“知识卷轴”方法对Comp的效果如何。科学吗？

我在读这在数学SE。基本问题是：

假设有人希望学习高级的东西；一种方法是从基础开始并逐步建立。但是“大局”可能会在此过程中迷失方向。另一种方法（我更喜欢将其称为“递归Wiki”）是拿起一篇论文，然后用Google / Wiki读一个人们不理解的术语。阅读它们。其中将包含新术语。Google / Wiki，直到您完全了解该材料的“基本情况”为止。向后工作，直到您完全了解纸张。重复其他论文。这将在保持动力的同时获得知识。但是，这可能会导致基本问题。

它基于斯坦福大学Vakil教授的文章。这是节选：

.....数学是如此的丰富和无限，以至于不可能系统地学习它，而且如果您在继续学习下一个主题之前等待一个主题，那么您将无所适从。相反，您将拥有远远超出您的舒适范围的知识卷须。然后，您可以稍后从这些卷须回填，并扩展您的舒适范围；这比学习“前进”要容易得多。（警告：此回填是必需的.....

反对该方法的人普遍认为，对于像代数几何这样的领域（每个季度发表100篇论文）或String Theory研究（如果您尝试在接触String Theory之前建立数学基础）的领域，就可以了。 80与阿尔茨海默氏症。我的问题是：这是学习CompSci的好策略吗？

由于Comp Sci的跨学科性强（通常，工程师必须同时了解数学和计算机知识），这样的递归学习模式是否足以进行学术研究？还是传统模式太好了，无法替代？

例如，我需要了解0操作系统知识，了解转换后备缓冲区（TLB）。

我的递归路径（根据维基百科）是：

TLB>缓存>（返回）TLB>页面表>（返回）TLB>虚拟地址>（返回）TLB>重新读取。完成

我觉得我知道TLB是什么，如果再次遇到它，我会知道会发生什么。我在欺骗自己吗？

我认为您不一定在自欺欺人，但您应该谨慎使用所学到的知识。在这种情况下，这相对容易。如果您需要在设计时考虑到TLB意识，那么您现在可能已经拥有了所需的东西，并且可以通过编写程序来证明这一点。但是，如果有人要求您设计和实施TLB，则可能需要进行更多研究。

我认为学习任何东西的重要部分还在于尝试理解您的知识的局限性。

卷须法显然是某些学习的好方法。您应该在适当的地方使用它。关于另一种方法的好处是，您在学习过程中会学到很多其他的东西，这对建立您的想法和解决问题的计划很有帮助。例如，您现在对TLB有所了解，但是如果您在学习TLB时没有遇到非自定义访问（例如，随机选择一个例子），那么您可能会错过其中一个非常重要的部分有关优化内存系统的知识。如果您是从最底层开始学习芯片上的内存系统，那么您可能会遇到（不过是浅表的）非临时访问，因此您将需要牢记这些。

我建议您在努力解决问题时明智地将学习分散在这两个类别中。无论如何，很少会从一个完整的问题陈述开始，因此，在解决问题的过程中，会涉及向前和向后工作以及关于问题性质的迭代。