重塑你的信息输入结构（二）

3. 将信息输入模型重新设计及常规化

现在开始梳理你的时间是如何大量流逝的，并对其进行评估与重新设计。

第一，整理你日常的信息获取平台，及在各个平台上花费的时间。

第二，思考这些行为背后你的动机是什么。比如是情绪动机类？如消磨时间、怕错过新鲜事、释放压力、寻找猎奇信息、寻找乐趣等。或者是使用动机类？比如关注一些意见领袖是认为会为自己带来有价值的信息与观点，关注市场上的消息和评论以跟踪所投公司的动态等。

第三，将你上述大类所花费的时间进行评估与再设计，严格控制情绪价值类信息比例。这一点实际是因为目前的大部分平台的商业模式为被动push，而大量占据用户的注意力和认知是此类商业模式的本质。从统计的角度，大部分用户情绪价值类信息摄入过量，且容易被生产者/平台的机制操控认知弱点，造成大量的时间、注意力、认知、金钱、决策被严重影响。因此，跳出来思考，对自己的信息摄入进行再次设计及规避上述影响非常关键。现在立刻评估你的情绪价值类信息摄入的时间占比，你也许会发现高得惊人。但是反过来想其给你带来的真正情绪价值（如释放压力）呢？研究表明，不同的压力来源需要不同的释放方式。当你在刷新奇有趣的短视频时，时间大量流逝，你的注意力被占据过多，反而更累了。哦，对了，也许你最后还乱花了钱，因为这实则是一个广告或刻意赚取流量的内容。不然创作者为什么要费尽心思让你观看他的有趣视频呢？

第四，重新整理、分类你关注的用户。用户的订阅机制会使该用户内容常驻在你的日常信息流中。因此，请谨慎对待关注/订阅这一类操作。要学会珍惜自己的注意力，不要将宝贵的注意力和时间进行廉价变卖（比如越来越多的商业模式对流量的追捧，使得关注现在变成十分廉价的行为）。

而后，一旦对我们的信息输入模型做了结构化的设计后，如何将其常规化、操作日常化是经常被忽视但却十分重要的问题。由于我们每日都离不开信息的摄取和处理，如果只停留在我们应该怎么做，而忽视了结果—即怎样有策略地设计行为流程，才能更好的帮助我们将其常规、持续化，使得最终产生长久助益，会造成只是心血来潮，而收效甚微的结局。

因此，思考如何将我们的信息输入模型常规化，需要关注行为的成本、收效。从人的行为设计角度思考这个问题会带来超乎预期的帮助。有几个方面可以帮助你思考这个问题：

-将关注用户进行大量精简及分类。明确你在这个关注用户的身上获得怎样的价值，以及怎样的关注程度是合适的。总之，对待你的信息流像你的项目指标一样。

-将日常信息获取平台进行精简及分类。谨慎筛选你的平台，并明确你在该平台上获得的信息类型。需要严肃对待这一点是因为大量的信息重复和被搬运化导致我们的注意力被不同平台大量滥用了。认真对待这一点。比如，你的专业类信息的发布者都在A平台上活跃，指望在C平台上的推荐流上每天浪费时间是不明智的。

–用自动化工具将碎片化的信息进行集中，灵活调整捕获策略，提高效率和质量。例如我包括我有许多朋友，都会自己build一些自动化工具来帮助进行信息的筛选和整理。这样做的好处非常大，在节省了大量的时间的同时还可以随时调整策略和算法。以此帮助自己再大量的公开渠道的碎片化信息中获得信息优势。比如像在WEB3.0这种信息迭代非常快速，来源十分碎片化，质量参差不齐的新兴领域，就有许多自动化的信息筛选整合工具。具备一定开发能力的小伙伴甚至可以实现一定程度的自行迭代，十分灵活。

（有关build自动化的信息过滤工具其实有非常多的东西可以分享，因为这关乎如何构建一个有价值的信息捕获网络的问题。比如网络首先由相关的信息节点构成，如何利用一些技巧找到有价值的信息节点，怎样判断一个节点的信息质量大于另一个节点等）

（关于此类工具，其实可以作为一个策略产品进行设计。我也进行过一些考虑。产品的主要价值在于帮助人们提高信息筛选的质量和效率。也许后期放到project pool中进一步规划）

4. 捕获随机性

将8-9成的占比日常化后，一个更高级的模型需要主动设计一定比例的随机性。关于这一点，是我个人在许多认知模型中都会用到的原则。主动加入随机性是十分必要的，就像一个迭代的推荐系统需要加入变量去推责和拓展用户的喜好边界，随机性是许多模拟得以生长和进化的必要条件。在我的世界观中，有意识去添加随机性也是我对不确定性的复杂系统的尊重。毕竟，我们能确定的、规划的东西相比集合之外的混沌来说，永远都是微不足道的。所以，在你的信息捕获模型中一定要设计一定的冗余留给未知，也许就回过头来看，这些偶然的位置是推动许多事情进展的关键。

5. 建立独有的非公开信息获取渠道