Övning & Power Law
Över ett anmärkningsvärt spektrum av färdigheter — maskinskrivning, läsning, lösa aritmetiska problem, montering av utrustning — förbättras prestanda enligt en power law:
y = a · x^(−b)
där y = fel per försök (eller tid per försök), x = kumulativa övningsförsök, a = initial prestationsnivå, b = inlärningshastighetexponent (b > 0 för förbättring).
Power law har en ren egenskap: i log-log-rymden blir det en rak linje.
ln y = ln a − b · ln x
Linjens lutning i log-log-rymden: −b. Brantare lutning = snabbare lärande. Samma exponent b beskriver inlärningshastigheten oavsett den initiala prestationsnivån a.
Varför log-log? Tidig övning ger stora vinster; senare övning ger minskande avkastning. Ett linjärt diagram visar en dramatisk initial drop sedan en platt svans. Log-log avslöjar den självliknande strukturen: varje fördubbling av övning minskar fel med samma bråkdel 2^(−b).
Beräkning av inlärningshastighet
Om en elev gör 100 fel vid försök 1 och 50 fel vid försök 8, vad är 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 & Exponentiell Glömning
Hermann Ebbinghaus (1885) mätte sin egen retention av meningslösa stavelser över tid och fann att retention följer en exponentiell förfall:
r(t) = e^(−t/S)
där r(t) = bråkdel som behålls vid tid t, S = minnesyrka (ökar med varje genomgång). Vid t = 0: r = 1 (100% behålls). Vid t = S: r = 1/e ≈ 37%.
Mellanrumningseffekten: att granska material vid tidpunkten för nästan glömning (när r ≈ 0.8 eller lägre) producerar en större ökning av S än att granska omedelbar efter lärande.
Optimal granskningstid: om S växer med en fast faktor k med varje granskning, bildar de optimala intervallen en geometrisk sekvens. Efter lärande med S₀, granska vid tiderna S₀, k·S₀, k²·S₀, .... Varje intervall är k gånger längre än det föregående.
Typiska k-värden från empiriska data: 2,0–2,5. En elev som granskar på dag 1, 2, 4, 8, 16 följer detta geometriska mellanrumningsmönster.
Beräkning av optimala granskningsmässiga intervall
En elev lär sig material med initial minnesyrka S₀ = 2 dagar. Varje granskning multiplicerar S med k = 2,5. Eleven granskar precis innan retention sjunker till 80% (r ≥ 0,80 tröskel).
Vid tröskeln: e^(−t/S) = 0,80, så t = −S · ln(0,80) ≈ S · 0,223.
Läroplanen som en graf
Ett förgreningsprogram definierar en riktad graf G = (V, E) där:
- Hörn V: instruktionella noder (innehållsblock, frågor, återkoppling)
- Kanter E: övergångar märkta av klassificeringar av studentresponser (correct, partial_understanding, incorrect, asking_clarifying_questions)
Varje elev spårar en väg genom G från en inmatningsvertex till en utgångsvertex. Vägen beror helt på vilka kanter som aktiveras vid varje steg.
Egenskaper som grafstrukturen bestämmer:
1. Åtkomstbarhet: kan varje vertex nås från ingången? En otillgänglig vertex är dött innehål — eleven kan aldrig se det.
2. Cykeldetektering: innehåller grafen cykler? En cykel betyder att en elev kan loopa på obestämd tid. Adaptiva program använder cykler avsiktligt (retry-loopar) men måste garantera slutlig utgång (en max-attempts-kant som tvingar framsteg).
3. Väglängdsfördelning: hur många steg tar den typiska eleven? Ett bra förgreningsprogram låter avancerade elever ta korta vägar; struggling elever tar längre reparationsvägar.
Analys av ett förgreningsprograms egenskaper
Överväg ett förgreningsprogram med 5 frågornoder (Q1–Q5) och 3 remedial noder (R1–R3). En avancerad elevväg: Q1 → Q2 → Q3 → Q4 → Q5. En struggling elevväg: Q1 → R1 → Q1 → Q2 → R2 → Q2 → Q3 → Q4 → Q5.
Grafen garanterar framsteg via max-attempts-kanter: efter 3 misslyckade försök vid någon Qn, förlöps eleven till Qn+1 oavsett prestanda.