如何更好地构建“知识体系” - 聊聊 DIKW 模型

2019-12-28 19:44:27 10点赞 72收藏 2评论

创作立场声明:本人为即将入职某互联网公司产品经理的大四学生,有机会学到一些专业知识。然而每个人站在不同立场,内容就会有所偏重,客观与否还请大家指正,期待深入探讨交流。

如何更好地构建知识体系?

坦白地说,这个问题又大又玄。我也没有能解答这个问题的信心与万能灵药。只是前两天看了一些元认知领域的书与文章,有了一些新的视角,和大家分享一下。

那么就要引出我们今天的主角 - DIKW 模型

如何更好地构建“知识体系” - 聊聊 DIKW 模型

简单来说,DIKW 模型将我们广义上的知识分为 Data - Information - Knowledge - Wisdom 四层金字塔结构。

这个模型告诉我们,我们认知与学习,是遵循一个获取数据 - 提炼信息 - 总结知识 - 通悟智慧的过程,每一层都比上一层更为深入。

那么接下来,我们一层一层进行解释。

(为了统一,以下所有名词均使用英文)

Data 如何成为 Information

要回答这个问题,首先就要理解 data 与 information 二者的差别。

让我们以“气象站”举例。

一般而言,每个城市的不同区域都会架设百叶箱,里面的温度计会定期记录温度数值——每一个数值就是一个 data。

如果你把某个时间段所有的温度数值进行汇总,并进行一定的处理(比如:加权平均),就可以得到这个时间段的温度——这就是 information。

单个的 data 其实没啥意义,information 才具有意义。当你在气象网站上查到当前的气温,这是 information 而不是 data。

再比如用翠翠的网站举例。

每一个访客访问到我的网站时,网站统计程序都会自动记录一条访问记录——就是 data;而当把每一天的所有访客数值加起来,就可以得到每一天的“访客数”——infomation。

——讲到这里,不如自己想一想有什么其他的 data 与 information 的例子。







也许你会想当然地认为从 data 到 information 是一个很显而易见的容易过程——相比于其他几步确实相对容易,但也没那么容易。

这一步主要的困难在于,筛选出真正的 data,去除掉无用的噪声与干扰信息——尤其是对于数据量特别特别多的情况下,如何用更好更自动化地方法去除这些干扰信息,便是很重要且棘手的一个问题。

还是用气象站举例,比如某百叶箱坏了,统计出了个 50 度的温度——那是必然不应当被作为加权平均的 data 中的,一旦被加入,则会污染所得到的 information;如果我的网站把爬虫也算作访客,所得到的每日访客也会出奇地高。

另一个困难则在于,我们所获取的数据往往是“有偏”的,如何评估与修正这些偏差,则又是一个棘手的问题——因为我们自身是很难意识到我们的偏差的,想要评估与修正则更是难上加难。更何况我们很多时候只愿相信我们所相信的,本能抗拒与我们直觉相违背的结论。

一个很好用的例子是微博与公众号下面的“控评”:由于评论区中负面的评论被后台过滤掉,我们并不能接触到那些负面的 data,使得我们获取的 data 本身就是有偏的:全部是正面的评论以及大家的点赞,可想而知,如果以此作为输入的 data,自然最终也会提炼出错误的结论。

值得一提的是,从 data 到 information 这一步是需要异常小心且谨慎的——我们之前也提到,从 data 到最后的 knowledge 是一个单向的过程。如果这一步出现明显的偏差,就好像从源头被污染的水,之后自然会得到错误的结论与观点。

Information 如何成为 Knowledge

还是之前的例子:如果你汇总了某个城市连续多年的“每日气温”,那么你就可以大致得出一个结论:这个城市的气温是炎热还是寒冷,是否适宜居住。这个结论就可以算是 knowledge;通过对比一段时间内翠翠网站的每日访客数,可以大致计算出翠翠网站的访客趋势,什么样的文章访问量高,这样的结论也是 knowledge。

那么具体说来,information 和 knowledge 又有什么区别呢?

首先,从生命周期来说,information 通常“短命”而 knowledge 则通常是“受用终生”的:以几年的维度来看,城市某天的气温并没有什么意义,但这个城市“适不适合居住”却是在较长的时间维度上都有参考价值的。

其次,对于 knowledge 来讲,是可以整理成体系的:还是用城市做例子,将和“城市”有关的知识整理起来,就可以形成一个介绍城市的“体系”:从某些方面进行入手,就可以系统化这个城市的相关知识。

如何更好地构建“知识体系” - 聊聊 DIKW 模型

由此衍生而来,我们现在所学习的理学,文学,工学农学医学等等,也是被编作体系之后,可以系统学习的 knowledge。

从 information 到 knowledge 所面临的困难则在于体系化。如何将碎片化的 information 中梳理为体系化的 knowledge,是对我们逻辑能力和思考能力的考验。

