辨識出 其中 80 至 90% 的 數字組 。 這 個 關於 短期 及 長期 記憶 的 優勢性 ， 和 之前 已 提 過 的 能夠 知覺 有 意義 型態 的 優勢性 ， 二 者 之間 乃是 彼此 相關 的 。 由於 專家 們 能 知覺 那些 有 意義 的 型態 （ 如 ： 比賽 時間 、 或 典型 棋局 形態 、 或是 典型 的 電器 回路 ） ， 他們 可以 使用 這些 型態 來 將 小 單位 訊息 組織成 較 大 的 集組 ， 因此 整體 而言 ， 他們 也 能 提取 較多 的 訊息 。 □ 技能 執行 的 速度 Glaser 和 Chi （1988） 指出 ， 專家 在 兩 個 方面 比 生手 於 執行 技能 時 速度 上 較 快 ： 首先 ， 在 表現 本身 領域 中 的 「 基本 」 技能 時 ， 藉著 有 較多 小時 的 練習 ， 專家 的 表現 會 較 迅速 。 舉例 來 看 ， 老練 的 閱讀 者 不會 將 心 中 的 文字 給 「 唸出 聲音 來 」 ， 但是 那些 初 入門 的 閱讀 者 卻 常常 會 這麼 做 ， 而 正 因 如此 ， 老練 的 閱讀 者 便 可 較 快速 地 解讀 書面 文字 的 意義 。 這 種 表現 基本 技能 時 的 快速性 便 給 了 專家 們 一 項 明顯 的 便利 ， 也 就是 因為 這樣 的 快速性 讓 工作 記憶 中 的 資源 可以 釋放開來 ， 用以 思考 手 邊 的 問題 ， 而 不須 再 去 注意 那些 已經 自動化 的 較 低 層級 之 細節 等 。 在 另一方面 則 是 ， 專家 們 有時 經由 「 機會式 」 （ opportunistic ） 推理 歷程 而 可以 較 快速 地 解決 問題 。 機會式 推理 歷程 並 不 是 初始 計畫 或是 問題 表徵 的 一 部分 ， 而是 在 得到 較多 訊息 之後 產生 的 。 舉例 來 說 ， 發現 並 修理 電器 方面 故障 的 專家 並 沒有 事先 計畫 他們 在 解決 問題 時 所 將 採行 的 步驟 ， 而是 在 測試 各 種 不同 元素 時 ， 出現 與 目前 為止 所得 訊息相關 的 想法 ， 進而 很 快 地 產生 一 個 解決 辦法 （ Means et al .
 
, 1988 ） 。 另 一 個 關於 機會式 推理 歷程 的 例子 則 是 那些 專業 的 計程車 司機 ， 他們 總是 可以 在 駛向 目的地 時 辨識出 一 條 捷徑 來 （ Chase , 1983 ） 。 □ 發展 問題 表徵 所 花費 的 時間 在 解決 領域 中 較 固定 的 例行 問題 時 ， 專家 也許 會 比 生手 做 得 快 ， 然而 當 遇到 一 個 較 困難 的 問題 時 ， 專家 在 發展 問題 表徵 時 的 速度 卻 比 生手 要 來得 慢 。 對於 定義 不 明確 的 問題 而言 ， 這 個 較 慢 的 表現 可能 是 因為 專家 們 有 較多 的 知識 可以 拿來 用 在 問題 解決 上 ， 而且 他們 也 要 對 這些 知識 的 相關性 做 判斷 。 舉例 來 看 ， Voss 和 Post （1988） 給 一些 蘇維埃 （ Soviet ） 的 專家 與 生手 們 一 個 問題 ， 要 他們 解決 有關 發展 一 個 政策 來 增加 農業 單位 的 生產力 。 就 專家 而言 ， 他們 的 問題 解決 方案 中 ， 平均 有 四分之一 乃 與 發展 問題 表徵 有關 — — 比方說 ， 運用 他們 關於 蘇維埃 政治 方面 的 知識 ， 他們 會 在 解決 問題 的 辦法 中 加入 一些 限制 。 而 對 那些 生手 而言 ， 他們 所 發展出 的 解決 方案 則 只有 1% 是 與 發展 問題 表徵 有關 。 