很多人在學習時，常有一個直覺：因此，學習方法需要快速上手。
因此，是不是題目越難、接觸越多新知識，學習方法的效果就越好？
其實不一定。
有一個很有意思的研究指出，真正有效率的學習，往往發生在一個「不會太簡單、也不會太難」的區間。
這個概念被稱為：
The Eighty Five Percent Rule，也就是「85% Rule」。
85% Rule 是什麼？
2019 年，Robert C. Wilson、Amitai Shenhav、Mark Straccia 與 Jonathan D. Cohen 在《Nature Communications》發表了一篇研究：
The Eighty Five Percent Rule for optimal learning
研究探討的是：
當學習任務的難度可以調整時，什麼程度的難度，最有利於學習？
研究模型得到一個非常有趣的結果：
當學習者大約有 85% 的機率成功、約 15% 的機率犯錯時，學習速度可能最快。
更精確地說，研究推導出的最佳錯誤率約為 15.87%，也就是成功率約 84% 左右。
因此，「85% Rule」並不是說：
85% 是舊知識，15% 是新知識。
比較準確的理解應該是：
學習內容的難度，最好控制在讓你大約 80%～85% 能夠成功，但仍有約 15%～20% 的內容會讓你犯錯、思考或受到挑戰。
這個區間，可以理解成學習的「甜蜜點」。
為什麼太簡單反而學不好？
假設你每天都做自己已經完全會的題目。
例如：
10 題全部答對。
20 題全部答對。
100 題還是全部答對。
你可能會覺得：
「我很厲害，我的正確率是 100%。」
但問題是：
你的大腦幾乎沒有獲得新的學習訊號。
因為你沒有犯錯，也沒有遇到新的判斷、新的概念或新的挑戰。
這時候你做的比較像是「重複已經會的事情」，而不是「學習新的東西」。
所以：
100% 正確率，不一定代表學習效率最高。
很多時候，它反而可能代表：
題目太簡單了。
但太難也不一定有效
另一個極端，就是一次塞入大量全新的內容。
假設你做 10 題，只答對 3 題。
錯 7 題。
每一道題目都有陌生概念。
每一個選項都看不懂。
這時候雖然「新知識很多」，但也很容易產生另一個問題：
你根本不知道自己錯在哪裡。
有效的錯誤，應該是：
「我本來差一點就會，現在透過這個錯誤知道自己少理解了哪一部分。」
而不是：
「我完全不知道這題在問什麼。」
因此，學習也不是越難越好。
真正理想的狀態是：
大部分內容你有能力處理，但仍然有一小部分會逼你思考。
學習最有效率的區間：熟悉感 + 適度挑戰
這也是為什麼很多人在轉述 85% Rule 時，會把它說成：
「85% 熟悉的內容，加上 15% 的新知識。」
這句話雖然不是研究原本的精確定義，但它非常適合用來理解學習設計。
因為當一個人面對的內容大部分是熟悉的，他就有足夠的基礎去理解新的東西。
例如學英文。
如果你已經知道：
I went to Taipei yesterday.
接下來加入一點新的文法：
I would have gone to Taipei if it hadn’t rained.
雖然第二句比較難，但裡面仍然有大量你已經熟悉的英文結構。
你的大腦不是從零開始。
它是在原本的知識上，再增加一小層新的理解。
這樣的學習通常比直接丟給你一整篇完全看不懂的英文文章有效得多。
這個概念，特別適合用在考題學習
我最近在設計一個保險考題 App 時，也開始思考：
如果我們已經知道不同學習者的程度不同，為什麼所有人還要做一模一樣的題目？
傳統的題庫 App 通常很簡單：
- 從題庫隨機抽題
- 使用者答題
- 顯示正確或錯誤
- 下一題
- 最後計算分數
但這裡有一個問題。
假設有兩個使用者：
A 已經準備保險考試三個月。
B 今天第一次開始讀。
如果兩個人拿到完全一樣的題目，學習效果一定不同。
對 A 來說，可能太簡單。
對 B 來說，可能太難。
所以更合理的方式應該是：
題目的難度，要跟著使用者的能力變化。
這就是 AI 自適應學習可以發揮價值的地方。
如果把 85% Rule 放進 AI 考題 App
理想的系統，不應該只做「隨機出題」。
它應該持續觀察使用者的答題表現。
例如：
最近 20 題，你答對幾題？
哪些章節經常答錯？
哪些類型的題目已經非常熟悉？
哪些錯題反覆出現？
哪些知識點你剛學會？
