Fig. 3 Learning and building statis

Fig. 3 Learning and building statistics with an exponential (genetic) model.
An exponential learning curve has (maximum) two intersections with a linear
learning curve. If we choose a great enough learning time, the exponential
function will win (overtake the linear curve). But our gut feeling will tell: exponential
learning consumes much more time. When we implement learning
the Mach-Kaila way (which gives room for Gestalt processes, Psychophysics and
Erkenntnistheory and seems to “crawl” along extremely slowly), the gut feeling
tends to be dominant in time perception. In an experimental arrangement we
give exactly the same time Δt as in the linear model. The impact of the Mach-Kaila
model and the exponential slope will correct gut feeling. At the arrêt, we can
even measure transfer to other contents. The slope of the tangents to the exponential
function of learning was found experimentally by Alfred Binet (the inventor
of the intelligence scale) during experiments in the school of Vaney between
1907 and 1910 (see Fig. 4).

ผลลัพธ์ (ไทย) 1:

รูป 3 การเรียนรู้และการสร้างสถิติ ด้วยรูปแบบเนน (พันธุกรรม)เส้นโค้งการเรียนรู้มีทางแยกที่สอง (สูงสุด) กับแบบเชิงเส้นการเรียนรู้ ถ้าเราเลือกเวลาเรียนดีพอ การชี้แจงฟังก์ชันจะชนะ (แซงโค้งเชิงเส้น) แต่จะบอกความรู้สึกของเราลำไส้: เนนการเรียนรู้ใช้เวลามาก เมื่อเราปฏิบัติการเรียนรู้แบบ Mach-อี (ซึ่งช่วยให้ห้องพักสำหรับกระบวนการ Gestalt เห็น และErkenntnistheory และดูเหมือนจะ "ตระเวน" ตามช้ามาก), ลำไส้ความรู้สึกมีแนวโน้มที่ จะโดดเด่นในการรับรู้เวลา ในการจัดทดลองเราให้แน่นอนเดียวกันเวลา Δt ในรูปแบบเชิงเส้น ผลกระทบของ Mach-อีแบบจำลองความลาดเนนจะแก้ไขรู้สึกไส้ ที่ arrêt เราสามารถแม้วัดโอนเนื้อหาอื่น ๆ ความลาดเอียงของ tangents เพื่อการชี้แจงพบฟังก์ชั่นการเรียนรู้ โดยอัลเฟรด Binet (ผู้ประดิษฐ์ทดลองเครื่องชั่งข่าวกรอง) ในระหว่างการทดลองในโรงเรียน Vaney ระหว่าง1907 และ 1910 (ดูรูปที่ 4)

ผลลัพธ์ (ไทย) 2:

มะเดื่อ. 3 การเรียนรู้และการสร้างสถิติที่มีการชี้แจง (พันธุกรรม) รุ่น.
เส้นโค้งการเรียนรู้มีการชี้แจง (สูงสุด) สองสี่แยกที่มีเส้น
โค้งการเรียนรู้ ถ้าเราเลือกเวลาเรียนรู้ที่ดีพอที่ชี้แจง
ฟังก์ชั่นจะเป็นผู้ชนะ (แซงโค้งเชิงเส้น) แต่ความรู้สึกของเราจะบอก: ชี้แจง
การเรียนรู้เปลืองเวลามากขึ้น เมื่อเราใช้การเรียนรู้
วิธีที่ Mach-Kaila (ซึ่งจะทำให้ห้องพักสำหรับกระบวนการ Gestalt, psychophysics และ
Erkenntnistheory และดูเหมือนว่าจะ "รวบรวมข้อมูล" พร้อมช้ามาก) ความรู้สึกลำไส้
มีแนวโน้มที่จะโดดเด่นในการรับรู้เวลา ในการเตรียมการทดลองเรา
ให้ตรงเวลาเดียวกันΔtเป็นในรูปแบบเชิงเส้น ผลกระทบของ Mach-Kaila
รูปแบบและความลาดชันชี้แจงจะแก้ไขความรู้สึก ในarrêtเราสามารถ
แม้กระทั่งวัดถ่ายโอนไปยังเนื้อหาอื่น ๆ ความลาดชันของเสียบ้างเพื่อชี้แจง
การทำงานของการเรียนรู้ที่ถูกค้นพบโดยการทดลองอัลเฟรด Binet (นักประดิษฐ์
ของขนาดปัญญา) ในระหว่างการทดลองในโรงเรียนของ Vaney ระหว่าง
1907 และ 1910 (ดูรูปที่. 4)

ผลลัพธ์ (ไทย) 3:

รูปที่ 3 เรียนรู้และสร้างสถิติด้วยการเอกซ์โพเนนเชียล ( พันธุกรรม ) นางแบบเส้นโค้งการเรียนรู้แบบได้ ( สูงสุด ) สองแยกกับเส้นตรงเส้นโค้งการเรียนรู้ ถ้าเราเลือกเวลาเรียนไม่พอดี เอกซ์โพเนนเชียลฟังก์ชันจะชนะ ( แซงโค้งเชิงเส้น ) แต่ความรู้สึกลึกๆ ของเราจะบอก : เลขชี้กำลังการเรียนรู้ใช้เวลามากขึ้น เมื่อเราใช้เรียนรู้วิธี Kaila MACH ( ซึ่งจะช่วยให้ห้องพักสำหรับกระบวนการกลุ่มเกสตัลท์จิตวิทยาฟิสิกส์และerkenntnistheory และดูเหมือนว่าจะ " คลาน " พร้อมมาก ) , รู้สึกช้ามีแนวโน้มที่จะเด่นในการรับรู้เวลา ในการจัดเรียงแบบเราให้ตรงเวลาเดียวกันΔ T ในรูปแบบเชิงเส้น ผลกระทบของ Mach Kailaรูปแบบและความลาดชันเอกซ์โพเนนเชียลจะถูกต้องรู้สึก . ที่ออกê t เราสามารถแม้มาตรการถ่ายโอนไปยังเนื้อหาอื่น ๆ ความลาดชันของ tangents เพื่อชี้แจงการทำงานของการเรียนรู้ พบว่าผลโดย บิเนต์ ( นักประดิษฐ์ข่าวกรองของมาตราส่วน ) ในระหว่างการทดลองในโรงเรียน vaney ระหว่าง1907 และ 1910 ( ดูรูปที่ 4 )