树状结构 vs 网状结构

最近使用 Roam Research 最大的感触在于「拆分阶段」,暂且分为「学习阶段」和「创造阶段」,不同阶段适合使用不同的知识结构。

  • 「学习阶段」以树状结构为主,此时构建大纲按图索骥利于理解,就像松鼠从树根一直往上爬树 🎄,构建体系,摘取果实。
  • 「创造阶段」以网状结构为主,此时借助远程联想、复杂决策、跨领域寻找解决方案,就像松鼠🐿在不同树林 🌲 间反复跳跃,网络交织,寻找关联。

不同阶段的侧重点不一样,但并不代表「学习阶段」就不能使用「网络结构」,通常来说不同领域的两棵树存在相似之处,通过比喻/类比可以快速学习新事物。

对于学习阶段,我们应该是在树状结构下进行理解和消化,甚至借助于其他树状结构进行类比/比喻,归类,组合,从而更快更好的学习新知识。当然,经过你自己的理解,你可以创造属于自己的结构,前提是你对当前学科有了足够全面的了解,否则会存在不恰到的横向引用。

其实卢曼的卡片盒笔记法在记录时也还是依照树状结构的方式来调节的,比如说 a2b3a24 其实蕴含的意思就是可能总共会有 1*2*2*3*1*24 = 288 条笔记。

而标记链接关系,其实也是为了检索,即通过 Index 关键词搜索/索引到想要看到的内容,每写一张新卡片都需要至少关联一张卡片。

Roam Research 中的双向链接

而对于现代化的笔记软件来说,我们可以从树状结构中直接 Link Reference 到其他树枝的树叶🍃,且支持信息源的回溯。

而对于「创造阶段」来说,「网络结构」带来跨领域解决方案时,也依然需要依托足够稳固的结构次序来实施,而非想到哪做到哪。

创造阶段,更需要组合(Compose)不同的旧的或新的东西,比如 iPhone,或者是八竿子打不着的深度 deeplink,比如冰山理论,你看不到的部分远比你想象的多。在这个阶段,当前学科领域的壁垒已经足够高,高处不胜寒,很难发现新机会,从而需要从其他领域来寻找新的灵感。尽情漫游,找出更多的链接,探索更多的可能性,发现更具前景的研究方向。

思想,在树上生长

「写作就是将网状的思考,通过树状的结构用线性的语言进行清晰的表达。」

不过在创造阶段,写给别人看的结构,依然是线性的语言,配合树状的结构,之所以用 Roam Research 来写书(rBook),也就是体验原本作者脑海中的网状海洋。

于是乎,新模型就出来了,原来是一个递归的过程,从别人的线性结构中学习,然后形成自己的网状结构,再输出为树状结构,所以 Roam Research 跟真实的大脑更配,都是网络链接之下的不断分形。(关于分形和 Roam Research,之后想展开讲一讲,太有意思啦。)

对了,XMind 产品所代表的理念:思想,在树上生长。

「ideas grow on trees.」

而世界本来是一个混沌的整体,如何学习和生存,就是要丰富自己的树状体系,然后去网状的世界寻找机会,即 Insight,从而创造 Wisdom 和 Wealth,然后积极影响世界。

Image

小孩子才做选择,而我全都要。

Roam Research 的无限大纲树状结构和双向链接网络结构,完美满足了我对学习和创造的需求。

1. 无限(树状)结构

大纲 Outliner 的结构,不只是树状的,更可以是看板、表格(attr-table)也可以是卡片式(Roam Research 卡片式写作主题),更可能是 3D 的(Roam Portal),只是因为屏幕的限制,我们暂时只能在 2 维结构下去展示它。

但是稍加改变,也可以将 Outliner 取消缩进显示成 1 维线性,或是改变轴向形成横向的线性展开。树状结构说白了是更符合大脑认知的,而世界则是混沌的网状结构。

知识的另一种存在形式:知识网络。这种网络是由于大脑的生理构造决定的,不由人的意志所转移。但是在网络结构之上,有一层结构会使得知识组织更高效,而这种结构就是「树」。

树状结构的优势

树状结构的优势在于"提高了网络查找的效率",以及所有的知识有了层次,易于理解,传递关联关系,符合自然,利于群体传达。

MIT认知科学家 Josh 发表在 PNAS 的论文中,比较了抽象知识的不同表征结构,如星形结构、聚类结构、环形结构等等,最终还是意识到,人类的最佳知识结构是树形结构

只有树形结构,才是最符合人类认知特点的一种结构,从树的上一层到下一层,是具备唯一通道,便于大脑将知识从记忆底层快速提取出来,符合人类大脑是个认知吝啬鬼的特点;树又是兼具横向扩展与纵向扩展能力的最优雅的结构。

树状结构的劣势

树状结构的劣势:树状目录有个很明显的问题就是不同的树枝之间无法横向访问(比如下图中的①和②之间要联系起来还得经过根节点,路径非常长,效率也就不高)

我们人类在学习新概念时,尤其是抽象概念时,往往是通过类比/比喻等方式,与已有的概念联系起来的。例如,我们在学习黑洞概念时,往往就可以把它想象成一个漩涡。而这种类比/比喻,本质上就是在不同知识分支上进行横向关联。

例如,物理中核裂变需要一个最低的临界质量才能发生,而马克思主义哲学中也会有一个「质变和量变」的概念;而查理·芒格会把投资出手跟棒球手的击球出手联系起来。

2. 双向(网状)链接

网状结构也有一些其本身的拓扑结构所带来的优势和劣势。

网状结构的优势

网络结构中的知识点互相连接,两个节点之间的连接是比较健壮的(相邻的两个点如果直连断掉了,还能绕行其他路线)。

同时,网络结构非常易于扩展,一个知识点想加入,只要跟网络的任何一个知识点建立一条连接就可以了(这也就是为什么人类学习新知识是蛮高效的原因)。

比如说,上图中的①和② 知识点之间需要链接时,就是在构建树和树之间的网状结构,而这种结构会更加稳固,并且,随着链接的数量增加会加强其网络效应。

网状结构的劣势

节点和节点之间的连接是任意的,无规律的,它们之间也没有形成逻辑关系或者层次关系。

如果人的知识真的只按网状结构来组织,人类不可能建立如此有组织的文明。

你在想到概念A时,可能会随机的跳跃到与概念A相连的某个(B1、C3、D5、Z8、X13)概念:

    1. 学习阶段,不聚焦,非常影响当前项目的进度。#ADHD

    2. 创造阶段,这一点就是非常有用的,能够激发灵感。

数据的双向链接有可能是有害的

在我看来,是的,单纯给现有软件的数据(并非「知识」)增加双向链接有可能是有害的,本质上有了双向链接(自动反向链接)才有了网络结构,否则应该只是有向图而已,且需要你手动主动去添加反向链接(可能是」知识」)。

图表算法—有向图- MichaelCen - 博客园
有向图

注意,反向链接只是连接笔记,没有连接知识,当你建立反向链接时,同样需要对知识是如何链接的加以说明,软件可以自动化,知识无法自动化。

Backlinking is just linking notes without connecting knowledge.

为了规避网络结构的问题,包括不必要的干扰,但是又要享受其好处,最好的做法应该是梳理树状结构,然后横向对比和建立链接。即在一棵棵树之间,通过类比来横向学习,通过远程联想来寻找创新,纵向学习,横向创意

「自下而上」网络:树状结构 vs 网状结构
overlaps in Zettels 分支和分支之间的交叉连接