一般而言 ， 生手 們 經常 都 是 一下子 便 貿然 地 提出 問題 解決 辦法 。 即便 是 對 那些 定義 完善 （ well-defined ） 的 問題 而言 ， 專家 們 也 會 因為 本身 具備 建構 有 意義 的 表徵 所 需 的 技能 和 知識 ， 而 需要 花 較多 的 時間 來 發展 問題 表徵 。 大多數 的 數學科 教師 也 都 注意到 一 個 事實 ， 那 就 是 較 會 解 代數 問題 的 學生 們 會 在 解決 問題 前 先 建構 一 個 關於 該 問題 的 有 意義 之 表徵 ； 至於 那些 較 差 的 學生 則 會 在 未 思考 其 意義 之前 ， 便 直接 將 數字 套入 公式 內 計算 。 □ 問題 表徵 呈現 的 深度 當 遇到 一 個 新 的 問題 時 ， 專家 們 會 嘗試 去 發展 一 個 表徵 ， 於 中 揭示 有關 該 問題 的 基本 元素 。 反過來 看 ， 生手 們 則 常 會 被 該 問題 本身 具有 知覺 上 之 凸顯性 、 但 常 是 不 相關 的 看法 吸引 而 分散 其 注意力 。 在 研究 問題 表徵 呈現 的 深度 方面 ， 一 個 標準 的 方法 便是 讓 專家 與 生手 們 根據 自己 的 選擇 ， 將 一 組 問題 作 分類 ， 然後 決定 這些 問題 中 的 哪些 特質 是 他們 用以 分類 的 依據 。 這 類 實驗 的 例子 之 一 便是 研究 電腦 程式 編寫 的 專業 知能 （ Weiser & Schertz , 1983 ） 。 這些 研究 者 發現 電腦 程式 專家 們 會 根據 可 用來 解決 問題 的 演算法 （ algorithms ） 來 分類 程式 編寫 問題 ； 而 生手 們 則 是 根據 每 個 程式 可 做 什麼 來 分類 — — 比方說 衍生 一 個 表列 、 或是 依 字母 列表 等 。 專家 們 對 問題 的 組織 是 根據 解決 方法 的 原則 而 來 ， 因而 被 認為 較 具有 深度 。 □ 自我 監控 的 技能 專家 與 生手 之間 的 最後 一 項 不同點 便是 在 自我 監控 （ self-monitoring ） 方面 。 專家 們 比 生手 們 傾向 會 較 經常 地 去 檢查 自我 對 問題 的 解決 方法 ， 且 會 得到 較 好 的 效果 。 以 上面 討論 過 的 代數 問題 一 例 來 說 ， 具有 有 意義 表徵 的 學生 能夠 用 它 來 檢查 自己 的 答案 ， 並 藉以 決定 答案 是否 「 有 意義 」 （ makes sense ） 。 反過來 看 ， 只 是 「 用 數字套 公式 」 （ number plugging ） 的 學生 則 只 能 檢查 計算 方面 的 錯誤 ， 卻 無法 查出 答案 是否 具有 意義 。 三 、 本 節 摘要 總而言之 ， 領域 專家 （ domain experts ） 與 領域 生手 （ domain novices ） 在 很多 方面 皆 不 相同 。 專家 們 比較 能夠 知覺到 較 大 且 有 意義 的 型態 ， 並 可 應用 這些 知覺 有 效率 地 組織 記憶 。 專家 們 因為 已 有 較多 的 練習 ， 且 會 使用 機會式 推理 歷程 ， 他們 在 執行 問題 解決 程序 時 的 速度 也 較 快 。 在 發展 新 問題 表徵 時 ， 專家 們 的 處理 速度 則 較 慢 ， 然而 一旦 發展 完成 後 ， 他們 所 產生 的 表徵 會 達到 較 深 的 層級 ， 而 不 是 只 處於 表面 層級 而已 。 最後 ， 專家 們 在 自我 監控 或是 檢查 自己 本身 之 問題 解決 策略 是否 成功