引導式諮詢常見兩大問題
引導式諮詢最常遇到的兩大問題：講太淺與講太深。
講太深：聆聽者完全沒這領域的知識，也來不及吸收，你就自顧自地講下去了。例如你跑去問為什麼想選工程師，他卻一路跟你講到他怎麼優化製程瓶頸。
講太淺：聆聽者能馬上猜到你要講啥，以至於整個體驗像是在陪你演問答戲，前面 3 Round 可能會被理解為建立互動，但後面會開始感受自己在浪費時間。例如一個行銷專業畢業，帶實務問題來問你，然後你解釋他大一就聽過的行銷4P。
不夠系統化？這是迷思
但太深跟太淺可以透過知識系統化來解決嗎？通常不太行。知識系統化是一切教學的基礎，但是要交付到學習者面前時，還需要轉譯成學習者可以理解的深淺度。就樣你懂技術(知識系統化)跟做出好產品(滿足消費者)是兩件事情。
何謂好的引導式學習？以「最大化理解效益」公式理解
如果把學習的旅程看作是在跑 Scrum，那每一次的來回對答就是一個 Sprint。用更通俗的方法來講，每一個發言跟收到回饋的 Round 都是一個 Project，而一個 Project 的效益計算來自於成果除以成本。
若把以這個公式代入：
理解效益 =
[每次資訊量 X 資訊的刺激性 ] 除以
[ 同時給意見人數 X 花多久理解 X 背景差異度 ]
理解公式單元定義
每次的資訊量 = 等於是你傳遞了多少資訊給對方，例如你「講完整個經濟學概論」的資訊量，大於你「只講完看不見的手」
(註：這不是對方吸收多少，對方吸收多少應該是綜合計算下的效益。這裡單純是引導者給出的資訊)
回饋的刺激性 = 這裡指的是用資訊對於聆聽者的衝擊程度，例如你聽到做外送每個月賺到9萬元(獨特、反常、少見)，通常刺激會比你聽到超商打工每個月賺到3萬(常見、合理、平凡)還要來的多，刺激的訊息會刺激你的專注力。
同時給意見的人數 = 如果學習者同時收到來自各方七嘴八舌的意見，或是某一個人把上一個人的話換個方式再講一次。這絕對會增加資訊理解的困難，所以做好的狀況是單一個人再單一場域來給建議。廣納各方意見？要有順序才能學得順利。
花多久理解 = 收到資訊後總要消化，如果是學技術的話則還要實作操作，這樣才能把知識轉換進入腦子裡。
背景差異度 = 每個人都會有過去的背景認知，例如貧窮總會限制我的想像，每次聽到超級有錢人在談賺錢方法時，總會覺得自己缺乏太多背景知識，因而聽起來過度奇幻(聽不懂但會笑)
每次資訊量 X 回饋的刺激性 = 效益，這是學習的動力。
同時給意見人數 X 花多久理解 X 背景差異度 = 成本，這是學習的阻力。動力/阻力 = 學習效益
如何應用公式，解決引導式學習的常見問題
如果被說時間太少節奏太緊湊因此無法理解資訊。那乍看只要把時間延長即可，但時間太多往往都會進入放空跟無聊階段。時間是最難拿捏的，因為這幾乎是取決於所有外部因素。所以正確做法應該是時間儘量短，並隨之調整每次的資訊量、回饋的刺激性。或是減少介入引導的人數、以及比喻上需要更貼近學習者的背景。若時間真的很多，那其實應該提升 Round的次數而非是單一Round的時間長度。
如果某個台上的傢伙背後其實沒資訊能分享，或是不想講太多 Know How，但又要讓觀眾感覺好像聽了很多乾貨怎麼辦？答案是提升刺激性，例如抨擊一些主流認知的方式、讓學習時間變很短到來不及被充分思考都是常用的手段，但當然得這是黑魔法，你各位應該要把這招用在吸引人聽該聽的硬知識，而非吸引人去加入你的邪教。
若自己是學習者，發現說目前這一 Round 學的東西太困難，以至於這一 Round卡住無法前進時該怎麼辦呢？這時第一件事情一定是向教學者開口說：這個太難了，我需要更多細節跟步驟(把週期拆小)，而非是尋求解答(結束週期)。透過拆小步驟，來讓原本的任務(例如：準備一座木牆所需的材料)，變成更小的單位(例如：準備結構用的角料、面板用的合成板、以及故地用的釘子)。
引導式學習是一個複雜的技術，不再是單純的一問一答，而這樣的技術為的是解決什麼樣的問題而生的呢？
引導式學習適合用在什麼領域
引導式學習重視的是來回的互動性。
比起線上預錄課程，引導式學習更能指握學生的學習狀況並修正內容。
比起正式的大學系統性教育，更能在短時間內達成具體目標。
比起單純的參照使用說明書或請人來解決，這更能引發刺激與成長。
如果你有近乎無限多時間可學習：那你可以選擇探索式學習，目標比較遠大，沒有固定路程，難以衡量階段性成效，多半是投入做研究。例如學習經濟學。
