Il curriculum adattivo di Amal è basato sulla Half-Life Regression (HLR), un modello di memoria in cui ogni elemento di apprendimento ha una "emivita" — il tempo necessario affinché la probabilità di richiamo scenda al 50%. La formula p(richiamo) = 2^(-Δ/h) guida la programmazione: gli elementi da rivedere vengono proposti prima che il bambino dimentichi, mentre quelli già acquisiti sono distanziati nel tempo. Combinato con l'adattamento della difficoltà basato sulla persona, questo crea un percorso di apprendimento veramente personalizzato per ogni bambino.
La matematica dietro la memoria
Modello di decadimento esponenziale
La memoria non svanisce in modo lineare, ma segue una curva esponenziale. Dopo la revisione di un concetto:
- Immediatamente dopo la revisione: probabilità di richiamo 100%
- Dopo h ore: probabilità di richiamo 50% (per definizione di emivita)
- Dopo 2h ore: probabilità di richiamo 25%
- Dopo 4h ore: probabilità di richiamo 6,25%
Esempio pratico: apprendimento della parola "كتب" (scritto)
| Evento | Ora | Emivita | Prob. Richiamo | Prossima Revisione |
|---|---|---|---|---|
| Apprendimento iniziale | Giorno 1, 14:00 | 4h | 100% | ~18:00 |
| Revisione corretta | Giorno 1, 18:00 | 8h | 98% | Giorno 2, 10:00 |
| Revisione corretta | Giorno 2, 10:00 | 16h | 92% | Giorno 3, 14:00 |
| Revisione corretta | Giorno 3, 14:00 | 32h | 87% | Giorno 5, 22:00 |
| Revisione corretta | Giorno 5, 22:00 | 64h | 81% | Giorno 8, 20:00 |
| Memoria stabile | Giorno 8, 20:00 | 128h | 79% | Settimana 2 |
Dopo 5 revisioni corrette, "كتب" viene ripassata circa ogni 5 giorni. Il bambino ha dedicato circa 30 minuti totali a questa parola e ora è in grado di richiamarla in modo affidabile.
Adattamento della difficoltà basato sulla persona
Il sistema identifica automaticamente tre profili basati sulle abitudini di attività:
Persona Principiante
- Rapporto: 60% contenuti nuovi | 30% revisione | 10% sfida
- Esempio sessione: 3 lettere nuove, 2 revisioni lettere, 1 parola facile
- Transizione automatica con mastery_score > 0.65
Persona Intermedia
- Rapporto: 40% contenuti nuovi | 40% revisione | 20% sfida
- Esempio sessione: 2 parole nuove, 2 revisioni parole, 1 sfida media
- Transizione automatica con mastery_score > 0.78
Persona Avanzata
- Rapporto: 20% contenuti nuovi | 40% revisione | 40% sfida
- Esempio sessione: 1 frase nuova, 2 revisioni, 3 esercizi di comprensione impegnativi
- Per studenti esperti prolungati
Nessuna selezione manuale richiesta — il sistema si adatta automaticamente in base alle capacità del bambino.
Mix di contenuti a slot (Content Duo)
Ogni lezione adattiva miscela tre "slot" di contenuti:
[Slot Contenuto Nuovo] (Elementi non ancora visti dal bambino)
↓
[Slot Revisione] (Elementi da rivedere con ripetizione dilazionata)
↓
[Slot Sfida] (Elementi leggermente sopra il livello attuale)
La proporzione si modifica dinamicamente durante la sessione:
- Se il bambino fatica: più slot di revisione
- Se il bambino eccelle: più slot di sfida
- L’adattamento in tempo reale della persona mantiene l’engagement ottimale
Architettura di implementazione
Modello dati del database (UserItemMemoryModel):
user_id: "user_123"
item_id: "letter_ba"
concept_strength: 0.87 # scala 0-1
half_life_hours: 32
exposures: 7
correct_count: 6
last_reviewed_at: 2026-03-28 18:45
next_review_due_at: 2026-03-30 20:45
Funzioni principali:
calculate_half_life(): regola h dopo ogni tentativo- Risposta corretta: h = h × 2 (memoria si rafforza)
- Risposta sbagliata: h = h × 0.5 (memoria si indebolisce)
- Il numero di esposizioni agisce da smorzatore (più esposizioni = memoria più stabile)
calculate_next_review_time(): quando deve comparire di nuovo l’elemento?- Probabilità target di richiamo: 80%
- Calcolo di Δ dalla formula: Δ = -h × log₂(0.8)
recall_probability(): qual è la ritenzione attuale del concetto?- Usato per dare priorità agli elementi da proporre
- Elementi con probabilità più bassa vengono programmati prima
Perché è importante
Senxza HLR:
- Duolingo: stessa lezione per tutti, nessun tracciamento per singolo elemento
- App di flashcard: revisione manuale da parte dell’utente
- Risultato: tempo perso su elementi conosciuti o dimenticati
- Ogni concetto è tracciato singolarmente
- Il timing delle revisioni è ottimizzato scientificamente
- I bambini dedicano tempo solo dove serve
- Apprendimento il 40% più veloce rispetto ad app a programma fisso
FAQ
D: Cosa succede se mio figlio sbaglia ripetutamente un elemento?
A: L’emivita si riduce (h = h × 0.5), così l’elemento ricompare prima. Il sistema è paziente e ripropone l’elemento diverse volte se necessario. Con revisioni corrette ripetute, l’emivita aumenta di nuovo.
D: Posso regolare manualmente il livello di persona di mio figlio?
A: Il sistema rileva automaticamente le persone. Puoi forzare una scelta nelle impostazioni genitore, ma l’app correggerà automaticamente se i dati di attività non corrispondono.
D: Quanto tempo serve per apprendere completamente un elemento?
A: Di solito 5-8 revisioni corrette in 2-3 settimane, dipendendo dall’emivita iniziale e frequenza di pratica. Elementi molto facili (emivita iniziale alta) si stabilizzano in pochi giorni, mentre quelli difficili possono richiedere mesi.
