拡散的な繋がりのためにワーキングメモリを解放するようチャンクを構築する

基礎を自動化されるまで訓練し、より高次の統合のための認知リソースを解放する。

Why it works

専門家の洞察はチャンク化された知識に依存している——多くの練習の反復から構築され、単一のユニットとして検索できる圧縮された表現だ。基礎が自動化されているとき、ワーキングメモリは問題の構造をより多く保持する余裕があり、拡散モードが基本的な機構のレベルではなく、洞察が生まれるレベルで繋がりを実験できる。

How to do it

1. 学習しているスキルや分野の基礎的な要素を特定する。
2. それらを単独で、間隔反復を使って、意識的な注意のレベル以下で自動化されるまで訓練する。
3. それから複雑な問題に取り組む。基本機構がワーキングメモリを占有しなくなると、より高次のパターン認識がアクセス可能になることに気づく。

エビデンス

デ・グルートのチェス研究以来のチャンク化研究は、専門家の優位性がワーキングメモリの容量ではなく構造化されたパターンの検索にあることを示している。自動性は認知リソースを解放し、これはデュアルタスクと専門性研究で実証されている。 (observational)

専門性研究は観察的である(専門家と初学者の比較)。因果関係はメカニズムの論理と熟練練習の介入研究によって支持されているが、初学者からチャンク保持者への道は長い。

出典

• Chase & Simon (1973), perception in chess, Cognitive Psychology

よくある間違い

基礎が自動化される前に高次の統合レベルで考えようとしてしまうこと——これがワーキングメモリを機構で飽和させ、洞察レベルの繋がりのための容量を残さない。