Как учиться: карта трека и почему это отдельный навык

Инженер тратит на обучение больше времени, чем на любую другую деятельность, кроме собственно написания кода. Новый фреймворк, чужой сервис, незнакомая предметная область, очередная смена инструментов — всё это учебные задачи, и они занимают часы каждую неделю на протяжении всей карьеры. При этом почти никого не учили как учиться. Метод у большинства один и тот же с институтских времён: прочитать, посмотреть видео, перечитать непонятное место, «покивать головой», перейти к следующему.

Проблема в том, что этот метод по данным исследований — один из худших. И, что важнее, он ощущается как хороший: субъективное чувство «я понял» плохо связано с тем, вспомните ли вы это через две недели и примените ли в незнакомой ситуации.

Этот трек — про устройство обучения: что известно про извлечение из памяти, интервалы, перемежение и обратную связь; что из этого проверено, на ком и в каких условиях; и что из этого переносится на работу инженера, а что — нет. Он не про мотивацию, не про режим дня и не про «привычки успешных людей». Организация времени и энергии — соседний трек: Тайм-менеджмент для инженера. Здесь — про то, что происходит внутри учебного часа, когда он уже выделен.

Почему это отдельный навык, а не следствие усердия

Довод первый: знание устаревает неравномерно, и это меняет стратегию

Расхожая метрика «период полураспада знаний инженера — пять лет» звучит убедительно, но точной работы за ней нет: это отраслевая присказка, а не измеренная величина. Честнее сформулировать качественно, и качественная картина понятна каждому, кто работает больше пяти лет.

Ошибка, которая стоит инженеру лет, — учить все четыре слоя одним и тем же способом. Заучивать флаги команды бессмысленно: они изменятся, и внешняя память справится лучше. Читать про модель согласованности «по диагонали» — тоже бессмысленно: она не изменится ещё двадцать лет, а без неё вы будете чинить одни и те же баги в разных обёртках.

Отсюда практический вывод, который проходит через весь трек: выбор приёма зависит от слоя. Интервальное повторение окупается на терминологии и API, которые нужны в голове для скорости; для моделей нужен перенос и вариативная практика; для мышления — обратная связь от реальных задач. Универсального «правильного способа учиться» не существует.

Довод второй: наша интуиция об обучении систематически ошибается

Это не фигура речи, а один из самых воспроизводимых результатов когнитивной психологии. Люди оценивают собственное усвоение по ощущению лёгкости обработки материала: если текст читается гладко, кажется, что он усвоен. Но лёгкость чтения создаётся знакомостью, а не памятью.

• Asher Koriat и Robert Bjork (2005, Illusions of Competence in Monitoring One’s Knowledge During Study) показали, что при изучении пар слов испытуемые уверенно завышают прогноз собственного будущего припоминания — потому что в момент изучения ответ находится прямо перед глазами, и его доступность ошибочно принимается за прочность памяти.
• Nate Kornell и Robert Bjork (2007) и Jeffrey Karpicke с коллегами (2009, Metacognitive strategies in student learning) опрашивали студентов о том, как те готовятся: доминирующей стратегией оказалось перечитывание, а самопроверка — далеко не первой, хотя именно она работает лучше.
• Robert Bjork и Elizabeth Bjork в «новой теории неиспользования» (1992) разделили два параметра памяти: прочность хранения и прочность извлечения. Перечитывание временно повышает вторую, почти не трогая первую. Ощущение «я знаю» — это показания второго датчика, а нужен первый.

Ключевое следствие сформулировали Nicholas Soderstrom и Robert Bjork в обзоре Learning versus Performance: An Integrative Review (Perspectives on Psychological Science, 2015): производительность во время обучения — плохой предиктор обучения. Условия, которые улучшают показатели прямо сейчас, часто ухудшают отложенное удержание и перенос, и наоборот.

Именно поэтому «учиться» — навык, а не усердие. Усердие без коррекции метода даёт человека, который очень старательно двадцать раз перечитывает главу и потом не может написать функцию.

