การเรียนที่ให้ผลดีที่สุด ต้องผิด 15%

November 8, 2019

 

งานวิจัยชิ้นใหม่จาก University of Arizona นำโดยโรเบิร์ต วิลสัน ผู้ช่วยศาสตราจารน์ทางด้านจิตวิทยาและประชานศาสตร์ (Cognitive Science) ระบุว่าการเรียนรู้ที่เร็วที่สุดจะต้องประกอบด้วยความผิดพลาด 15% โดยถ้าการเรียนนั้นง่ายเกินไป ความรู้ใหม่ๆ จะไม่เกิดขึ้น ในขณะเดียวกัน ถ้าการเรียนนั้นยากเกินไป ผู้เรียนก็จะไม่เรียนรู้เพิ่มเติม

 

จุดเริ่มต้นของงานวิจัยนี้ มาจากการฝึกคอมพิวเตอร์ หรือ Machine Learning ให้ประมวลผลข้อมูล โดยพบว่าคอมพิวเตอร์สามารถเรียนรู้ข้อมูลได้เร็วที่สุด เมื่อมีความถูกต้องของข้อมูลเพียง 85% จึงเป็นที่มาในการนำไปศึกษาต่อในมนุษย์ และพบผลลัพธ์ในลักษณะเดียวกัน นั่นคือมนุษย์สามารถเรียนรู้ได้เร็วขึ้น และมากขึ้น เมื่อทำถูกเพียง 85% หรือผิด 15% ซึ่งโอกาสผิด 15% นี้ เป็นเสมือนพื้นที่ว่างให้เกิดการเรียนรู้ใหม่ๆ

 

ผู้ช่วยศาสตราจารย์วิลสันอธิบายว่า มนุษย์เรียนรู้เพิ่มขึ้นโดยอาศัยประสบการณ์ที่ผ่านมา ร่วมกับโจทย์ใหม่ๆ เช่น นักรังสีวิทยาสามารถแยกภาพถ่ายเอกซเรย์ได้ว่าภาพใดเป็นก้อนเนื้อ และภาพใดไม่ใช่ โดยอาศัยประสบการณ์ที่มีมา ร่วมกับภาพตัวอย่างใหม่ๆ ถ้านักรังสีวิทยาได้รับภาพถ่ายง่ายๆ เหมือนที่เคยเห็นมาก่อน เขาจะทำนายถูก 100% และไม่เกิดการเรียนรู้ใหม่ๆ แต่ถ้าได้ภาพที่ไม่เคยเห็นมาก่อน แต่พอดูออกได้จากประสบการณ์ เขาจะได้เรียนรู้เพิ่มขึ้น แต่ถ้าได้ภาพที่ยากเกินไป มีโอกาสถูกหรือผิดเท่านั้น (50%) เขาจะไม่เกิดการเรียนรู้เพิ่มเติมใดๆ เพราะผลลัพธ์ไม่แน่นอน และไม่สามารถตกตะกอนเป็นความรู้ได้

 

ทั้งนี้ เกณฑ์ดังกล่าวจำเป็นต้องอ้างอิงกับระบบคะแนน ยังไม่สามารถวัดผลได้กับการเรียนรู้เชิงนามธรรม ที่ไม่มีคะแนนเป็นตัวชี้วัด แต่ก็ถือว่าเป็นจุดเริ่มต้นที่ดีในการนำไปต่อยอดเพื่อพัฒนาระบบการศึกษาต่อไป รวมถึงเพื่อศึกษาว่านักเรียนที่ได้เกรด B (85 คะแนน จาก 100) เรียนรู้ได้มากกว่านักเรียนคนอื่นๆ แม้แต่นักเรียนเกรด A หรือไม่

 

 

 

 

อ้างอิง

https://medicalxpress.com/news/2019-11-optimized.html?

เรียบเรียงโดย: ศตวรรษ คีรีวัน

 

มาร่วมเป็นนักเขียนกับเราได้ที่: https://www.facebook.com/THE-COLUMNIST-114090136627856/

Share on Facebook
Share on Twitter
Please reload

Featured Posts

งาน Hackathon เพื่อแก้ไขปัญหาชุมชนเมือง

November 22, 2018

1/1
Please reload

Recent Posts
Please reload

Archive