نظریه منحنی یادگیری راهی برای درک نحوه بهبود عملکرد یک کارمند یا یک سرمایه در طول زمان است. باور عامه این است که هر گاه فردی بیشتر کاری را انجام دهد، در انجام آن زبدهتر خواهد شد، که به معنی هزینه کمتر و خروجی بالاتر در بلند مدت است. منحنی یادگیری یک مدل مفید برای پیگیری روند پیشرفت، بهبود بهرهوری و اطمینان از این است شرکت یا مجموعهی مورد بررسی به اهداف عملکردی مشخصی میرسد. در این مقاله از تریتا، توضیح میدهیم که نظریه منحنی یادگیری چیست؟ چگونه کار میکند و چگونه میتوانید آن را برای بهبود عملکرد شرکت خود به کار ببرید. با ما همراه باشید.
منحنی یادگیری چیست؟
منحنی یادگیری یک همبستگی بین عملکرد یک یادگیرنده در یک کار و تعداد تلاشها یا زمان مورد نیاز برای تکمیل کار است. این امر میتواند به صورت نسبت مستقیمی بر روی یک گراف نشان داده شود.
منحنی یادگیری نمایش بصری تغییر در بهرهوری تولید در طول زمان است. نظریه اساسی پشت مفهوم منحنی یادگیری این است که معمولا یک دوره اولیه وجود خواهد داشت که در آن مقدار سرمایهگذاری شده بیشتر از بازدهی به دست آمده خواهد بود، اما پس از غلبه منحنی یادگیری، بازده باید بیشتر از سرمایهگذاری باشد. نظریه منحنی یادگیری بر این تکیه میکند که کارایی یک یادگیرنده در یک کار در طول زمان و هر چقدر که یادگیرنده بیشتر کار را انجام میدهد، بهبود مییابد.
برای مثال، تصور کنید که کار جدیدی را شروع کردهاید. در ابتدا، شرکت باید وقت خود را صرف آموزش شما کند، و شما به کمی زمان نیاز دارید تا به وظایف جدیدی که مسئول آنها هستید عادت کنید. با این حال، بعد از این دوره اولیه که با هزینه بالا و خروجی پایین برای شرکت همراه است، شما تجربه لازم برای انجام کارهای مشابه را خواهید داشت و آنها را سریعتر و بهتر انجام میدهید.
ظهور منحنی یادگیری
در حالی که اصطلاح منحنی یادگیری در اوایل قرن بیستم مورد استفاده قرار گرفت، دکتر هرمان ابینگهاوس این نظریه را در اوایل سال ۱۸۸۵ توصیف کرد. او بیشتر روی مطالعات حافظه تمرکز میکرد و تئوری منحنی فراموشی را توسعه میداد. این نظریه به ما کمک میکند تا بفهمیم که حافظه چگونه کار میکند و اطلاعات مربوط به چیزهای خاصی که افراد سعی میکنند یاد بگیرند را حفظ میکند. نظریه مدرن یادگیری میکرو (Microlearning) براساس مطالعات حافظه ابینگهاوس است. امروزه این نظریه به ما کمک میکند تا درک کنیم که چه موقع و چرا برخی از اطلاعات را فراموش میکنیم و چگونه میتوانیم با آن مقابله کنیم.
بعدها، آرتور بیلز منحنی یادگیری را در اثر خود یعنی «روانشناسی تجربی عمومی» توصیف کرد. او در کار خود، آن را چنین توصیف میکند که، منحنی یادگیری یک ابزار گرافیکی برای تصویرسازی نرخ بهبود، از نظر یک معیار معین کارایی، در نتیجه تمرین است. او دو طرف یک فرآیند را توصیف کرد و دو نمودار منحنی یادگیری را ارائه داد.
منحنی اول موفقیت، نشاندهنده افزایش بهرهوری در هر واحد آزمایشی است.
دوم، منحنی حذف یا کاهش زمان مورد نیاز برای انجام کار مشابه را نشان میدهد.
