Pratik & Güç Yasası
Yazı yazma, okuma, aritmetik problemlerini çözme, ekipman montajı gibi geniş bir beceri yelpazesinde performans bir güç yasasına göre iyileşir:
y = a · x^(−b)
burada y = deneme başına hatalar (veya deneme başına zaman), x = kümülatif pratik denemeleri, a = başlangıç performans seviyesi, b = öğrenme hızı üsteli (b > 0 iyileşme için).
Güç yasasının temiz bir özelliği vardır: log-log uzayında düz bir çizgi olur.
ln y = ln a − b · ln x
Log-log uzayda çizginin eğimi: −b. Daha dik eğim = daha hızlı öğrenme. Aynı üstel b, başlangıç performans seviyesi a ne olursa olsun öğrenme hızını tanımlar.
Neden log-log? Erken pratik büyük kazançlar sağlar; daha sonraki pratik azalan getiriler sağlar. Doğrusal bir grafik dramatik bir başlangıç düşüşü sonra düz bir kuyruk gösterir. Log-log kendi kendine benzer yapıyı ortaya çıkarır: pratiğin her iki katına çıkması hataları aynı oran 2^(−b) kadar azaltır.
Öğrenme Hızını Hesaplama
Bir öğreneci deneme 1'de 100 hata yapıyorsa ve deneme 8'de 50 hata yapıyorsa, b nedir?
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 & Üssel Unutma
Hermann Ebbinghaus (1885) anlamsız hece gruplarının zamanla hatırlanmasını ölçtü ve bellek kaybının üssel bir azalmayı izlediğini buldu:
r(t) = e^(−t/S)
burada r(t) = t zamanında hatırlanan oran, S = bellek gücü (her gözden geçirmede artar). t = 0'da: r = 1 (%100 hatırlanır). t = S'de: r = 1/e ≈ %37.
Aralıklı tekrar etkisi: materyali, neredeyse unutma anında (r ≈ 0.8 veya daha düşük olduğunda) gözden geçirmek, öğrenimden hemen sonra gözden geçirmekten daha büyük bir S artışı sağlar.
Optimal gözden geçirme zamanlaması: eğer S her gözden geçirmede sabit bir k faktörü kadar artıyorsa, optimal aralıklar geometrik bir dizi oluşturur. S₀ ile öğrenmeden sonra, S₀, k·S₀, k²·S₀, ... zamanlarında gözden geçirin. Her aralık öncekinin k katıdır.
Ampirik verilerden tipik k değerleri: 2.0–2.5. 1., 2., 4., 8., 16. günlerde gözden geçiren bir öğrenci bu geometrik aralıklı tekrar desenini izler.
Optimal İnceleme Aralıklarını Hesaplama
Bir öğrenci S₀ = 2 gün başlangıç bellek gücü ile materyali öğreniyor. Her gözden geçirme S'yi k = 2.5 ile çarpıyor. Öğrenci, tutunma %80'e (r ≥ 0.80 eşiği) düştüğünde gözden geçiriyor.
Eşikte: e^(−t/S) = 0.80, yani t = −S · ln(0.80) ≈ S · 0.223.
Müfredat Bir Grafik Olarak
Dallanmış bir program, G = (V, E) yönlendirilmiş grafiğini tanımlar:
- Köşeler V: öğretimsel düğümler (içerik blokları, sorular, geri bildirim)
- Kenarlar E: öğrenci yanıt sınıflandırmalarıyla etiketlenir (doğru, kısmi, yanlış, açıklama)
Her öğrenci G içinde bir giriş köşesinden çıkış köşesine bir yol izler. Yol tamamen hangi kenarların her adımda etkinleştirildiğine bağlıdır.
Grafik yapısının belirleyebileceği özellikler:
1. Ulaşılabilirlik: giriş noktasından her köşeye ulaşılabilir mi? Ulaşılamayan bir köşe ölü içeriktir (öğrenci bunu hiçbir zaman göremez).
2. Döngü algılaması: grafik döngüler içeriyor mu? Döngü, bir öğrencinin sonsuza kadar döngüye girmesi anlamına gelir. Uyarlamalı programlar döngüleri kasıtlı olarak kullanır (tekrar döngüleri) ancak çıkışı garanti etmelidir (max-attempts kenarı ilerlemeyi zorlar).
3. Yol uzunluğu dağılımı: tipik öğrenci kaç adım izler? İyi bir dallanmış program, ileri öğrencilerin kısa yollar izlemesine; zorlanan öğrencilerin daha uzun iyileştirme yolları izlemesine izin verir.
Dallanmış Programın Özelliklerini Analiz Etme
5 soru düğümü (Q1–Q5) & 3 iyileştirme düğümü (R1–R3) olan dallanmış bir programa düşünün. Gelişmiş öğrenci yolu: Q1 → Q2 → Q3 → Q4 → Q5. Zorlanan öğrenci yolu: Q1 → R1 → Q1 → Q2 → R2 → Q2 → Q3 → Q4 → Q5.
Grafik, max-attempts kenarları üzerinden ilerlemeyi garanti eder: herhangi bir Qn'de 3 başarısız denemeden sonra, öğrenci performanstan bağımsız olarak Qn+1'e ileriye gider.