跳到正文
具象理解、题库覆盖与抽象层的建立
为什么人们学不好数学？常见的解释无非是几种：不够聪明，不够努力，题做得不够多，或者基础没有打好。这些解释有时当然成立，但它们解释不了另一些很常见的情况。比如，有的人已经做了大量习题，考试成绩仍然不稳定；还有一些人的成绩明明很好，甚至长期被认为数学不错，可一旦考完试，知识很快就忘了。等到从小学进入中学，课程难度上升，原来的优势也突然消失。
我认为，这两类人身上可能存在同一个问题：他们在学习数学的过程中获得了具象的、比喻式的理解，也建立了题目和解法之间的对应关系，但没有建立属于数学概念本身的抽象层。
这里所说的“学不好”，不只是考试分数低。一个人能够通过考试，却不能保留知识、迁移知识、重新推导知识，也属于没有真正学好。考试只是当时的一次测量，它不能自动证明抽象能力已经形成。
数学学习中的三个层次
为了说明这个问题，我把数学学习暂时分成三个层次：具象层、题型层和抽象层。
具象层大体对应算术这一层。人们从日常生活中的数量关系和具体问题出发，使用加、减、乘、除等算子进行处理。学习者知道怎样计算，也能够用这些计算解决具体问题。即使这里已经使用了数字和运算符，数与运算仍然依附于可数、可分或者可以比较的具体对象。这是具象层的主要内容。
进入更高阶段以后，这种学习方式并不会自动消失。学习函数时，老师可能把函数说成一台“机器”；学习向量时，可以先把向量画成一支箭头；学习导数时，可以把它解释成变化的快慢；学习积分时，可以用面积或者累积来帮助理解。这其实是用算术经验、图像和日常概念为新的数学对象寻找一个具象入口。
这些入口都有用。一个完全陌生的概念如果没有任何入口，学习者很难接近它。问题在于，比喻只提供入口，并不等于数学概念本身。函数不是机器，向量不是箭头，导数也不只是“变化得快不快”。比喻保留了概念的一部分特征，同时省略了大量条件和关系。如果学习者在这里停下来，他得到的是一种相似感，而不是形式意义上的理解。
题型层建立在反复练习之上。学习者看到某种题目形式，就知道应该调用哪个公式；看到某个条件，就知道下一步要进行什么变形。随着练习量增加，他可以越来越快地识别题型，甚至形成近乎自动的反应。
这当然也是能力，但它仍然不是抽象层。题型层解决的是“这道题像我以前见过的哪一道”，抽象层解决的是“这道题由什么结构组成，哪些条件有效，我能从定义推出什么”。二者有时会得出相同答案，内部过程却完全不同。
抽象层不依赖某一个具体例子。它由定义、对象之间的关系、允许进行的运算以及在不同表示下保持不变的结构组成。进入这一层以后，学习者可以更换符号，更换图像，更换题目背景，甚至更换使用的自然语言，而概念本身仍然保持稳定。
这才是数学概念真正建立起来的标志。
抽象层究竟是什么
前面所说的抽象层，还可以定义得更准确一些。本文所说的抽象层，不是一段更复杂、更专业的自然语言解释，而是一套可以尽量脱离自然语言独立运转的形式系统。自然语言可以帮助人进入这套系统，可以站在外部解释它，也可以用来交流结论，但它不构成抽象层本身。抽象层内部真正起作用的是对象、符号、关系、运算和规则。
在本文的讨论里，可以把数学的抽象层放回数学的三个本源方向来理解：代数、几何和分析。
代数的抽象层由变量、方程、矩阵、运算符以及它们之间的规则构成。例如 f(x) = y 中的 x 和 y 不需要先对应某个日常物体，它们可以只是结构中的位置。即使换成其他字母，关系本身仍然成立。矩阵也一样。它不是一张“数字表格”的形象，而是一个可以按照规定参与变换和运算的形式对象。
分析的抽象层也主要依靠符号。函数、极限、导数、积分和各种算子由严格定义的关系组织起来。“变化”“趋近”或者“累积”这些说法可以帮助初学者找到入口，但真正进入分析以后，起作用的是极限条件、函数关系和运算规则。自然语言中的形象不能代替这些定义。
几何看起来更接近形象，因为它使用图形，但几何图形和日常物体并不是一回事。图中的点没有大小，线也不是现实中的一根细棍。几何图形表达的是位置、方向、距离、邻接、对称和变换关系。它是一套图形符号系统。图形可以被看见，不等于它仍然停留在具象层。
