Jak se učíme
Algoritmy, které drží pozornost – konečně ve službách učení
Všichni teď mluví o umělé inteligenci. Jenže technologie, které se umí naučit, co nás zaujme a jak nás udržet u obrazovky, tu jsou už přes deset let. Problém není v tom, že existují. Problém je v tom, k čemu je používáme.
Čtení na 7 minut
Proč je tak těžké odložit telefon
Když dítě (nebo dospělý) scrolluje sociální sítí, za každým dalším videem stojí systém, který se z jeho chování učí. Sleduje, u čeho se zastavil, co přeskočil, kdy se vrátil. Na základě toho vybírá další obsah tak, aby pozornost neutekla. Funguje to díky několika dobře známým principům:
- Personalizace – každý vidí něco jiného, přesně podle toho, co ho drží.
- Okamžitá odezva – reakce, lajky a nový obsah přicházejí během zlomku sekundy.
- Nepředvídatelné odměny – nikdy nevíte, jestli další video bude „to pravé“, a právě proto pokračujete.
- Žádný konec – feed je nekonečný, takže chybí přirozená chvíle, kdy přestat.
Tyto principy samy o sobě nejsou zlé. Jsou to poznatky o tom, jak funguje lidská motivace a pozornost. Na sociálních sítích ale slouží jedinému cíli: co nejvíc času stráveného v aplikaci, protože čas se prodává inzerentům.
Stejné principy, opačný cíl
Když se na ten seznam podíváte znovu, zjistíte, že přesně tohle potřebuje i dobrá příprava na přijímačky. Jen s jiným měřítkem úspěchu: ne „jak dlouho zůstaneš“, ale „kolik se toho naučíš za co nejkratší čas“. Proto jsme vzali osvědčené mechanismy a obrátili je:
Sociální síť se ptá: „Co ho udrží u obrazovky?“ My se ptáme: „Co ho teď nejvíc posune – a kdy je čas přestat?“
1. Personalizace: úloha přesně na hranici schopností
Psycholog Lev Vygotskij popsal tzv. zónu nejbližšího vývoje – oblast úloh, které ještě nezvládneme sami samozřejmě, ale s trochou úsilí ano. Právě tam se učíme nejrychleji. Novější výzkum to dokonce vyčíslil: tým Roberta Wilsona v roce 2019 ukázal, že učení je nejefektivnější, když je úspěšnost přibližně 85 % – tedy když zhruba každý šestý pokus nevyjde.
Náš systém proto u každé ze zhruba čtyřiceti dovedností (zlomky, procenta, vyjmenovaná slova, větné členy…) průběžně odhaduje, jak dobře ji žák ovládá. Používá k tomu model inspirovaný ratingem Elo ze šachu, který se v adaptivních výukových systémech osvědčil – mimo jiné díky výzkumu Radka Pelánka z Masarykovy univerzity. Po každé odpovědi se odhad upraví a další úloha se vybere tak, aby ji žák zvládl s pravděpodobností kolem 75 %. Do odhadu se promítá i to, jak dlouho odpověď trvala a kolik nápověd bylo potřeba.
2. Flow místo nudy a frustrace
Stav, kdy je činnost tak akorát náročná a čas letí, popsal Mihály Csíkszentmihályi jako flow. Do flow se nedostaneme, když je úkol příliš lehký (nuda) ani příliš těžký (úzkost). Proto aplikace reaguje na průběh:
- po dvou chybách za sebou zařadí úlohu, kterou žák zvládá – aby znovu naskočil,
- po chybě často následuje podobná úloha, ve které si hned ověří, že už ví, jak na to,
- po sérii rychlých správných odpovědí přidá výzvu,
- úlohy z různých témat se prokládají, aby mozek musel vždy znovu poznat, jaký postup použít.
