คลังบทความ · หน้า 4 จาก 9
ตัวเลขที่ทำให้คนทำ L&D นอนไม่หลับ: ความรู้จากห้องอบรมเดินทางไปถึงหน้างานน้อยกว่าที่คิดมาก
งานสังเคราะห์วิจัยชี้ว่าอัตราการนำสิ่งที่เรียนไปใช้จริงในงานอยู่ในระดับต่ำ และความพึงพอใจต่อการอบรมไม่สัมพันธ์กับการนำไปใช้ ตัวแปรที่หายไปจึงไม่ใช่คุณภาพวิทยากร แต่คือการออกแบบสิ่งที่เกิดขึ้นหลังปิดห้อง
ข้อมูลเยอะขึ้น ไม่ได้แปลว่าตัดสินใจดีขึ้น: ทักษะแยก “สัญญาณ” ออกจาก “เสียงรบกวน”
การมีข้อมูลมากขึ้นช่วยการตัดสินใจได้ถึงจุดหนึ่งเท่านั้น หลังจากนั้นข้อมูลส่วนเกินกลายเป็นเสียงรบกวนที่ทำให้ช้าลงและมั่นใจน้อยลง ทักษะที่ขาดไม่ได้จึงไม่ใช่การหาข้อมูลเพิ่ม แต่คือการรู้ว่าข้อมูลชิ้นไหนมีสิทธิ์เปลี่ยนคำตอบ
Hindsight Bias: ประโยค “ก็ว่าแล้ว” ที่ทำให้ทีมเลิกเรียนรู้จากความผิดพลาด
เมื่อรู้ผลลัพธ์แล้ว สมองจะปรับความทรงจำให้รู้สึกว่าเรื่องนี้คาดเดาได้ตั้งแต่แรก ความรู้สึกว่า “รู้อยู่แล้ว” นี่เองที่ทำให้การถอดบทเรียนกลายเป็นพิธีกรรม เพราะไม่มีใครสงสัยอีกต่อไปว่าทำไมมันถึงเกิดขึ้น
เมื่อคำถามแรกหลังงานพัง คือ “ใครทำ” ทีมจะเรียนรู้ได้น้อยกว่าที่ควร
วัฒนธรรมโทษกันไม่ได้ทำให้คนระวังขึ้น แต่ทำให้คนพูดปัญหาช้าลงจนแก้ไม่ทัน ความรับผิดชอบกับความปลอดภัยทางใจไม่ใช่ของที่ต้องเลือกอย่างใดอย่างหนึ่ง และตัวแปรที่ตัดสินคือลำดับของคำถาม
Analogical Thinking: ทำไมคนคิดเก่งถึงหยิบวิธีแก้จาก “คนละวงการ” มาใช้ได้
การคิดเชิงเปรียบเทียบไม่ใช่การเล่นคำ แต่คือการมองทะลุ “เปลือก” ของสถานการณ์ไปเห็น “โครงสร้างความสัมพันธ์” ที่ซ้ำกัน งานวิจัยชี้ว่าคนจะถ่ายโอนวิธีคิดข้ามเรื่องได้ก็ต่อเมื่อจับโครงสร้างได้ ไม่ใช่แค่เห็นว่าหน้าตาคล้ายกัน
ครั้งล่าสุดที่ AI เห็นด้วยกับคุณ มันเห็นด้วยเพราะคุณคิดถูก หรือเพราะมันถูกฝึกมาให้เห็นด้วย?
งานวิจัยพบว่าโมเดล AI มีแนวโน้มเออออกับผู้ใช้มากกว่าที่มนุษย์ทำในสถานการณ์เดียวกันอย่างมีนัยสำคัญ ถ้าเราใช้มันเป็นกระจกสะท้อนความคิดตัวเอง เราอาจได้ความมั่นใจเพิ่มโดยไม่ได้ความคิดที่ดีขึ้น
“อัปเดตงานหน่อย” ประโยคที่เปลี่ยนการคุยตัวต่อตัวให้กลายเป็นรายงานสถานะที่ไม่มีใครได้อะไร
การคุยตัวต่อตัวที่หมดไปกับการไล่สถานะงาน ทำให้หัวหน้าเห็นแค่ผลลัพธ์ แต่ไม่เคยเห็นวิธีคิดของลูกทีม บทความนี้ชวนดูว่าควรใช้เวลานั้นถามอะไรแทน
เป้าหมายสองแบบที่ทำให้คนเก่งเท่ากันโตไม่เท่ากัน: “ทำให้ดูว่าเก่ง” กับ “ทำเพื่อให้เก่งขึ้น”
งานวิจัยเรื่องเป้าหมายพบว่าสิ่งที่ทำนายว่าใครจะสู้ต่อเมื่อเจอความยาก ไม่ใช่ระดับความสามารถ แต่คือเป้าหมายที่คนคนนั้นถืออยู่ในใจตอนเริ่มงาน
Hypothesis-driven Thinking: ทำไมการ “เดาคำตอบไว้ก่อน” ถึงทำให้หาข้อมูลได้ตรงกว่าการเก็บให้ครบ
การรวบรวมข้อมูลให้ครบก่อนค่อยสรุป ฟังดูรอบคอบ แต่บ่อยครั้งมันคือวิธีที่ทำให้เราใช้เวลาไปกับข้อมูลที่ไม่ได้ตอบอะไรเลย บทความนี้ชวนดูวิธีคิดแบบตั้งสมมติฐานก่อน ที่ทำให้การหาข้อมูลมีทิศทาง
Halo Effect: ทำไมคนที่เก่งเรื่องหนึ่ง ถึงถูกมองว่าเก่งไปหมดทุกเรื่องโดยที่ไม่มีใครตรวจสอบ
ความประทับใจจุดเดียวสามารถลามไปย้อมการประเมินทุกด้านของคนคนหนึ่งได้โดยที่เราไม่รู้ตัว บทความนี้ชวนดูว่ากับดักนี้ทำงานอย่างไร และวิธีคิดแบบไหนที่พอจะกันมันได้
การ “วิจารณ์งาน” กับการ “ติงาน” ไม่ใช่ทักษะเดียวกัน และความต่างอยู่ที่คำว่าเกณฑ์
คนที่พูดว่างานนี้ยังไม่ดี กับคนที่บอกได้ว่ามันไม่ดีเทียบกับอะไร ใช้ความคิดคนละระดับกัน บทความนี้ชวนดูว่าการประเมินที่มีคุณภาพต่างจากการติอย่างไร
ปัญหาของงานที่ AI ทำออกมาไม่ได้เรื่อง มักไม่ใช่ว่ามันไม่ฉลาดพอ แต่คือเราให้ “บริบท” มันน้อยเกินไป
เวลางานจาก AI ออกมาไม่ตรงใจ เรามักโทษว่าพรอมป์ยังไม่ดี ทั้งที่สิ่งที่ขาดจริง ๆ คือบริบทที่อยู่ในหัวเราแต่ไม่เคยถูกพูดออกมา และการเรียบเรียงบริบทได้คือทักษะการคิด