所以，抽象层并不等于“看不见”，也不等于“只能写公式”。方程、矩阵和几何图形都可以成为抽象层的载体。它们有一个共同特征：符号本身尽可能保持语义中性，甚至语义空白。符号的意义不来自日常语言中的既有词义，而来自它在形式系统中的定义、位置和关系。
这也解释了为什么本文强调尽可能少地让自然语言进入抽象层。自然语言当然不能被完全取消，学习、交流和证明都需要语言。但就概念的内部结构而言，自然语言最好退到说明者的位置。它可以告诉我们符号如何定义，却不应取代符号系统本身。否则，学习者很容易把一个自然语言词语带来的形象，当成那个数学对象。
判断抽象层是否建立，可以看学习者能否离开自然语言中的比喻，直接在符号系统中工作：能否根据方程或矩阵中的关系继续推导，能否从几何图形中读取不变量，能否把同一个结构从一种形式表示转换到另一种形式表示，而不依赖某个生活故事来维持理解。如果离开自然语言，概念就无法继续运作，那么它仍然主要停留在具象层或比喻层。
比喻式理解为什么会制造虚假的理解感
本文所说的“比喻式理解”，不是修辞意义上的比喻，而是一种认识数学概念的方式。学习者面对一个陌生的数学对象时，先调用一个自己已经熟悉的生活对象、具体经验或者图像，再把两者相似的部分联系起来，用熟悉对象代替对新概念的直接理解。
这个过程可以写成：
熟悉的生活对象或图像 → 选取其中相似的特征 → 用这些特征理解数学对象
例如，把函数理解成机器，是把“输入以后得到输出”这个特征映射到函数上；把向量理解成箭头，是用箭头的方向和长度帮助理解向量；把导数理解成速度，是借助日常经验中的快慢变化去接近导数。学习者确实从这些比喻中获得了某些信息，但他获得的是数学对象与熟悉事物之间的相似性，还不是数学对象的完整定义。
比喻式理解主要回答“这个概念像什么”，抽象理解则要回答“这个概念由什么条件定义，对象之间存在什么关系，可以进行哪些推理”。如果一个人离开机器就无法说明函数，离开箭头就无法讨论向量，离开速度就无法理解导数，那么数学概念仍然附着在比喻上，还没有成为一个能够独立运作的抽象对象。
因此，判断一个人是否停留在比喻式理解，不能只看他有没有使用比喻，而要看拿掉比喻以后还剩下什么。如果拿掉熟悉的形象以后，他仍然能够说出定义、辨认成立条件并继续推理，那么比喻只是入口。如果拿掉比喻以后，概念本身也随之消失，那么他理解的主要还是那个比喻。
比喻式理解最重要的副作用，不只是让学习者过早地感到熟悉，而是会制造一种虚假的理解感。学习者确实理解了那个比喻，也理解了熟悉对象与数学对象之间相似的部分。错误发生在下一步：他把自己对比喻的理解，误认为是对数学概念本身的理解。
这种虚假的理解感之所以难以发现，正是因为主观上的“我懂了”并不是凭空产生的。学习者真的获得了一部分内容，只是这部分内容来自旧的生活概念和两者之间的相似性，而不是来自数学对象的定义、条件和关系。他并非什么都没有理解，而是理解了错误的对象，或者只理解了目标对象中能够被比喻覆盖的那一小部分。
因此，当一个新概念被解释成生活中已经见过的东西时，学习者很容易觉得自己已经“听懂了”。但理解比喻和理解数学对象不是同一件事。前者是在旧的概念网络里找到一个相似位置，后者则要求建立一套新的定义和关系。
如果这一步没有完成，学习者以后遇到问题时，仍然会回到那个最初的形象。他不是在操作数学对象，而是在操作自己对那个形象的理解。一旦题目超出比喻能够覆盖的范围，他的理解就会失效。
例如，把函数理解成机器，可以帮助理解输入和输出。但如果学习者始终依赖机器的形象，他可能很难处理那些没有明显计算过程、却仍然符合函数定义的对象。把向量理解成箭头也一样。箭头可以表达方向和大小，却不能自动提供向量空间、线性组合以及基变换中的结构。
所以，比喻可以保留，但必须知道它只是脚手架。学习者需要在某个时刻离开比喻，进入定义。
刷题的价值取决于它在训练什么
刷题通常被认为是提高数学成绩最直接的办法。从应试的角度看，它确实有一定效果。做过的题越多，学习者对常见题型越熟悉，考试覆盖到已经练习过的范围时，他更容易找到相应的步骤。但这种有效首先是应试意义上的有效，不能由此推断抽象层已经建立。
