Praktik & Hukum Pangkat
Dalam berbagai keterampilan yang luar biasa — mengetik, membaca, menyelesaikan soal aritmetika, merakit peralatan — kinerja meningkat sesuai dengan hukum pangkat:
y = a · x^(−b)
di mana y = kesalahan per percobaan (atau waktu per percobaan), x = percobaan praktik kumulatif, a = tingkat kinerja awal, b = eksponen laju pembelajaran (b > 0 untuk perbaikan).
Hukum pangkat memiliki sifat yang bersih: dalam ruang log-log, menjadi garis lurus.
ln y = ln a − b · ln x
Kemiringan garis dalam ruang log-log: −b. Kemiringan yang lebih curam = pembelajaran lebih cepat. Eksponen yang sama b menggambarkan laju pembelajaran terlepas dari tingkat kinerja awal a.
Mengapa log-log? Praktik awal menghasilkan keuntungan besar; praktik selanjutnya menghasilkan hasil yang semakin berkurang. Plot linier menunjukkan penurunan awal yang dramatis kemudian ekor yang datar. Log-log mengungkap struktur yang serupa diri: setiap penggandaan praktik mengurangi kesalahan dengan fraksi yang sama 2^(−b).
Menghitung Laju Pembelajaran
Jika seorang pelajar membuat 100 kesalahan pada percobaan 1 dan 50 kesalahan pada percobaan 8, berapa b?
y₁ = a · 1^(−b) = a = 100
y₈ = a · 8^(−b) = 100 · 8^(−b) = 50
8^(−b) = 0.5 → −b · ln(8) = ln(0.5) = −0.693 → b = 0.693 / ln(8) = 0.693 / 2.079 ≈ 0.333
Ebbinghaus & Pelupaan Eksponensial
Hermann Ebbinghaus (1885) mengukur retensi pribadinya terhadap suku kata tanpa arti sepanjang waktu dan menemukan bahwa retensi mengikuti peluruhan eksponensial:
r(t) = e^(−t/S)
di mana r(t) = fraksi yang dipertahankan pada waktu t, S = kekuatan memori (meningkat dengan setiap ulasan). Pada t = 0: r = 1 (100% dipertahankan). Pada t = S: r = 1/e ≈ 37%.
Efek spasi: meninjau ulang materi pada saat hampir lupa (ketika r ≈ 0.8 atau lebih rendah) menghasilkan peningkatan S yang lebih besar daripada meninjau ulang segera setelah pembelajaran.
Waktu tinjauan optimal: jika S tumbuh dengan faktor tetap k dengan setiap ulasan, interval optimal membentuk urutan geometris. Setelah pembelajaran dengan S₀, tinjau ulang pada waktu S₀, k·S₀, k²·S₀, .... Setiap interval k kali lebih lama dari yang sebelumnya.
Nilai k tipikal dari data empiris: 2.0–2.5. Seorang siswa yang meninjau pada hari 1, 2, 4, 8, 16 mengikuti pola spasi geometris ini.
Menghitung Interval Tinjauan Optimal
Seorang siswa mempelajari materi dengan kekuatan memori awal S₀ = 2 hari. Setiap tinjauan mengalikan S dengan k = 2.5. Siswa meninjau ulang tepat sebelum retensi turun ke 80% (ambang r ≥ 0.80).
Pada ambang: e^(−t/S) = 0.80, jadi t = −S · ln(0.80) ≈ S · 0.223.
Kurikulum sebagai Graf
Program bercabang mendefinisikan graf berarah G = (V, E) di mana:
- Simpul V: node instruksional (blok konten, pertanyaan, umpan balik)
- Tepi E: transisi berlabel oleh klasifikasi respons siswa (benar, sebagian, salah, klarifikasi)
Setiap siswa melacak jalur melalui G dari simpul masuk ke simpul keluar. Jalur bergantung sepenuhnya pada tepi mana yang aktif pada setiap langkah.
Properti yang ditentukan struktur graf:
1. Keterjangkauan: dapatkah setiap simpul dicapai dari pintu masuk? Simpul yang tidak dapat dicapai adalah konten mati — siswa tidak akan pernah melihatnya.
2. Deteksi siklus: apakah graf mengandung siklus? Siklus berarti siswa dapat berputar tanpa batas. Program adaptif menggunakan siklus dengan sengaja (putaran coba ulang) tetapi harus menjamin keluaran akhirnya (tepi max-attempts yang memaksa kemajuan).
3. Distribusi panjang jalur: berapa banyak langkah yang ditempuh siswa khas? Program bercabang yang baik memungkinkan siswa maju mengambil jalur pendek; siswa yang kesulitan mengambil jalur remedial yang lebih lama.
Menganalisis Properti Program Bercabang
Pertimbangkan program bercabang dengan 5 node pertanyaan (Q1–Q5) dan 3 node remedial (R1–R3). Jalur siswa maju: Q1 → Q2 → Q3 → Q4 → Q5. Jalur siswa yang kesulitan: Q1 → R1 → Q1 → Q2 → R2 → Q2 → Q3 → Q4 → Q5.
Graf menjamin kemajuan melalui tepi max-attempts: setelah 3 upaya gagal pada Qn apa pun, siswa maju ke Qn+1 terlepas dari kinerja.