คุณไม่เดินขึ้นบันไดในเวลาจริง หากคุณทําเช่นนั้นคุณจะช้า - แต่ละขั้นตอนต้องประมวลผลความสูงเนื้อหาความตึงเครียดของกล้ามเนื้อและสมดุลแทนที่สมองของคุณสร้างการคาดการณ์ความละเอียดสูงของบันไดถัดไปก่อนที่ขาของคุณลง 1 คุณจะตระหนักถึงมันเมื่อการจําลองล้มเหลว เมื่อเท้าของคุณโจมตีพื้นเร็วกว่าที่คาดหวัง หรือเมื่อคุณพบอากาศว่างที่ควรเป็นขั้นตอน มันเป็นข้อผิดพลาดการคาดการณ์ที่ทําให้คุณตระหนักถึงความตระหนักกลับจนกว่าคุณจะแก้ไขข้อผิดพลาด 2 เมื่อข้อผิดพลาดการคาดการณ์ต่ําคุณจะอยู่ในตัวควบคุมอัตโนมัติ เมื่อข้อผิดพลาดการคาดการณ์สูงคุณจะกระตือรือร้นเข้าสู่ความตระหนักและอัปเดตรูปแบบ กลไกนี้อธิบายวิธีที่คุณเรียนรู้จริง ๆ และคนส่วนใหญ่มีรูปแบบการเรียนรู้ที่ผิดอย่างสมบูรณ์ คําแนะนําส่วนใหญ่เกี่ยวกับ“ เรียนรู้เร็วขึ้น” รู้สึกถูกต้องเมื่อคุณอ่านแล้วหายไป การทําซ้ําระยะไกลการกู้คืนที่ใช้งานการฝึกฝนอย่างมีนัยสําคัญ - คุณคลิกตามลองเป็นเวลาหนึ่งสัปดาห์แล้วลืมว่าทําไมมันสําคัญ คําแนะนําไม่ติดเพราะมันเป็นคําอธิบายโดยไม่มีกลไก มันบอกคุณ ทําโดยไม่ต้องอธิบายเครื่องจักรที่ทําให้มันทํางาน อะไร ทบทวนนี้เป็นคําอธิบาย เครื่องจักรที่ทําให้เทคนิคทั้งรวบรวมเป็นความสามารถที่แท้จริงหรือละลาย What You Think Learning Is สิ่งที่คุณคิดว่าการเรียนรู้คือ คนส่วนใหญ่คิดว่าการเรียนรู้คือ เช่นการเติมฮาร์ดไดรฟ์ คุณจัดเก็บข้อมูลคุณจะกู้คืนข้อมูลในภายหลัง การเก็บข้อมูลมากขึ้น = ความรู้มากขึ้น = ความสามารถมากขึ้น accumulation เมื่อคุณเรียนรู้ที่จะเดินบันไดสมองของคุณวาดแบบจําลอง: “เนื่องจากอินพุตความรู้สึกนี้ (ขอบบันได) การคาดการณ์: การเปลี่ยนแปลงความสูงความตึงเครียดกล้ามเนื้อที่จําเป็นการตอบสนองความรู้สึกที่คาดหวัง” ; รูปแบบการรวบรวมของความรู้ที่ทํางานโดยอัตโนมัติ This is a scheme ประสิทธิภาพผู้เชี่ยวชาญไม่ได้เกี่ยวกับการรู้เพิ่มเติม มันเกี่ยวกับการมีแผนภูมิที่มีข้อผิดพลาดการคาดการณ์ที่ต่ํากว่า ผู้เชี่ยวชาญด้านกีฬากําลังใช้พลังงานประสาทน้อยลงไม่ใช่มากกว่า แต่สมองของพวกเขาใช้พลังงานน้อยลงเพราะพวกเขาได้เรียนรู้สิ่งที่สําคัญ 3 ผู้เริ่มต้นประมวลผลทุกอย่างโดยใช้การคํานวณพลังงานบริสุทธิ์ เมื่อผู้เชี่ยวชาญมองไปที่ตําแหน่งช็อตพวกเขารู้ว่าควรมุ่งเน้นความสนใจในขณะที่ลืมชิ้นที่ไม่เกี่ยวข้อง ความแตกต่างระหว่างผู้เชี่ยวชาญและผู้เริ่มต้นคือแผน คุณไม่สามารถสั้น ๆ นี้ การสั้น ๆ เป็น คุณหรือรวบรวมแผนภูมิผ่าน iterations หรือคุณไม่มีพวกเขา The Only Two Ways To Learn วิธีเดียวสองวิธีที่จะเรียนรู้ คนที่ต้องการเรียนรู้ "เร็ว" จะถามคําถามที่ไม่ถูกต้อง