منحنی تجربه رایت
این منحنی پایه و اساس فرمول منحنی یادگیری است. «مدل میانگین تجمعی» (یا مدل رایت)، توسط تئودور پل رایت در سال ۱۹۳، در اثر وی یعنی «عوامل موثر بر هزینه هواپیماها»، پس از درک این موضوع که هزینه تولید هواپیما با افزایش بازدهی تولید کاهش مییابد، توصیف شد. در حال حاضر انواع مختلفی از فرمول اصلی در کاربردهای تخصصی مورد استفاده قرار میگیرد.
نظریه منحنی تجربه بیان میکند که هر چه کاری بیشتر در طول زمان انجام گیرد، تلاش برای تکمیل یک کار باید زمان و تلاش کمتری بگیرد. اگر کسی تلاشهای مکرر یک یادگیرنده را در برابر زمان صرف شده برای تکمیل تلاش ترسیم کند، الگویی را میتوان شناسایی کرد که نشان میدهد کار زمان کمتری میبرد چون یادگیرنده از طریق تلاشهای مکرر تجربه بیشتری کسب میکند. همچنین این نظریه میتواند به عنوان یک تابع ریاضی بیان شود که میتواند به عنوان یک ابزار پیشبینی به کار گرفته شود.
الزامات مدلهای منحنی یادگیری چه چیزهایی است؟
برای توسعه یک مدل منحنی یادگیری دقیق، باید مطمئن شوید که همه متغیرهایی که باید وارد فرمول شوند را دارید. دادههای مورد نیاز برای رسم یک منحنی یادگیری و سپس تفسیر معنای آن برای عملکرد شرکت شما موارد زیر را در بر میگیرد:
- یک واحد قابلاندازهگیری از خروجی
- یک واحد تعریفشده برای هزینه (در زمان، دلار، تلاش و غیره)
- یک چارچوب زمانی ثابت یا یک هدف بهرهوری ثابت
کاربرد اصطلاح منحنی یادگیری
دو کاربرد از عبارت منحنی یادگیری را میتوان یافت:
- تعمیم یافته (generalized): منحنی یادگیری اغلب در گفتار محاورهای برای توصیف زمان و تلاش مورد نیاز در هنگام یادگیری چیزی چالش برانگیز استفاده میشود. کاربرد آن میتواند گسترده و تعمیمیافته باشد، مانند توصیف منحنی یادگیری برای یادگیری خواندن. در این سناریوها، نمایش گرافیکی با استفاده از ریاضیات برای توضیح پیشرفت یادگیری اعمال نمیشود. بنابراین این اصطلاح به عنوان یک توصیف کیفی از پیشرفت یادگیری در طول زمان استفاده میشود.
- اندازهگیری شده (measured): کاربرد دیگر منحنی یادگیری، کمّی است که در آن مدلهای ریاضی برای نشان دادن میزان مهارت یا تسلط بر یک کار ایجاد میشوند. این مدل منحنی یادگیری تنها زمانی قابل اجرا است که برای اندازهگیری نرخ واقعی پیشرفت برای تکمیل یک کار خاص در برابر زمان استفاده شود. وظیفه باید تکرار پذیر، قابلاندازهگیری و شامل تنها یک متغیر در یک فرآیند باشد؛ این روش به تنهایی نمیتواند کل مراحل را اندازهگیری کند.
منحنی یادگیری را در چه جاهایی اعمال کنیم؟
متغیرهای زیادی در یادگیری وجود دارند که بر سرعت پیشرفت تاثیر میگذارند و نمیتوانند به طور دقیق در مدل منحنی یادگیری منعکس شوند. در مثال یادگیری خواندن، متغیرها میتوانند شامل آواشناسی، واژگان، نوع خواندن، روشهای تدریس، انگیزه، دانش یا تجربه قبلی، کیفیت تمرین و خیلی چیزهای دیگر باشند.
مدل منحنی یادگیری نیازمند این است که متغیری که در طول زمان مورد ردیابی قرار میگیرد، قابل تکرار و قابلاندازهگیری باشد. به عنوان مثال، اندازهگیری انگیزه فردی دشوار است. به طور کلی، یادگیری خواندن یک فرآیند پیچیده است که شامل متغیرهای زیادی است و برای منحنی یادگیری ایدهآل نیست.