Довод третий: у инженера почти нет естественной обратной связи по обучению

В спорте вы видите результат. В музыке вы слышите фальшь. В инженерном самообучении сигнал приходит с задержкой в месяцы и смешан с шумом: вы прочитали книгу по распределённым системам, а через полгода не смогли отладить инцидент — из-за пробела в знаниях или из-за плохих логов? Без специально построенной проверки метод обучения не самокорректируется. Об этом отдельная глава про обратную связь.

Что в этом тексте считается доказательством

Область обучения переполнена уверенными советами без данных. Поэтому договоримся о том, как трек обращается с утверждениями.

Три правила, которых трек держится:

1. Автор и год — обязательно. Если работы не названо, значит, её нет, и это гипотеза, а не результат.
2. Границы называются вслух. «Эффект показан на списках слов у студентов через неделю» и «эффект показан на проектировании систем у практикующих инженеров через год» — разные утверждения, и второго в литературе почти нет.
3. Отраслевой опыт не выдаётся за исследование. «Так делают в командах, и это выглядит разумно» — законный аргумент, но другого класса, чем метаанализ. О разнице между этими классами аргументов — трек Логика и аргументация.

Общая точка входа в тему для тех, кто хочет одну работу вместо двадцати: John Dunlosky, Katherine Rawson, Elizabeth Marsh, Mitchell Nathan, Daniel Willingham. Improving Students’ Learning With Effective Learning Techniques (Psychological Science in the Public Interest, 2013) — полный текст. Авторы разобрали десять популярных приёмов и оценили полезность каждого по силе доказательств. Высокую полезность получили два: практика тестирования и распределённое повторение. Низкую — перечитывание, подчёркивание и составление кратких конспектов. Это не приговор конспектам, но это ровно противоположно тому, что делает большинство.

Мифы, которые надо снять до старта

Ниже — не «спорные идеи», а утверждения, которые проверяли и не подтвердили. Держать их в голове дорого: они направляют усилия не туда.

«Стили обучения»: визуалы, аудиалы, кинестетики

Идея: у каждого человека есть предпочтительный канал восприятия, и обучение эффективнее, когда материал подан в «его» модальности.

Что проверяли: гипотезу соответствия — что одному и тому же человеку одинаковый материал усваивается лучше в предпочитаемой им модальности. Harold Pashler, Mark McDaniel, Doug Rohrer и Robert Bjork в обзоре Learning Styles: Concepts and Evidence (Psychological Science in the Public Interest, 2008) показали: экспериментов с корректным дизайном (перекрёстное распределение стиля и способа подачи) крайне мало, и те, что есть, гипотезу не подтверждают. Daniel Willingham и Cedar Riener позже подытожили то же самое в The Myth of Learning Styles (2010).

Что при этом верно: у людей действительно есть предпочтения — кому-то приятнее схема, кому-то текст. Предпочтения реальны, а вот выигрыш в усвоении от подстройки под них — нет. И отдельно верно, что у материала есть своя правильная модальность: карту метро глупо объяснять словами, а определение — картинкой. Подстраивайтесь под материал, а не под самоописание.

Цена мифа для инженера: человек, считающий себя «визуалом», годами смотрит видеокурсы вместо чтения спецификаций и не замечает, что не может воспроизвести ни одного механизма без картинки перед глазами.

«10 000 часов»

Идея в популярной подаче: чтобы стать экспертом в чём угодно, нужно 10 000 часов практики.

Что на самом деле показали работы: K. Anders Ericsson, Ralf Krampe и Clemens Tesch-Römer (1993, The Role of Deliberate Practice in the Acquisition of Expert Performance) изучали скрипачей музыкальной академии в Берлине. У лучшей группы к двадцати годам накопилось в среднем порядка десяти тысяч часов индивидуальной практики. Это среднее по группе, а не порог; речь шла о конкретном виде практики — целенаправленной, с учителем, с немедленной коррекцией; и область была специфической: с устоявшейся методикой обучения, объективным критерием качества и мгновенной обратной связью. Формулировка «10 000 часов = экспертиза» — из книги Малкольма Гладуэлла Outliers (2008), и сам Эрикссон впоследствии публично возражал против такого прочтения.

