Prática & a Lei da Potência
Em uma variedade notável de habilidades — digitação, leitura, resolução de problemas aritméticos, montagem de equipamentos — o desempenho melhora de acordo com uma lei da potência:
y = a · x^(−b)
onde y = erros por tentativa (ou tempo por tentativa), x = tentativas de prática acumulativas, a = nível de desempenho inicial, b = expoente da taxa de aprendizagem (b > 0 para melhoria).
A lei da potência tem uma propriedade clara: em espaço log-log, ela se torna uma linha reta.
ln y = ln a − b · ln x
Inclinação da linha no espaço log-log: −b. Inclinação mais acentuada = aprendizagem mais rápida. O mesmo expoente b descreve a taxa de aprendizagem independentemente do nível de desempenho inicial a.
Por que log-log? A prática inicial produz grandes ganhos; a prática posterior produz retornos decrescentes. Um gráfico linear mostra uma queda inicial dramática seguida de uma cauda plana. Log-log revela a estrutura auto-similar: cada duplicação da prática reduz erros pela mesma fração 2^(−b).
Calculando a Taxa de Aprendizagem
Se um aprendiz comete 100 erros na tentativa 1 e 50 erros na tentativa 8, qual é 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 & Esquecimento Exponencial
Hermann Ebbinghaus (1885) mediu sua própria retenção de sílabas sem sentido ao longo do tempo e descobriu que a retenção segue um decaimento exponencial:
r(t) = e^(−t/S)
onde r(t) = fração retida no tempo t, S = força da memória (aumenta com cada revisão). Em t = 0: r = 1 (100% retido). Em t = S: r = 1/e ≈ 37%.
O efeito de espaçamento: revisar material no momento de quase-esquecimento (quando r ≈ 0.8 ou menos) produz um aumento maior em S do que revisar imediatamente após o aprendizado.
Tempo de revisão ótimo: se S cresce por um fator fixo k com cada revisão, os intervalos ótimos formam uma sequência geométrica. Após aprender com S₀, revise nos tempos S₀, k·S₀, k²·S₀, .... Cada intervalo é k vezes mais longo que o anterior.
Valores típicos de k a partir de dados empíricos: 2.0–2.5. Um aluno que revisa nos dias 1, 2, 4, 8, 16 segue esse padrão de espaçamento geométrico.
Calculando Intervalos de Revisão Ótimos
Um aluno aprende material com força de memória inicial S₀ = 2 dias. Cada revisão multiplica S por k = 2.5. O aluno revisa pouco antes da retenção cair para 80% (limite r ≥ 0.80).
No limite: e^(−t/S) = 0.80, então t = −S · ln(0.80) ≈ S · 0.223.
O Currículo como um Grafo
Um programa de ramificação define um grafo direcionado G = (V, E) onde:
- Vértices V: nós instrucionais (blocos de conteúdo, perguntas, feedback)
- Arestas E: transições rotuladas por classificações de respostas do aluno (correto, parcial, incorreto, esclarecimento)
Cada aluno traça um caminho através de G de um vértice de entrada para um vértice de saída. O caminho depende inteiramente de quais arestas se ativam em cada etapa.
Propriedades que a estrutura do grafo determina:
1. Alcançabilidade: todo vértice pode ser alcançado a partir da entrada? Um vértice inacessível é conteúdo morto — o aluno nunca pode vê-lo.
2. Detecção de ciclo: o grafo contém ciclos? Um ciclo significa que um aluno pode ficar em loop indefinidamente. Programas adaptativos usam ciclos deliberadamente (loops de retry) mas devem garantir saída eventual (uma aresta max-attempts que força progresso).
3. Distribuição de comprimento de caminho: quantas etapas o aluno típico leva? Um bom programa de ramificação deixa alunos avançados seguirem caminhos curtos; alunos em dificuldade seguem caminhos remediais mais longos.
Analisando as Propriedades de um Programa de Ramificação
Considere um programa de ramificação com 5 nós de pergunta (Q1–Q5) e 3 nós remediais (R1–R3). Caminho de aluno avançado: Q1 → Q2 → Q3 → Q4 → Q5. Caminho de aluno em dificuldade: Q1 → R1 → Q1 → Q2 → R2 → Q2 → Q3 → Q4 → Q5.
O grafo garante progresso via arestas max-attempts: após 3 tentativas falhadas em qualquer Qn, o aluno avança para Qn+1 independentemente do desempenho.