เมื่อคุณเข้าใจวิธีการประกอบแผนภาพความเร็วจะกลายเป็นไม่สําคัญ คุณไม่สามารถระเบิดประสาทในสมองของคุณได้เร็วขึ้น มีเพียงสองวิธีที่ถูกต้องในการสร้างแผนการ - คุณจะแก้ปัญหาที่แท้จริง (ที่ความเร็วเกิดขึ้นตามธรรมชาติจากระบบที่ดีขึ้น) หรือคุณจะทําเช่นนั้นเพื่อให้ได้รับรางวัลในร่ม (ที่คุณไม่สนใจความเร็ว) 1. You’re Solving A Real Problem ไม่ใช่ “Learning React” ส่งคุณสมบัติไปยังผู้ใช้จริง หากคุณกําลังพยายามรักษาเพื่อนของคุณจากโรคในยุคกลางคุณไม่ได้อ่านเพื่อ "เสร็จสิ้นหนังสือ" - คุณพบสิ่งที่คุณต้องการสําหรับการรักษาและไปรักษาเพื่อนของคุณ การฝึกอบรมอย่างมีนัยสําคัญไม่ได้เป็นการทําซ้ํามันเป็นการปรับตัวต่อเนื่องไปยังเป้าหมายที่มีการตอบสนองทันที การเดิมพันจริงสร้างสิ่งนี้โดยอัตโนมัติ ผู้พัฒนาที่จัดส่ง 20 ผลิตภัณฑ์ได้รวบรวมแผน การเสร็จสิ้นการกวดวิชานักเรียนที่จัดส่ง 0 ได้ พวกเขาสามารถอธิบายความหมายของรายชื่อย่อยาว แต่ไม่สามารถอธิบายรุ่นขั้นสูงที่สร้างรหัสทํางานได้ memes เกี่ยวกับ schemes แผนภูมิที่รวบรวมอยู่รอดเพราะพวกเขาถูกสร้างขึ้นตามความคิดเห็นของความเป็นจริงไม่ใช่ตัวอย่างสังเคราะห์ หากคุณติดอยู่ในกรุงกรุงกรุงกรุงกรุงกรุงกรุงกรุงกรุงกรุงกรุงกรุงกรุงกรุงกรุง (สิ่งนี้ไม่ได้หมายความว่าคุณต้องเดินทางไปยังประเทศอื่นเพื่อเรียนรู้ภาษา ฉันเพียงแสดงให้เห็นถึงกระบวนการเรียนรู้) 2. Genuine Curiosity, The knowledge itself is the reward. When you learned your first language: แม่ของคุณพูดว่า “ถ้วย” หมายถึงวัตถุ คํานวณโดยตรงไปยังแผนภูมิของคุณของสิ่งที่กระบอก When you learn a second language through apps: คุณพบกับ “Goodjour” ซึ่งจะแปลเป็น “Good Morning” ซึ่งจะนึกถึงแผนภูมิของแสงแดดตอนเช้าของคุณรสชาติในปากของคุณเมื่อคุณตื่นขึ้นและทุกมิติของแผนภูมิของ “ตอนเช้า” คุณกําลังคิดในภาษาอังกฤษและแปล รุ่น forward ทํางานในภาษาอังกฤษไม่ใช่ภาษาฝรั่งเศส นี่คือ proxy-chaining: ใช้ภาษาหนึ่งเป็นตัวกลางเพื่อเข้าถึงแผนภูมิแทนที่จะวาดภาพคําโดยตรง เส้นทางประสาทมีความแตกต่างอย่างมีนัยสําคัญ: การทําแผนภูมิโดยตรง: ภาษาเปิดใช้งานแผนภูมิโดยตรง (Meme => Scheme) Proxy-chaining: Language เปิดใช้งานเครือข่ายการแปลครั้งแรกแล้ว schemes (Meme => Meme => Scheme)4 แน่นอนคุณสามารถเปลี่ยนจาก proxy ไปยังแผนที่จริงหากคุณยังคงเรียนรู้ เล่นปียาโนเพราะเพลงมีความสุข รหัสเพราะการสร้างมีความสนุกสนาน - ไม่ใช่เพราะคุณกําลังตรวจสอบ "เรียนรู้ Python" หรือ "ฉันเข้ารหัส cpp" เมื่อกิจกรรมตัวเองเป็นผลตอบแทนคุณเรียกใช้แผนความแตกต่างสูงอย่างต่อเนื่องโดยแรงจูงใจ เหมาะอย่างยิ่งคุณจะได้รับทั้งสองอย่าง: การแก้ปัญหาที่สําคัญในขณะที่กระบวนการเองเป็นผลตอบแทน นั่นคือเมื่อแผนประกอบเร็วที่สุด How Schemes Become Memes (And Vice Versa) วิธีการกลายเป็น Memes (และ vice versa) meme เป็นคําอธิบายที่บีบอัดของแผนภาพ เมื่อคุณแปลงแผนภูมิเป็นเมมคุณสูญเสียเกือบทุกอย่าง: Scheme => Meme (Compression with loss): คุณมีแผนการที่ซับซ้อนสําหรับการเล่นกีตาร์ นิ้วของคุณรู้ว่าควรไปไหนสําหรับคอร์ตที่เจ็ดเล็ก ๆ - คุณคาดการณ์ตําแหน่งนิ้วความดันและเสียงที่เกิดขึ้นโดยอัตโนมัติ บางคนถาม “คุณทําอย่างไรที่จะเล่นขนาดเล็กที่เจ็ด” คุณผลิต meme: "มันเป็นรากที่เล็กน้อยที่สามที่ห้าและเล็กน้อยที่เจ็ด" เมมี้อธิบายโครงสร้าง แต่ไม่ได้มีรูปแบบต่อหน้า คนที่ได้ยินตอนนี้มีคําอธิบายไม่ใช่ระบบทั้งหมด พวกเขาไม่สามารถเล่นสอดแนมจากเมมี้เท่านั้น พวกเขาต้องรวบรวมแผนภูมิของตัวเองผ่านการซ้ําซ้อน – การวางนิ้วมือฟังบันทึกที่ไม่ถูกต้องปรับให้เหมาะสมจนกว่ารูปแบบจะคาดการณ์อย่างถูกต้อง Meme => Scheme (Decompression requires work): คุณอ่าน: "ใช้การทําซ้ําระยะเพื่อเก็บหน่วยความจํา" มันบีบอัดแผนของคนอื่น (ระบบของพวกเขาที่รู้ว่า การตรวจสอบ การแยกแยะมีผลต่อการบูรณาการ สร้างการฝึกอบรมการกู้คืน) ในวลีสั้น ๆ เมื่อ วิธีการ อะไร เพื่อแปลงเมมเป็นแผนการคุณต้องเรียกใช้ iterations อธิบายว่าทําไมมันทํางานหรือล้มเหลวปรับปรุงด้วยการเปลี่ยนแปลงและทําซ้ํา ผู้คนส่วนใหญ่หยุดที่ meme พวกเขารวบรวมคําอธิบาย: “การทําซ้ําระยะไกลทํางาน” “การฝึกอบรมอย่างมีนัยสําคัญ” “การนอนหลับเสริมสร้างหน่วยความจํา” นี่คือ memes ที่แท้จริง – พวกเขาแสดงให้เห็นถึงแผนภูมิที่แท้จริง – แต่โดยไม่ต้องทํางาน decompression คุณเพียงแค่ย้ายสัญลักษณ์ Why experts struggle to teach: ทําไมผู้เชี่ยวชาญพยายามสอน: ผู้เชี่ยวชาญมีแผนก นักเรียนต้องการแผนก แต่การถ่ายโอนเกิดขึ้นผ่าน memes โมเดลด้านหน้าของผู้เชี่ยวชาญมีความบีบอัดและอัตโนมัติดังนั้นพวกเขาไม่สามารถอธิบายได้อย่างเต็มที่ เมื่อพวกเขาพยายามพวกเขาจะผลิตเมมส์ที่สูญเสียข้อมูลส่วนใหญ่ "เพียงแค่รู้สึกถึงความรุนแรง" "ทําให้มันปรากฏขึ้น" "ให้แขนของคุณผ่อนคลาย" เหล่านี้ memes เป็น แต่พวกเขาจะถูกบีบอัดอย่างไร้ประโยชน์สําหรับใครบางคนที่ไม่มีแผนที่ นักเรียนต้องใช้พันการซ้ําเพื่อลดความบีบอัดเมมส์เหล่านี้ลงในรูปแบบการทํางานในอนาคต แก้ไข นี่คือเหตุผลที่คุณไม่สามารถเรียนรู้ที่จะเล่นแจ๊ซโดยการอ่านเกี่ยวกับแจ๊ซ (แม้ว่ามันจะช่วย) ทําไมการกวดวิชานุกร์ไม่ผลิตนักพัฒนา คุณรวบรวม memes