Что показали более поздние проверки: метаанализ Brooke Macnamara, David Hambrick и Frederick Oswald (Deliberate Practice and Performance in Music, Games, Sports, Education, and Professions, Psychological Science, 2014) оценил, какую долю различий в результатах объясняет накопленный объём осознанной практики: около 26% в играх, 21% в музыке, 18% в спорте, 4% в образовании и меньше 1% в профессиях. Эрикссон оспаривал методику подсчёта (в анализ попадали не только строго «осознанные» часы). Спор не закрыт, но обе стороны согласны в одном: чем менее структурирована область и чем хуже в ней обратная связь, тем слабее работает простой счётчик часов.

Инженерия — как раз плохо структурированная область: нет канонической программы, нет тренера, обратная связь запаздывает и зашумлена. Поэтому «наработать часы» здесь — не стратегия. Стратегия — построить обратную связь. Подробный разбор — в главе Осознанная практика.

Эффект Даннинга-Крюгера в популярной подаче

Идея, как её обычно пересказывают: некомпетентные люди уверены в себе, компетентные — сомневаются.

Что в оригинале: Justin Kruger и David Dunning (1999, Unskilled and Unaware of It) показали, что участники из нижнего квартиля по результатам теста завышали оценку своего результата, а из верхнего — слегка занижали. Обратите внимание: слабые оценивали себя не «выше сильных», а выше своего реального результата, и в среднем всё равно ниже, чем сильные.

Что с критикой: значительная часть эффекта воспроизводится статистически даже на случайных данных — за счёт регрессии к среднему и общей склонности оценивать себя «чуть выше среднего». Эту линию критики развивали Joachim Krueger и Ross Mueller (2002), Edward Nuhfer с коллегами (2016–2017) и Gilles Gignac с Marcin Zajenkowski (The Dunning-Kruger effect is (mostly) a statistical artefact, Intelligence, 2020). Спор о том, что остаётся после поправок, продолжается.

Что практически полезно и не зависит от исхода спора: самооценка знания — плохой измерительный прибор, особенно в начале. Это подтверждается и независимо от Даннинга-Крюгера — теми же работами про иллюзию компетентности. Вывод для трека: не спрашивайте себя «понял ли я», проверяйте себя задачей. Об этом главы Что значит понимать и Иллюзия понимания.

«Пирамида обучения»: 10% прочитанного, 90% сделанного

Картинка с процентами удержания по способам восприятия гуляет по презентациям десятилетиями. Источника у чисел нет. Их приписывают «конусу опыта» Эдгара Дейла (1946), но у Дейла в конусе нет никаких процентов — он вообще не измерял удержание. Историю появления цифр разбирали Michael Molenda и Will Thalheimer; обычный вывод — числа появились в чужих пересказах и дальше копировались. Если видите эту пирамиду в учебном материале, это сильный сигнал о качестве остального содержимого.

Тренажёры мозга и скорочтение

• Игры «для мозга». Adrian Owen с коллегами (Nature, 2010, выборка более 11 000 участников) обнаружили улучшение в тренируемых заданиях и отсутствие переноса на нетренированные когнитивные задачи. Обзор Daniel Simons и коллег (Do “Brain-Training” Programs Work?, Psychological Science in the Public Interest, 2016) пришёл к тому же: доказательств широкого переноса нет.
• Скорочтение. Keith Rayner с коллегами (So Much to Read, So Little Time, Psychological Science in the Public Interest, 2016) разбирают физиологию чтения: скорость упирается в обработку языка, а не в движения глаз, и заявленный многократный рост скорости достигается за счёт понимания. Полезно другое — умение выбирать, что читать целиком, а что просматривать; этому посвящена глава Чтение технических текстов.

Что известно достаточно хорошо — и где границы

Теперь то, за что есть смысл платить временем. Каждый приём разбирается в своей главе; здесь — сводка с честными границами.