مثالی از جایی که یک منحنی یادگیری میتواند اعمال شود میتواند یک کار قابلاندازهگیری مانند یادگیری کارگر کارخانه برای کار با یک ماشین جدید باشد که نیاز به گامهای خاص و تکرار پذیر دارد. همانطور که کارگر یاد میگیرد که با پیروی از مراحل رویهای با ماشین کار کند، در استفاده از آن سریعتر و ماهرتر میشود. منحنی یادگیری این سرعت پیشرفت و تسلط را اندازهگیری میکند.
مدل منحنی یادگیری به طور معمول در مدیریت سازمانی یا صنعتی برای بهبود خروجی از طریق بهبود عملکرد نیروی کار انسانی استفاده میشود. این مدل به طور گسترده در طول جنگ جهانی دوم مورد استفاده قرار گرفت، زمانی که مشخص شد هزینه هواپیما با افزایش عملکرد تولید کاهش مییابد. بعدا نیز توسط بخش صنعتی و تجاری برای انواع کاربردهای بهبود عملکرد اتخاذ شد. در ادامه نگاهی به برخی نمونههای مختلف از جایی که منحنی یادگیری امروزه در حال استفاده است، بیندازیم.
صنعت
هزینههای تولید مرتبط با عملکرد نیروی کار را میتوان با استفاده از منحنی یادگیری دنبال کرد. به جای عملکرد و تعداد تلاشها، ارزشها میتوانند هزینه واحد یا ساعات کار واحد و تولید تجمعی در واحد باشند. وقتی کارگران محصول بیشتری تولید میکنند، هزینه هر واحد اغلب کاهش مییابد.
منحنی یادگیری میتواند برای پیشبینی هزینههای بالقوه در زمان تغییر وظایف تولید استفاده شود. به عنوان مثال، زمانی که قیمتگذاری یک محصول جدید تعیین میشود، هزینههای نیروی کار در نظر گرفته میشوند. اگر تولید یک محصول دو ساعت طول بکشد، محصول با هزینهای به بازار عرضه میشود که نشاندهنده دوره تولید دو ساعته به علاوه سایر هزینهها است. اما چه میشود اگر زمان تولید براساس چند تلاش اول باشد؟ چه میشود اگر تا یکصدمین بار تولید محصول، زمان تولید به یک ساعت کاهش یابد؟ محصول با قیمتی بسیار بالا در بازار عرضه خواهد شد، که منجر به فروش بالقوه پایینتر میشود. استفاده از منحنی یادگیری میتواند بینش بهتری برای مقاصد برنامهریزی فراهم کند.
تجارت
منحنیهای یادگیری میتوانند برای عملکرد سازمانی با استفاده از رویکرد تعمیمیافته یا رویکرد کمی مورد استفاده قرار بگیرند. تعیین اینکه کدام رویکرد اتخاذ شود بستگی به این دارد که آیا عملکرد مطلوب میتواند به طور مستقیم اندازهگیری شود یا خیر.
برای مثال، کارمندانی که یک کار دشوار را یاد میگیرند، مانند یادگیری استفاده از یک برنامه نرمافزاری پیچیده، ممکن است در ابتدا به دلیل دشواری ذاتی کار، عملکرد ضعیفی داشته باشند. اگر هدف این است که کارمندان نحوه استفاده از نرمافزار در کارهای روزمره خود را یاد بگیرند، اندازهگیری این امر ممکن است دشوار باشد زیرا شامل متغیرهای زیادی است. با استفاده از نظریه منحنی یادگیری به عنوان یک چارچوب، سازمانها هنوز هم میتوانند سود ببرند.
منحنی یادگیری به عنوان یک چارچوب میتواند به سازمانها در درک این سناریو کمک کند که چه چیزی برای کسب مهارت در کار با نرمافزار مورد نیاز است. اگر حمایت آموزشی و زمان تمرین به عنوان عوامل مهم در این موضوع شناخته شوند، میتوان مشاهده کرد که کارکنانی که از پشتیبانی برخوردار هستند و زمان تمرین با آن را دارند، در طول زمان عملکرد بهتری نسبت به کارکنانی خواهند داشت که از پشتیبانی و یا زمان تمرین برخوردار نیستند. اگر این نرمافزار برای بهرهوری شرکت مهم باشد، در این صورت اگر کارکنان نتوانند به طور موثر از نرمافزار استفاده کنند، کیفیت عملکرد کارکنان در طول زمان کاهش مییابد.