如果你希望用最短時間內解決手上問題：那你可以採用目標導向式學習，給定目標並自己組織學習方式，成效可以很明確的定義也看的見。但由於把目標放最前面，所以在學習的過程中縱然挖到很有啟發的東西或更深的知識，也偶爾都會被擺在旁邊。導致初期通常會學不深，例如學習換水龍頭。
所以引導式學習就是介於兩者之間，保有成效的明確化、卻又不失去探索的可能性，從回饋中疊加出下一步該學習的東西。例如學習模式導入、軟體開發、設計思考、漏斗式行銷等。不是說這些領域不用深究，而是直接應用的門檻是相對較低的，換句話說就是入行容易精深難。
對學習者來說，引導式學習背後的來回反饋代表著知識可以快速迭代，就像是做MVP一樣，先做一點調整一點，而非一次全都學完。
作為學習者，如何判斷引導體驗對自己是否有效
作為學習者，通常不會面對到這麼複雜的成本效益論，畢竟那是引導者的工作與技術。對學習者來說，不外乎是四種情景，分別是由老問題、新問題、老解釋、新解釋等四種不同的元素構成的矩陣，而這些矩陣中能夠打到高度的則是：
老問題新解釋：通常最有感，因為老問題代表著你有一定的投入，只是卡住了。這時對你而言最有效的就是提升動力，也就是觀察是否有足夠資訊量(新知識)，可理解為「這問題我研究很久，第一次聽到這個解法」
老問題老解釋：通常最無感，因為已經研究過的題目卻拿到了一樣的解釋，通常你可能會忽略。但懂得學習的老手這時會開始思考「是不是我一開始就沒看懂這個解釋」，而這時最重要的就是回饋的刺激性(與過去認知不同)，這可理解為「雖然我聽過這個解法，但這次聽到時突然有新的想法」。
新問題老解釋：可理解為「這個問題我沒發現欸，但原來之前的解釋中就有點出這點」。大部分狀況下是沒有認真研究原本解釋時，導致沒被意識到的問題再度發生。這個狀況下通常會打擊到一定的成就感，因為這超出原本的計畫，讓人感覺破洞又變大了點，所以該注重的是「接收到老解釋後花多少時間來解決新問題」，來趕快走回原本的學習進度。
新問題新解釋：可理解為「以前沒想過有這個問題，原來需要這樣解決」這個問題最該重視的是背景關聯度。因為問題之所以新，很大一部分是來自於過去從未有病識感。所以這個新問題的背景關聯性就很重要了。如果這個問題被解釋出來，但跟你的背景相差太遠，那其實你不太會有動力去解決它，很常是「錯的時間遇到對的問題」
例如在 JoberFly智能職涯顧問平台上，當你想要諮詢履歷問題時，第一 Round你得到的建議多半都會是「老問題新解釋」，就像「我知道履歷要具體，但怎樣才算是寫的具體」或是「我知道履歷要客製化，但怎樣才算是客製化」。因為每一個建議都經過淬煉，也要確保每個背景的人都能有所刺激，所以 JoberFly的諮詢特別長且有結構，目的即是提供更多的知識資訊量。雖然短時間可能難以消化，但AI永遠在線上。你不用像真人的一樣急著回饋，所以你可以自主延長一些反應時間，直到你準備好再送出下一次。這是用來解決的方案。
如果想了解 JoberFly ，這裡傳送門，現在註冊就送10次AI履歷健檢→https://flyingbuyer.com/eKsqg
然而隨著你的持續習慣後，這些解釋會慢慢的成為老解釋，但若一個老問題一直看到老解釋，則可以回頭檢視「我是否一直沒有解決問題」。
第一Round的東西看不懂，可以反覆閱讀，大幅調整後再度送出，但後面幾個Round的引導學習時，則要縮短提交周期，只調整一點點就可送出，趕快知道回饋然後小範圍，快速地抓出要調整的項目。
在所有新問題變老問題前被解決，
在所有老解釋解讀出新解釋。
引導式學習的額外效益
引導式學習不只用在履歷，幾乎是可以用在所有可在3~6個月內學會並投入職業應用的技能，而選擇引導式學習長期而言不只是個方法，更是一種學習精神。
以往的大系統學習下，可能會花 4 ~ 6 年後發現學完後發現無法落地應用，這時心灰意冷挫折太大，進而離開這個領域的可能很大。若是一直使用目標導向學習，則長期而言會缺乏系統性知識累積，因為沒有足夠的反饋跟啟發的火花，而邁入「很會解決既有問題，但有明確天花板」
前者是壓力太大到崩潰，後者是壓力太小到沒有壓力。學習的習慣就像健身一樣，太大力舉不起來，太小的沒訓練效果。我們無法確保學習路上不會遇到挫折，甚至不知道挫折會多大。所以一昧地避開挫折或是堅強是沒用的，更有效率的學習應該是「能從挫折中快速復原」而避開或是硬幹挫折。
而這，就能養成你在學習上的「心理韌性」。
