Learning Fatigue و Anti-overlearning Detection

وقتی پافشاری دیگر به‌وضوح نشانهٔ خوب نیست

یک یادگیرنده هفتاد دقیقه روی تمرین‌های کدنویسی کار کرده است. در ابتدای جلسه، پاسخ‌ها سریع و دقیق‌اند؛ اما در بخش پایانی، latency بالا می‌رود، error rate تقریباً دو برابر می‌شود و استفاده از hint بیشتر می‌شود. با این حال خود یادگیرنده هنوز گزینهٔ continue را انتخاب می‌کند. یک سیستم ساده ممکن است فوراً برچسب «خسته» بزند و او را مجبور به توقف کند؛ سیستم سادهٔ دیگری هم ممکن است persistence را موفقیت بداند و تمرین بیشتری تزریق کند.

هر دو میان‌بُر مشکل دارند. پلتفرم رفتار را مشاهده می‌کند، نه یک وضعیت پزشکی یا درونی را. در این درس Learning Fatigue, Pacing & Recovery Signal Contract v1 را می‌سازیم: رکوردی محدود و قابل‌ممیزی که duration، attempt، روند latency/error/hint، spacing، recent load، retention evidence بعدی، ترجیح learner و review state را کنار هم نگه می‌دارد.

قوی‌ترین حالت موفق LEARNER_CHOICE_REVIEW_REQUIRED است؛ یعنی evidence برای پیشنهاد یک انتخاب pacing یا تغییر route کافی است، نه برای diagnosis. evidence ناقص یا متناقض باید UNKNOWN، INCONCLUSIVE یا HOLD بماند.

مسیر درس و مرز مالکیت

MKN-014 مالک signalها و boundaryهای مربوط به pacing/fatigue است. MKN-013 پیش‌نیاز سخت است تا pause یا recovery به ابزار تنبیه یا دستکاری motivation تبدیل نشود. MKN-015 مالک weighted project progress است و این درس نباید آن outcome را جذب کند.

در مسیر Foundation یک baseline session را از telemetry تا تصمیم محدود دنبال می‌کنیم. در مسیر Repair اولین evidence خراب یا مفقود را جدا می‌کنیم. در مسیر Experienced باید نشان بدهی چرا latency به‌تنهایی وضعیت سلامت را ثابت نمی‌کند، چرا retention بعدی می‌تواند برداشت اولیه را تغییر دهد و چرا learner override باید visible بماند.

Checkpointها: F1 جداسازی observable drift از diagnosis؛ F2 رد کردن یک single-signal shortcut؛ F3 recompute کردن intervention وقتی همان telemetry بعد از فاصلهٔ یک‌هفته‌ای با retention قوی و ترجیح صریح learner برای session طولانی ظاهر می‌شود.

مدل ذهنی: مشاهده → زمینه → عدم‌قطعیت → انتخاب برگشت‌پذیر → verification بعدی

جریان پایه این است:

session telemetry → spacing + recent load → multi-signal performance trend → retention context → bounded signal class → optional pause/lighter retrieval/continue → learner override → later retention verification

مرز مهم، جداسازی transient performance از persistent learning است. کند شدن پاسخ در انتهای session می‌تواند با یادگیری مفید هم‌زمان باشد؛ سرعت بالا هم لزوماً retention خوب نمی‌سازد. پس telemetry جلسه فقط evidence از رفتار همان session است، نه توصیف کامل learning state.

Pause recommendation یک intervention proposal است، نه health statement. باید reversible، learner-visible و non-punitive باشد. اگر learner آن را override کرد، سیستم تصمیم را ثبت می‌کند و monitoring را ادامه می‌دهد؛ disagreement نباید به penalty تبدیل شود.

قرارداد پایه: شانزده بُعد Evidence

ابعاد فریز‌شده عبارت‌اند از learning_session_id، task_family، session_duration، attempt_count، response_latency_trend، error_rate_trend، hint_rate_trend، spacing_interval، recent_practice_load، retention_check_ref، performance_delta، fatigue_signal_class، medical_diagnosis_forbidden، pause_recommendation، learner_override و review_state.

