学习的 85% 法则
| 分享
当我们大约 85% 的时间成功时,学习似乎对人类和机器都进行了优化。来自Wilson、Shenhav、Straccia 和 Cohen最近的一篇论文:
在许多情况下,我们发现训练既不太容易也不太难,而且学习进展最快的最佳点。[…] 对于所有这些基于随机梯度下降的学习算法,我们发现训练的最佳错误率约为 15.87%,或者相反,最佳训练准确率约为 85%。
如果你总是成功,就很难知道要改进什么。如果你经常失败,你就不会知道什么是有效的。只有当我们混合成功和失败时,我们才能在好策略和坏策略之间做出对比。
尽管来自完全不同的理论背景,但这些发现与 Barak Rosenshine 在他对成功课堂的研究中发现的 80% 成功率非常吻合:
在一项关于四年级数学的研究中发现,在最成功的老师的课堂上,82% 的学生的答案是正确的,但最不成功的老师的成功率只有 73%。当学生自己解决问题时,指导练习中的高成功率也会导致更高的成功率。
该研究还表明,培养学生成就的最佳成功率似乎约为 85%。85% 的成功率表明学生正在学习材料,也表明学生受到挑战。
如何应用 85% 规则
想象一下,你正在通过做练习题来准备考试。您可以应用不同数量的支持来校准您的成功率。解决问题的最简单方法是用一本打开的书和你面前的工作示例或解决方案来做。解决问题最难的方法是在书本合上的情况下,在类似测试的条件下解决新问题。
85% 规则建议您应该根据您遇到的成功率微调您使用的支持量。如果每五个问题中的一个以上错误,您可能需要添加额外的帮助。如果你几乎把所有的问题都做对了,那么是时候提高难度了。
在许多技能中,任务可以按难度分级。钢琴作品具有分配给他们提出的挑战的级别。滑雪场的等级从绿色到双黑色。语言练习可以从简单的问候到快速的辩论。85% 规则表明,当我们练习可以在大约五分之四的时间内成功的任务时,增长将最大化。
确切的百分比可能因任务而异。用外语阅读可能需要理解接近 95% 的单词才不会令人沮丧。约翰·帕斯登(John Pasden)有一个有趣的演示,展示了不同水平的英语理解能力。
当然,量化模糊的部分原因是“成功”可以用多种方式定义。无法理解文本中 20% 的单词不是 80% 的理解,而是接近 10%。同样,如果您接近滑雪,那么您在下山时有 20% 的时间会撞车,那么您不会在没有受伤的情况下走得很远。
不过,我认为该规则提供了一个相当好的启发式方法。如果你每次尝试都成功,那么你可能没有足够高的难度来改进。如果你大部分时间都失败了,那么如果你开始选择更小、更易于管理的挑战,你可能会取得更大的进步。
85% 规则的解释
有许多关于最佳学习的理论都指出了困难的最佳点——不太容易,也不太难。
列夫·维果茨基的最近发展区认为,稍微超出我们自己可以完成的任务,但可以在他人的帮助下完成,最大化学习。
Walter Kintsch 的易学区为文本理解提供了类似的解释。在一项研究中,受试者阅读文本的两个版本之一。第一个文本的编写是为了最大限度地提高可理解性,完整的解释和字幕表明了文本的组织。第二课文是在没有这些帮助的情况下编写的,要求学生使用推理来理解课文的意思。
在直接从文本中提问的测试中,高背景知识和低背景知识的学生在连贯文本上的表现都更好。然而,当进行需要推理或解决问题的测试时,具有较高背景知识的学生在解释不太连贯的文本时比具有较少背景知识的学生做得更好。
改编自理解:认知范式Walter Kintsch
这些结果符合一个模型,如果一个文本主要是说你容易理解的东西,你不会投入太多精力来创建文本描述的心理模型。在这些情况下,更大的难度可能是有益的,因为它造成的斗争迫使你检索背景知识。(当然,这只有在您有要检索的知识时才有效!)1
安德斯·爱立信的刻意练习模型认为,当技能变得自动化时,我们的能力水平就会远远低于我们的潜力。为了解决这个问题,我们需要回到刻意学习的阶段。我们可以通过选择更难的任务或设定更高的绩效目标来做到这一点。
罗伯特·艾森伯格的勤奋学习理论表明,困难也对动机起作用。在一项实验中,一组受试者被要求解决难题。另一组与该组仔细匹配,为第一组正确的每个问题提供一个简单的谜题,或者为第一组错误的每个问题提供一个不可能的问题。
因此,这两组人的成功率相同,但对努力在成功中所扮演的角色的期望却大不相同。对于第一类人来说,努力工作往往会得到回报。对于第二组,它从来没有。在随后的拼图任务中,第一组的成员比第二组的成员坚持的时间更长,这表明他们已经学会了在这种拼图中努力工作。
习得的勤奋表明,在困难问题上取得成功可能对我们有好处,但失败会使我们失去动力。再一次,一个困难的甜蜜点出现了,我们致力于解决我们可能成功的问题,但足够努力以鼓励未来的努力。
你正在研究什么技能?你目前的成功率是多少?你应该增加难度还是想办法减少挫败感?在评论区分享你的观点。
脚注
- 然而,应该注意的是,解释文本等详尽的技巧比困难的文本效果更好。这表明更好的策略可能是将连贯的文本与费曼技术之类的东西配对,而不是寻找故意混淆的文本!