就好像我们的知识体系是一座图书馆,现在新来了一些 information,如何将他们分门别类安放在合适的位置形成 knowledge,就是对我们知识体系本身完备性的一大考验。如果 information 无处安放,自然也就暴露出离自己知识体系的不完备。

更具体地,如何从城市的温度,地理,人文等信息,总结出一个可以介绍一个城市的维度体系,就是这一层次所需要关注的问题。

Knowledge 如何成为 Wisdom

层次逐渐深入,关于 knowledge 和 wisdom 的探讨,就要更加玄学和难以理解一点,也自然要更费一点口舌。我打算从两个角度来分别进行阐述。

首先,从学科的角度来讲,我们之前提到,不同学科其实都是成体系的 knowledge。那么相对应的 wisdom 就是在这之上的“元学科”,他们通常在探讨学科设置的意义,是对学科内容的进一步反思,同时也是站在顶层设计者的视角去反思意义。

用相对具体的例子说一说。例如在产品领域,knowledge 更像是在说某 APP 所具体实现的功能,例如微信的联系人功能,私聊功能,群组功能,pyq 功能等等,而 wisdom 探讨的则是“微信的本质是什么(让人与人之间互相连接)”,“为什么要设计朋友圈功能”等等的问题。

所以,从我们日常认知的角度来讲,wisdom 要更加“玄学”和“顶层”一点。

另一个角度则是从 What-How-Why 三类问题的视角出发:我们一般可以把学习中遇到的问题分为 What How Why 三类问题

What 型问题一般在问“是什么”,即弄清楚某个东东是什么样子的,有什么用处?有什么特性?有什么语法?

How 型问题则一般是问“如何”,即某东西是如何实现的,如何运作的。要弄清这样的问题,一般就需要对某一领域足够了解,明晰其内部机理。

Why 型问题则一般在问“为什么”,例如:某东西为什么要采用这样的设计,为什么不做成另外对样子等等。想弄懂 why 型问题,则必须在上一问题的基础上进行反思。

这么说还是有点空泛,就用我相对熟悉的计算机领域举个例子,不同领域的读者可以尝试使用你所在的领域进行代入。

近些年来前端框架层出不穷,其中很火的一个框架叫做 React。那么对于 React,其三类问题就分别是这个样子:

What:React 有什么样的优缺点
How:React 内部是如何实现的
Why:为什么要做 React 这样一个框架;React 是为了解决怎样的问题;React 又导致了什么问题,需要怎样进一步解决——这往往又是新框架诞生的基础

而通过这样的层次划分,knowledge 与 wisdom 的区别则显而易见:knowledge 对应着 what 类与 how 类问题,而 wisdom 则对应 why 类问题。

*注:对于这三类问题的归类似乎有争议,有学者认为 what 类问题对应着 information,但我个人比较同意编程随想的观点,即短命类 what 问题对应 information,而有效期较长的 what 类问题则对应 knowledge。

如何更好地构建“知识体系” - 聊聊 DIKW 模型

也正是因为如此,wisdom 类的 why 问题往往没有标准答案——因为这类问题本身就已经直指到了设计本身,难以有很明确的标准答案——有的只有,能回答得上与回答不上的区别。

而进一步的,也只有不同学科间,不同领域间的 wisdom 之间可以互相启发。近些年来的很多交叉学科,就是将不同领域间的 wisdom 相互融合,用在一个领域的视角进入到另一个领域,从而获得不同的启发。这也是为什么我们需要接触不同学科的原因——就好像是另一双看世界的眼睛一样,能让我们从另一个视角发现不同的 wisdom。

与前两层所对逻辑与数据的洞察的相对硬性的要求不同,从 knowledge 到 wisdom 的最大难点在于:好奇心。往往我们与 wisdom 失之交臂的主要原因并不是力所不能及,却是内心缺乏一个在问“为什么”的声音,缺乏一个敢于质疑与疑问的好奇宝宝。

再聊聊如何构建知识体系

现在我们知道了我们是如何将外界的输入转化为我们自己的 wisdom 的,那么接下来的问题就是如何更快,更好地进行这一转化过程。

那么答案其实就明确了:缺啥补啥 ww

在工程学中我们会强调“瓶颈”这一概念:对于流水线生产的装备,往往制约其效率的是某一环节,一旦改善了这一环节,通常会使得效率上一个台阶。

比方说就拿电脑启动来说。一些老式的电脑启动往往需要大几十秒,但瓶颈其实往往出在硬盘而非我们所以为的 CPU 显卡之类的“核心”上。往往花个小几百换个 SSD,开机速度就能从原来的几十秒瞬间变成三四秒——解决了瓶颈,其实就相当于解决连整个问题。

