(一)舒尔特表练习记

news2025/1/12 0:44:50

在这里插入图片描述

舒尔特表练习记

1 练习的开始

我们知道,一段时间中注意力的保持,对于学习效果的影响很大。我想应该不少朋友们有过和我相似的感觉,学着学着,就莫名开始容易走神;一行字看过去,发现自己脑子里什么也没有留下,只好再看一遍。像这样的一些问题,给我的学习带来了不小的困扰,影响学习效率的同时,也加剧了我内心的焦虑与自我怀疑:”我真的有能力把这个东西学好吗?为什么他就学得那么快?是不是我,天赋不行呀······“

然而我又一定程度上相信,每个人的可塑性都是极大的,那些大多数的技能,都可以在后天习得、在我既有的程度上得到巨大的长进——以我的时间、练习与思考为养料。

目标越是模糊,便越是难以接近,越容易在时间的堆砌下仍巍然地了无寸进。我想,有没有某种方式能够衡量注意力的集中程度?搜索引擎将舒尔特表递给了我。玩法很简单,就是在一堆数字中,从1开始逐个地找到25。

在这里插入图片描述

起初,我完成5*5的表格,需要30多秒,看介绍说中等的水平大概是20秒,我顿时心里一凉,感觉自己很菜。不过没关系,不就是因为菜才想练习一下吗?在稍稍熟悉之后,速度就明显地快了一些。后来我将9个表打印在了一面纸上,开始进行比较连续的练习。

能够肉眼直观地看着自己进步,是种挺棒的感觉。

2 想法

计算机可以按照既定的指令,连续不间断地执行。可人除了执行之外,常常会自发地观察和思考自己正在做什么。就像你告诉张三现在抬一下左脚,接着告诉他放下左脚抬一下右脚,然后是放下右脚抬一下左脚······张三很快就会发现自己是在做一件重复的事情。

那么,舒尔特表对于提升注意力真的有用吗?或者具体一点,它可以让我看书看得更快吗?我也将这个表格介绍给了我的朋友,当然,Ta们通常不会对我的想法真的感兴趣,但也可以提供一些自己的观点与看法。

为什么有时一个句子每个字都认识,一眼看过去却不知道它在说什么?文字是信息的载体,却不是信息本身,我们阅读的一段文字,还需要经过大脑的处理,才能成为一种我们大脑所能理解的抽象的概念。如果以一台计算机作为比喻,那么阅读文字就相当于外部设备的输入,理解文字的过程就相当于cpu的处理。于是可能会出现一种状况:输入的速度大于cpu处理的速度。也就是说,可能我眼睛可以看得很快,但脑子还没理解,看了等于没看——表格并没有在解决现在真正卡脖子的问题。

不过,人脑并不是像计算机那样简单的模型。现实中的各种因素往往环环相扣,无法快速准确地提取文字,本身也容易导致阅读过程中的卡顿和挫败感。我想,保证好高效的文字输入,把时间留给脑袋去思考,对于更快地阅读同样是十分重要的——为思考创建一个良好的环境

此外,计算机 (本人专业) 的书籍中,概念性内容的含量较高,并不是每一句话背后都藏着复杂的逻辑、都要花脑子仔细思考的。单纯地提高文字的摄取速度,对于提高整本书的阅读效率,也是十分有益的。

然而,有时在我们学习过程中卡住脖子的,恰恰就是“理解”,那我又该如何应对?我也还没想好呢,哈哈。

不过,将人与计算机做一个对比就会发现:机器处理逻辑运算的速度很快;同时人恰恰相反地更加擅长一些抽象的、跳跃的东西,比如区分不同人的脸、对事物产生联想,而容易在一些逻辑问题面前迟钝、犹疑。也许可以从这方面下手,进行逻辑推理的训练能否通用性地提升我在日常学习中的理解速度呢?

