A New Model for Learning Curves, DARM
学习曲线的新模型：移位自回归模型（DARM）AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确提出自回归模型，并讨论其与含自回归扰动的学习曲线模型的比较，因此归入时间序列方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
学习曲线的新模型：移位自回归模型（DARM）
- 研究问题
- 如何用动态模型描述学习过程中单位成本的变化、长期平均成本及可能出现的平台，并与常见的指数学习曲线模型比较？
- 方法与思路
- 作者提出移位自回归模型，将参数与学习过程特征联系，并与传统指数模型及含自回归扰动的指数模型比较，还允许学习平台。
- 材料陈述的贡献
- 摘要称模型参数易估计、拟合似乎更好，少量观测即可得到合理的长期平均单位成本估计，并可修改以刻画学习平台。
- 阅读关注点
- 应核对模型方程和参数的学习含义、长期平均单位成本的推算条件、平台期的修改方式，以及模型比较是否有充分证据。
- 阅读边界
- 这些拟合与少量观测优势是摘要中的作者判断；摘要未说明数据、比较标准及参数估计的不确定性，不能据此认定普遍优越。
原文摘要
This article introduces a new model for learning curves, a displaced autoregressive model (DARM). The model has theoretical and practical advantages over both the traditional exponential learning-curve model and the exponential leaming-curve model augmented by an autoregressive disturbance process. The DARM parameters can be related to the characteristics of the learning process and are easy to estimate. DARM appears to fit the data better than the alternative models, reasonable estimates of long-run average item costs can be obtained from a few observations, and the model can be modified to allow for learning plateaus.