85%的最优学习率，这一数字，最初来自于机器学习中，指出当信号中噪音和模式的相对比例是15.87%时，使用梯度下降的算法的学习率最高。
从最优学习率的引出，导出心流状态，即任务的难度处在无聊和焦虑之间时，学习能够有更高的准确性和最快的学习率。
例如，在英语课程的随堂测试中，那些答对85%的学生，其学习效率最高，发挥出了个人最大的潜能，也最容易产生心流状态。
而笔者从最优学习率想到的，是在和亲人及好友相处时，同样存在一个最优批评率。如果两个人的交谈中，只有夸赞，那这其实不算什么好朋友，但虽说忠言逆耳利于行，但若总是批评的话，听者多半也会觉得不舒服。对于亲密关系，在夸赞和批评之间，是否也存在一个最优的比例了？这个比例，在夫妻，朋友和亲子这三类人际关系中，是否有差距了？我的猜想是存在这样的比例，且对任何人际关系都适用的。
从这个问题引申出来，可以看团队协作解决创新性问题时，领导和员工之间的交流，是否也存在着表扬和批评的最优比例，只有处于这一比例时，团队的效率才最高，团队成员的工作满意度也最高。
之所以会从最优学习率，联想到最优批评率，是由于相比正面的夸赞，负面的批评对个人来说，因为措手不及，通常会被视为新信息，而夸赞的点，大多自己以为自己是了解的。如果新信息过多，那么就有可能导致信息过载和逆火效应，即使对方说的有道理，也会因为内心的抵触而无法听进去。
对于这一假说，可以通过如下的实验验证。在社交网络中收集处于（恋人，亲子，友人）三种关系的人的聊天记录，通过自然语言处理，对其中夸赞和批判的句子所占的比例进行统计，并通过每周的问卷，让受试者给出这周的互动中，夸赞和批评的交流所占的比例（批评包含指出对方在相处中的问题和需要改进的地方）之后通过问卷，得到双方对这段关系的评分，恋人/友人关系是否维持，以及算法根据交流频次和语言风格给出的亲密度打分。有了上述指标，就可以进行关联分析，看看交往中批评的话语所占的比例，对一段关系的长期结果是否有影响。
而关于团队的群体智慧水平，是否和团队内部交流时的批评语言相关的问题。我认为更好的验证实验是在网上招募陌生人随机组成团队，来解决诸如数独，填字游戏，头脑风暴式的问题这样各种不同类型的任务，可以随机分配一名团队领导，也可以不设置团队领导，允许团队人员通过在线聊天室交流。通过使用自然语言处理，对交流中的语句是否是批判性的给出打分。
然后将团队在不同认知类型上的任务的得分，以及团队成员对团队协作的满意度问卷打分，与其团队交流中有多少批判性的语言进行关联，看在允许团队群聊，和只能通过团队领导进行单线交流这两种场景下，批评语句占交流的比例处于不同区间的团队，其任务和满意度得分的分布是否有显著不同。
结束需要严谨考虑的实验设计，说一些关于该话题感性的话。语言是误解之源，言多必失，即使你的话只是描述，但在对方眼里看起来就是批评甚至是针对个人的贬低。只有在一段关系中，培养起相互之间的信任，相互相信是为了对方好，才敢于说逆耳的忠言。但即便如此，若总是负面的评价，也会让对方不愿意敞开心扉。
所以不论是对亲人还是朋友，批评都不应该只是为了逞口舌之快，不经过大脑。你要想到你说的每一句负面的话语，即使是无心的也会让对方不开心，而这正是你要避免的。所以在你和对方说出你哪里里做的不对或者不够好（因此你需要做××来改进）的时候，唯一的应有的动机就是这样做能够帮助到对方，而且要以对方能够理解和认同的方式，就这一点取得共识。只有让你的批判是建设性的，才能够让这段关系走的更远。由于建设性的批评，并不会也不需要特别多；而剩下的时候，通过夸赞来增强关系中的信任，这可以为“为何会出现最优批评率？”这一问题，给出除了新旧信息对比之外的另一种解释。
更多阅读
转载请注明：http://www.0431gb208.com/sjszyzl/7757.html