之,在我几天的练习过程中,感觉舒尔特表主要是能够提升眼睛搜索目标的速度,对于专注力的提升效果没有明显的感觉。当然,我的练习时间也还比较短。

3 小结

本来打算连续进行为期一周的练习,但被考试、交作业等事情打断了。在13天的时间跨度中,只有7天进行了练习。从第一天的最快9表3分24秒(平均22秒),在第七天达到了2分42秒(平均18秒)。这个提升幅度并不算大,但我还没练习多久呢。

在日常的生活的主观感受中,我也得到了一些反馈。在人群中寻找某个人时,在一串二进制的数字中搜寻自己想要的那几位时,会突然触发自己读舒尔特表的状态,从而感觉更加的得心应手。

但是,我最初想要做的是提升自己集中注意力的能力,好像有些跑题了?不过也不算没有收获。

书读了十几年,如果你问自己:“我能比以前学得更快了吗?”你心中的答案会是什么?有的人各种知识都学得很快,是别人眼中的“学霸”,同时又能着丰富多彩的课余生活;有的人时间的投入却如同石沉大海,而后渐渐陷入自我的怀疑。我觉得,学习本身也是一项技能,一项可以学习并得到不断提升的技能。由此,我将一边学习的同时,一边探索如何学习——两条腿走路,以待破出困境。

相关链接

  1. 在线舒尔特表生成器
  2. 科学训练专注力!测测你的注意力程度
  3. 舒尔特表(Schulte Table)是否是伪科学?笔迹赏心的回答
  4. 舒尔特表(Schulte Table) - 本人训练成果 - 知乎 (zhihu.com)

数据记录

# day1 - max=3:24 (new1)
级 时间          测试结果
5  11-17 15:27   26 28 17 29 29 - 32 32 33 29 26 # 可能还不太适应
5  11-17 17:48   24 21 22 25 # 隔20分钟测两次
5  11-17 19:39   21 32 34 26 21 30 33 27 41 --> 4:29 # 打印了9块
5  11-17 20:23   21 28 25 30 24 24 27 27 23 --> 3:54
5  11-17 21: 5   24 25 28 22 19 22 28 29 22 --> 3:44 
5  11-17 22:29   19 24 25 20 20 21 23 27 22 --> 3:24 # 刚跑完步
5  11-17 22:58   22 22 31 26 26 33 33 21 25 --> 4: 2
# day2 - max=2:59 (new2)
级 时间          测试结果
5  11-18  9:19   17 21 25 23 27 26 21 19 29 --> 3:34 # 刚起床
5  11-18 14:16   19 24 20 26 34 23 24 32 31 --> 4: 0
5  11-18 14:22   16 13 23 23 17 22 23 23 33 --> 3:19
5  11-18 14:27   17 21 26 18 23 27 19 21 25 --> 3:21 # 从最后一个块开始的
5  11-18 14:32   21 28 26 23 30 17 22 27 17 --> 3:34
5  11-18 14:38   19 23 22 28 22 19 22 21 19 --> 3:20
5  11-18 14:45   15 17 21 22 24 22 26 31 33 --> 3:23
5  11-18 20:26   18 19 22 24 27 20 26 19 19 --> 3:19
5  11-18 22:16   15 18 22 20 23 19 25 17 19 --> 3: 4 # 刚跑完步
5  11-18 22:38   22 21 18 24 19 16 18 17 19 --> 2:59
# day3 - max=3:4
级 时间          测试结果
5  11-19  9:19   17 24 27 21 20 19 24 22 21 --> 3:20 # 吃早饭
5  11-19 11:19   18 21 29 19 20 24 23 16 19 --> 3:14 
6  11-19 12: 8   1:8   59    1:58  1:37  1:9   1:17 --> 8:11
6  11-19 13:13   1:30  46    52    1:15  1:1   1:18 --> 6:44
6  11-19 19:6    1:12  1:4   47    1:2   1:0   1:1  --> 6:9
5  11-19 20:53   22 21 16 18 20 15 21 23 23 --> 3:4  # 新打印的
5  11-19 23:14   20 29 23 22 27 17 23 22 22 --> 3:31 # 累了
# day4 - max=2:53 (new3)
级 时间          测试结果
5  11-20  9:14   21 16 16 20 26 20 19 20 20 --> 3:1
5  11-20  10:9   17 22 16 17 23 17 19 16 20 --> 2:53 # 戴着耳塞
5  11-20  11:8   15 20 18 19 20 19 22 18 20 --> 2:56
5  11-20  12:1   18 26 14 19 22 23 20 18 16 --> 3:0
5  11-20  17:38  21 19 20 21 27 16 28 25 21 --> 3:21
5  11-20  21:28  17 20 22 16 27 18 25 21 22 --> 3:12
# day5 - max=2:45 (new4)
级 时间          测试结果
5  11-21 12:31  20 20 18 18 18 25 25 19 23 --> 3:11
5  11-21 12:37  17 18 19 17 17 15 17 22 19 --> 2:45
5  11-21 12:43  18 22 22 16 26 18 19 25 16 --> 3:6
5  11-21 12:48  17 17 18 22 19 21 20 15 19 --> 2:53
5  11-21 12:55  22 22 20 17 23 14 22 19 21 --> 3:5
5  11-21 13:1   25 21 21 19 30 23 24 17 22 --> 3:27 # 好像有点困了?
# day6 - max=3:2
级 时间          测试结果
5  11-27 10:22  16 20 15 20 30 20 26 20 22 --> 3:12
5  11-27 10:26  20 17 16 20 21 17 23 20 24 --> 3:2
5  11-27 10:33  18 19 17 26 23 25 29 21 19 --> 3:22
5  11-27 10:39  21 20 19 18 30 19 28 25 17 --> 3:21
5  11-27 10:44  20 26 21 21 17 19 16 19 16 --> 2:59
5  11-27 10:49  26 21 20 19 22 20 20 17 18 --> 3:8
5  11-27 10:54  16 16 28 25 21 15 29 23 32 --> 3:31