学习的 85% 法则相关推荐
- AlphaGo之父亲授深度强化学习十大法则
原则 #1 评价驱动发展 客观.量化的评价驱动进展: 评价指标的选择决定了进展的方向 这可以说是项目过程中最重要的决策 排行榜驱动的研究: 确保评价指标紧贴最终目标 避免主观评估(如人为监测) 假设驱 ...
- java学习(85):Interage包装类基本使用
测试类 public class test22 {public static void main(String[] args){int num=5;Integer obj1=new Integer(n ...
- python炫酷动画源代码_(数据科学学习手札85)Python+Kepler.gl轻松制作酷炫路径动画...
1 简介 Kepler.gl相信很多人都听说过,作为Uber几年前开源的交互式地理信息可视化工具,kepler.gl依托WebGL强大的图形渲染能力,可以在浏览器端以多种形式轻松展示大规模数据集. 图 ...
- 数学建模学习(85):人工蜂群优化算法(ABCO)求解多元函数
文章目录 一.人工蜂群算法 1.1 优化算法前述 1.2 ABC算法介绍 1.3 参考文献 二.案例实现 2.1 目标函数 2.2 可视化函数 2.3 人工蜂群算法 2.4 总结 一.人工蜂群算法 1 ...
- 学习系列--最优学习内容选择
学习系列 这个系列我们将系统探讨如何进行系统学习,帮助大家从学习内容到学习方式等,让大家了解到如何高效学习以及如何长远的进行学习规划. 这系列不会探讨具体的学习科目,而是给出一个系统选择的方式,帮助大 ...
- 英语钻石法则(四)-----深入学习
英语钻石法则(四)-----深入学习 前言 今天的我非常的开心.非常的激动,为什么?因为今天我要和你分享英语学习的钻石法则四,为了学好英语,讲一口流利.漂亮 ...
- 【论文阅读】【逐字翻译】 爱丁堡大学IEEE TPAMI 2021年最新元学习综述 《Meta-Learning in Neural Networks: A Survey》
开个新坑,长期,不定时更新-一 一+ 原文:Timothy M Hospedales, Antreas Antoniou, Paul Micaelli, Amos J Storkey. Meta-Le ...
- n-grams语言模型——【torch学习笔记】
语言模型 引用翻译:<动手学深度学习> 文本是序列数据的一个重要例子.事实上,我们将使用自然语言模型作为本章中许多例子的基础.鉴于此,值得对一些事情进行更详细的讨论.在下文中,我们将把单词 ...
- 基于小样本学习的图像分类技术综述
基于小样本学习的图像分类技术综述 人工智能技术与咨询 昨天 本文来自<自动化学报>,作者李颖等 关注微信公众号:人工智能技术与咨询.了解更多咨询! 图像分类是一个经典的研究课题, 典型的图 ...
最新文章
- LeetCode简单题之整数的各位积和之差
- hash 值重复_程序员:判断对象是否重复,不重写equals和hashcode不行吗?
- HTML5十五大新特性
- 为什么字节跳动、腾讯、阿里都在用Python??
- 二相并行FIR滤波器的matlab及使用FIR IP 核的FPGA实现
- 演示使用sql_trace和10046事件对其他会话进行跟踪,并给出trace结果
- 用原生 JS 实现 MVVM 框架2——单向绑定
- 黑科技抢先尝(续2) - Windows terminal中Powershell Tab的美化全攻略
- 计算机诞生发展分类特点及应用,计算机的诞生与发展,及其特点
- 论文笔记之:Deep Attention Recurrent Q-Network
- matlab怎么画二维热力图_Tableau画日历热力图
- OSO.EXE病毒专杀工具
- 手动在viewpager的最后一页滑到第一页。
- Nginx源码分析 - 模块的赋值及编号 --- 方便了解nginx模块
- python 特别慢_Python很慢?不一定哦
- 一张网络路由器与能源路由器对照表(2015年)
- 视频剪辑素材哪里找?这个几个网站就够了。
- 传奇人物郭盛华,他的人生像开挂一样?网友:望尘莫及
- 学术论文科研写作方法总结--针对深度学习,自然语言处理等领域
- The fundamentals of millimeter wave radar sensors——毫米波雷达传感器基本原理
热门文章
- 展厅数字展项—沉浸式投影系统
- Excel中图片的vlookup查找操作
- 【Linux】/lib64/libstdc++.so.6: version `CXXABI_1.3.9‘ not found
- PhotoSwipe介绍(1)
- java篇:自学Java到底需要多久呢?
- 用python画梵高星空-python画画梵高
- Android TensorFlow 实时人脸识别
- 影响全马破三的因素分析
- 示波器使用的注意事项
- 软件工程第一次作业作业