Основные первоисточники, если хотите проверить сами:

• Henry Roediger, Jeffrey Karpicke. Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention. Psychological Science, 2006.
• Jeffrey Karpicke, Janell Blunt. Retrieval Practice Produces More Learning Than Elaborative Studying with Concept Mapping. Science, 2011.
• Nicholas Cepeda, Harold Pashler, Edward Vul, John Wixted, Doug Rohrer. Distributed Practice in Verbal Recall Tasks. Psychological Bulletin, 2006.
• Doug Rohrer, Robert Dedrick, Sandra Stershic. Interleaved Practice Improves Mathematics Learning. Journal of Educational Psychology, 2015.
• Nate Kornell, Robert Bjork. Learning Concepts and Categories: Is Spacing the Enemy of Induction?. Psychological Science, 2008.
• Olusola Adesope, Dominic Trevisan, Narayankripa Sundararajan. Rethinking the Use of Tests: A Meta-Analysis of Practice Testing. Review of Educational Research, 2017.

Отдельная честная оговорка, которую стоит держать в голове весь трек. Почти все эти работы сделаны на студентах, на вербальном или математическом материале, с горизонтом удержания в недели. Контролируемых исследований, где инженеры учат распределённые системы одним способом против другого и через год измеряется качество их архитектурных решений, не существует — такой эксперимент слишком дорог и слишком шумен. Всё, что трек говорит о применении к инженерным задачам, — это обоснованная экстраполяция плюс отраслевой опыт, и там, где это так, будет сказано прямо.

Различие, на котором держится весь трек

Если запомнить из этой статьи одну вещь, пусть это будет разделение результата тренировки и обучения. Первое — то, как хорошо у вас получается прямо сейчас, во время занятия. Второе — то, что осталось через месяц и сработало в новой ситуации. Они расходятся, и расходятся предсказуемо.

Левый верхний квадрант — приёмы, которые ощущаются как провал в процессе («я ничего не помню», «слишком медленно») и дают результат потом. Правый нижний — то, что ощущается как продуктивная учёба и почти ничего не оставляет. Правый нижний квадрант опаснее левого нижнего: неэффективный, но неприятный способ вы бросите; неэффективный и приятный — будете практиковать годами.

Важно не перевернуть это в лозунг «чем тяжелее, тем лучше». Трудность полезна, только если вы в итоге справляетесь и получаете коррекцию. Задача, которая на три уровня выше вашего, — не желательная трудность, а потеря времени. Где проходит граница — глава Желательные трудности.

Четыре уровня владения

Слово «знаю» скрывает четыре разных состояния. Их полезно различать, потому что переход между ними требует разных действий, а провал обычно случается на конкретном переходе.

Две петли на диаграмме — главные ловушки. Петля на «Узнаю» — это перечитывание: сколько его ни делай, состояние не меняется, а ощущение растёт. Петля на «Применяю» — это работа: десять лет однотипных задач дают уверенное применение и не дают переноса. Переход к переносу требует специальных действий, и им посвящена глава Перенос знания; о самом переносе полезно знать заранее, что он в исследованиях наблюдается редко и обычно на близких задачах — см. таксономию Susan Barnett и Stephen Ceci (When and Where Do We Apply What We Learn?, Psychological Bulletin, 2002).

Контур обучения инженера

Собранная из вышесказанного рабочая схема. Это не «методика», а контур с обратной связью: если какого-то звена нет, обучение не самокорректируется.

Обратите внимание на ветку нет проверки. Это самый частый режим самообучения: цикл материал → первое прохождение → следующий материал без единого звена извлечения и проверки. Он даёт ровно то, что даёт: широкое узнавание терминов и неспособность что-либо сделать.

Карта трека

Дальше — что именно в каждой главе и зачем она нужна.

Блок 1. Постановка вопроса

01. Зачем учиться, когда есть ИИ — самый честный вопрос аудитории портала, и на него надо отвечать всерьёз, а не лозунгом «ИИ не заменит человека». Разбираем, какие именно виды знания обесценились, какие подорожали, что происходит с проверяемостью результата и почему делегирование задачи модели не то же самое, что делегирование понимания. Опирается на устройство моделей из трека ai-basics.

