Acredite se quiser, reprovar 15% das vezes leva a melhores resultados de aprendizagem. É o que nos diz Rich Haridy sobre a pesquisa apelidada de “regra dos 85 por cento”, que sugere que um certo grau de falha é vital para o aprendizado eficiente.
Seja para lidar com um novo videogame ou aprimorar uma nova habilidade, existe um ponto ideal para aprender, entre muito fácil e muito difícil. Um novo estudo, usando algoritmos de aprendizado de máquina, sugere que a zona de aprendizado ideal envolve falhas em cerca de 15% das vezes. Nos círculos pedagógicos, há muito tempo existe uma consciência de uma espécie de “zona habitável” para o aprendizado mais eficiente. Se algo for muito difícil, desistiremos rapidamente, e se algo for muito simples, ficará entediante e nossa atenção se desviará.
“Essas ideias que existiam no campo da educação – que existe essa ‘zona de dificuldade próxima’, que permite maximizar seu aprendizado – as colocamos em uma base matemática”, explica o principal autor do estudo, Robert Wilson. A pesquisa se propôs a quantificar esse ponto ideal de aprendizado treinando um conjunto de algoritmos de aprendizado de máquina em algumas tarefas simples de classificação binária. Ao ajustar a taxa de erro do modelo, os pesquisadores puderam exatamente encontrar o nível de dificuldade ideal que alcança o ritmo mais rápido de aprendizado. A taxa de erro específica acabou sendo de 15,87%. “Se você tiver uma taxa de erro de 15% ou precisão de 85%, estará sempre maximizando sua taxa de aprendizado nessas tarefas de duas opções”, diz Wilson.
Em termos de tradução desses resultados para o aprendizado humano, Wilson observa que a chamada “regra dos 85%” só se aplica explicitamente a tarefas de classificação binária com respostas certas e erradas explícitas. Um exemplo que ele dá é o de um radiologista identificando tumores em exames de pacientes. “Você fica melhor em descobrir que há um tumor em uma imagem ao longo do tempo e precisa de experiência e exemplos para melhorar”, explica Wilson. “Posso me imaginar dando exemplos fáceis e dando exemplos difíceis e dando exemplos intermediários. Se eu der exemplos realmente fáceis, você acertará 100% o tempo todo e não haverá mais nada para aprender. Se eu der exemplos realmente difíceis, você terá 50% de acerto, mas ainda sem aprender nada de novo, ao passo que se eu lhe der algo intermediário, você estará no ponto ideal onde obterá o máximo de informações de cada exemplo em particular.”
Entretanto, como afirma Wilson, isso não significa que o melhor aluno na escola seja realmente aquele com notas médias, mas a pesquisa sugere que um nível de dificuldade altamente específico resulta em aprendizado ideal. A conclusão imediata mais explícita da pesquisa é para os cientistas que desenvolvem algoritmos de aprendizado de máquina, incluindo feedforward multicamadas e redes neurais recorrentes. A conclusão sugere que o aprendizado de máquina pode ser otimizado ajustando as taxas de precisão para atingir 85%.
Para formas mais complexas de aprendizado humano, a regra dos 85% não é imediatamente transferível. Wilson e seus colaboradores esperam explorar formas mais amplas de aprendizagem humana, mas em geral ele acredita que os resultados deste estudo devem levar os educadores a serem mais encorajadores quando os alunos cometem erros.
A implicação é claramente que o melhor aprendizado envolve um pequeno volume de erros. “Se você está tendo aulas que são muito fáceis e as acertando o tempo todo, provavelmente não está tirando tanto proveito de uma aula quanto alguém que está lutando, mas consegue acompanhar”, observa Wilson. “A esperança é que possamos expandir este trabalho e começar a falar sobre formas mais complexas de aprendizagem.” A pesquisa foi publicada na revista Nature Communications.
O texto original de de Rich Haridy pode ser acessado neste link.