เกี่ยวกับแผนภูมิไม่ใช่การรวบรวมแผนภูมิ ในแต่ละโดเมน scheme เป็นระบบที่กําหนดค่าผ่านพัน iterations การรวบรวม memes ให้คุณคําพูดของความสามารถ การรวบรวมแผนภาพให้คุณความสามารถที่แท้จริง นี่คือเหตุผลที่การกวดวิชานี้ล้มเหลว ทําไมส่วนใหญ่ "เรียนรู้" นั้นเป็นเพียงการเก็บรวบรวม meme Most “Learning” Doesn’t Compile Anything ส่วนใหญ่ "เรียนรู้" ไม่รวบรวมอะไร การเรียนรู้ส่วนใหญ่ล้มเหลวเนื่องจากไม่ได้เป็นปัญหาหรือ immersion-driven ไม่มีการเดิมพันที่แท้จริงไม่มีการดําน้ําจริง (คุณทําตามคําแนะนําไม่ใช่การสํารวจ) คุณกําลังเรียนรู้ "วิธีการปฏิบัติตามบทเรียน" Tutorial hell: การเพิ่มประสิทธิภาพสําหรับเมตริกสังเคราะห์ที่ไม่ได้ทําแผนที่ไปยังการทําซ้ําในโลกจริง คุณกําลังรวบรวม “วิธีการผ่านการสอบนี้” ไม่ใช่ “วิธีการคิดในโดเมนนี้” Studying for exams: ไม่มีรางวัลในร่ม (เป็นภาระผูกพันไม่ใช่ความอยากรู้) ไม่มีปัญหาที่แท้จริงที่จะแก้ไข แผนการของคุณไม่เคยมีส่วนร่วม คุณกําลังย้ายเมมส์โดยไม่ต้องสร้างรูปแบบต่อหน้า Courses you “should” take: The Proxy-Chain Trap: รหัสผ่าน Proxy Chain Trap: บางโดเมนเป็นไปไม่ได้ที่จะเรียนรู้โดยไม่ต้องใช้ proxy-chaining ก่อน คุณไม่สามารถทําแผนที่เส้นทางของคุณเข้าสู่กลไกควันต์ได้โดยตรง คุณต้องเข้าใจตัวกลางก่อน แต่การทําความเข้าใจคือเมื่อพร็อกซี่ละลาย เมื่อคุณเข้าใจกลไกควันต์คุณไม่ได้แปลอีกต่อไป คุณคิดในโดเมนเอง หากคุณไม่เคยเปลี่ยนจาก proxy-chaining ไปยัง direct mapping คุณจะยังคงเป็นตัวกลางตลอดไป คุณสามารถเข้ารหัสโดยการแปลผ่านรูปแบบ Stack Overflow แต่คุณไม่ได้คิดในรหัส คุณสามารถพูดภาษาฝรั่งเศสได้โดยการแปลจากภาษาอังกฤษ แต่คุณไม่ได้คิดในภาษาฝรั่งเศส คุณสามารถแก้ปัญหาได้โดยการแปลผ่านเอกสารกรอบ แต่คุณไม่เข้าใจโดเมน เมื่อคุณถอดแถบการทํางานของคุณจะตก? หากเป็นเช่นนั้นคุณเป็น proxy-chaining เหตุผลที่ผู้คนส่วนใหญ่อยู่บนดินแดน "Meme" คือ การกระโดดบนบันไดกระตุ้นการตอบสนองความเครียดทางสรีรวิทยา compiling is painful เพื่อเรียนรู้คุณต้องแสวงหาความรู้สึกของการพลาดขั้นตอน tutorials ได้รับการออกแบบมาเพื่อให้คุณรู้สึกเหมือนคุณกําลังเดินบนพื้นดินแบน พวกเขากําจัด jolt ซึ่งรู้สึกดี แต่ให้แน่ใจว่าไม่มีการอัปเดตรุ่นเกิดขึ้น Physiological Constraint ข้อ จํากัด จิตวิทยา คุณไม่สามารถรวบรวมแผนภูมิเมื่อสมองของคุณไม่สามารถดําเนินการคํานวณได้ ผู้คนสามารถเก็บข้อมูลได้ประมาณ 4 ± 1 รายการในหน่วยความจําทํางานพร้อมกัน เมื่อชีวภาพของคุณลดลงเนื่องจากความเครียดการขาดการนอนหลับหรือโภชนาการที่ไม่ดีความสามารถนั้นลดลงอย่างเห็นได้ชัดบางครั้งลงไปถึง 