认知年轮模型
摘 要
传统学习系统把「分数」当作终点，认知年轮模型把「生长」当作终点。基于哈佛大学 Schacter 的记忆重建理论（2001）和 Bjork 的必要难度理论（1994），我们提出：每一次深度学习都是在知识之树上刻下一圈年轮。年轮的密度 D=(正确点数+1)/(遗漏点数+偏差数+1) 代表思考深度，年轮的颜色（深绿>1.5、蓝色 1.0–1.5、灰色<1.0）代表掌握程度，年轮的数量代表坚持的时间。该模型已工程化为 Memoria 的认知年轮组件，经 6 位国际学习专家研讨和 11 位工程师审查，已生产级交付。本文提供模型的完整定义、算法化设计、真实用户案例和可操作的实践指南。
目 录
- 问题定义：你的学习缺少「年轮」
- 理论基础：三个支柱
- 模型定义：认知年轮模型
- 算法化设计：从理论到工程
- 与齿轮渐进模型的关系
- 实验/案例：5次训练的真实年轮
- 常见问题 FAQ
- 实践指南：立刻可以做的 4 件事
- 三条铁律
- 参考文献
- 山人说
一、问题定义：你的学习缺少「年轮」
你有没有这种感觉？
学了三个月 Python，打开简历还是写「熟悉 Python」。面试官问：「Python 的装饰器本质是什么？」你脑子里闪过一个模糊的印象——「@ 符号、函数包裹……」然后语塞。
你不是没学过。你学过。但你说不出来。
问题不在于你不努力，在于你的学习没有「年轮」。
当前学习系统的三个致命缺陷
现在的学习工具怎么记录你的？打卡、分数、通过率。这些都是「外部指标」——它们告诉系统你完成了任务，但不告诉你自己真正掌握了什么。
就像你去健身房，每次刷卡记录的是「到场」，不是「肌肉增长」。你刷了 100 次卡，身体没有任何变化。健身房系统说你「坚持 100 天」，你的身体告诉你「没有任何变化」。
你的学习记录通常只显示「当前掌握度：4 星」。但这 4 星是怎么来的？是从 1 星稳步上升的，还是在 2 星和 4 星之间反复横跳？是 3 次训练达成的，还是 10 次训练才勉强爬到的？
一张只显示「4 星」的卡片，抹掉了你所有的努力和挣扎。
心理学家把这种现象叫「流利度错觉」（Fluency Illusion）。信息流过大脑的速度越快，你就越容易产生「我已经会了」的幻觉。但当你被要求自己写出来、讲出来、教给别人时，才发现自己根本没有掌握。
加州大学洛杉矶分校的 Robert Bjork 提出了「必要难度」（Desirable Difficulty）理论：学习效果与提取记忆的难度成正比。你越费力想出一个答案，那个答案记得越牢。但大多数学习工具的设计恰恰相反——它们让你滑动卡片越顺越好，让你感觉自己学得很快。实际上，越顺 = 越没学到。
我们缺的不是学习记录，是生长记录
如果有一面墙，上面不是你的考试分数，而是你每一次练习时留下的印记——第一次歪歪扭扭的尝试、第三次逐渐成型的理解、第五次行云流水的表达——你会怎么看待自己的学习？
二、理论基础：三个支柱
认知年轮模型建立在三个认知科学支柱之上，每一个支柱都有坚实的实验证据。
记忆重建理论
提出者：Daniel Schacter，哈佛大学心理学教授
出处：The Seven Sins of Memory (2001)
Schacter 提出了一个革命性的观点：记忆不是对过去的静态存储，而是一次次的动态重建。每次你提取一段记忆，你都在重建它。每次重建，都在加深它（或改变它）。
年轮记录的不是「你是否答对了」，而是「你以什么质量重建了那段记忆」。
必要难度理论
提出者：Robert Bjork，加州大学洛杉矶分校
出处：Bjork (1994)
Bjork 做了一个经典实验。A 组读 4 遍，B 组读 1 遍后闭卷回忆 3 次。一周后，B 组的记忆保持率是 A 组的两倍。
A 组觉得「很顺，肯定记住了」——实际忘了 77%。B 组觉得「太费劲，估计没记住」——实际记住 48%。越费劲，越深刻。
成长型心智
提出者：Carol Dweck，斯坦福大学心理学教授
出处：Mindset: The New Psychology of Success (2006)
被夸「聪明」的孩子选择了更简单的题（害怕失败），被夸「努力」的孩子选择了更难的题（寻求挑战）。两种反馈，差了一个字，结果天差地别。
认知年轮将「掌握程度」从一次性评价改为持续性生长轨迹。你不是「4 星」，你是「从 1 星长到 4 星」。