برای استفاده از یک منحنی یادگیری کمی، سازمانها باید یک متغیر خاص را برای تجزیه و تحلیل شناسایی کنند. به عنوان مثال، سازمانی که به دنبال بهبود عملکرد خدمات مشتری است میتواند تصمیم بگیرد که اجرای یک ابتکار جدید منجر به کاهش شکایات مشتری خواهد شد. سازمان میتواند عملکرد تکراری این ابتکار را در طول زمان ردیابی و تحلیل کند تا تعیین کند که آیا واقعا شکایات مشتری در طول زمان کاهش مییابد یا خیر.
پزشکی
برای جراحان اتاق عمل، بسیاری از روشها شامل وظایف تکراری یکسان خواهند بود. از آنجا که یک جراح در اصل همان مهارت را هر زمان که روند جراحی انجام میشود تمرین میکند، منحنی یادگیری میتواند برای نشان دادن یادگیری و عملکرد فردی در طول زمان به کار رود. این امر نه تنها بینش نسبت به بهبود عملکردی که جراح به آن دست یافته است را ممکن میسازد، بلکه مربیان را با شناسایی اینکه در چه جایی منابع و کمکهای بیشتری را میتوان برای بهبود عملکرد هدایت کرد، قادر میسازد.
مثالهای دنیای واقعی از کاربرد نظریه منحنی یادگیری
منحنی یادگیری با نامهای مختلفی شناخته میشود که تا حدودی به دلیل گستره کاربرد آن است.
اصطلاحات مورد استفاده برای توصیف منحنی یادگیری عبارتند از:
- منحنی تجربه
- منحنی هزینه
- منحنی کارایی
- منحنی بهرهوری
دلیل اهمیت مدلهای منحنی یادگیری چیست؟
مدلهای منحنی یادگیری به این دلیل مفید هستند که به شما کمک میکنند تا درک کنید فرآیندها و کارمندان مجموعه شما تا چه حد متناسب با منابعی که برای آنها صرف میشود، عملکردی خوب دارند. شکل منحنی یادگیری میتواند به شما بگوید که عملکرد افراد در حال بهبود، کاهش، رکود و یا نوسان است. منحنی یادگیری میتواند آگاهی مناسبی را نسبت به تاثیرات بالقوه عملکرد کارکنان به ارمغان بیاورد. بنابراین شما میتوانید تصمیماتی بگیرید که به تقویت تاثیرات مثبت بر روی شرکت شما و کاهش تاثیرات منفی کمک کند.
مزایا و معایب مدل منحنی یادگیری چیست؟
مدل منحنی یادگیری برای نظارت بر جنبههای مختلف عملکرد شرکت و شناسایی حوزههای نیازمند بهبود بسیار مفید است. منحنی یادگیری میتواند بینش مناسبی ایجاد کند، اما محدودیتهایی نیز وجود دارد. در این بخش، برخی از مزایا و معایب کلیدی مدل منحنی یادگیری را بررسی میکنیم.
مزایای مدل منحنی یادگیری چیست؟
استفاده از یک مدل منحنی یادگیری برای پیگیری پیشرفت جنبههای مختلف شرکت میتواند در برخی امور کمککننده باشد. مانند:
- برنامهریزی استراتژیک جهت بهبود عملکرد کارکنان یا حتی کل سازمان
- انگیزه دادن و تشویق کارکان با ایجاد فرهنگ سازمانی که در آن یادگیری و پیشرفت افراد مورد پیگیری قرار بگیرد.
- شناسایی روندهایی که میتوانند برای پیشبینی دقیقتر و اخذ تصمیمات تجاری بهتر مورد استفاده قرار گیرند.
