같은 음표가 매 세션마다 등장한다. 어제도, 오늘도. bass clef의 낮은 F가 다시 나타난다.
이것은 우연이 아니다. 그 음표를 틀렸기 때문에, 또는 느렸기 때문에 다시 보내진 것이다. 약점 음표에 더 많은 반복을 할당하는 구조 — 이것이 가중치 학습의 핵심이다.
🎼 균등 연습의 한계
가장 단순한 연습 구조는 모든 음표를 동일한 빈도로 반복하는 것이다. 7개 음표 풀에서 하나씩 순서대로 나오거나, 무작위로 나오거나. 이 방식은 이미 빠르게 인식하는 음표와 느리게 인식하는 음표에 동일한 시간을 배분한다.
결과적으로, 세션 시간의 상당 부분이 이미 유창한 음표를 다시 확인하는 데 쓰인다. 약점 음표가 충분한 반복 횟수를 받지 못한 채 세션이 끝난다.
만약 10개 음표 중 3개가 느리다면, 그 3개가 전체 연습 시간의 30%를 받는 것과 60%를 받는 것은 결과가 다르다.
💡 간격과 빈도의 과학
Cepeda, Pashler 등(2006)은 방대한 분산 연습 연구를 메타분석하면서, 기억 유지와 인출 속도에 반복 간격과 빈도가 미치는 영향을 정량화했다. 핵심 발견은 두 가지다.
첫째, 빈도가 중요하다. 같은 총 연습 시간이라도, 한 번에 몰아서 하는 것보다 짧게 자주 반복하는 것이 더 오래 유지된다.
둘째, 약점에 집중하는 구조가 균등 분배보다 효율적이다. 학습이 빠른 항목은 이미 유지되고 있으므로, 더 적은 반복으로 유지 가능하다. 반면 느린 항목은 같은 유지 수준에 도달하기 위해 더 많은 반복이 필요하다.
이 두 원칙을 합치면 가중치 학습의 논리가 나온다: 약점 항목에 더 많은 반복을, 더 짧은 간격으로.
🎹 가중치 학습이 작동하는 방식
가중치 학습의 구체적 구현은 다양하지만, 기본 구조는 같다.
정답률 기반 가중치. 정답률이 낮은 음표는 다음 등장 확률이 높아진다. 오답이 발생할수록 그 음표의 가중치가 커진다. 정답이 반복될수록 가중치가 줄어들며, 다른 약점으로 자원이 이동한다.
반응 속도 기반 가중치. 정답이더라도 반응 속도가 느리면 그 음표는 추가 반복이 필요한 것으로 간주된다. 빠른 인식 = 자동화, 느린 인식 = 아직 연습이 필요함.
N+2 재출제. 틀린 음표가 즉시 다시 나오는 것이 아니라, N번째 음표 이후(N+2)에 재등장하도록 설계된 방식이다. 즉시 재출제는 단기 기억에 의존한 정답을 유발하지만, N+2 간격은 실제 인식 속도 향상을 요구한다.
Noteflex의 구현 🔍
Noteflex는 음표별 반응 시간과 정답률 데이터를 실시간 추적한다. 특정 음표에서 반응이 느리거나 오답이 발생하면, 그 음표는 retry queue에 등록되어 N+2 번째 차례에 재등장한다.
이 구조는 세션 전체에서 약점 음표가 균등 배분보다 더 많은 반복을 받도록 보장한다. 동시에, 이미 빠르게 처리되는 음표는 과도한 반복 없이 자연스럽게 유지된다.
학습자가 별도로 약점을 기록하거나 드릴을 계획하지 않아도, 세션 구조 자체가 약점에 집중된 연습을 만들어낸다.
bass clef의 낮은 F가 매 세션마다 등장하는 이유가 여기에 있다. 약점이 인식되어 재출제가 설계된 것이다. 그 반복이 충분히 쌓이면, 그 음표는 더 이상 약점이 아니다.