一篇2019年发表在《自然通讯》（Nature Communications）上的论文，由罗伯特·威尔逊、阿米泰·申哈夫、马克·斯特拉恰和乔纳森·科恩共同撰写，发现对于一大类学习算法来说，当训练错误率维持在大约15.87%（也就是大约85%的正确率）时，训练进步得最快。 全部答对，意味着学习者在早已掌握的东西上白白浪费了尝试的机会。错得太多，信号又会变得嘈杂、没什么价值。中间存在一个最佳区间，它更接近「大部分答对，偶尔答错」，而不是「永远全对」。
这篇论文到底研究了什么
威尔逊及其同事的研究领域是计算学习理论，他们建模的对象是基于梯度下降的学习系统——这是一套既用于训练人工神经网络，也被用来为动物和人类身上生物学上合理的学习过程建模的数学框架，研究它们在什么条件下进步最快。他们推导出，对于涉及二元选择（对或错，这个或那个）的任务，能让进步速度最大化的最佳训练错误率大约是15.87%，也就是大约85%的正确率。
这个结果背后的直觉是这样的：一项学习者已经能做到百分之百正确的任务，几乎提供不了任何新信息——已经没有什么可以纠正的了。一项学习者只有50%正确率（对于二选一任务来说，这已经接近纯猜测的水平）的任务，则难到让错误变得嘈杂、没有信息价值——学习者根本分不清具体是哪里出了问题。介于两者之间的某个位置，错误出现的频率足以携带真正有价值的信号，提示问题出在哪里，但又不至于频繁到大部分练习都落了空。
一个必须说清楚的诚实提醒
有必要精确说明这篇论文到底主张了什么、没有主张什么，因为「85%法则」在教育和edtech营销领域，被引用得比原始研究支持的范围要宽泛得多。这个推导专门针对的是在类梯度下降学习规则下的二选一分类式任务——更接近一只老鼠学习区分两种视觉图案，而不是一个Year 9学生写一整篇数学证明。论文本身并没有主张每一项课堂任务都应该被精确调校到85%的正确率。把「85%」当成KS3作业的字面通用目标，是论文本身没有作出的一种外推。
论文真正支持的、更谨慎的结论是这个想法背后的基本形状：对于具有明确对错结构的任务而言，学习速度最快的区间是中等难度——大部分成功，也经常失败——而不是任何一个极端。
这对读懂成绩单或作业分数意味着什么
谨慎地读，这个结论对一个常见的本能反应依然构成了挑战。家长通常把高分——95%、100%——当成毫无疑问的好消息。根据这项研究，一个在练习中始终全对的KS3学生，未必真的过得很好；他很可能只是在自己实际水平以下工作，这项任务已经不再产生任何新信息。而一个明显答错了不少题、但又没有被压垮的学生，可能反而学得更快，即便纸面上的分数看起来更差。
这和心流区间直接相关：一个接近100%的正确率，正是契克森米哈赖模型所描述的「无聊」这种失败方式的一个具体、可测量的症状，而不是一切进展顺利的标志。
用这个视角看，什么才算是『校准得当的难度』
与其追求一个具体的百分比，对家长或导师来说，更有用的操作性问题是方向性的：错误率更接近于零（说明任务太简单，难度该往上调），还是更接近于纯猜测水平（说明任务太难，难度该往下调）？一个能追踪学生实时正确率、并据此调整难度、让真正有价值的错误持续出现——不是零错误，也不是压垮式的错误——的导师，即便没有精确瞄准15.87%这个数字，也是在实践这项研究背后的精神。
常见问题
什么是『85%法则』？
2019年威尔逊、申哈夫、斯特拉恰和科恩在《自然通讯》上发表的发现：对于一类基于梯度下降的学习模型，当错误率维持在大约15.87%（约85%正确率）时，训练进步得最快。
85%法则是不是意味着孩子每次作业都应该刚好答对85%？
不是——这篇论文针对的是特定的二选一学习任务，而不是任意的课堂作业。真正有用的启示是方向性的：接近100%的正确率，通常意味着这项任务已经教不出新东西了。
为什么全部答对反而可能是一个不太好的信号？
一项零错误完成的任务提供的新信息很有限——学习者只是展示了一件自己早就会的事。学习是靠不断遇到并纠正真实的错误来推动的。
相关阅读
Duke Harewood 于 aitutors.me 撰写方法论。2026年7月11日更新。