一直保持正確狀態(tài)聽起來很理想，但如此完美的成功率可能意味著您實際上并沒有學到任何新知識。

為了確保您以最佳的速度學習，新的研究發(fā)現(xiàn)，您的目標應該是大約15%的時間失敗，確切地說，是15.87%的時間失敗。

這些發(fā)現(xiàn)可能對培訓課程，課堂教學以及所有學習發(fā)生的地方都有影響。在發(fā)現(xiàn)太容易和太困難之間找到最好的地方。

“那名赫然出現(xiàn)在教育領(lǐng)域這些想法-有這個‘近端困難區(qū)’，在其中你應該是最大限度地提高你的學習-我們已經(jīng)把那數(shù)學的基礎(chǔ)，”心理學家羅伯特·威爾遜說，從亞利桑那大學。

為了得出15/85%的分配比例，Wilson和他的同事進行了一系列機器學習實驗。實驗旨在教計算機如何完成簡單的任務，例如將模式分類，或識別奇數(shù)和偶數(shù)之間的差異。

研究人員發(fā)現(xiàn)，計算機系統(tǒng)在85%的時間進行正確呼叫時學習最快。這個數(shù)字似乎也與以前對動物進行的研究相吻合。

根據(jù)該團隊的說法，這種分裂最有可能應用于人類的知覺學習中，即我們通過經(jīng)驗和示例逐步學習(與機器學習算法不同)。

例如，讓放射科醫(yī)生學習分辨出腫瘤圖像和非腫瘤圖像之間的差異：在一個太容易的水平上，放射科醫(yī)生會正確地識別出100%的圖像。在一個太困難的水平，它可能會下降到50%左右。

但是，如果放射科醫(yī)生正確地識別了85%的圖像，而其他15%卻犯了錯誤，那可能是學習率最快的地方。

當然，隨著我們獲得更多的知識，需要再次調(diào)整該難度級別，以將學習任務的挑戰(zhàn)性保持在正確的水平。

研究人員還熱衷于指出，他們的研究僅涵蓋基本的二元選擇-并不一定意味著我們所有人都應在未來的考試中將目標定為85%。

除計算機算法外，還需要進行更多的研究來弄清楚該方法如何更廣泛地應用于教育。但就目前而言，這是一個很好的起點，可以在我們?nèi)菀赘械綗o聊和放棄的困難之間找到平衡，這是教育者們長期思考的難題。

威爾遜說：“如果您上的課太簡單了，而且一直都在加油，那么您可能從一個掙扎但努力跟上的人那里得到的收益并不多。”