使用两年，酝酿许久，今天博主终于有信心对 WorkFlowy 笔记工具给出一个入门级的上手操作讲解了。
首先，WorkFlowy 的基本功能与印象笔记（Evernote）等大众化笔记工具软件类似，都是跨平台、跨设备的，支持联网同步的数字化笔记工具。与印象笔记不同的是，WorkFlowy 的交互界面已经极度精简，没有明显的标题输入框，没有明显的内容编辑框，完全没有富文本编辑工具栏，没有提交/编辑/删除等按钮，也没有明显的条目分组管理界面，精简得只剩下 “多功能搜索框” + “笔记条目大纲视图” + “各条目的标题（隐含多种交互功能）” + “各条目标题下方的一片可编辑区域”……
经过这种精简过后，实际产生的编辑效果是难以想象地流畅！
阅读全文…在不同的企业中与不同的人一起工作，有时候能感受到两种明显不同的观念和行为倾向。
关于这种两种倾向，我记得有一本名为《异类 (英文书名: Outlier)》的书曾经做过精彩的解读，其中有个小故事提到某航空公司内曾因为观念和行为倾向阻碍了紧急迫降时机组成员之间的沟通，酿成飞机失事的惨剧。为解释这种倾向，书中使用了一对有趣的概念——低上下文 (Low-Context) 的文化与高上下文 (High-Context) 的文化。
借助谷歌搜索不难找到介绍这一对概念的网站，其中 有国外网站 还用表格的形式给出了介绍： 
现在我把这个表格翻译为中文，以便分享给中文读者。
阅读全文…背景介绍
2009 年 12 月 7 日，举世瞩目的联合国气候变化峰会在丹麦首都哥本哈根召开，来自 192 个国家和地区的代表参加这次大会。由于 2010 年《京都议定书》第一承诺期行将到期，国际社会希望在本次大会上对下一步温室气体减排达成新的方案，就 2012 到 2020 年全球应对气候变化问题达成一项新协议。然而在历时近 2 周的会议中，参会人数已经远远超过了官方注册的一万五千人，会场内外硝烟四起，一片喧嚣，直到接近尾声的时候仍然没能达成共识。
访谈录像：柴静采访丁仲礼 (B 站视频)
访谈过程文字记录：柴静采访丁仲礼 (豆瓣网友笔记)
重要讨论内容摘录
人们需要更具包容性的文明
丁仲礼：人类应对各种挑战的时候，人们有一种更有包容性的，更有弹性的一种文明的产生，或者是我们现有文明的很好的发展。
- 柴静：假如像您所说的，现在这个方案，发达国家又不接受的话，如果它就这么拖下来，这几年下去，会不会情况变得更糟了？
- 丁仲礼：我很乐观。我是地质学家，我研究几亿年以来的环境气候演化，这我很乐观，这不是人类拯救地球的问题，是人类拯救自己的问题，跟拯救地球是没有关系的，地球用不着你拯救，地球比现在再高十几度的时候有的是，地球二氧化碳的浓度比现在高 10 倍的时候有的是，地球不是这么演化过来？都好好的。
- 柴静：毁灭的只是物种？
- 丁仲礼：毁灭的只是物种，毁灭的是人类自己。所以是人类如何拯救人类，不是人类如何拯救地球。
- 柴静：到底能不能拯救自己，最核心的东西，最终取决于什么？
- 丁仲礼：取决于文化、文明。人类应对各种挑战的时候，人们有一种更有包容性的，更有弹性的一种文明的产生，或者是我们现有文明的很好的发展。
作者简介: Ent (古生物学博士生，科学松鼠会成员)
昨天，一篇来自浙江大学、浙江工商大学和中科院理论物理研究所的论文公布在了预印本网站上。根据媒体的宣传，研究者 “找到了石头·剪刀·布的制胜策略”。
自然而然地，很多网友的反应是：“这还需要你研究？”
网友评论截图 - 图片来源：凤凰网
阅读全文…
点击此图片，查看 ALEKS 官方介绍视频（纯英文无字幕）
ALEKS（Assessment and LEarning in Knowledge Spaces: 基于知识空间的学习评测系统） 是一个 Web 上的应用人工智能技术的学习评测系统。其人工智能技术基于 知识空间理论（Knowledge Space Theory，简称 KST） 这一研究领域。
KST 使得海量的知识状态（在计算机的内存中）的表达成为可能，把这些知识状态组织起来，就可以对应到一个学术领域的知识总和。
与那些通过给出单个或一系列分数来反应学生对知识的掌握程度的方式不同，KST 能够对学生给出更准确的评估，包括学生知道什么，不知道什么，以及具备了学什么的条件。
根据 KST 理论，类似于算术或者代数一这样的科目，都可以被解析为一些类型问题的集合，每个类型问题都覆盖了一些具体的概念（或者技能、事实、问题求解的方法等等)。
这样一来，一个学生的学业能力就可以被描述为他有能力求解的那一部分类型问题的集合。这个集合就是学生的知识状态。所谓知识空间是指在一个特定人群中可被观察到的所有可行知识状态集合的汇总。一个学科一般会有 250~350 个类型问题以及数百万个知识状态。
ALEKS 系统的核心是它的评估引擎，这个引擎试图通过对学生进行高效提问的方式，揭示出某位特定学生的知识状态。在 KST 评估过程之初，每个知识状态都被赋予相同的初始概率值。
接下来，学生会选择一个问题（相当于选择了一种类型问题），系统能够根据学生的答案更新这些概率值: 如果学生回答正确，那么包含了这种类型问题的那个知识状态对应的概率值就会增大；而如果学生回答错误，那么对应的概率值就会减小。
更进一步，系统将（根据某个特定的衡量指标）以尽可能增加信息量的方式选取下一个问题，这个过程将会一直持续下去，直到某个知识状态的概率值远远大于其它知识状态的概率值为止。此后，这个概率值优势明显的知识状态将被分配给参加评估的学生.
为了完成这样的过程一般需要 25 到 35 轮提问。此系统之所以能够达到这样的效率，主要得益于系统内部已经借助知识空间完成的大量知识推理工作。
完成了这个步骤以后，ALEKS 将会以饼图和相关报告的形式提供被评估学生的知识/能力水平概要。学生通过前面的评估过程已经证实了自己知道什么，不知道什么，已经准备好学习什么，这些信息都包含在他的知识/能力水平概要中。
有了这种概要信息，学习者就可以在各种类型问题中选取那些他已经有条件学习的类型问题。而一旦系统确定他已经掌握了某个类型问题，这个类型问题就会被增加到他当前的知识状态中，而他又可以选择一些新的有条件学习的类型问题。
后续的评估过程将会更新他的知识状态。
参考¹ ALEKS 系统的官方介绍资料
参考² ALEKS 背后的科研成果
京公网安备 11010502051247 号