誤りや失敗を使って、技術だけでなくメンタル表象を洗練させる

何かがうまくいかないとき、問う：「自分の実行の何が間違っていたか」だけでなく「自分のモデルの何が間違っていたか」と。

Why it works

ほとんどの実践者は失敗に対して実行を修正することで応じます。専門的な学習者は、その誤りがメンタル表象の欠陥——モデルが誤って予測した事例、識別に失敗したパターン、事前実行が捉えられなかった計画上の誤り——を明らかにしているかどうかも問うことで応じます。表象レベルの誤り分析は、事例を超えて一般化する改善につながります。実行レベルの修正は、その事例だけを修正します。

How to do it

1. 重大な誤りやパフォーマンスの失敗の後、各ステップで自分のメンタルモデルが何を予測していたかを再構築する。
2. 予測が実際に起きたこととどこで分岐したかを特定する。
3. 問う：「これは自分の表象が常に間違えるであろう予測だろうか？正しく予測するには何が異なっている必要があるだろうか？」

エビデンス

表象を洗練させるプロセスとしての誤り分析は、エリクソンの枠組みにおける「意図的な練習」の根底にあるメカニズムです。専門家は体系的に失敗を使って自分のモデルを更新し、単に誤りに気づいて繰り返すだけではありません。専門家の学習の事例研究は、誤りを通じた表象の更新を裏付けています。 (mechanistic)

モデルレベルの誤り分析には、そのレベルで診断するのに十分な既存の表象が必要である。初心者はしばしばモデルの誤りと実行の誤りを区別できず、初期段階では実行フィードバックからより多くの恩恵を受ける。

出典

• Ericsson & Pool (2016), "Peak" (errors as representation feedback)

よくある間違い

すべての誤りを実行の失敗として扱い、より一生懸命練習すること——実際の問題は、実行を何度繰り返しても同じカテゴリーの誤りを生み出すことになる欠陥のあるモデルであるのに。