三、模型定义：认知年轮模型
核心公式
为什么是 (C+1)/(M+W+1) 而不是简单的正确率 C/(C+M+W)？
正确率对遗漏和偏差不够敏感。例如，3 个正确点 + 1 个遗漏点，正确率 75%，看起来不错。但 D = 4/2 = 2.0。而 5 个正确点 + 5 个遗漏点，正确率 50%，D = 6/6 = 1.0。同样是「答对了一半」，思考质量可能差了一倍。D 值比正确率更能区分「深度理解」和「刚好猜对」。
年轮颜色映射
| D 值范围 | 颜色 | 边框样式 | 含义 | 学习建议 |
|---|---|---|---|---|
| D > 1.5 | 深绿 | 3px 实线 | 高密度理解，思考深入 | 可进入下一层级 |
| 1.0 ≤ D ≤ 1.5 | 蓝色 | 2.5px 实线 | 中等理解，有关键遗漏 | 需巩固当前层级 |
| D < 1.0 | 浅灰 | 1.5px 虚线 | 基础理解，需重新思考 | 需重新学习 |
三层年轮结构
认知年轮不是只有一圈，而是三层嵌套，对应布鲁姆认知分类的识记→理解→应用：
| 层级 | 图标 | 名称 | 解锁条件 | 对应 mastery | 你在这个阶段能做什么 |
|---|---|---|---|---|---|
| 第一层 | 🌱 | 基础概念层 | 1 星 | ★★☆☆☆ 及以下 | 能认出正确答案，知道「是什么」 |
| 第二层 | 🌿 | 核心原理层 | 3 星 | ★★★☆☆ 至 ★★★★☆ | 能自己解释原理，回答「为什么」 |
| 第三层 | 🪴 | 综合应用层 | 5 星 | ★★★★★ | 能灵活运用，举一反三，教给别人 |
每一层需要 3 次巩固才能解锁下一层。这意味着不能「一次通过就跳级」——你需要在同一层级多次训练，证明你真的掌握了。
核心原理
四、算法化设计：从理论到工程
伪代码
工程实现
模型已完整工程化为 Memoria 的 MindMap.tsx 组件（V7.0.3 终身定稿版），核心特性：
- 数据获取：通过
mindmapAPI.getMindMap(cardId)获取后端计算的训练数据 - 前端计算：年轮密度 D 值在前端实时计算，不依赖后端额外字段
- 响应式渲染：PC 端 300px 同心圆，移动端 220px，三层标签三列变单列
- 交互设计：PC hover 显示 tooltip，移动端 tap 切换，符合各自平台习惯
- 横向滚动：训练次数超过 5 次时，密度趋势图自动启用横向滚动
- 9 大模块：掌握总览、认知层级、认知年轮、密度趋势、盲区进度、复习提醒、关联概念、训练历史、专家引用
五、与齿轮渐进模型的关系
认知年轮模型是《解码学习》系列第三个模型。它与之前发布的模型形成完整体系：
| 模型 | 解决的问题 | 核心公式 |
|---|---|---|
| 苏格拉底引擎（001） | AI 如何逼你思考？ | 追问层 → 对比层 → 内化层 |
| 齿轮渐进模型（002） | 题型/提示/间隔如何自适应？ | 题型难度 × 提示递减 ÷ 时间间隔 |
| 认知年轮模型（003） | 如何可视化学习生长过程？ | D = (C+1)/(M+W+1) |
三个模型的咬合关系
齿轮渐进负责「动态调整」——根据掌握程度调整题型难度、提示级别、复习间隔
认知年轮负责「可视化生长」——将训练数据转化为直观的年轮图，让学习者看到自己的生长轨迹
没有苏格拉底引擎，年轮没有数据。没有齿轮渐进，年轮没有方向。没有认知年轮，数据和方向不可见。
六、实验/案例：5 次训练的真实年轮
以下数据来自 Memoria 内部测试用户学习《论语》「患不知人」的真实记录：
| 训练次数 | 日期 | 正确点数 | 遗漏点数 | 偏差点数 | D 值 | 掌握度 | 年轮颜色 |
|---|---|---|---|---|---|---|---|
| 第 1 次 | 5/28 | 2 | 8 | 1 | 0.3 | ★★☆☆☆ | 灰色虚线 |
| 第 2 次 | 6/1 | 4 | 6 | 2 | 0.6 | ★★☆☆☆ | 灰色虚线 |
| 第 3 次 | 6/4 | 7 | 3 | 1 | 1.6 | ★★★☆☆ | 深绿 |
| 第 4 次 | 6/7 | 5 | 5 | 0 | 1.0 | ★★★☆☆ | 蓝色 |
