系统论重要模型_笔记
今天的主题是系统论重要模型,内容有:
- 系统的三个组件
- 系统的五种模型
- 杠杆解 和 储蓄池 两种工具
- 好系统的三大特征
系统的三个组件:要素、关系、作用
要素分为:
正信息 正能量 资产
负信息 负能量 负债
正信息让这个世界减少不确定性
负信息就是让世界变得更混乱的信息,欺骗、撒谎、谣言都是负信息。
关系分为:
正关系 是加强关系。
负关系 是减弱关系。
系统的五种模型:
(正负要素、正负关系的组合就形成了四种循环:良性循环、恶性循环、贤者时刻、回归平庸)
- 正要素+正关系 构成良性循环
- 负要素 + 正关系 构成恶性循环,一个把你拉回来的系统
- 负要素 之间的 负关系,叫贤者时刻,如过度娱乐 导致 负罪感 增强,积累到一定程度后就会反过来 制约 过度娱乐。自动纠错循环。
- 正要素 之间的负关系, 改变现状 和 过去的成就,这叫回归平庸的循环。
- 滞后效应
贤者时刻 和 回归平庸 在金融学都属于均值回归现象。
作用分为快作用、慢作用,慢作用即有滞后效应。
快作用如打游戏,所有游戏让人上瘾。而现实世界里的进取行为多是慢作用的。
良性循环怎么建立起来的?大的由小的良性循环而来,难的由容易的良性循环而来。
陷入恶性循环怎么办?
杠杆解就是找到原因,把原因推到最底层,杠杆解能让你重构整个系统。如做事低效是因为缺乏睡眠和运动导致的,建立仪式指提前处于黑暗环境,什么都不做,能让我们尽早睡眠,准备好几个运动方案且只要求自己短时间运动,能让我们去运动。建立仪式能减少我们大脑的意识消耗,把意志力节省下来用在更需要它的地方。建立仪式就是杠杆解。
均值回归场景,如整个宿舍打游戏,而你想成为一个努力上进的人。这时候,突破现状 和 已经形成的良好同学关系 之间,会形成相互的制衡,这是一对负关系。你就要知道自己想要什么,不可能兼得。如 人际和谐、回报公平、越变越强,三者只能选择两样,没有对错,只有选择。
如何看待滞后效应?
滞后效应,如正弦波模型,当你跌入谷底的时候,你能不能坚持下来,就看你的 储蓄池了。 储蓄池能将你的整体波动曲线拉高一截,让你不受伤害,于是你可以更客观。所以,一个人能长期坚持做某件事,他是靠什么扛过那段漫长的滞后效应的,靠的不是决心、毅力或者打鸡血,靠的是在 精神、情感和金钱上未雨绸缪的储蓄池。
好系统的三大特征,适应力、自组织、层次性。
- 适应力,鲁棒性,即系统危险情况下生存的能力。如何建立,主动不断让自己受小伤,留出时间让伤口恢复,循环往复。如选择运动、阅读内容的选择。
- 自组织,一个系统不依靠外部指令运转而是按照某种内在规则自动自发地形成有序结构的一种现象。人体系统就是自组织的,能量+信息+物质输入,排出熵,这么一个耗散结构,我们要关注蓝色部分,做好了就会高质量的运转。
- 层次性,大系统有子系统组成,子系统又有孙系统,以此类推。我们应该把生活中的大事情拆分成很多小事情,封装,封装的越多,生活中可以用的行为模式就越多。建立仪式就是封装子系统的智慧。如运动仪式拆分成一个跑步的子系统、一个运动app的子系统。
系统论重要模型_笔记相关推荐
- 《所长林超跨学科通识课》模型 整理笔记导图
1.<给年轻人的跨学科通识课>笔记 0. 通识课图书推荐 思维导图式图书推荐 1. 截图形式整理 <所长林超跨学科思维>笔记(持续精进更新) 2. 导图+图片形式: 视频笔记_ ...
- 文本分类模型学习笔记
文本分类模型学习笔记 TextCNN 模型结构 HAN 模型结构 实验 数据集 预处理 模型内容 模型训练 模型测试 近年来,深度学习模型在计算机视觉和语音识别中取得了显著成果.在自然语言处理中,深度 ...
- 自然语言语义分析研究进展_笔记
自然语言语义分析研究进展_笔记 词语语义分析:确定词语意义,衡量两个词之间的语义相似度或相关度; 句子语义分析:研究包含句义分析和句义相似度分析两方面; 文本语义分析:识别文本的意义.主题.类别等语义 ...
- Heckman两阶段模型学习笔记
有近两周的时间都在学习Heckman两阶段模型.网上看了一些资料,在CSDN里找到了几篇珍贵的学习笔记,有一篇相当于带我入了门学习笔记 | Heckman两阶段法介绍_Claire_chen_jia的 ...
- Kaggle泰坦尼克之灾:逻辑回归模型实现笔记(一)
Kaggle泰坦尼克之灾:逻辑回归模型实现笔记(一) 1.引言 2.kaggle泰坦尼克之灾的介绍 3.笔记 用到的函数 第一步:了解数据 第二步:分析数据之间的关系 第三步:补全缺失值 第四步:特征 ...
- lr模型和dnn模型_建立ML或DNN模型的技巧
lr模型和dnn模型 机器学习 (Machine Learning) Everyone can fit data into any model machine learning or deep lea ...
- 生成模型和判别模型_生成模型和判别模型简介
生成模型和判别模型 Intro 介绍 Recently I gave a presentation at work, where I explained how I solved some probl ...
- ai模型_这就是AI的样子:用于回答问题的BiDAF模型
ai模型 We at Zetane are all about democratizing AI, but getting to the laudable goal of empowering mor ...
- ansys电力变压器模型_变压器模型……一切是如何开始的?
ansys电力变压器模型 Transformer models have revolutionised the field of Natural Language Processing but, ho ...
- 多元时间序列回归模型_多元时间序列分析和预测:将向量自回归(VAR)模型应用于实际的多元数据集...
多元时间序列回归模型 Multivariate Time Series Analysis 多元时间序列分析 A univariate time series data contains only on ...
最新文章
- 面对996,程序员如何利用“碎片时间”涨薪?
- ttcp 之测试网络性能
- freemark 时间比较
- How to write an operating system
- [New Portal]Windows Azure Cloud Service (33) 使用Visual Studio 2012 部署Cloud Service
- c语言安卓图形库cairo,cairo 图形库
- mysql binlog 恢复指定表_Mysql用全备恢复指定表mysqlbinlog抽取某个表的信息
- WPF中Mvvm实现类似List的ObservableCollection在WPF中
- bzoj_3529 数表
- 线性代数基本公式结论简要总结(2)
- windows7配置java环境变量
- UWP 中的各种文件路径(用户、缓存、漫游、安装……)
- Revel敏捷后台开发框架
- Python中struct.pack()和struct.unpack()用法详细说明
- android OKhttp 异常之: FATAL EXCEPTION: OkHttp Dispatcher
- 中国人民大学与加拿大女王大学金融硕士-作为金融人你深知,投资学习是一本万利的
- java 时间片_时间片-简介
- 基于引擎开发HTML5游戏实战(一)---游戏引擎
- 计算机等级一级考试上机试题,计算机等级考试一级上机试题
- 第九章 我国农村个体工商业