刷题能否帮助学习者进入抽象层，不能一概而论。这取决于他的学习思路，也取决于他在做题时究竟把注意力放在哪里。
如果学习者没有抽象层的概念，只是不断重复题目，那么每道题主要会被储存为一种题型和一套步骤。他能够把新题快速归入某个旧类别，然后复现已经练过的解法。在这种学习思路下，刷题越多，题库覆盖率越大，应试表现可能提高，但抽象能力并不会因此自动出现。
这条路径可以写成：
题目练习 → 记忆题型与步骤 → 扩大题库覆盖
另一种刷题方式建立在抽象层意识之上。学习者先尝试理解定义、关系和结构，再把题目当成检验这种理解的材料。他通过不同题目检查自己建立的抽象概念是否稳定，发现其中遗漏的条件、错误的推理或者不能覆盖的边界，然后修正概念，再用新的题目继续验证。
这条路径是：
初步建立抽象概念 → 用题目检验 → 发现错误或边界 → 修正概念 → 再次检验
在这种情况下，刷题不是简单地增加记忆中的题目数量，而是在反复验证和迭代已经建立的抽象层。题目为概念提供反馈，学习者则根据反馈不断调整自己的理解。这种练习有价值，因为它优化的不是题库覆盖率，而是抽象概念本身。
两个人可能做了同样数量的题，学习结果却完全不同。一个人的努力方向是增加“我见过这种题”的数量，另一个人的努力方向是检验“我对这个数学结构的理解是否成立”。因此，刷题本身既不能保证建立抽象层，也不应被简单否定。需要判断的是，练习究竟在扩大题库，还是在修正和强化抽象概念。
这两种学习方式在普通考试中很难区分，因为它们可能得到同样的答案。如果试卷中的题目与平时训练高度相似，题库覆盖甚至会比抽象能力更直接地影响分数。
可以用一个简单的概念模型表示：
考试成绩 ≈ α × 题库覆盖度 + β × 抽象能力
这里的 α 和 β 不是通过统计得到的固定常数，它们表示一场考试对两种能力的依赖程度。题目越标准化，α 越大；题目越陌生，越要求重新定义问题、组织条件和完成推导，β 就越大。
因此，同一个人可能在 α 很大的考试中取得高分，却在 β 很大的环境中迅速失去优势。中学阶段熟悉的题目、固定的考试范围和密集训练，可以掩盖抽象层没有建立的问题。进入新的课程以后，题目的形式发生变化，旧题库不能继续覆盖，问题才暴露出来。
两种看起来相反的“学不好”
第一种表现很直接：当期考试成绩差。
这类学习者已经掌握了一部分题型，但覆盖范围不够。一旦题目改变表达方式、重新组合条件，或者稍微超出练习范围，他就无法判断应该调用哪一种解法。因为抽象层没有建立，他也很难回到定义，从头分析问题。
他表现出来的是“不会做题”。更准确地说，是没有见过的题不会做。
第二种表现更隐蔽：考试成绩不错，甚至很好，但知识无法保留，也无法迁移。
这类学习者可能做过足够多的题，考试范围基本处在他的题库覆盖之内。他可以熟练地识别题型、调用公式和复现步骤，所以成绩并不差。可是考试一结束，那些独立储存的题型和步骤便开始消失。因为它们没有被组织成一个抽象结构，忘掉以后也很难重新推导出来。
于是就会出现一种很奇怪的现象：一个人曾经在某门数学课中得到高分，过一段时间却几乎无法说明自己究竟学过什么。他记得自己会做过许多题，却无法把那些题重新组织成知识。面对新的领域时，他也很难把旧知识迁移过去。
这仍然是学不好，只是考试成绩暂时把它遮住了。
考试测到了什么
现有考试当然可以测量很多东西，但一次考试很难准确区分题库覆盖和抽象能力。只要题目仍然落在训练分布之内，两种能力就可能产生相似的外部表现。
如果把刷题看成训练，那么大量标准题可以让学习者很好地适应这个训练范围。他对范围内的问题反应很快，但这种速度不等于他能够处理范围之外的问题。考试成绩说明他在这套题目分布中的表现，却不能单独回答几个更重要的问题：更换表述以后他是否仍能识别结构？忘记公式以后能否重新推导？面对从未见过的问题时，能否从定义开始组织推理？
这些能力不容易通过高度标准化的试卷测出来。结果就是，一些真正存在困难的人被低分提前暴露，另一些人则被高分暂时保护起来。前者知道自己不会，后者可能一直以为自己已经会了。
第一步是意识到层次不同
解决这个问题的第一步，是知道具象层、题型层和抽象层不是同一件事。
学习者每接触一个新概念，都可以问自己几个问题：
