5D Library › 学习的85%最优错误率定律、髓鞘化动力学与刻意练习 · English
第六章 反馈的时机与粒度
反馈越多越好吗
几乎所有关于练习的建议都强调反馈：要知道自己做得对不对、错在哪里。这在大方向上没错，但研究给出的图景比「越多越好、越快越好」复杂得多。反馈可以帮助学习，也可以替代学习；它可以把注意力引向任务，也可以把注意力引向「我是不是一个笨人」。
指导假说
证据
萨尔莫尼、施密特与沃尔特 1984。 这篇综述重新审视了运动学习中关于「结果知识」（knowledge of results，KR，即告诉学习者动作的结果，如误差多少毫秒）的大量研究 (Salmoni et al. 1984)。作者指出，许多研究只在练习过程中测量表现，而练习时的表现混合了暂时性的影响；要判断学习，需要在撤去反馈之后、隔一段时间再做保持测验或迁移测验。在此基础上形成的指导假说认为：外部反馈像向导一样把学习者引向目标，因此提高了练习时的表现；但如果每一次都有反馈，学习者可能依赖它，而不去加工自己身体内部的反馈信息、发展自己的误差检测能力，一旦撤去外部反馈，表现就会下降。
证据
温斯坦与施密特 1990。 在一项需要再现特定时间—空间模式的动作任务中，一组每次试次都得到 KR（100%），另一组得到的 KR 较少（平均约 50%，且随练习逐渐「淡出」）。两组在练习中的表现相近，但在一天后不给反馈的保持测验中，减少反馈的一组表现更好 (Winstein and Schmidt 1990)。这一结果常被引作指导假说的证据。
证据
重复与元分析。 后来的研究结果并不一致。麦凯等人 2022 年的元分析汇总了比较 100% 反馈与减少反馈频率的实验，发现减少反馈的益处在延迟保持测验上也只有很小的平均效应，而且延迟测验与即时测验之间的差别不显著，也就是说，没有得到指导假说所预言的「益处在撤去反馈后才显现」的模式 (McKay et al. 2022)。所以，「减少反馈频率能促进运动学习」应当看作一个证据不稳定的结论，而不是可以照搬的规则。
平均效应掩盖了什么
证据
克鲁格与德尼西 1996。 这项元分析汇总了反馈干预对表现的影响（607 个效应量）。平均效应量为 d = 0.41，但超过三分之一的反馈干预降低了表现 (Kluger and DeNisi 1996)。他们提出的解释是：把注意力引向任务本身细节的反馈往往有益，把注意力引向自我（「你很聪明」「你不如别人」）的反馈往往有害。哈蒂与廷珀利 2007 年的综述提出了类似的框架：好的反馈回答三个问题（目标是什么？我现在离目标多远？下一步做什么？），作用于四个层次——任务、过程、自我调节与自我；其中针对「自我」的表扬对学习的帮助最小 (Hattie and Timperley 2007)。
两部分。第一部分：如果反馈干预的效应量服从正态分布（示意性的假设），平均 0.41、三分之一低于零，那么分布有多宽？第二部分：一个指导假说的玩具模型。学习者练习一个 500 毫秒的计时动作，最初偏差 +120 毫秒；有外部反馈（KR）时纠正观察到误差的 30%；没有 KR 时只能依靠自己对误差的估计，这个估计的噪声随「真正注意自身反馈」的试次数增加而减小。关键参数是「投入」：在有 KR 的试次上，学习者有多大概率仍然先自己估计一下。作者构造的模型，参数为示意值。
