Oefening & de machtswet
Over een opmerkelijk bereik van vaardigheden — typen, lezen, rekenopgaven oplossen, apparatuur samenstellen — verbetert de prestatie volgens een machtswet:
y = a · x^(−b)
waarbij y = fouten per trial (of tijd per trial), x = cumulatieve oefentrials, a = initieel prestatieniveau, b = leersnelheid-exponent (b > 0 voor verbetering).
De machtswet heeft een schone eigenschap: in log-log-ruimte wordt het een rechte lijn.
ln y = ln a − b · ln x
Helling van de lijn in log-log-ruimte: −b. Steilere helling = sneller leren. Dezelfde exponent b beschrijft de leersnelheid ongeacht het initiële prestatieniveau a.
Waarom log-log? Vroege oefening leidt tot grote winsten; latere oefening leidt tot afnemende rendementen. Een lineaire plot toont een dramatische initiële daling gevolgd door een platte staart. Log-log onthult de zelf-soortgelijke structuur: elke verdubbeling van oefening vermindert fouten met dezelfde fractie 2^(−b).
Leersnelheid berekenen
Als een leerling 100 fouten maakt op trial 1 en 50 fouten op trial 8, wat is 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 & exponentieel vergeten
Hermann Ebbinghaus (1885) mat zijn eigen retentie van onzinnige lettergrepen in de loop van de tijd en ontdekte dat retentie exponentieel verval volgt:
r(t) = e^(−t/S)
waarbij r(t) = fractie behouden op tijd t, S = geheugensterkte (neemt toe bij elke review). Bij t = 0: r = 1 (100% behouden). Bij t = S: r = 1/e ≈ 37%.
Het spacing-effect: het herzien van materiaal op het moment van bijna-vergeten (wanneer r ≈ 0.8 of lager) produceert een grotere toename van S dan onmiddellijk na het leren herzien.
Optimale reviewtiming: als S met elke review met een vaste factor k groeit, vormen de optimale intervallen een meetkundige reeks. Na het leren met S₀, herzien op momenten S₀, k·S₀, k²·S₀, .... Elk interval is k keer langer dan het vorige.
Typische k-waarden uit empirische gegevens: 2.0–2.5. Een student die herziet op dagen 1, 2, 4, 8, 16 volgt dit geometrische spacing-patroon.
Optimale reviewintervallen berekenen
Een student leert materiaal met initiële geheugensterkte S₀ = 2 dagen. Elke review vermenigvuldigt S met k = 2.5. De student herziet net voordat de retentie tot 80% daalt (r ≥ 0.80 drempel).
Bij de drempel: e^(−t/S) = 0.80, dus t = −S · ln(0.80) ≈ S · 0.223.
Het curriculum als een graaf
Een vertakkingsprogramma definieert een gerichte graaf G = (V, E) waarbij:
- Hoekpunten V: instructionele knooppunten (inhoudsblokken, vragen, feedback)
- Randen E: overgangen gelabeld door classificaties van studentenreacties (correct, gedeeltelijk, incorrect, verduidelijking)
Elke student traceert een pad door G van een ingangshoekpunt naar een uitgangshoekpunt. Het pad hangt volledig af van welke randen bij elke stap activeren.
Eigenschappen die de graafstructuur bepaalt:
1. Bereikbaarheid: kan elk hoekpunt van de ingang worden bereikt? Een onbereikbaar hoekpunt is dode inhoud — de student kan het nooit zien.
2. Cyclus-detectie: bevat de graaf cycli? Een cyclus betekent dat een student oneindig kan lussen. Adaptieve programma's gebruiken cycli opzettelijk (retry-lussen) maar moeten een eventuele uitgang garanderen (een max-attempts-rand die vooruitgang forceert).
3. Padlengteverspreiding: hoeveel stappen doet de typische student? Een goed vertakkingsprogramma laat geavanceerde studenten korte paden nemen; kampende studenten nemen langere remediale paden.
Eigenschappen van een vertakkingsprogramma analyseren
Beschouw een vertakkingsprogramma met 5 vraagknooppunten (Q1–Q5) en 3 remediale knooppunten (R1–R3). Een geavanceerd studentenpad: Q1 → Q2 → Q3 → Q4 → Q5. Een pad van een kampende student: Q1 → R1 → Q1 → Q2 → R2 → Q2 → Q3 → Q4 → Q5.
De graaf garandeert vooruitgang via max-attempts-randen: na 3 mislukte pogingen bij elke Qn, gaat de student naar Qn+1 ongeacht de prestatie.