- 我现在理解的是一个例子，还是定义本身？
- 如果去掉这个比喻，我还能说明这个概念吗？
- 如果把符号全部更换，我还能认出相同的结构吗？
- 如果忘记公式，我能从定义重新推出来吗？
- 如果题目的背景完全改变，我知道哪些条件仍然有效吗？
- 我能否说明两个看似不同的问题为什么属于同一个数学结构？
这些问题的目的不是否定直觉，而是检查直觉有没有继续向抽象层发展。
一种更有意识的学习过程可以写成：
具体例子 → 初步直觉 → 形式定义 → 更换表示 → 提取不变量 → 从定义推导 → 迁移到陌生问题
学习函数时，可以从“机器”开始，但之后要回到映射关系和成立条件；学习导数时，可以从变化率开始，但之后要理解极限和局部线性关系；学习向量时，可以先画箭头，但之后必须能够脱离箭头讨论运算和结构。
做完一道题以后，也不应当只核对答案。可以改变题目的一个条件，看看原来的解法在哪一步失效；可以尝试不用记忆中的公式，而从定义重新得到它；也可以比较几道表面不同的题，找出其中保持不变的部分。练习只有在这个过程中才会从题库积累转变为抽象训练。
第二步是直接用英语学习
对于中国背景的学生，第二个有效方向很具体：直接用英语学习数学。
没有必要把这个选择开放成任意一种外语。大多数中国背景的学生实际能够使用的第二学习语言就是英语，英语在当代学术界也占据事实上的主导地位。无论从学习材料、术语体系还是继续进入专业研究的角度看，英语都是最现实的选择。
中文母语中的词早已进入庞大的语义网络。一个词不仅有字典意义，还会自动连接日常经验、具体形象、情绪和过去使用过它的场景。学习者看到一个用中文命名的数学概念时，很容易从词语本身获得某种理解。这种理解可能提供帮助，也可能让他过早地把数学概念拉回熟悉的具象层。
英语专业词汇对中文母语者通常没有这么密集的日常联系。即使一个人的英语已经很好，许多数学术语对他来说仍然更像相对独立的新标签。这些标签没有被大量生活经验包围，反而可以成为比较中性的概念容器。
英文字母、数学术语和形式定义共同构成一套新的表示系统。学习者对术语的第一反应不再是汉字字义或中文词语中的既有关系，而需要直接建立英文术语与数学定义之间的联系。
比较理想的路径是：
英文术语 ↔ 形式定义 ↔ 数学符号 ↔ 对象之间的关系
而不是：
英文术语 → 中文译词 → 中文字义 → 日常形象
如果每遇到一个英文术语，都立即把它翻译回最熟悉的中文词义，那么这种语义距离很快就会消失。用英语学习的价值不在于多记一套词汇，而在于暂时不让旧的语义网络接管新概念。
这时，学习者可以直接用英文阅读定义，用数学符号记录关系，再用自己的话解释条件。等概念的抽象结构稳定以后，再回到中文表达。这样做时，中文只是另一种表示，而不再是概念本身的来源。
怎样判断抽象层是否已经建立
抽象层不是一种玄学体验，也不是觉得自己“想明白了”。它可以通过一些具体变化被观察到。
概念建立以前，学习者依赖题目的表面特征。概念建立以后，他更容易识别不同题目中的共同结构。以前忘记公式就只能停下来，后来可以从定义和已知关系重新推导。以前需要依靠某个固定比喻，后来能够直接在方程、矩阵和几何图形等形式表示之间转换，并且知道自然语言只是对这些结构的外部说明。
还有一个很直接的检验：把熟悉的术语换掉，把例子换掉，把题目背景换掉。如果学习者仍然能够保留定义、关系和推理，那么概念已经开始脱离具象载体。如果一换表达方式，原来的理解就消失，那么他掌握的很可能仍是某个形象或题型。
所以，真正有效的学习不是完全排除具象理解，也不是停止做题。它要求学习者知道自己现在处于哪一层，并且有意识地完成层次转换。具象层从日常数量关系出发处理具体问题，题型层提供操作经验，抽象层则把这些分散经验组织成可以推导和迁移的结构。
很多人学不好数学，并不是因为他们从来没有理解过任何东西。他们理解了例子，理解了比喻，也记住了许多题目的做法。问题是，学习过程在这里停止了。
如果一个人能够意识到这种停止，并主动训练自己从例子走向定义，从步骤走向关系，从熟悉的母语语义中暂时退出来，那么数学学习才可能不再只是对既有题库的覆盖，而开始形成真正能够保留、推导和迁移的抽象能力。