推导
# Part 1: Kluger & DeNisi (1996) mean d = 0.41, a third negative: implied spread if normal.
# Part 2 (author's toy model): 500 ms timing task, bias +120, motor SD 40; KR corrects 30 % of
# error; own estimate noise 120/sqrt(1 + n/8), n = trials attending to own feedback (always
# without KR, with prob. "engage" with KR). Retention: drift SD 30, own-estimate correction.
import math, random
from statistics import NormalDist, fmean
mu, frac = 0.41, 1 / 3
sd = mu / -NormalDist().inv_cdf(frac)
D = NormalDist(mu, sd)
print(f"Part 1: mean d = {mu}, one third below zero -> SD of effects about {sd:.2f}")
print(f" share below -0.2: {D.cdf(-0.2):.0%}; between 0 and 0.4: {D.cdf(0.4) - D.cdf(0):.0%};"
f" above 0.8: {1 - D.cdf(0.8):.0%}")
def schedule(name, n=120):
if name == "100 %":
return [True] * n
if name == "50 %":
return [i % 2 == 0 for i in range(n)]
return [random.Random(i).random() < max(0.0, 1 - i / (0.8 * n)) for i in range(n)]
def learner(sched, engage, seed):
rng = random.Random(seed)
bias, n_att, acq = 120.0, 0, []
for kr in sched:
err = bias + rng.gauss(0, 40)
acq.append(abs(err))
own = err + rng.gauss(0, 120 / math.sqrt(1 + n_att / 8))
if kr:
bias -= 0.3 * err
n_att += rng.random() < engage
else:
bias -= 0.3 * own
n_att += 1
bias += rng.gauss(0, 30)
ret = []
for _ in range(30):
err = bias + rng.gauss(0, 40)
ret.append(abs(err))
bias -= 0.3 * (err + rng.gauss(0, 120 / math.sqrt(1 + n_att / 8)))
return fmean(acq[-40:]), fmean(ret)
print("Part 2: mean absolute error (ms), last 40 practice trials / one-day retention test")
print("KR schedule | engage = 0.1 (strong guidance) | engage = 0.9 (learner self-estimates)")
for name in ("100 %", "50 %", "faded"):
cells = []
for engage in (0.1, 0.9):
r = [learner(schedule(name), engage, s) for s in range(2000)]
cells.append(f"{fmean(a for a, _ in r):5.1f} / {fmean(b for _, b in r):5.1f}")
print(f"{name:11s} | {cells[0]} | {cells[1]}")
# Part 1: mean d = 0.41, one third below zero -> SD of effects about 0.95
# share below -0.2: 26%; between 0 and 0.4: 16%; above 0.8: 34%
# Part 2: mean absolute error (ms), last 40 practice trials / one-day retention test
# KR schedule | engage = 0.1 (strong guidance) | engage = 0.9 (learner self-estimates)
# 100 % | 34.7 / 43.2 | 34.7 / 36.6
# 50 % | 36.1 / 37.7 | 35.5 / 36.8
# faded | 37.3 / 37.6 | 36.2 / 36.9第一部分的算术说明，「平均效应 0.41」与「三分之一的干预有害」并不矛盾：在这个正态假设下，效应量的标准差约为 0.95，约 26% 的干预效应低于 −0.2，同时约 34% 高于 0.8。平均数背后是一个非常宽的分布，问题不在于「要不要反馈」，而在于「什么样的反馈」。
第二部分的模型显示了指导假说的逻辑，也显示了它的条件性。当学习者在有 KR 时几乎不自己估计（投入 0.1），每次都给 KR 在练习中最好（最后 40 次的平均误差 34.7 毫秒），但在一天后的保持测验中最差（43.2 毫秒）；减少到 50% 或逐渐淡出的反馈，练习时稍差，保持测验中好得多（约 37.6–37.7 毫秒）。但当学习者在有 KR 时也习惯先自己估计（投入 0.9），100% 反馈在保持测验中同样好（36.6 毫秒），减少反馈不再有优势。也就是说，在这个模型里，起作用的不是反馈的频率本身，而是学习者有没有加工自己的误差信息。这或许是减少反馈频率的实验结果不一致的原因之一，但这是作者的推测，需要实验检验。
假说 · 尚未验证 · 先自评、后反馈
尚未确立。 作者推测：在练习中要求学习者在看到反馈之前先估计自己的误差（「我觉得长了大约 50 毫秒」），可以消除每次都给反馈的不利影响，使 100% 反馈在保持测验中不劣于减少反馈。可检验的设计是 2 × 2：反馈频率（100% 或 50%）× 是否先自评。如果「先自评」对 100% 反馈组的保持测验没有帮助，或者两种频率在不自评时本来就没有差别，这个推测就得不到支持。
什么时候立即纠错，什么时候延迟
把上述研究与第四、五章放在一起，作者的归纳（不是单一研究的结论）如下。倾向于立即纠错的情形：错误可能造成伤害（实验室操作、驾驶、器械使用）；同一个错误在得到反馈前会被大量重复（例如整套作业都用错了公式）；以及学习者还没有任何内部标准的初学阶段。梅特卡夫的综述指出，只要随后得到纠正，学习中犯的错误通常不会被「固化」，高自信的错误在纠正后甚至更容易改正；前提是有纠正 (Metcalfe 2017)。可以考虑延迟或减少反馈的情形：学习者已有一定的自我评估能力，目标是在没有外部反馈时也能发现错误；提取练习之后先尽力回忆、再给答案（第四章）；以及希望保留学习者的元认知判断，例如先打信心分再看反馈。无论哪种情形，反馈都应当指向任务与过程，而不是指向人。
本章小结
指导假说认为，每次都给外部反馈会提高练习时的表现，却可能削弱学习者对自身误差的加工；温斯坦与施密特发现减少反馈频率有利于保持，但后来的元分析没有得到稳定的支持。克鲁格与德尼西发现反馈干预的平均效应为 d = 0.41，却有三分之一以上使表现变差；指向自我的反馈尤其可能有害。模型显示，关键或许不在于反馈的频率，而在于学习者是否加工自己的误差信息。立即纠错适用于安全、错误会被大量重复与初学阶段；延迟或减少反馈适用于需要发展自我评估的阶段。下一章把这些现代研究与中国古代的学习思想并读。
参考文献
Fan, Y. (2026). The 85% Rule for Optimal Learning, Myelination Kinetics and Deliberate Practice: From Stochastic Gradient Descent and the Zone of Proximal Development to Spaced Repetition, Read Beside Classical Chinese Learning Theory [学习的85%最优错误率定律、髓鞘化动力学与刻意练习] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23761339 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).