معایب مدل منحنی یادگیری چیست؟
همانطور که منحنی یادگیری میتوانند برای یک شرکت ارزشمند باشد، اما این مدل محدودیتهای مهمی نیز دارد. برخی از معایب و محدودیتهای کلیدیمدل منحنی یادگیری عبارتند از:
- پیشرفت یادگیری تحتتاثیر تعدادی از متغیرها، از جمله زمان، تجربه قبلی، کیفیت آموزش و غیره است. در نتیجه، ارزیابی تنها یکی از این متغیرها ممکن است دادههای گمراهکننده به شما بدهد.
- تعیین کمیت و اندازهگیری برخی از عملکردها یا اندازهگیری پیشرفت در برخی امور دشوار است. اگر هیچ خروجی خاص، مانند یک محصول یا یک فروش وجود نداشته باشد، تعریف یک واحد خروجی برای اندازهگیری پیشرفت دشوار خواهد بود.
- مدل منحنی یادگیری به تنهایی ناقص است. زیرا متغیرهای زیادی وجود دارند که میتوانند بر عملکرد تاثیر بگذارند. پس مهم است که از مدل منحنی یادگیری در ترکیب با دیگر روشهای ردیابی عملکرد برای رسیدن به نتیجهای بهتر استفاده کرد.
چگونه از نظریه منحنی یادگیری برای بهبود عملکرد استفاده کنیم؟
نظریه منحنی یادگیری که بیان میکند هرچه زمان بیشتری صرف انجام کاری شود، خروجی کارآمدتری وجود خواهد داشت، میتواند برای بهبود عملکرد شرکت و همچنین دپارتمانهای خاص و حتی کارمندان استفاده شود. در ادامه نحوه استفاده از منحنی یادگیری شرح داده میشود:
- ۱. اصطلاحات دقیق و روشنی را مشخص کنید. نظریه منحنی یادگیری تنها در صورتی کار میکند که دادههای شما تعریفشده و غیرمتناقض باشند.
- ۲. چندین متغیر را به طور همزمان اندازهگیری کنید. برای ایجاد کاملترین تصویر از نحوه عملکرد شرکت، مدل منحنی یادگیری را در اکثر زمینههای ممکن اعمال کنید و ببینید که ایم منحنیها چگونه با یکدیگر مقایسه میشوند و بر یکدیگر تاثیر میگذارند.
- ۳. دادههای خود را دوباره بررسی کنید. قبل از این که براساس نتایج تصمیمگیری کنید، مطمئن شوید که هیچ متغیری را نادیده نگرفته اید. به ویژه در صورتی که نتایج، آن چیزی نباشند که انتظار داشتید ببینید. اگر نتایج غیرمنتظره باشند، ممکن است به این دلیل باشد که شما یک بخش کلیدی از دادههای اثرگذار را در نظر نگرفتهاید.
- ۴. تصمیماتی آگاهانه بگیرید. اگر دادهها نشان میدهند که روند فعلی آموزش شما خیلی موثر نیست، برای مثال، تغییراتی ایجاد کنید و دوباره آن را اندازهگیری کنید. در برخی موارد، بهترین تصمیمی که باید بگیرید بلافاصله مشحص خواهد شد. در موارد دیگر، ممکن است لازم باشد چند دور آزمون و خطا برای پیدا کردن تغییری که واقعا عملکرد را بهبود میبخشد، انجام دهید.
- ۵. نظارت را ادامه دهید. فقط نظریه منحنی یادگیری را در زمان تغییر و یا مشکلات شرکت خود به کار نگیرید. بلکه نظارت خود را تمام طول سال انجام دهید. اگر نظارتی مداوم داشته باشید، به محض اینکه مشکلات ظاهر شوند، از آنها مطلع میشوید و میتوانید رویکرد خود را به سرعت اصلاح کنید.
