La zona Ricitos de oro es la 85/15

Quizá hayas oído hablar alguna vez de la zona Ricitos de oro. ¿A qué se refiere esa expresión y cuál es esa zona?

Ricitos de oro es una niña que se pierde en el bosque, y llega a la cabaña en la que viven unos osos ( los cuentos son así, los osos viven en cabañas). Ve tres cuencos de sopa, y tras probar los tres, el del oso padre , el de la osa madre y el del osezno, prefiere el del osezno que no está caliente ni frío. Luego se quiere sentar en el sillón, y de los tres prefiere el del osezno, que no es ni muy duro ni muy blando. Por fin se va a dormir y de todas las camas, escoge la del osezno que es la de su tamaño.

Cuando está dormida, llegan los osos, y en la versión primitiva del cuento, la devoran. Todavía no se habían inventado los finales felices, pero la modernidad y su pánico a la muerte hacen que en versiones posteriores, Ricitos de Oro simplemente huya despavorida. Lo que empeora el final del cuento pero mejora la suerte de Ricitos de Oro.

Hay muchas moralejas de Ricitos de Oro, entre ellas que no conviene coger las cosas de nadie y menos de los osos. Pero en Estados Unidos la expresión zona Ricitos de Oro ha tenido éxito para referirse a las cosas que tienen que estar en su punto justo.

Lo que aquí nos interesa es cuál es la zona Ricitos de Oro en el aprendizaje. ¿Es mejor acertar siempre, es mejor fallar muchas veces, es mejor acertar una vez y fallar otra?

Eso es lo que se ha tratado de determinar en un estudio de la universidad de Arizona.

La zona Ricitos de oro del aprendizaje

Cuando aprendemos algo nuevo, como un idioma o un instrumento musical, a menudo buscamos desafíos en el límite de nuestra competencia, no tan difíciles como para desanimarnos, pero no tan fáciles como para aburrirnos. Esta simple intuición, que existe un punto óptimo de dificultad, una «zona de Ricitos de Oro», para la motivación y el aprendizaje, es el núcleo de los métodos de enseñanza modernos y se cree que explica las diferencias en la atención infantil entre los estímulos más y menos aprendibles. En la literatura sobre aprendizaje animal, es la intuición detrás del modelado y el desvanecimiento, mediante el cual se enseñan tareas complejas aumentando constantemente la dificultad de una tarea de entrenamiento. También se puede observar en la función de «niveles» casi universal de los videojuegos, en la que se anima al jugador, o incluso se lo obliga, a un nivel de dificultad más alto una vez que se ha alcanzado un criterio de rendimiento. De manera similar, en el aprendizaje automático, el aumento constante de la dificultad del entrenamiento ha demostrado ser útil para enseñar redes neuronales a gran escala en una variedad de tareas, donde se conoce como «Aprendizaje curricular» y «Aprendizaje a ritmo personal».

El famoso libro Flow (Flujo) de Mihaly Csikszentmihalyi (odio escribir este nombre) también indica que lo ideal es aprender de manera que no resulte demasiado fácil ( porque produce aburrimiento) ni demasiado difícil, porque produce frustración.

proporción óptima éxito fracaso para el aprendizaje

¿Cuál es la zona ricitos de oro del aprendizaje?

A pesar de esta larga historia de resultados empíricos, no está claro por qué un nivel de dificultad en particular puede ser beneficioso para el aprendizaje ni cuál podría ser ese nivel óptimo. En el estudio de la universidad de Arizona se aborda el tema de la dificultad de entrenamiento óptima para una amplia clase de algoritmos de aprendizaje en el contexto de tareas de clasificación binaria, en las que los estímulos ambiguos deben clasificarse en una de dos clases (por ejemplo, gato o perro).

La tasa de error óptima es de alrededor del 15,87%, un número que varía ligeramente según el ruido en el proceso de aprendizaje. Esa es la precisión óptima para el entrenamiento de alrededor del 85%. El estudio demuestra teóricamente que entrenar en esta dificultad óptima puede conducir a mejoras exponenciales en la tasa de aprendizaje. También se demuestra la aplicabilidad de la regla del ochenta y cinco por ciento a redes neuronales artificiales de una y dos capas, y un modelo de neurociencia computacional que se cree describe el aprendizaje perceptivo humano y animal.

Fuente: https://www.nature.com/articles/s41467-019-12552-4

Deja un comentario