而自己的知识转化瓶颈在哪一步,也许就只有自己才知道了。

有的人缺在缺乏持续性的,高质量的 data 与 information 作为输入,或者是在当今海量的 data 中迷失了自己:对于前者,需要通过有经验的大牛,切入高质量的信息来源;对于后者,则需要对自己接触的 data 进行有效的控制与筛选。

有的人则由于思考不足,尽管知道很多 knowledge,却难以变成 wisdom 从而有所输出,或是指导自己的学习与生活:如果是这样,就需要有意识地训练自己问 why 的能力并加以回答与输出。

但我所见的大多数人的困难则出现在从 information 到 knowledge 一步:由于现在网络上的时效性短的吵杂信息越来越多,我们越来越难以从 information 中快速有效地提取出 knowledge,抑或没有较成熟的知识体系以安放由于网络碎片化而零落的各种 information:如果如此,则需要避免浮躁,多用时间在知识本身的内化上,而不是仅限于“我知道了”而已。

互联网的出现大大加速了 data 与 information 的传播速度,广度,却使得其深度大大降低,很多文字与资讯要么停留在 information 层面(热点,八卦类等),要么过于碎片而难以体系化(短科普视频,信息流等),而真正可被内化为 knowledge 层面的成体系的信息则越来越少。

没啥建议,少刷手机多看书。

最后的一点彩蛋是,回想一下这篇文章的标题,“如何更好地构建知识体系”——很明显,这是一个 how 型问题。那么相应的 why 型问题——“我们为什么要构建知识体系”的答案是什么呢?既然都看到这了,那这个问题对你来说,必然是有原因的。为什么呢?就留给屏幕前的你思考吧 w

预祝,新年快乐

顺颂冬祺

参考链接与拓展阅读

  • 如何【系统性学习】——从“媒介形态”聊到“DIKW 模型” @ 编程随想的博客(需梯)

  • 学习技术的三部曲:WHAT、HOW、WHY @ 编程随想的博客(需梯)

  • DIKW pyramid - Wikipedia(需梯)

  • Data, Information, Knowledge, & Wisdom

  • 为什么学了很多知识,仍然没有什么用?_36 氪

  • 什么是「元知识」?如何提高自己对「元知识」的把握? - 知乎

  • 如何构建个人完整的知识体系框架 - 知乎

  • 别学东学西了,先建立自己的知识体系吧 - 简书

展开 收起

云南白药蒲地蓝消炎片0.3g*24片*2板(清热解毒 抗炎消肿 咽炎 扁桃腺炎)

云南白药蒲地蓝消炎片0.3g*24片*2板(清热解毒 抗炎消肿 咽炎 扁桃腺炎)

28.5元起

云南白药小柴胡颗粒10g*10袋(解表散热 疏肝和胃)

云南白药小柴胡颗粒10g*10袋(解表散热 疏肝和胃)

暂无报价

云南白药 藿香正气胶囊 0.3g*24粒(外感风寒 内伤湿滞)

云南白药 藿香正气胶囊 0.3g*24粒(外感风寒 内伤湿滞)

18元起

云南白药生脉饮党参方10ml*9支 (益气补血 养阴生津)

云南白药生脉饮党参方10ml*9支 (益气补血 养阴生津)

28元起

云南白药 清肺抑火片 0.6g*24片(降火 咽喉肿痛 牙齿疼痛)

云南白药 清肺抑火片 0.6g*24片(降火 咽喉肿痛 牙齿疼痛)

18元起

云南白药藿香正气水10ml/支*10支/盒

云南白药藿香正气水10ml/支*10支/盒

18元起

中老年爸爸夏装短袖唐装男薄休闲衬衫60岁70爷爷棉麻套装老人衣服

中老年爸爸夏装短袖唐装男薄休闲衬衫60岁70爷爷棉麻套装老人衣服

46.8元起

SKECHERS 斯凯奇 Cali Gear 男童洞洞鞋 91991N

SKECHERS 斯凯奇 Cali Gear 男童洞洞鞋 91991N

107.26元起

红都男士国服中山装 意大利VBC羊毛面料中国风毛氏中山装套装

红都男士国服中山装 意大利VBC羊毛面料中国风毛氏中山装套装

暂无报价

papa 爬爬 儿童凉拖鞋 PB23XXZ02

papa 爬爬 儿童凉拖鞋 PB23XXZ02

94元起

同仁堂失眠贴非安神助眠神器严重睡不着深度快速秒入睡改善睡眠贴

同仁堂失眠贴非安神助眠神器严重睡不着深度快速秒入睡改善睡眠贴

49.4元起
2评论

  • 精彩
  • 最新
提示信息

取消
确认
评论举报

相关好价推荐
查看更多好价

相关文章推荐

更多精彩文章
更多精彩文章
最新文章 热门文章
72
扫一下,分享更方便,购买更轻松