然後 AI 再根據這些資訊，自動調整下一批題目。
例如：
如果最近正確率超過 90%
代表：
題目可能太簡單。
系統就應該：
增加中等題目。
增加少量困難題。
加入尚未熟悉的知識點。
而不是繼續讓使用者一直刷簡單題。
如果正確率在 80%～90%
這通常已經接近理想的學習區間。
AI 可以：
維持目前難度。
繼續穿插少量弱點題。
加入一些新的挑戰。
讓學習者一直處在：
「大部分會，但不是全部會」
的狀態。
如果正確率下降到 65%～80%
代表目前可能稍微偏難。
這時候 AI 可以：
增加簡單與中等題。
減少困難題。
重新複習最近答錯的概念。
讓學習者重新建立理解。
如果正確率低於 65%
這時候可能不是「需要更多困難題」。
而是應該：
先把基礎補起來。
例如：
降低難度。
增加錯題複習。
重新解釋觀念。
再出一題「相同概念、不同問法」的變化題。
如果還是錯，就繼續降低難度。
如果開始連續答對，再逐步提高難度。
這才是真正的自適應學習。
AI 最重要的工作，不只是「出題」
現在很多人談到 AI 教育，第一個想到的是：
讓 AI 自動產生更多題目。
但我認為這只是最基本的應用。
真正有價值的 AI，不是「產生更多內容」。
而是：
判斷現在這個人，下一步最應該學什麼。
例如同樣是保險考試。
AI 可以知道：
你的保險法規已經很熟。
人身保險普通。
保險契約很弱。
金融常識很好。
那麼下一輪，就不應該平均分配題目。
而是可以增加：
保險契約的題目。
但又不能 100% 都出弱點。
因為如果每一道題都是自己最不會的內容，學習體驗會非常挫折。
所以比較好的設計可能是：
大部分題目維持在目前能力範圍。
一部分是過去的弱點。
再加入少量新的挑戰。
這樣整個學習過程就會形成一個持續循環：
成功 → 挑戰 → 犯錯 → 修正 → 再成功 → 再提高難度
這其實才是 AI 個人化學習真正有趣的地方。
錯題不是失敗，而是學習資料
在傳統考試裡，答錯通常只是：
扣分。
但在 AI 學習系統裡，答錯其實是一個非常重要的訊號。
因為每一次錯誤，都可以告訴系統：
使用者可能不理解哪個知識點。
哪種題型容易混淆。
哪兩個概念容易搞錯。
哪一個章節需要重新複習。
例如使用者答錯一題「保險契約成立」的問題。
好的 AI 系統不應該立刻再出完全相同的題目。
因為那很容易變成：
記答案。
更好的做法是：
過幾題之後，再出一題：
相同概念，但換一個情境、換一個問法、換一組選項。
如果使用者這次答對，代表他可能真的理解了。
如果再次答錯，就表示這個知識點仍然沒有掌握。
此時 AI 再提高它的複習權重。
這就是錯題真正可以產生的價值。
最終目標不是 100 分，而是持續進步
很多學習 App 最喜歡顯示：
98 分。
100 分。
連續答對 50 題。
這些數字當然可以帶來成就感。
但如果目標是真正的學習，另一個問題可能更值得問：
你現在做的題目，真的符合你的能力嗎？
如果一個使用者長期保持 100% 正確率，AI 可能應該告訴他：
目前題目對你來說偏簡單，我們會逐步提高挑戰。
如果正確率只有 50%，AI 也不需要只是告訴他：
你答錯很多題。
而可以改成：
目前題目難度偏高，我們先加強你的弱點，再逐步提高難度。
這其實是一種完全不同的產品思維。
從：
評分系統
變成：
學習系統。
85% Rule 給 AI 教育的一個重要啟示
85% Rule 最值得我們思考的，不是那個數字本身。
而是它背後的一個概念：
最好的學習，通常發生在能力邊界附近。
太簡單，沒有成長。
太困難，無法吸收。
最好的狀態是：
你大部分做得到，但偶爾會被難倒。
而 AI 最大的優勢，就是它有機會持續觀察這條「能力邊界」。
以前老師面對 30 個學生，很難讓每個人的題目都不一樣。
但 AI 系統可以。
每個人的：
正確率不同。
弱點不同。
學習速度不同。
熟悉的章節不同。
那麼理論上，每個人的「下一題」也應該不同。
這可能才是 AI 在教育與考試學習上，真正值得期待的方向。
最後
如果要用一句話總結 85% Rule，我會這樣說：
不要讓學習者一直做已經會的題目，也不要讓他一直面對完全不會的內容；最有效的學習，是讓大部分內容能成功，同時保留一小部分真正需要思考的挑戰。
而當我們把這個概念加入 AI 考題系統之後，考題 App 就不再只是「題庫」。
它開始有機會變成：
一個真正知道你現在會什麼、不會什麼，並且知道下一步該讓你學什麼的 AI 教練。