AI tutor 讀書筆記
挑戰每天紀錄 Heptabase AI tutor 教會我的 Learning Science 概念
怎麼複習才不容易忘？認識複習的最佳時機：間隔效應與演算法始祖 SM-2
究竟要一天一點慢慢讀，還是考前臨時抱佛腳？從 Ebbinghaus 的自我實驗、Cepeda 的 meta-analysis 與倒 U 型最佳間隔曲線，一路走到間隔複習軟體的演算法始祖 SM-2——記錄「複習時機」怎麼從模糊的經驗，變成一條可以計算的公式。AI tutor 讀書筆記 Day 11。
忘掉的事真的消失了嗎？從遺忘曲線重新理解「記憶」與「遺忘」
遺忘到底是資訊消失了，還是只是找不到？從 Ebbinghaus 把遺忘變成可測量的曲線，到現代演算法用「可提取性」與「穩定度」拆解記憶，再到 Tulving 的線索實驗與 Bahrick 橫跨五十年的追蹤——原來我們以為忘掉的東西，很多都還在。AI tutor 讀書筆記 Day 10。
為什麼 AI 寫出的文案總是差一點？因為「會做」不等於「說得清楚」
有些知識講得出來、寫得下來，有些卻只能靠身體記住、說不清楚。從陳述性與程序性知識的區分、技能習得的三個階段，到 Polanyi 那句「我們知道的比我們能說出來的還多」——這也順手解釋了：為什麼把工作寫成 skill 有用，但寫文案的品味卻怎麼拆都拆不進 AI 的規則裡。AI tutor 讀書筆記 Day 9。
認識記憶處理層次與 schema｜為什麼每個人記得的都不一樣？原來記憶都是重新拼湊出來的！
資訊進到長期記憶要過編碼、儲存、提取三道關卡。為什麼重複讀效率那麼差？處理層次理論說，關鍵不是讀幾遍，而是加工得多深。再往下走到 Bartlett 的鬼故事與 schema 理論——原來記憶從來不是複製貼上，而是用我們既有的知識重新拼出來的。AI tutor 讀書筆記 Day 8。
專家逆轉效應｜新手需要步驟，但高手反而不需要！教太多為什麼會礙事？
具體範例、step-by-step 的教學對新手很有用，但同一套引導放到專家身上，卻可能變成一種干擾。從專家逆轉效應談起，看它怎麼落到產品的「查看詳情／略過」與個人化學習設計——最後順手把我正在用的 AI tutor 當案例，拆了一次使用心得。AI tutor 讀書筆記 Day 7。
認知負荷理論應用｜解析 3 種效應，讓你的教學內容更容易看懂
認知負荷理論不只是解釋「為什麼難學」，還長出三個能直接拿來設計教材與介面的效應：範例效應、分裂注意力效應、冗餘效應。前兩個很直覺，最後一個有點反直覺——它甚至讓我開始懷疑自己「看影片一定要開字幕」的習慣。AI tutor 讀書筆記 Day 6。
為什麼有些東西就是特別難學？淺談「認知負荷理論」，問題其實不在你不夠努力！
學一個新概念，其實是用有限的工作記憶在硬撐。認知負荷理論把「學不會」拆成三種負荷：知識本身的難度、教材設計的雜訊、還有留給思考的餘裕。再從「元素互動性」看為什麼 apple 好記、三角函數難懂——順手解釋了我當年的數學惡夢。AI tutor 讀書筆記 Day 5。
為什麼留白比複雜好：用工作記憶與雙重編碼理論看 UIUX
以前調 UIUX 都靠直覺的美感，這次第一次從工作記憶與雙重編碼理論回頭看，很多事情突然被串起來——為什麼留白比複雜好、為什麼圖文並茂更好記。順著理論，也聊到手打文字與 AI 文體之間那點桑心的取捨。AI tutor 讀書筆記 Day 4。
chunks 研究大腦一次到底能記住幾件事？認識工作記憶的魔術數字
我們一次到底能在腦中處理多少資訊？從 Miller 著名的「7±2」到 Cowan 修正後的「4」，再到注意力聚光燈模型——這些關於工作記憶容量的研究，順手回答了我一直以來的困擾：為什麼同時開太多專案就是會卡。AI tutor 讀書筆記 Day 3。
筆記存得越多，真的學得越多嗎？也許「第二大腦」並不真的等於你的大腦
現在很多生產力工具都在主打「大腦外包」，像是最近很紅的 Claude Code 搭配 Obsidian 打造 AI 知識庫，但問題是很多知識都還是存給 agent 看，其實根本沒有進到我們的腦袋裡，只是被存放在了一個地方。 那這些強調自己是「第二大腦」的工具，究竟是真的幫助我們隨時提取、加工知識，還是其實就像我們在社群裡按了無數次的收藏鍵，最後只讓工具成為了「數位墳場」？
人們常說「大腦就像是硬體」，那是先有「硬體」還是先有「大腦硬體論」？
為了 AI tutor 升級到 Premium 方案，不能對不起我繳的學費，依舊非常享受能在討論過程中進入心流狀態 ✨ 而且跟 AI 上課的好處就是他會一本正經回答我天馬行空的問題，因此今天的 takeaway 就想紀錄： 人們常說「大腦就像是硬體」，那是先有「硬體」還是先有「大腦硬體論」？
