Dass es einen optimalen Schwierigkeitsgrad geben muss, bei dem man am besten Neues lernt, ist offensichtlich: Sind die Aufgaben zu leicht, gibt es kaum noch etwas zu lernen, sind sie zu schwer, scheitert man. Irgendwo dazwischen muss die goldene Mitte liegen, genau jene Schwierigkeitsstufe, bei der die Inhalte einerseits fordernd, andererseits aber auch zu bewältigen sind. Nun will eine Arbeitsgruppe um Robert C. Wilson von der University of Arizona das genaue Optimum ermittelt haben. Wie das Team in »Nature Communications« schreibt, lernen neuronale Netzwerke am besten, wenn sie etwa 15 Prozent Fehler machen – darunter auch solche, die menschliches und tierisches Lernen nachbilden sollen. Wie es in der Veröffentlichung berichtet, passt die so erhaltene Zahl auch zu Daten aus Lernexperimenten an Menschen.

In ihren Versuchen nutzten Wilson und sein Team einen sehr simplen Test, in dem die elektronischen Probanden lediglich eine sich gemeinsam bewegende Gruppe von Punkten erkennen müssen. Diese Fähigkeit lässt sich durch Üben verbessern, und wie schnell man lernt, lässt sich dabei auch gut messen. Nach den Experimenten ist nicht nur diese Lerngeschwindigkeit am höchsten, wenn man durch Anpassen der Schwierigkeit die Trefferquote bei 15 Prozent hält; die von Wilson so getaufte »85-Prozent-Regel« gilt auch für alle von der Arbeitsgruppe getesteten Akteure. Weicht die Fehlerrate dagegen in die eine oder andere Richtung deutlich vom Wert ab, sinke die Lerngeschwindigkeit exponentiell, heißt es in der Veröffentlichung. Allerdings ist unklar, ob eine solche Beziehung bei Tieren und Menschen Bestand hat, oder auch nur, ob vergleichbare Regeln für andere Arten von Lernaufgaben überhaupt gelten. Auch der Versuch der Arbeitsgruppe, auf der Basis der Resultate eine »mathematische Theorie des Flow-Erlebnisses« herzuleiten, ist vermutlich ein bisschen voreilig.