1-2 ชิ้น 5 ด้วยความสามารถนี้คุณไม่สามารถ: รักษาโครงสร้างปัญหาที่ซับซ้อน ปกติหลาย hypotheses ดําเนินการ counterfactuals สร้างการคาดการณ์ใหม่ ความเครียดเรื้อรังลดหน่วยความจําการทํางานและความยืดหยุ่นทางปัญญาโดยเปลี่ยนการรับรู้จากการคิดระดับสูงไปสู่โหมดการอยู่รอด (ตอบสนองต่อการป้อนข้อมูลทันทีด้วยคําตอบแบบแคช) ไม่มีการเรียนรู้เกิดขึ้นเพราะไม่มีการอัปเดตแบบจําลองเกิดขึ้น การนอนหลับ การจัดการความเครียด การโภชนาการ การออกแบบสิ่งแวดล้อม นี่เป็นเงื่อนไขขั้นพื้นฐานสําหรับแผนการของคุณที่จะทํางาน AI Is a Cognitive Prosthetic AI เป็น Cognitive Prothesis มันเป็นส่วนขยายของความคิดของคุณที่สามารถทํางานได้หลายพันสถานการณ์บนข้อมูลที่ได้รับการฝึกอบรมบนความเข้าใจร่วมกันของอินเทอร์เน็ต หน่วยความจําทํางานของคุณสามารถเก็บ ~ 4 ชิ้น ปัญหาที่ซับซ้อนมีตัวแปรจํานวนมากขึ้นและเรามักจะบีบอัดพวกเขา แต่บางปัญหามีตัวแปรที่ก่อนหน้านี้ไม่สามารถบีบอัดได้ ตอนนี้เราสามารถบีบอัดได้เพราะ AI สามารถถือตัวแปรมากขึ้น AI สามารถถือสถานะกลางจํานวนมากในขณะที่คุณประมวลผลได้ นี่คือแรงเสียดทานที่แท้จริงหากคุณรู้วิธีการรวม นักเขียนใช้ Claude เพื่อเก็บรังผัง 20 ลําโพงและตัวละครในขณะที่มุ่งเน้นไปที่การสนทนาระดับสถานการณ์ นักวิจัยรักษา 15 คําอธิบายในกระดาษและข้อพิพาทที่แข่งขันในขณะที่สังเคราะห์กรอบใหม่ นักพัฒนาโหลดกระดานหม้อไอน้ําเพื่อให้สถาปัตยกรรมระบบทั้งหมดยังคงอยู่ในหน่วยความจําทํางาน แผนภูมิยังคงรวบรวมในสมองของคุณ AI ขยายหน่วยความจําการทํางานของคุณเพื่อให้คุณสามารถจัดการกับความซับซ้อนมากขึ้น ผู้คนประสาทการคํานวณ6 พวกเขาจินตนาการการสนทนาที่มีเพียงโมโนโลโก้เท่านั้น AI ไม่ใช่ปัญญาที่ตระหนัก มันเป็นโปรเทสการคํานวณ มันเป็นสมองของคุณเองที่ทํางานบนฮาร์ดแวร์ที่เร็วขึ้น คุณมักจะสร้างความคิดแบบสุ่มและฉลาดทุกนาทีและเลือกความคิดที่ดีที่สุด AI ช่วยให้คุณสามารถคิดได้มากขึ้นด้วยความเร็วที่โดดเด่นเนื่องจากอัจฉริยะร่วมกันบนอินเทอร์เน็ตทํางานเพื่อเป้าหมายของคุณ เมื่อคุณใช้เครื่องมือเพื่อ “ท้าทาย” ความคิดของคุณคุณไม่ได้มองหาความคิดเห็นที่สอง คุณกําลังใช้กระจกความเร็วสูงเพื่อคาดการณ์จุดอ่อนที่ชีววิทยาของคุณช้าเกินไปที่จะจดจํา มันเป็นความสงสัยของคุณเอง หากผลลัพธ์เป็น sycophantic ความตั้งใจของคุณเป็น sycophantic ประวัติศาสตร์ทั่วไปของความคิดของมนุษย์ที่มันถือไม่ได้เป็นความรู้จนกว่าความตั้งใจของคุณจะเลือกมัน ข้อศอกโปรเทสไม่รู้วิธีการเดิน - มันดําเนินการสมดุลของผู้ใช้ AI ทําการค้นหาของคุณ หากคุณใช้ proxy-chain ผ่าน AI ไม่มีการรวบรวมแผนที่ เมื่อ AI ไม่ถูกต้องหรือไม่สามารถใช้ได้คุณไม่มีอะไร นี่คือการเรียนรู้ภาษาฝรั่งเศสผ่าน Google Translate คุณไม่ได้สร้างแผนที่โดยตรง คุณกําลังสร้างความเสี่ยงกับผู้สื่อสาร This matters now because the leverage is huge. สิ่งที่เป็นไปไม่ได้ก่อนหน้านี้เป็นเรื่องยาก (ด้วยความช่วยเหลือของ AI) สิ่งที่ยากตอนนี้เป็นเรื่องง่าย แต่เพียงถ้าคุณเข้าใจความรู้ของคุณด้วยพื้นฐานและมีข้อเท็จจริงที่บังคับให้ตรวจสอบ มิฉะนั้นคุณเพียงแค่ได้รับแรงเสียดทานที่ไม่มีที่สิ้นสุดในการคิดครั้งแรกของคุณ คุณจะเดินออกจากขดลวดอย่างมั่นใจด้วยความเร็ว 10x คนส่วนใหญ่ไม่สามารถบอกความแตกต่างเพราะพวกเขามีรูปแบบจิตที่ผิดของการเรียนรู้ พวกเขาคิดว่ามันคือการสะสม (เก็บข้อมูลเพิ่มเติม) เมื่อมันคือการสร้างแผนที่ดีขึ้น ดังนั้นพวกเขาใช้ AI เป็น "เพื่อนร่วมงาน" แทนการขยายหน่วยความจําทํางาน พวกเขาเพิ่มประสิทธิภาพสําหรับการเสร็จสิ้นการกวดวิชาแทนที่จะจัดส่งสิ่งจริง พวกเขาผสมผสาน memes เกี่ยวกับความรู้โดเมนกับแผนที่จริงที่สร้างผลลัพธ์ ความขัดแย้งจะขยายขึ้น: คนที่เข้าใจแผนการของความรู้ของพวกเขาเพียงแค่ได้รับ 10x แรงดึง คนที่คิดว่าการเรียนรู้คือการสะสมได้เร็วกว่า 10 เท่าเมื่อวิ่งไปสู่ขอบ คุณไม่สามารถปลอมแผนภาพ ความจริงทดสอบพวกเขาอย่างต่อเนื่อง คนที่เรียนรู้คือคนที่ไม่สามารถซ่อนตัวเองจากการผิด หากคุณเพลิดเพลินไปกับบทความนี้และต้องการข้อมูลเพิ่มเติมสมัครรับจดหมายข่าวของฉัน: https://crive.substack.com References การประมวลผลการคาดการณ์พื้นฐานและตัวอย่างเช่นบันได: Karl Friston เกี่ยวกับการเข้ารหัสการคาดการณ์ (การตรวจสอบ): ; แอนดี้คลาร์กอินเตอร์ที่เข้าถึงได้: 1 https://en.wikipedia.org/wiki/Predictive_coding https://www.mind-foundation.org/blog/predictive-coding ข้อผิดพลาดการคาดการณ์และการรับรู้: กระดาษฐานของ Friston เกี่ยวกับการเข้ารหัสการคาดการณ์ / พลังงานฟรี: https://pmc.ncbi.nlm.nih.gov/articles/PMC2666703/ 2 ความเชี่ยวชาญด้าน шах & ประสิทธิภาพทางประสาท: การตรวจสอบระบบภาพสมองในผู้เชี่ยวชาญ vs. ผู้เริ่มต้น: (ผู้เชี่ยวชาญแสดงรูปแบบที่มีประสิทธิภาพและมุ่งเน้น) 3 https://www.sciencedirect.com/science/article/pii/S3050642525000326 Immersion vs. explicit/classroom: Morgan-Short et al. (2012) – implicit/immersion yields รูปแบบ ERP ที่คล้ายคลึงกัน: 4 https://pubmed.ncbi.nlm.nih.gov/21861686/ หน่วยความจําทํางาน ~4 ชิ้น: Cowan (2001) - หมายเลขมหัศจรรย์ 4 5 https://pubmed.ncbi.nlm.nih.gov/11515286/
