Waarom is dit belangrijk?
Met error-driven learning kunnen machines een taak oefenen en hun aanpak verbeteren wanneer een beweging mislukt, ook zonder een volledig voorbeeld. In de zorg gebruiken onderzoekers dit bij een loophulpmiddel dat iemand helpt om na een duw weer stabiel te staan. Voor patiënten en zorgverleners betekent dat gerichtere steun bij oefenen, maar die steun past minder goed als lichaam of situatie afwijkt van de training.
Zo werkt het in de praktijk
Error-driven learning wordt gebruikt in computervisie en in taaltechnologie, bijvoorbeeld bij beeldinterpretatie, woordsoorten, zinsontleding en naamherkenning. Het mechanisme vormt ook de kern van tekstherkenning, automatische vertaling en autonoom rijden.
Een studie in Behavior Research Methods onderzoekt error-driven learning in eenvoudige netwerken met twee lagen. Een aanwijzing krijgt dan meer gewicht als die de uitkomst beter voorspelt. Een tutorial bij het artikel laat dat zien met simulaties.
Het Rescorla–Wagner-model beschrijft dit in de cognitiewetenschap: een koppeling verandert alleen als de uitkomst afwijkt van de verwachting. In neurale netwerken doet backpropagation iets vergelijkbaars, door de uitgangsfout te gebruiken om gewichten in de lagen bij te stellen.