| 第 5 次 | 6/10 | 8 | 2 | 0 | 3.0 | ★★★★☆ | 深绿 |
三个关键发现
发现一：年轮颜色反映真实思考质量，而不是掌握度。
第 3 次训练正确率 64%（7/11），D 值 1.6 深绿。第 4 次训练正确率 50%（5/10），D 值 1.0 蓝色。两次训练的掌握度都是 3 星，但思考质量完全不同。如果只看「3 星」，你会以为两次训练效果差不多。年轮暴露了真相。
发现二：年轮揭示「划水训练」。
第 1 次和第 2 次训练，掌握度都是 2 星。但 D 值分别是 0.3 和 0.6——都在灰色区域。这说明用户在前两次训练中只是「完成了任务」，没有深入思考。如果没有年轮，这两次训练会被当作「正常的学习记录」。年轮让划水无所遁形。
发现三：年轮激励持续投入。
用户反馈：「看到年轮从灰色虚线变成深绿实线的过程，比看到数字从 2 变成 4 更有动力。我能看到自己在生长。」这正是成长型心智（Dweck, 2006）的核心——当学习者看到自己的进步轨迹，他们更愿意面对挑战。
七、常见问题 FAQ
八、实践指南：立刻可以做的 4 件事
不需要等 Memoria 上线。你现在就可以给自己的学习加上「年轮视角」：
-
记录每次学习的「正确/遗漏/偏差」
下次学习任何内容时，不要只记录「做对了几题」。同时记录：✅ 哪些知识点你确定自己理解正确？⚠️ 哪些知识点你遗漏了？❌ 哪些知识点你理解有偏差？ -
计算你的 D 值
用公式 D = (正确点数+1) / (遗漏点数+偏差点数+1)。把每次学习的 D 值记录下来，看看是不是在波动中上升。 -
画出你的年轮
找一张纸，画同心圆。每次学习画一圈，用颜色标记：D>1.5 用绿色，D 1.0-1.5 用蓝色，D<1.0 用灰色。一个月后，你会看到自己的年轮图。 -
不要抹去灰色年轮
第一圈是灰色的？没关系。第二圈还是灰色的？也没关系。把它们留着。当第四圈变成深绿色时，回头看第一圈的灰色，你会感谢当时那个虽然笨拙但坚持学习的自己。
九、三条铁律
灰色年轮就是灰色。不是每次都答对，年轮才真实。两次划水训练 AI 评分 < 3，齿轮锁死不升星。敷衍不产生年轮。
必须先有基础概念的灰色年轮，才能有核心原理的蓝色年轮，最后才是综合应用的深绿年轮。没有地基，不能盖楼。
每一圈年轮都是你学习历史的真实印记。第 1 次的灰色虚线永远在那里，提醒你起点在哪里。不是抹去失败，而是带着失败继续生长。
十、参考文献
- 1. Schacter, D. L. (2001). The Seven Sins of Memory: How the Mind Forgets and Remembers. Houghton Mifflin Harcourt.
- 2. Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. In J. Metcalfe & A. Shimamura (Eds.), Metacognition: Knowing about knowing (pp. 185–205). MIT Press.
- 3. Dweck, C. S. (2006). Mindset: The New Psychology of Success. Random House.
- 4. Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255.
- 5. Brown, P. C., Roediger, H. L., & McDaniel, M. A. (2014). Make It Stick: The Science of Successful Learning. Harvard University Press.
- 6. Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. Psychological Review, 100(3), 363–406.
十一、山人说
分数会忘记，排名会变化，但你刻下的每一圈年轮都是真实的生长。灰色的第一圈、蓝色的第三圈、深绿的第五圈——它们不会消失，它们是你成长的证据。
树不会一天长大，但每一圈年轮，都是你走过的路。
带着你的灰色年轮，继续生长。