02. Что значит понимать — операционализация. Разбор четырёх уровней из диаграммы выше, критерии, по которым можно проверить каждый, и почему «объяснить своими словами» — сильный тест, а «кивнуть» — никакой.

03. Иллюзия понимания — механика беглости и знакомости, работы Koriat и Bjork, почему перечитывание и подчёркивание получили низкую оценку у Dunlosky с коллегами, и как отличить «я это знаю» от «я это уже видел». Смежная тема — когнитивные искажения из трека Логика.

Блок 2. Приёмы, за которыми стоят данные

04. Извлечение из памяти — главный рабочий приём с самой сильной базой. Что показали Roediger и Karpicke, что показал метаанализ Adesope с коллегами, как выглядит извлечение у инженера (объяснить механизм на бумаге, восстановить схему сервиса по памяти, написать функцию без подсказок IDE) и когда оно не окупается.

05. Интервальное повторение — эффект распределения, работы Cepeda с коллегами, алгоритмы вроде SM-2 и его потомков, и — главное — честный разбор того, что стоит класть в колоду, а что нет. Для инженера это узкий инструмент: терминология незнакомой области, чужой язык, экзаменационные сертификации. Не универсальная система жизни.

06. Желательные трудности — понятие Robert Bjork, разбор конкретных трудностей (интервалы, перемежение, генерация, вариативность условий), и граница: где трудность желательная, а где просто плохой материал и вы теряете время.

07. Перемежение и вариативность — почему блоки однотипных упражнений создают иллюзию беглости, что показали Rohrer и Kornell, и как это применимо к практике программирования: смешивать типы задач вместо «десять задач на бинарный поиск подряд».

Блок 3. Практика и коррекция

08. Осознанная практика — что Эрикссон действительно измерил, что из этого следует для областей без тренера и учебной программы, и разбор спора вокруг метаанализа Macnamara. Плюс практический вопрос: как построить себе подобие целенаправленной практики внутри рабочих задач.

09. Обратная связь — почему без коррекции практика закрепляет ошибки, что показал метаанализ Kluger и DeNisi (включая неприятную часть про ухудшение), и какие источники обратной связи доступны инженеру: тесты, код-ревью, продакшн, чужая критика, собственный код через полгода.

10. Перенос знания — почему выученное не применяется само, таксономия Barnett и Ceci, что известно про далёкий перенос (мало и неутешительно), и что реально помогает: абстракция структуры, сравнение случаев, работа с несколькими примерами. Пересекается с треком Системное мышление.

Блок 4. Откуда брать материал

11. Чтение технических текстов — разные режимы для разных источников: RFC, документация, научная статья, книга, исходники. Что читать полностью, что просматривать, как читать спецификацию, чтобы потом уметь ей пользоваться. Плюс разбор того, почему скорочтение не работает.

12. Учиться на чужом коде и внутри рабочих задач — основной канал обучения работающего инженера. Как читать незнакомую кодовую базу, как превращать задачу в учебную единицу без ущерба для сроков, и почему «просто работай, само придёт» даёт петлю на «Применяю» из диаграммы выше.

13. Заметки и внешняя память — что стоит выносить наружу, а что держать в голове, и почему это разные категории. Трек time-management/13-tools уже разобрал системы заметок и Zettelkasten с прямой оговоркой, что контролируемых исследований их эффективности нет; здесь мы не повторяем этот разбор, а смотрим с другой стороны: когда запись помогает обучению, а когда заменяет его.

14. Учиться с ИИ — практическая глава: где модель ускоряет обучение (объяснение на нужном уровне, генерация вариативных задач, роль оппонента), а где отнимает его (готовый ответ вместо попытки вспомнить, готовый код вместо построения модели). Инженерная сторона работы с моделями — трек ai-agents, особенно глава про ревью кода от ИИ.

