پیشرفت وقتی فرصت عمل وجود دارد مفیدتر است. مرور نظام مند و فراتحلیل سال ۲۰۲۳ نیز گفت اثر دوره های ذهنیت رشد ممکن است به دلیل ضعف طراحی و گزارش پژوهش ها بیش از اندازه برآورد شده باشد. چکیده در PubMed.

نتیجه نه این است که ذهنیت همه چیز را عوض می کند، نه این که هیچ فایده ای ندارد. شکست را حکم همیشگی ندانید، اما از آن اطلاعات بگیرید.

تمرین را کوچک کنید تا خطا چیزی بگوید

فرض کنید برنامه ای فایل CSV را می خواند، داده را تبدیل می کند، API را صدا می زند و نتیجه را ذخیره می کند. اگر خروجی غلط باشد، ده ها علت ممکن است. هر بخش را جدا بیازمایید: آیا فایل درست خوانده شد؟ آیا تبدیل روی ورودی معلوم نتیجه مورد انتظار را داد؟ آیا پاسخ API معتبر بود؟ آیا یک رکورد را می توان نوشت و دوباره خواند؟

هر بار انتظار خود را بنویسید، یک تغییر انجام دهید و نتیجه را با حدس قبلی مقایسه کنید. اگر مثال را می فهمید اما نمی توانید بسازید، تمرین بازیابی و اجرای مستقل لازم دارید. اگر فقط مسیر بی دردسر کار می کند، ورودی مرزی اضافه کنید. اگر راه حل را نمی توانید توضیح دهید، هنوز برای استفاده مستقل آماده نیست.

هوش مصنوعی می تواند آموزگار خوبی باشد، به شرطی که پاسخ آماده جای تمرین را نگیرد. به جای «کل برنامه را درست کن»، بپرسید: «اولین جایی را نشان بده که رفتار واقعی از انتظارم جدا می شود» یا «دو فرض محتمل و آزمونی برای تمایز آن ها پیشنهاد بده». پیش از اجرای کد پیش بینی کنید چه می شود؛ بعد از کمک، بخشی را بدون دستیار دوباره بسازید.

پژوهش تصادفی سال ۲۰۲۵ درباره آموزش ریاضی دبیرستان، هشداری مفید دارد: دسترسی آزاد به GPT-4 به عملکرد بهتر در تمرین کمک کرد، اما در آزمون بدون کمک، نتیجه از گروه بدون هوش مصنوعی ضعیف تر بود. tutor هوشمندی که برای یادگیری طراحی شده بود این آسیب را تا حد زیادی کم کرد. زمینه با آموزش فنی شغلی یکی نیست، اما تفاوت میان «پاسخ بهتر» و «یادگیری بیشتر» را نشان می دهد. مقاله PNAS.

در کلاس های فنی بار ها دیده ام تمام کردن درس با توانایی حل مسئله تازه یکی نیست. یادگیری وقتی به کار می آید که بتوانید با داده یا ابزار ناآشنا مسئله را تعریف و نتیجه را بررسی کنید. برای سنجش این گذار، یادداشت تبدیل یادگیری فنی به مهارت قابل استفاده را ببینید. اگر خود مسیر شغلی نیاز به آزمون دارد، آزمایش های کوچک برای انتخاب مسیر فنی راهی برای جمع آوری تجربه پیش از تعهد بزرگ تر پیشنهاد می کند.

یک کار کوچک انتخاب کنید و پیش از شروع بنویسید چه چیزی را باید خودتان بتوانید انجام دهید. در طول هفته خطا، فرض، آزمون و اصلاح را یادداشت کنید. در پایان، بدون کمک همان توانایی را دوباره نشان دهید. اگر پیشرفتی نبود، پیش نیاز، روش تمرین، بازخورد و شرایط کار را بررسی کنید. پشتکار یعنی به روش نامناسب وفادار نمانید.