حداقل invariantها:

1. session identity و task family صریح‌اند.
2. duration و attempt count به‌تنهایی diagnostic نیستند.
3. latency، error و hint trend جدا نگه داشته می‌شوند.
4. spacing و recent load visible هستند.
5. retention evidence در صورت وجود به reference مشخص متصل است و نبودش پنهان نمی‌شود.
6. performance_delta comparison point روشن دارد.
7. fatigue_signal_class product signal است، نه medical label.
8. medical_diagnosis_forbidden=true باقی می‌ماند.
9. pause/recovery برگشت‌پذیر و بدون penalty است.
10. learner override ثبت می‌شود.
11. evidence متعارض به UNKNOWN/INCONCLUSIVE/review می‌رود.
12. با تغییر spacing یا retention، route از نو محاسبه می‌شود.

توضیح عمیق: Spacing و افت موقت Performance، Break Timer جهانی نیستند

Distributed practice — FACT. پژوهش‌های spacing نشان می‌دهند توزیع فرصت‌های مطالعه می‌تواند retention را بهتر کند، اما فاصلهٔ مناسب به task و retention condition وابسته است. پس درس spacing را contextual evidence می‌گیرد و یک قانون جهانی «هر N دقیقه استراحت» نمی‌سازد.

Persistent در برابر transient — FACT. یک چارچوب practice schedule در motor learning، فرایندهای پایدار learning/forgetting را از فرایندهای گذرای warm-up و fatigue جدا می‌کند. برای طراحی محصول، این جداسازی مهم است چون end-of-session performance الزاماً هم‌معنای later retention نیست.

Multi-signal decision — INFERENCE. ترکیب latency/error/hint با spacing، recent load و later retention از برچسب‌زنی بر اساس یک metric امن‌تر است. retention قوی بعدی می‌تواند recommendation اولیه را ضعیف یا عوض کند.

Medical boundary — DESIGN. MAKNOW diagnosis پزشکی از learning telemetry را ممنوع می‌کند. pause/recovery باید optional، visible، reversible و قابل review باشد. thresholdها و windowها authority داخلی طراحی‌اند، نه نتیجه‌ای که از منابع بیرونی مستقیماً استخراج شده باشد.

مثال‌های حل‌شده: Telemetry مشابه، تصمیم متفاوت

Baseline. Session S-014-A هفتاد دقیقه طول می‌کشد. latency حدود ۳۸٪ بالا می‌رود، error rate از ۹٪ به ۲۱٪ می‌رسد و hint use از 0.12 به 0.27 در هر attempt افزایش می‌یابد. فاصله با session مشابه قبلی فقط ۲۰ دقیقه و recent load زیاد است. delayed retention هنوز نداریم. سیستم POTENTIALLY_UNPRODUCTIVE_PATTERN ثبت می‌کند، optional pause یا lighter retrieval پیشنهاد می‌دهد و state را LEARNER_CHOICE_REVIEW_REQUIRED نگه می‌دارد.

Wrong approach. قانون «latency +30% = fatigued» رد می‌شود چون یک observable trend را به diagnosis تبدیل می‌کند و error/hint/spacing/retention را نادیده می‌گیرد.

Transfer. بعد از یک هفته، همان الگوی latency/error/hint دیده می‌شود اما delayed retention قوی است و learner صریحاً session طولانی را ترجیح می‌دهد. route باید از evidence جدید ساخته شود و ممکن است continue + lighter retrieval + later verification بهتر از کپی pause قبلی باشد.

Failure Modeهایی که باید دیده شوند

در این شرایط fail-closed می‌شویم:

• فقط یک telemetry signal داریم ولی سیستم label قطعی می‌خواهد؛
• medical_diagnosis_forbidden false است یا vocabulary تشخیصی استفاده شده؛
• spacing/recent-load ناقص است اما سیستم overlearning اعلام می‌کند؛
• retention evidence با برداشت اولیه تناقض دارد و نادیده گرفته می‌شود؛
• pause اجباری، تنبیهی یا متصل به از دست‌دادن reward است؛
• learner override حذف می‌شود؛
• baseline recommendation بدون recompute به context جدید کپی می‌شود؛
• provenance برای comparison window یا retention check ناقص است.

توانایی گفتن «evidence کافی نیست» بخشی از کیفیت سیستم است.

گزینه‌ها و Trade-offها: چهار Route بدون امتیاز جادویی

چهار پاسخ دفاع‌پذیر داریم: continue unchanged، optional pause، lighter retrieval یا learner/human review. هیچ single score نباید دلیل انتخاب را پنهان کند.