Блок 5. Организация

15. План обучения — как выбрать, что учить, из бесконечного списка; как ставить проверяемые цели вместо «изучить Kubernetes»; как замечать продвижение, когда обратная связь запаздывает. Инструмент для карты пробелов — карта карьеры портала и грейды из трека sdlc-and-career.

Как читать этот трек

Трек не требует последовательного чтения целиком, но у него есть скелет. Минимальный полезный маршрут: 01 → 03 → 04 → 09. Это ответ на «зачем», диагноз «почему кажется, что учусь», главный приём и то, без чего приём не работает.

Цена: чего это стоит и когда не окупается

Каждая глава заканчивается разделом про цену приёма. Здесь — общая цена самого подхода, потому что честно назвать её надо до, а не после.

Что требуется.

• Больше времени на единицу материала. Извлечение и перемежение медленнее чтения. Ста страниц за вечер не будет. Будет тридцать страниц, которые останутся.
• Терпимость к неприятному ощущению. Вспоминать трудно, ошибаться неприятно, видимый прогресс замедляется. Это не побочный эффект, это механизм.
• Работа по конструированию проверок. Никто не выдаст вам вопросы к главе о consensus-алгоритмах. Придётся формулировать их самому — а это отдельный труд.
• Отказ от ощущения продуктивности. Список пройденных курсов растёт медленнее.

Когда всё это не окупается.

• Разовое знание. Настроить конкретный CI один раз в жизни — читайте документацию и делайте, не надо ничего запоминать.
• Знание с коротким сроком жизни. Флаги утилиты, которую заменят через год.
• Материал, который вы уже применяете ежедневно. Практика уже даёт извлечение и интервалы бесплатно.
• Когда проблема не в методе. Если вы не учитесь, потому что не остаётся сил, дело не в приёмах обучения. См. главы про энергию, прокрастинацию и выгорание. Оптимизировать метод обучения при истощении — то же самое, что тюнить запросы, когда база лежит.

Чего в этом треке не будет

• Обещаний скорости: «Rust за выходные», «алгоритмы за месяц».
• Универсального расписания, режима дня и списка привычек.
• Утверждений про «нейропластичность», «работу полушарий» и «активацию мозга» — популярная нейробиология в контексте учебных советов почти всегда декоративна и ничего не добавляет к поведенческим данным.
• Советов по добавкам, ноотропам и «биохакингу».
• Единственно верного инструмента для заметок.
• Рекомендаций, у которых нет ни исследований, ни явно названного опыта.

Мини-итог

• Умение учиться — отдельная компетенция. Усердие без коррекции метода даёт узнавание вместо умения.
• Интуиция об усвоении систематически врёт: лёгкость обработки материала принимается за прочность памяти. Разделение «результат тренировки против обучения» (Soderstrom и Bjork, 2015) — центральная идея трека.
• Приёмы с сильной базой: извлечение из памяти, распределённое повторение, перемежение, желательные трудности. Обзор Dunlosky с коллегами (2013) — лучшая одна работа для входа в тему.
• Все они проверены преимущественно на студентах, вербальном и математическом материале, с горизонтом в недели. Прямых исследований на инженерных задачах нет; всё остальное — обоснованная экстраполяция, и она помечается как таковая.
• «Стили обучения» не подтверждены. «10 000 часов» — искажение работ Эрикссона, и его условия в инженерии не выполняются. Даннинг-Крюгер в популярной подаче искажён, а во многом ещё и статистический артефакт. «Пирамида обучения» с процентами — выдумка без источника.
• Выбор приёма зависит от слоя знания: инструменты в документацию, технологии до уровня применения, модели всерьёз и с переносом, мышление тренировать бесконечно.
• Без звена проверки контур обучения не замыкается: уверенность растёт, умение нет.