چگونه از فرمول منحنی یادگیری استفاده کنیم؟
منحنی یادگیری که به صورت یک فرمول جبری بیان میشود به شرح زیر است:
Y = A.X^B
متغیر Y متوسط زمان بر واحد خروجی است. A زمانی است که برای اولین بار برای انجام کاری صرف میشود. X تعداد کل تلاشها یا واحدهای خروجی است. در نهایت B شیب تابع را نشان میدهد. به بیان ساده، این معادله به شما کمک میکند تا هزینه متوسط را، معمولا به موقع، برای رسیدن به حداکثر بازده درک کنید. هر چه تلاشهای بیشتری در فرمول گنجانده شود، میانگین زمان کمتر خواهد بود. برای استفاده از این فرمول، شما باید زمان و دادههای خروجی را برای هر چیزی که میخواهید اندازهگیری کنید، پیگیری کنید. برای انجام این کار گامهای زیر را دنبال کنید:
- ۱. واحد خروجی خود را تعریف کنید. اگر در حال اندازهگیری بهرهوری یک کارمند جدید هستید، واحد خروجی شما میتواند یک کار تحویلدادنی مشخص باشد. اگر با کمبود امور تحویل دادنی منظم و مفید روبرو هستید، باید راهی خلاقانه برای تعیین کمیت خروجی کارکنان پیدا کنید.
- ۲. هزینه خود را تعریف کنید. همانطور که در بالا ذکر شد، در بیشتر کاربردها، هزینه شما نسبت به زمان اندازهگیری میشود. با این حال، در برخی موارد، ممکن است هزینههای مالی واقعی را اندازهگیری کنید، مانند هزینه سازماندهی مجدد ساختار یک سازمان یا نوسازی یک نمای جدید.
- ۳. چارچوب زمانی خود را تعیین کنید. بسته به این که به دنبال چه نوع اطلاعاتی هستید، باید یک چارچوب زمانی ایجاد کنید. به عنوان مثال، اگر شما در حال اجرای یک روش آموزشی جدید هستید، ممکن است چارچوب زمانی خود را به عنوان میانگین زمانی که طول میکشد تا به حداکثر کارایی با روش قدیمیتر خود برسید، تنظیم کنید. اگر روش جدید در همان زمان به نتایج بهتری دست یافته باشد، به نتیجه میرسید که تغییری که اعمال شده موثر بوده است.
- ۴. هدف خود را مشخص کنید. سایر کاربردها ممکن است با توجه به چارچوب زمانی قابل تنظیم و تغییر باشند. به جای تلاش برای دیدن این که در یک دوره خاص به چه سطحی از بهرهوری میتوانید دست یابید، ممکن است سعی کنید بفهمید چقدر طول میکشد تا به یک سطح ایدهآل از بهرهوری برسید. در این مورد، چارچوب زمانی را باز بگذارید و سپس یک هدف خاص و قابلاندازهگیری را که سعی دارید به آن دست یابید، ایجاد کنید.
- ۵. اندازهگیری را شروع کنید. برای رسیدن به دقیقترین دادهها، به طور ایدهآل اولین تلاش خود را اندازهگیری خواهید کرد، که به احتمال زیاد بالاترین هزینه در هر واحد خروجی را خواهد داشت. داشتن اولین تلاش اندازهگیری شده به شما دقیقترین توصیف پیشرفت و هزینه کل را میدهد.
- ۶. دادههای خود را سازمان دهی کنید. شما میتوانید از یک برنامه صفحه گسترده برای مدلسازی دادههای خود در حین پیگیری استفاده کنید. مطمئن شوید که اندازهگیریها را در یک مکان واحد و به شیوهای واضح و سازگار ثبت میکنید، بنابراین ترجمه این نتایج به یک نمایش بصری آسان خواهد بود.
چهار مثال از مدل منحنی یادگیری
چهار نوع اصلی از منحنیهای یادگیری وجود دارد که وقتی شروع به مدلسازی دادههای خود میکنید آنها را خواهید دید. این منحنیها توسط مسیر پیشرفت چیزی که اندازهگیری میکنید مشخص میشوند. در زیر چند نمونه از هر نوع و نحوه تاثیر آنها بر تصمیمگیری شرکت ارائه شدهاست:
- منحنی یادگیری بازده نزولی
- منحنی یادگیری بازده صعودی
- منحنی S شکل
- منحنی یادگیری پیچیده
منحنی یادگیری بازده نزولی چیست؟
این شکل، مانند یک شیب تند و رو به پایین است و به دنبال آن یک سطح نسبتا صاف یا خط مستقیم قرار دارد، به این معنی است که زمان یادگیری نسبتا سریع است و شما به سرعت به حداکثر بهرهوری میرسید. از نظر تصمیمگیری، این نتیجه به این معنی است که این جنبه از شرکت خوب عمل میکند اما شما باید مطمئن شوید که هزینهها را پس از شروع خط مستقیم پایین نگه دارید.
