Практика & степенной закон
Благодаря поразительному диапазону навыков — печать, чтение, решение арифметических задач, сборка оборудования — производительность улучшается в соответствии с степенным законом:
y = a · x^(−b)
где y = ошибки на испытание (или время на испытание), x = кумулятивные испытания практики, a = начальный уровень производительности, b = показатель степени скорости обучения (b > 0 для улучшения).
Степенной закон имеет чистое свойство: в логарифмическом пространстве он становится прямой линией.
ln y = ln a − b · ln x
Наклон линии в логарифмическом пространстве: −b. Более крутой наклон = более быстрое обучение. Один и тот же показатель степени b описывает скорость обучения независимо от начального уровня производительности a.
Почему лог-лог? Ранняя практика дает большие результаты; более поздняя практика дает убывающие результаты. Линейный график показывает резкое начальное падение, а затем плоский хвост. Лог-лог выявляет самоподобную структуру: каждое удвоение практики уменьшает ошибки на одну и ту же долю 2^(−b).
Вычисление скорости обучения
Если обучающийся делает 100 ошибок на испытании 1 и 50 ошибок на испытании 8, что такое 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
Эббингауз & экспоненциальное забывание
Герман Эббингауз (1885) измерил свое собственное удержание бессмысленных слогов с течением времени и обнаружил, что удержание следует экспоненциальному затуханию:
r(t) = e^(−t/S)
где r(t) = доля, сохраняемая в момент времени t, S = прочность памяти (увеличивается с каждым повторением). При t = 0: r = 1 (100% сохранено). При t = S: r = 1/e ≈ 37%.
Эффект распределения: повторение материала в момент почти забывания (когда r ≈ 0,8 или меньше) дает большее увеличение в S, чем повторение сразу после обучения.
Оптимальное время повторения: если S растет на фиксированный коэффициент k с каждым повторением, оптимальные интервалы образуют геометрическую последовательность. После обучения с S₀, повторяйте в моменты времени S₀, k·S₀, k²·S₀, .... Каждый интервал в k раз длиннее предыдущего.
Типичные значения k из эмпирических данных: 2,0–2,5. Студент, который повторяет в дни 1, 2, 4, 8, 16, следует этому паттерну геометрического распределения.
Вычисление оптимальных интервалов повторения
Студент усваивает материал с начальной прочностью памяти S₀ = 2 дня. Каждое повторение умножает S на k = 2,5. Студент повторяет незадолго до того, как удержание упадет до 80% (порог r ≥ 0,80).
На пороге: e^(−t/S) = 0,80, поэтому t = −S · ln(0,80) ≈ S · 0,223.
Учебная программа как граф
Разветвляющаяся программа определяет ориентированный граф G = (V, E), где:
- Вершины V: узлы обучения (блоки контента, вопросы, обратная связь)
- Ребра E: переходы, помеченные классификациями ответов студентов (правильный, частичный, неправильный, уточнение)
Каждый студент проходит путь через G от входной вершины к выходной вершине. Путь полностью зависит от того, какие ребра активируются на каждом шаге.
Свойства, которые определяет структура графа:
1. Достижимость: может ли каждая вершина быть достигнута из входа? Недостижимая вершина — это мертвый контент — студент никогда не сможет его увидеть.
2. Обнаружение цикла: содержит ли граф циклы? Цикл означает, что студент может циклически повторяться бесконечно. Адаптивные программы используют циклы намеренно (циклы повторных попыток), но должны гарантировать в конечном итоге выход (ребро max-attempts, которое заставляет прогресс).
3. Распределение длины пути: сколько шагов делает типичный студент? Хорошая разветвляющаяся программа позволяет продвинутым студентам брать короткие пути; борющимся студентам брать более длинные исправительные пути.
Анализ свойств разветвляющейся программы
Рассмотрим разветвляющуюся программу с 5 узлами вопросов (Q1–Q5) и 3 исправительными узлами (R1–R3). Путь продвинутого студента: Q1 → Q2 → Q3 → Q4 → Q5. Путь борющегося студента: Q1 → R1 → Q1 → Q2 → R2 → Q2 → Q3 → Q4 → Q5.
Граф гарантирует прогресс через ребра max-attempts: после 3 неудачных попыток на любом Qn студент продвигается к Qn+1 независимо от производительности.