一般化する前に同じ原理の複数の異なる例を学ぶ

深い原理を共有しつつ表面的な特徴の異なる例を比較することは、似た例の反復よりも速く転移可能な知識を構築する。

Why it works

単一のワークト・イグザンプルは、その特定の例の表面的な特徴に過剰適合しているかもしれないスキーマを構築する——機械学習における過剰適合に類似した形だ。文脈、数字、表面的な提示は異なるが同じ根底にある原理を共有する複数の例を比較することは、学習者に文脈から原理を抽出することを強い、それが転移可能なスキーマを生み出す。例の間での類推形成がメカニズムだ:多様な表面を横断する共有された深層構造が不変の原理を明らかにする。

How to do it

1. 学びたい原理ごとに、表面的な特徴は異なるが同じ解答構造を共有する少なくとも3つのワークト・イグザンプルを集める。
2. 各例を学んだ後、特定する:「すべてに共通するものは何か?構造的なパターンは何か?」
3. その構造的なパターンを、進む前に文章で書く。
4. 自分で新しい例を生成し解くことでスキーマをテストする。

エビデンス

カトランボーンとホリオーク(1989)は、問題を解く前に2つの類似した例を比較した学生が、1つの例だけを学んだ学生よりも良い遠転移を示したことを示した。これは複数例変動のアプローチを直接支持している。 (rct)

比較は初心者にとって労力を要する。その効果は、学習者が共有される構造を認識するのに十分な事前知識を持っているかどうかに依存する——完全に新しい領域はもっとシンプルな出発点を必要とするかもしれない。

出典

• Catrambone & Holyoak (1989), Overcoming contextual limitations on problem-solving transfer, Journal of Experimental Psychology: Learning, Memory, and Cognition

よくある間違い

表面的な特徴だけでなく原理も異なる複数の例を学ぶこと——これは重要な変動とそうでない変動を混同することで、スキーマを統合するのではなく分断してしまう。