Aus Fehlern lernt man – aber wie viele Fehler sind dafür optimal? Eine Antwort liefern jetzt Experimente mit lernfähigen Algorithmen. Demnach lernen sie am besten, wenn sie in 15 Prozent der Aufgaben Fehler machen und zu 85 Prozent richtig liegen. Diese „85-Prozent-Regel“ führt am schnellsten zum Lernerfolg – wahrscheinlich auch bei Mensch und Tier, wie die Forscher im Fachmagazin „Nature Communications“ berichten.
Die Fähigkeit, Neues zu lernen ist überlebenswichtig – ohne sie würden wir auf dem Entwicklungsstand von Säuglingen bleiben. Und auch in Schule, Ausbildung und Beruf spielt das Lernen eine entscheidende Rolle. Aber wie lernt man am effektivsten? Klar scheint, dass Erfolgserlebnisse dafür wichtig sind, denn sie motivieren zum Weitermachen. Gleichzeitig aber benötigen wir auch eine gewisse Herausforderung, um uns weiterzuentwickeln.
Balance aus Scheitern und Erfolg
„Die Intuition sagt uns, dass es für die Balance von Motivation und Lernen einen optimalen Schwierigkeitsgrad gibt“, sagen Robert Wilson von der University of Arizona und seine Kollegen. „Diese Annahme ist der Kern aller modernen Lehrmethoden.“ Doch wo liegt diese optimale Balance aus Scheitern und Erfolg? „Trotz der langen Geschichte empirischer Erfahrungen ist unklar, warum ein bestimmter Schwierigkeitsgrad das Lernen begünstigt – und auch, wo dieser optimale Grad der Anforderungen liegt“, so die Forscher. „Wir haben das nun auf eine mathematische Basis gestellt.“
Um eine Antwort zu finden, haben Wilson und sein Team verschiedene lernfähige Algorithmen als Modelle menschlichen und tierischen Lernens genutzt. Diesen gaben sie klassische Lernaufgaben, beispielsweise mussten sie Abbildungen von Zahlen den Klassen „gerade“ und „ungerade“ zuordnen oder den zwei Größenklassen „größer 5“ und „kleiner 5“. Die neuronalen Netzwerke waren so programmiert, dass sie ihre internen Verknüpfungen nur dann änderten, wenn sie einen Fehler gemacht hatten.
Optimales Lernen bei 15 Prozent Fehlern
„Man könnte denken, dass dadurch ein optimales Lernen bei maximaler Fehlerrate stattfindet“, so die Forscher. Doch das war nicht der Fall, wie die Experimente ergaben. Stattdessen lernten die Algorithmen dann am schnellsten und effektivsten, wenn ihre Fehlerrate bei rund 15 Prozent lag. Anders ausgedrückt: „Wir haben festgestellt, dass die Lernrate dann maximal ist, wenn die Schwierigkeit so angepasst wird, dass die Erfolgsrate bei rund 85 Prozent liegt“, berichten Wilson und sein Team.
Konkret bedeutet dies: Wenn eine Aufgabe oder ein Training diese „85-Prozent-Regel“ erfüllt, ist der Lernerfolg am größten – zumindest bei so klar umrissenen Lernzielen wie der Unterscheidung zweier Kategorien. Dies könnte nicht nur für neuronale Netzwerke gelten, sondern auch für Tiere und den Menschen, wie die Forscher erklären. Ein Beispiel sei ein Radiologe, der anhand von Mammografie-Aufnahmen entscheiden soll, ob Brustkrebs vorliegt oder nicht. Auch hier greife die 85-Prozent-Regel, so Wilson.
Gilt dies auch für uns Menschen?
Nach Ansicht der Wissenschaftler gibt es einige Indizien dafür, dass der optimale Lernbereich auch beim Menschen im Bereich von 85 Prozent liegen könnte. „In der Psychologie und Kognitionsforschung passt die 85-Prozent-Regel gut zum Eindruck vieler Experimentatoren, dass Teilnehmer dann maximal engagiert sind, wenn die Aufgaben weder zu schwer noch zu leicht sind“, so die Forscher.
Wilson und sein Team räumen allerdings ein, dass sich die optimalen Werte bei komplexeren Lernaufgaben verschieben könnten. In einigen ergänzenden Experimenten dazu lernten die Programme bei etwas niedrigeren Erfolgsraten von 75 bis 82 Prozent am optimalsten, wie die Forscher berichten. Sie wollen als nächstes ihre Forschung auf noch komplexere Lernformen erweitern. (Nature Communications, 2019; doi: 10.1038/s41467-019-12552-4)
Quelle: University of Arizona
