1 заметка с тегом

модели

Считаем свою скорость развития

Профессиональные знания накапливается за определённое количество времени. У каждого по-своему. Давайте прямо сейчас попробуем создать свою модель счисления нашего прогресса. Итак, если вы делаете то, что уже хорошо умеете, то присваиваете себе 0,1 балл. Когда пытаетесь штурмовать ещё не проходимые задачи — 1 балл. Наша мерная шкала идёт от нуля до единицы и здесь баллы вы начисляете себе сами от новизны и сложности задачи после её завершения. Делайте это интуитивно. На задачи от 0,1 по 0,5 должно уходить не так много времени и других видов ресурсов. Это решение задач с какими-то несложными новыми условиями. Баллы от 0,6 начисляются за кардинально новые задачи, которые не встречались на вашем пути. Они идут тяжело. Иногда хочется отказаться от их выполнения, но эффекта от таких задач куда больше. Их выгодно доводить до конца.

Шкала имеет линейный рост. Баллы за выполненные задачи начисляются как в школе. Нули никто никому не ставит.

Поскольку речь идёт о развитии человека в профессиональном плане, то рационально было применить нашу, пока ещё сырую модель, для узкоспециализированной сферы. Например, когда вы прокачиваете себя в программировании на PHP или свой скилл в Фотошопе, важно быстро постигать новые области неизведанного знания. То есть не делать упор на однотипные задачи по 0,1 или 0,2 балла, а браться сразу за сложное. Это лучшая стратегия, так как работая сразу со сложным, на фоновом уровне сами по себе оттачиваются базовые навыки, которые стоят от 0,1 до 0,5 балла. Зачем тратить ресурсы на изучение менюшки в Фотошопе? Вырезая картинку по контуру можно разобраться как она там устроена. Получается, что новизна задачи и её сложность имеет больший вес для развития, нежели какой-либо комфорт её выполнения. Пусть это будет основное правило профессионального роста в нашей модели.

Новизна задачи и её сложность имеет больший вес для развития, нежели какой-либо комфорт её выполнения.

Уже можно ввести серьёзную переменную в модель — скорость профессионального роста. Когда мы берём на выполнение задачу в 1 балл, то, скорее всего, потратим очень много времени и энергии, но получим гораздо больший выхлоп на выходе. Давайте сравним: сегодня мы сделали десять задач по 0,1 и затратили всего 12 часов; через неделю мы сделали одну очень сложную задачу в 1 балл и потратили 48 часов. В каком случае мы подрастём? Логика подсказывает, что во втором. Подождите, но количество баллов будет одинаковым! На самом деле выполняя 10 задач по 0,1 мы топтались на одном месте. Когда сделали одну сложную, то только тогда нам удалось узнать что-то новое. Все приобретённые знания должны быть переведены в качественный показатель, а не в количественный. Поэтому нашу модель мы должны научить справедливо оценивать проделанную работу.

Саму скорость роста можно привязать к времени выполнения задач. Когда мы тратим много часов на что-то, то можно предположить, что задача выполняется с определёнными трудностями, а на пути их преодоления человек развивается. Если тратим мало времени — идём по изведанному пути и ничего нового человек не постигает. Однако, строить систему начисления баллов в нашей модели только лишь на основе затраченного времени нельзя. Здесь всплывает много погрешностей: сложность добычи информации, поиск актуальных знаний, усталость во время работы и все те, которые влияют на скорость приёма знаний. Скорость роста определяет не затраченное время, а объём приобретённых знаний. Но как же нам оценить всё это? Чтобы хоть как-то дифференцировать задачи по эффективности введём коэффициент, где каждый начисленный балл умножается на равную пропорцию относительно единицы (если мы задачу оцениваем в 0,3 балла, то её нужно умножить на коэффициент 1,3 и в итоге получим 0,39).

Это преобразованная шкала с учётом коэффициентов. Она отражает справедливый объём полученных знаний. Теперь баллы начисляются нелинейно.

Давайте пересчитаем баллы из примера, но уже с коэффициентом: мы за 12 часов выполнили 10 задач по 0,1 — каждый балл нужно умножить на 1,1; сложную задачу в 1 балл мы сделали за 48 часов — умножили её на два. В итоге за 10 задач мы набрали 1,1 балла, а за одну сложную ровно 2. Получилась более-менее справедливая оценка набранных знаний и логические выводы подкрепились математически. Ещё раз обратите внимание, что время и другие виды затраченных ресурсов не участвую в расчётах. По сути, мы даём интуитивную оценку своему прогрессу на основе сложности и новизны, а все манипуляции с баллами просто показывают что действительно эффективно или где скорость роста мала. Полученная модель лишь небольшой прототип, некий зачаток, для экстраполяции основных идей в свою систему роста. Ниже привожу основные принципы функционирования модели:

1 Беритесь чаще за новые и сложные задачи, поскольку они содержат больший вес для развития, по сравнению с однотипными и лёгкими.
2 Делая сразу сложные задачи можно аккумулировать сумму знаний мелких в рамках одной большой, а это стратегическое преимущество.
3 Скорость профессионального роста выражается в приобретённых знаниях за любую единицу времени и исходит от сложности.
4 Время и другие виды ресурсов не участвуют в процессе подсчёта баллов, т. к. те интуитивно начисляются за постигнутые трудности.
2016   модели   психология   развитие