Ученые сравнили две модели обучения и разработали их гибрид.
Как лучше разгадать головоломку или решить задачу? Представьте, что вам нужно предсказать погоду по загадочным символам. Стоит ли пытаться интерпретировать все знаки сразу или лучше сначала освоить их поодиночке?
В Оксфордском университете провели эксперимент, в котором прямо сравнили два этих подхода. Результаты опубликованы в журнале Nature Human Behaviour. Они будут полезны как в педагогике, так и в разработке алгоритмов машинного обучения.
Добровольцам давали задание на предсказание погоды. Это классическая задача из когнитивной нейронауки и психологии обучения. Испытуемому показывают простые геометрические фигуры-подсказки, а он должен ответить: что завтра — солнце или дождь.
Половина группы тренировалась на отдельных фигурах (по одной подсказке за раз), другие всегда видели три фигуры одновременно. После этого этапа все участники столкнулись с одними и теми же головоломками из трех фигур, но уже без обратной связи. Такая схема позволила напрямую сравнить две стратегии обучения и выяснить, какая из них эффективнее.
По одному: как изолированная тренировка создает суперучеников
С самого начала группа, обучавшаяся на одиночных фигурах, вырвалась вперед. Те, кто отрабатывал каждую фигуру отдельно, быстро усваивали ее значение. К концу тренировки (и на финальных тестах) эта группа показывала значительно более высокую точность, чем та, которая училась на тройных комбинациях.
Примечательно, что это преимущество сохранялось, даже несмотря на то, что участники из первой группы видели меньше примеров с комбинированными подсказками: освоение каждого знака по отдельности помогало им интуитивно понять всю головоломку целиком.
«Задачу на предсказание погоды эффективнее осваивать методом „разделяй и властвуй“ — изучая подсказки по одной», — делают вывод авторы.
Иными словами, разбиение обучения на небольшие фрагменты позволяет прийти к лучшему общему пониманию задачи.
Гибридная стратегия обучения
Почему же этот трюк «разделяй и властвуй» так хорошо сработал? Чтобы раскрыть лежащие в основе механизмы, исследователи построили простые вычислительные модели обучения. Они сравнили две основные стратегии: «маржинальное» правило и «совместное» правило. Маржинальное правило обновляло значимость каждой подсказки изолированно, как будто только она и определяла исход. Совместное правило, напротив, обновляло все подсказки сразу, учитывая их комбинированное влияние.
Ни одна из стратегий по отдельности не смогла полностью объяснить наблюдаемое поведение людей. Больше всего подходит гибридная модель, которая искусно сочетает оба подхода. Она предполагает, что наш мозг не придерживается какого-то одного метода обучения — он динамически переключается между стратегиями в зависимости от ситуации.
Представьте судебный процесс, где одна улика настоятельно указывает на то, что был обвинен не тот человек. В этом случае гибридная модель применит более простое маржинальное обновление, сосредоточившись на единственном фрагменте информации. Но если исход зависит от сложного сочетания множества признаков, модель переключается на более затратное совместное обновление всех подсказок. Такое динамическое управление выбором стратегии и обеспечивает эффективное обучение.
Благодаря этому механизму мозг может вычислить точный «вес подсказок» — их реальную значимость — без необходимости тонуть в путанице и когнитивной перегрузке. Таким образом наш разум умеет находить баланс между быстрым последовательным обучением и намеренным объединением информации. В этом смысле метод «разделяй и властвуй» работает хорошо именно благодаря этому процессу динамического переключения.
Составляя учебный план
Гибридная модель не только объяснила полученные данные, но и дала подсказки, как улучшить обучение. Например, она предположила, что тренировка на примерах с очень четкими исходами (ооднозначно указывающими либо на «солнце», либо на «дождь») ускорит освоение задачи. Команда проверила это, применив «искаженный» учебный план с избытком экстремальных случаев, — и действительно, такие ученики улучшали результаты быстрее.
Эти результаты показывают, «как вычислительные методы обучения могут применяться в разработке программ, ускоряющих учебный процесс», полагают исследователи.
Проще говоря, важно не только то, что мы изучаем, но и то, как выстроены сами занятия. Это понимание может помочь педагогам составлять уроки так, чтобы начинать с очевидных примеров, а лишь затем переходить к более тонким случаям.
Любопытно, что многие системы машинного обучения почти не извлекают выгоды из такого поэтапного обучения, что говорит о наличии у людей особой способности к подходу «разделяй и властвуй».
«Разработка учебных планов имеет ключевое значение для эффективного обучения в областях — от педагогики до искусственного интеллекта», — резюмируется в статье.
Ну а главный вывод — начинать нужно с азов и решать проблему, разбив ее на мелкие шаги.