发现两个提速方向:

  1. 批处理。可以把0到25的数字分为三组,0-9为一组,10-19为二组,20-25为三组。先扫过一遍大致记下当前组各个数字的位置分布,于是在搜索的过程中缩小了范围。
  2. 快反应。盯着的目标一直是整个表,在脑海中一直默想目标数字,并等待自己的眼睛快速发现它。

还有一个小技巧,就是保持预判,永远准备好开始寻找下一个数字。

# day7 - max=2:42 (new5)
级 时间          测试结果
5  11-29        16 15 16 15 18 15 29 19 15 --> 2:42
5  11-29        17 21 15 17 28 17 25 18 17 --> 2:59
5  11-29        16 22 18 14 18 19 25 21 18 --> 2:56
5  11-29        18 16 15 19 21 16 25 19 21 --> 2:54
5  11-29        16 23 21 16 18 22 24 20 19 --> 3:3
5  11-29 20:20  19 18 19 20 17 19 20 18 19 --> 2:53

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1281991.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Python读写XML文件:深入解析与技术实现

目录 一、引言 二、XML文件基础 1、XML文件结构 2、XML文件语法规则 三、Python读取XML文件 1、使用内置库xml.etree.ElementTree 2、使用第三方库lxml 四、Python写入XML文件 1、使用内置库xml.etree.ElementTree 五、注意事项 六、总结 一、引言 XML(…

【自然语言处理】【大模型】VeRA:可调参数比LoRA小10倍的低秩微调方法

VeRA:可调参数比LoRA小10倍的低秩微调方法 《VeRA:Vector-based Random Matrix Adaptation》 论文地址:https://arxiv.org/pdf/2310.11454.pdf 相关博客 【自然语言处理】【大模型】VeRA:可调参数比LoRA小10倍的低秩微调方法 【自…

猜数字赢金币

充值金币后开始游戏,猜中奖励10金币退出,不中扣除1金币继续。 (笔记模板由python脚本于2023年12月03日 21:52:23创建,本篇笔记适合熟悉程序函数式编程,熟练掌握基本数据类型的coder翻阅) 【学习的细节是欢悦的历程】 Python 官网&…

echarts笔记-GeoJSON河北数据下并裁剪为冀北地图并使用echarts加载

首先找个网站把河北的GeoJSON数据下载下来,我用的是这个,理论上任意一个都可以 DataV.GeoAtlas地理小工具系列 将json数据下载后,进行裁剪,仅保留冀北数据。 如下,我裁剪的数据: {"type": &qu…

中缀表达式构建后缀表达式

中缀表达式构建后缀表达式 文章目录 中缀表达式构建后缀表达式一、构造符号优先关系表二、构造后缀表达式 一、构造符号优先关系表 首先,我们需要知道什么是优先函数。优先函数是一种用于表示算符优先关系的函数,它有两种形式:f 和 g。f(a) …

Python练习题(四)

本文主要是【Python】——Python练习题的文章,如果有什么需要改进的地方还请大佬指出⛺️ 🎬作者简介:大家好,我是听风与他🥇 ☁️博客首页:CSDN主页听风与他 🌄每日一句:狠狠沉淀&a…

openmmlab环境搭建及模拟kitti数据集跑pointpillars模型

点云训练—openmmlab环境搭建及模拟kitti数据集跑pointpillars模型 1 环境搭建 在我的 linux 服务器上,基于ubuntu20.04 参见:开始你的第一步 — MMDetection3D 1.3.0 文档 1.1 本地环境已安装anaconda. anaconda的安装参见博文:DS6.1-Y…