3. Okamžitá zpětná vazba, která učí
Na sociálních sítích je okamžitá odezva lajk. U nás je to vysvětlení: po každé odpovědi žák hned ví, jestli měl pravdu, a když ne, vidí správný postup. Pokud chce, může se zeptat AI tutora (využíváme modely Claude od společnosti Anthropic), který vysvětlí, kde se v jeho konkrétní odpovědi stala chyba. Výzkum tzv. testing effect (Roediger a Karpicke, 2006) ukazuje, že aktivní vybavování si odpovědí upevňuje paměť výrazně lépe než opakované čtení.
4. Opakování ve chvíli, kdy hrozí zapomenutí
Zapomínáme předvídatelně – a předvídatelně se to dá zastavit. Metaanalýza Cepedy a kolegů (2006) potvrdila, že rozložené opakování (spacing) vede k mnohem trvalejším znalostem než nahuštěné šprtání. Aplikace si proto u každé dovednosti pamatuje, kdy ji naposledy procvičoval, a vrátí ji těsně předtím, než by vybledla. Čím jistěji ji žák ovládá, tím delší jsou mezery.
5. Hra, která motivuje – s mírou
Série dní, zkušenostní body, trofeje nebo žebříček nejsou samoúčelné. Pomáhají vybudovat návyk, a právě pravidelnost je při přípravě na přijímačky to nejcennější. Dbáme ale na to, aby herní prvky odměňovaly pokrok, ne pouhý strávený čas:
- body se získávají za správné odpovědi a za obtížnější úlohy víc, ne za klikání,
- v žebříčku se žák porovnává jen s lidmi kolem sebe a vidí, kolik bodů mu chybí – reálný a dosažitelný cíl,
- jména ostatních vidí zkrácená (křestní jméno a první písmeno příjmení),
- když jeden den vypadne, série se díky „zmrazení“ nemusí hned ztratit – nechceme stres, chceme návyk.
Kde je hranice
Některé triky z prostředí sociálních sítí jsme vědomě nepoužili:
- Žádný nekonečný feed. Učení probíhá v krátkých sprintech po deseti úlohách, každý má jasný konec a shrnutí.
- Doporučená pauza. Po zhruba 25 minutách aplikace sama navrhne přestávku – mozek si během ní nové věci ukládá.
- Konec na úspěchu. Poslední úloha sprintu bývá snazší, aby si žák odnesl dobrý pocit (tzv. peak-end efekt) a rád se vrátil.
- Žádné reklamy ani prodej dat. Vyděláváme na předplatném, ne na vaší pozornosti.
Co z toho máte
Hodinu denně u učebnice nahradí dvacet minut, ve kterých je každá úloha užitečná. Žák se neprokousává tím, co už umí, a nezasekne se u toho, na co ještě nemá. Rodič vidí, kde jsou slabá místa, a aplikace průběžně odhaduje, kolik bodů by dnes u přijímaček získal. To je ten náskok: ne víc hodin, ale lépe využité minuty.
Algoritmy pozornosti jsou mocný nástroj. Je načase je používat pro děti – ne proti nim.
Zdroje a další čtení
- Wilson, R. C., Shenhav, A., Straccia, M., & Cohen, J. D. (2019). The Eighty Five Percent Rule for optimal learning. Nature Communications, 10, 4646.
- Pelánek, R. (2016). Applications of the Elo rating system in adaptive educational systems. Computers & Education, 98, 169–179.
- Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks. Psychological Bulletin, 132(3), 354–380.
- Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning. Psychological Science, 17(3), 249–255.
- Rohrer, D., & Taylor, K. (2007). The shuffling of mathematics problems improves learning. Instructional Science, 35, 481–498.
- Csikszentmihalyi, M. (1990). Flow: The Psychology of Optimal Experience. Harper & Row.
- Kahneman, D., Fredrickson, B. L., Schreiber, C. A., & Redelmeier, D. A. (1993). When more pain is preferred to less: Adding a better end. Psychological Science, 4(6), 401–405.
Vyzkoušejte to na vlastní kůži
Krátký diagnostický test a prvních 15 úloh denně jsou zdarma.
Začít zdarma