Источники

• John Dunlosky, Katherine Rawson, Elizabeth Marsh, Mitchell Nathan, Daniel Willingham. Improving Students’ Learning With Effective Learning Techniques. Psychological Science in the Public Interest, 2013. SAGE
• Nicholas Soderstrom, Robert Bjork. Learning Versus Performance: An Integrative Review. Perspectives on Psychological Science, 2015.
• Robert Bjork, Elizabeth Bjork. A New Theory of Disuse and an Old Theory of Stimulus Fluctuation. 1992.
• Asher Koriat, Robert Bjork. Illusions of Competence in Monitoring One’s Knowledge During Study. Journal of Experimental Psychology: LMC, 2005.
• Jeffrey Karpicke, Andrew Butler, Henry Roediger. Metacognitive Strategies in Student Learning. Memory, 2009.
• Henry Roediger, Jeffrey Karpicke. Test-Enhanced Learning. Psychological Science, 2006.
• Jeffrey Karpicke, Janell Blunt. Retrieval Practice Produces More Learning Than Elaborative Studying with Concept Mapping. Science, 2011.
• Olusola Adesope, Dominic Trevisan, Narayankripa Sundararajan. Rethinking the Use of Tests: A Meta-Analysis of Practice Testing. Review of Educational Research, 2017.
• Nicholas Cepeda, Harold Pashler, Edward Vul, John Wixted, Doug Rohrer. Distributed Practice in Verbal Recall Tasks. Psychological Bulletin, 2006.
• Doug Rohrer, Robert Dedrick, Sandra Stershic. Interleaved Practice Improves Mathematics Learning. Journal of Educational Psychology, 2015.
• Nate Kornell, Robert Bjork. Learning Concepts and Categories: Is Spacing the Enemy of Induction?. Psychological Science, 2008.
• Norman Slamecka, Peter Graf. The Generation Effect: Delineation of a Phenomenon. JEP: Human Learning and Memory, 1978.
• John Sweller, Graham Cooper. The Use of Worked Examples as a Substitute for Problem Solving. Cognition and Instruction, 1985.
• Avraham Kluger, Angelo DeNisi. The Effects of Feedback Interventions on Performance. Psychological Bulletin, 1996.
• Susan Barnett, Stephen Ceci. When and Where Do We Apply What We Learn? A Taxonomy for Far Transfer. Psychological Bulletin, 2002.
• Harold Pashler, Mark McDaniel, Doug Rohrer, Robert Bjork. Learning Styles: Concepts and Evidence. Psychological Science in the Public Interest, 2008. SAGE
• Cedar Riener, Daniel Willingham. The Myth of Learning Styles. Change, 2010.
• K. Anders Ericsson, Ralf Krampe, Clemens Tesch-Römer. The Role of Deliberate Practice in the Acquisition of Expert Performance. Psychological Review, 1993.
• Brooke Macnamara, David Hambrick, Frederick Oswald. Deliberate Practice and Performance in Music, Games, Sports, Education, and Professions: A Meta-Analysis. Psychological Science, 2014.
• Justin Kruger, David Dunning. Unskilled and Unaware of It. Journal of Personality and Social Psychology, 1999.
• Gilles Gignac, Marcin Zajenkowski. The Dunning-Kruger Effect Is (Mostly) a Statistical Artefact. Intelligence, 2020.
• Adrian Owen et al. Putting Brain Training to the Test. Nature, 2010.
• Daniel Simons et al. Do “Brain-Training” Programs Work?. Psychological Science in the Public Interest, 2016.
• Keith Rayner, Elizabeth Schotter, Michael Masson, Mary Potter, Rebecca Treiman. So Much to Read, So Little Time. Psychological Science in the Public Interest, 2016.
• Jaap Murre, Joeri Dros. Replication and Analysis of Ebbinghaus’ Forgetting Curve. PLOS ONE, 2015. PLOS
• Peter Brown, Henry Roediger, Mark McDaniel. Make It Stick: The Science of Successful Learning. Harvard University Press, 2014 — популярное изложение большей части перечисленного, написанное вместе с исследователями.

Что дальше

Начнём с вопроса, который сегодня стоит перед каждым, кто садится учиться: если модель напишет код, объяснит алгоритм и найдёт баг, то что именно должно остаться в голове инженера и почему. Ответ там не утешительный и не паникёрский — он про то, какие виды знания подешевели, а какие подорожали.

Зачем учиться, когда есть ИИ: разбор без утешений