NAND Flash和NOR Flash的异同

NAND Flash和NOR Flash是两种常见的闪存类型。 NOR Flash是Intel于1988年首先开发出来的存储技术,改变了原先由EPROM和EEPROM一统天下的局面。 NAND Flash是东芝公司于1989年发布的存储结构,强调降低每比特的成本,更高的性能,并…

自动配置原理

自动配置原理 变更自动配置 视频地址: https://www.bilibili.com/video/BV15b4y1a7yG/?p160&spm_id_frompageDriver&vd_sourcef6debc5a79e3f424f9dde2f13891b158

上海亚商投顾:沪指探底回升 AI应用方向集体爆发

上海亚商投顾前言:无惧大盘涨跌,解密龙虎榜资金,跟踪一线游资和机构资金动向,识别短期热点和强势个股。 一.市场情绪 三大指数早间震荡调整,深成指盘中跌超1%,午后探底回升全线翻红,北证50指数…

MySQL 预写日志

什么是预写日志机制? 一般情况下,大部分数据库都是将表和索引存储在磁盘文件中。当新增数据时,数据库系统会先写入内存,然后将其写入磁盘上的数据文件。 那为什么不直接写入磁盘嘞?主要是每次新增都直接写入磁盘性能很…

智慧能源:数字孪生压缩空气储能管控平台

压缩空气储能在解决可再生能源不稳定性和提供可靠能源供应方面具有重要的优势。压缩空气储能,是指在电网负荷低谷期将电能用于压缩空气,在电网负荷高峰期释放压缩空气推动汽轮机发电的储能方式。通过提高能量转换效率、增加储能密度、快速启动和调节能力…

PicoScope 7 软件报警功能可实现自动保存和循环捕捉

最近很多用户提到,怎么让虹科Pico示波器采集信号到缓冲区满了之后自动保存在电脑里,然后清出缓存空间继续采集,如此循环工作。这里不得不向大家介绍一下PicoScope软件的强大功能之一:报警功能! 报警在软件的工具菜单下…

专业爬虫框架 -- scrapy初识及基本应用

scrapy基本介绍 Scrapy一个开源和协作的框架,其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的,使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。 但目前Scrapy的用途十分广泛,可用于如数据挖掘、监测和自动化测试等领域…

HarmonyOS4.0之安装DevEco Studio开发工具

第一步 打开网址:https://developer.huawei.com/consumer/cn/ 点击后是这样的界面 第二步 鼠标移入到开发点击DevEco Studio 第三步 我们往下滑动找到以下界面 我们根据自己的需要点击下载图标 这里演示Window系统 下载好后解压文件 我们解压文件后 第四步…

VS2022配置WinPcap开发

winpcap 官网:http://www.winpcap.org/ 1.首先下载安装 winpcap.exe,http://www.winpcap.org/install/default.htm 目的是安装相关驱动和 dll,安装完成之后基于 winpcap 的应用程序才能够正常运行。 2.下载 winpcap 的开发包,头文…

34、AD/DA

AD/DA介绍 AD(Analog to Digital):模拟-数字转换,将模拟信号转换为计算机可操作的数字信号 DA(Digital to Analog):数字-模拟转换,将计算机输出的数字信号转换为模拟信号 AD/DA转换…

离线数仓构建案例一

数据采集 日志数据(文件)到Kafka 自己写个程序模拟一些用户的行为数据,这些数据存在一个文件夹中。 接着使用flume监控采集这些文件,然后发送给kafka中待消费。 1、flume采集配置文件 监控文件将数据发给kafka的flume配置文件…

python scipy.cluster.hierarchy.dendrogram学习详记——(待完善)

1.Python scipy.cluster.hierarchy.dendrogram用法及代码示例 2.python dendrogram_Python中的凝聚层次聚类示例

微信小程序在线客服 全端通吃版+PC官网客服+H5网站客服+微信公众号客服 附带完整的搭建教程

随着互联网的快速发展,在线客服系统已经成为企业与用户沟通的重要桥梁。然而,许多企业在构建自己的在线客服系统时,往往面临多种平台、多端口的困扰,如何实现全端通吃的客服系统成为一项迫切的需求。为此,我们推出了一…