「一万小时」不是被推翻的,是被拆开的:26% / 4% / <1%
【锚点】这一篇只钉一个判断:【刻意练习】能解释多少绩效方差,不取决于练了多久,而取决于这项任务把「练习」压缩成了什么形状——【可分解性】、【反馈延迟】、【可重复性】。
一、先把数字摆出来 【显式】Macnamara、Hambrick 与 Oswald 2014 年发在 Psychological Science 的元分析,收了 88 项研究,横跨五个领域。刻意练习解释的绩效方差:游戏 26%、音乐 21%、体育 18%、教育 4%、职业 <1%;总体 12%。原文结论是「刻意练习是重要的,但不是唯一重要的」——这句话被两边都引用了,然后两边都没读第二段。
【显式】Ericsson 的反驳不是「你们的数字错了」,而是「你们量的不是刻意练习」:原始定义要求明确目标、即时反馈、超出舒适区、可重复。元分析里大量「练习时长」是自报的累计小时数,不含这四条。我认为这个反驳部分成立,但它反过来更狠——如果只有满足那四条的小时数才算数,那么大多数职业领域里根本不存在足够多的这种小时数可供统计。
二、为什么游戏 26%,职业 <1% 【隐式】把五个领域按同一把尺子量:单次尝试的【反馈延迟】。游戏是毫秒到秒;音乐是一个乐句;体育是一次动作;课堂是一次作业(以天计);职业是一次决策的后果(以月到年计,且混杂)。
【细微】26% 最高不是因为游戏更重要,是因为游戏是【人造的封闭系统】:规则固定、反馈零延迟、失败可重来、结果可归因。这四条恰好是实验室带教里最难造出来的东西——湿实验的一次尝试要几天,失败原因常常不可归因(污染?抗体?手?),而且不能重来。所以「多练」在实验室里的边际收益,天生低于在游戏里。
【极难发现】<1% 里有一部分是统计假象,不是「练习无用」。职业领域的样本是【已经通过筛选的人】:能进入律师、程序员、外科医生队伍的人,练习量的方差被截断了(range restriction)。方差被截断,相关系数就必然被压低。所以 <1% 应该读成「在剩下这批人里,练习时长的差异不再预测绩效差异」——这是一句完全不同的话,而它恰好是带教真正要面对的问题:你手上的人已经是被筛过的一批,你要找的是方差还在哪。
三、对带教的可操作推论 不要问「你练了多久」,要问【这次尝试的反馈延迟是多少】。一个可执行的审计:把实验室最常见的三类任务各写一行,填上「从做出动作到知道结果」的实际小时数。如果中位数 >72 小时,那不是学生不够努力,是系统没给他学习的机会。
【流程节点链路】任务可分解性 → 单次尝试的反馈延迟 → 单位时间内可完成的尝试次数 → 练习量的有效方差 → 可被练习解释的绩效方差。链路上任何一环断掉(比如反馈延迟从小时级升到周级),后面所有节点一起塌;而「多加练习时长」这条建议恰好作用在链条的最后一环,所以它经常无效——不是学生不听劝,是劝的位置不对。
四、留给你的问题 如果练习解释力最低的领域,恰好是「职业准备」最看重的领域(教育 4%、职业 <1%),那研究生训练到底该优化什么?我的答案是优化【反馈延迟】与【可归因性】,不是时长。但这里有个我没解决的取舍:把反馈延迟压到很低,通常意味着把任务切成更小的碎片,而真实工作的价值恰恰在长链条上。切碎换速度,会不会训练出一批「擅长做小任务、不会做长项目」的人?我更怕的其实是另一种:为了保住长链条而不切碎,于是反馈延迟变成三个月,学生三年里只拿到十几次有效信号。这两者之间的分界线在哪,我希望有人能拿数据反驳我。







0 評論