Pause کم‌هزینه و reversible است ولی ممکن است deliberate practice مفید را قطع کند. Continue باعث عدم‌وقفه می‌شود اما در افت واقعی performance می‌تواند وقت را هدر دهد. Lighter retrieval engagement را حفظ می‌کند ولی objective تمرین را کمی تغییر می‌دهد. Human review کندتر است اما برای evidence متناقض مناسب‌تر است.

Duration به‌تنهایی advisory است. multi-signal decline همراه با spacing فشرده و recent load زیاد می‌تواند pacing prompt را توجیه کند، اما later retention قوی ممکن است همان recommendation را تضعیف کند.

پل برای Experienced: از Heuristic Nudge به State Transition قابل‌ممیزی

برای طراحی حرفه‌ای، MKN-014 را state machine ببین، نه «fatigue model». feature pipeline می‌تواند summary بسازد ولی boundary محصول بعد از feature computation اعمال می‌شود:

• raw telemetry evidence تغییرناپذیر می‌ماند؛
• derived trend comparison window دارد؛
• retention check به event بعدی مشخص متصل است؛
• signal class vocabulary پزشکی ندارد؛
• intervention state از reward/discipline جداست؛
• override event درجه‌یک است؛
• هر route change rule version و evidence ref دارد.

این معماری recalibration بعدی را هم امن می‌کند: threshold جدید می‌تواند evidence تاریخی را دوباره ارزیابی کند بدون اینکه وانمود شود policy جدید همیشه وجود داشته است.

تمرین هدایت‌شده و مستقل

Guided: lab://MKN-014/MKN-014-LAB1 را اجرا کن. توضیح بده چرا سه trend انتهای session همراه با spacing کوتاه و recent load زیاد، pacing prompt را توجیه می‌کند اما medical label را نه.

Repair: یک single-fault fixture را اجرا کن و invariant شکسته و کوچک‌ترین repair را نام ببر. نبود یک field را با metric مثبت نامرتبط جبران نکن.

Independent: transfer یک‌هفته‌ای را بدون دیدن label baseline حل کن. spacing جدید، delayed retention قوی و learner preference را مستقل recompute کن. artifact باید override و provenance را حفظ کند و baseline_oracle_reuse=false باشد.

Evidence لازم برای Verification

صرف «اجرا شد» کافی نیست. reviewer باید بتواند state را از synthetic evidence بازتولید کند.

Checkها: وجود همهٔ شانزده dimension؛ ممنوع بودن diagnosis؛ وجود حداقل دو signal رفتاری برای claim قوی؛ حضور spacing/recent load؛ recompute هنگام contradiction در retention؛ حفظ learner override؛ reversible/non-punitive بودن pause؛ provenance؛ recomputed_from_changed_evidence=true در transfer و baseline_oracle_reuse=false.

Lab برای missing telemetry، diagnostic labeling، missing context، ignored retention contradiction، punitive pause، dropped override، missing provenance و transfer oracle reuse تست deterministic دارد.

Assessment و Transfer

S1: توضیح بده چرا response latency به‌تنهایی Learning Fatigue را ثابت نمی‌کند.

S2: برای baseline هفتاددقیقه‌ای Signal Contract را بساز و یک intervention محدود را توجیه کن.

S3: spacing را کوتاه کن درحالی‌که total practice ثابت است؛ بگو کدام context field عوض شده و چرا route باید reconsider شود.

S4: همان telemetry بعد از فاصلهٔ یک هفته، retention قوی و preference صریح learner برای session طولانی دیده می‌شود. بدون کپی baseline، intervention را recompute کن.

قبولی نیازمند uncertainty visible، vocabulary غیرتشخیصی، learner choice و transfer مستقل است.

منابع، Freshness و مرز Authority

PUBMED-DISTRIBUTED با PMID 20580350 یک مرور بنیادی دربارهٔ distributed-practice effect است. این منبع از اهمیت spacing برای retention پشتیبانی می‌کند، اما یک break interval جهانی ارائه نمی‌دهد.

PUBMED-PRACTICE با PMID 29684760 فرایندهای persistent learning/forgetting را از transient warm-up/fatigue در چارچوب motor-learning جدا می‌کند. این مرزبندی برای طراحی signal مفید است اما diagnostic classifier برای همهٔ learning taskها نیست.

هر دو منبع در 2026-09-13 دوباره بررسی شدند و با sourceهای فریز‌شدهٔ Bible تطبیق دارند. Signal class، pause vocabulary، threshold، learner-override policy و medical-boundary rule همگی DESIGN داخلی MAKNOW هستند و تغییرشان نیازمند version/change-control است.