چیز دیگری که باید در اینجا به دنبالش باشیم این است که این خط مستقیم در کجا اتفاق میافتد. هرچه سطح پایینتر برود (به سمت محور X)، عملکرد کارآمدتر خواهد بود. اگر این خط مستقیم در نیمه بالایی نمودار شروع شود، این نشان میدهد که کاری که شما اندازهگیری میکنید به طور مداوم هزینه بالایی دارد و بهتر است به دنبال راههایی برای کاهش این هزینه باشید.
منحنی یادگیری بازده صعودی چیست؟
شیب در این نوع منحنی یادگیری در ابتدا کم خواهد بود و سپس افرایش شدیدی خواهد داشت. این نشان میدهد که یادگیری کار زمان زیادی طول میکشد، اما وقتی یاد گرفته شود، کارمندان میتوانند به سرعت به یک نقطه با کارایی بالا برسند.
از نظر تصمیمگیری، شما ممکن است نیاز به انجام هیچ کاری در اینجا نداشته باشید، زیرا هزینه اولیه یادگیری آهسته به سرعت پس از رسیدن به مرحله بهرهوری بالا به شما بازگردانده میشود. با این حال، اگر بقیه دادهها نشان دهند که یادگیری این کار نباید خیلی طول بکشد، این شکل میتواند نشان دهد که شرکت شما ممکن است نیاز به اصلاح روش آموزشی خود داشته باشد.
منحنی یادگیری شکل S چیست؟
این منحنی یادگیری نشان میدهد که یادگیری در ابتدا آهسته است و پس از آن یک افزایش شیب شدید در هزینه هر واحد خروجی وجود دارد. سپس، پس از این افزایش شیب، یک خط نسبتا مستقیم قرار دارد. مانند منحنی یادگیری بازده نزولی، اگر این خط مستقیم نزدیکتر به محور X اتفاق بیفتد، این نشاندهنده یک عملکرد بسیار کارآمد است. با این حال، اگر این خط در نیمه بالایی نمودار رخ دهد، عملکرد ممکن است به آن اندازه که از آن انتظار میرود کارآمد نباشد. در این مورد، دلیلی وجود دارد که هم به روش آموزش و هم به هر متغیری که میتواند بر هزینه عملکرد جاری در فاز مسطح تاثیر بگذارد، نگاه دقیق تری داشته باشیم.
منحنی یادگیری پیچیده چیست؟
یک منحنی یادگیری پیچیده منحنی یادگیری پیچیدهای است که شما اغلب برای کارهای سختتر در شرکت خود میبینید. این نوع منحنی با یک منحنی یادگیری با شیب کم آغاز میشود و بعد از آن یک خط مستقیم قرار دارد و بعد از آن یک افت که ممکن است با شیب زیاد یا با شیب کم باشد.
این منحنی نشان میدهد که یادگیری کار اندازهگیری شده دشوار است، و حتی پس از یادگیری، قبل از این که یک کارمند واقعا بتواند کار را به طور موثر انجام دهد، نیاز به تمرین دارد. برای تصمیمگیری، یک شرکت ممکن است به دنبال راههایی برای بهبود آموزش باشد، یا ممکن است به دنبال این باشد که هزینهها را با استخدام کاندیدهایی کاهش دهد که قبلا تجربه لازم برای رسیدن به حداکثر کارایی برای این کار را داشتهاند.
جمعبندی
در این مطلب، در رابطه با این توضیح دادیم منحنی یادگیری چیست؟ و برخی از کاربردهای آن در صنعت، پزشکی و تجارت شرح داده شد. همچنین مزایا و معایب این منحنیها به همراه برخی از منحنیهای مهم نیز توضیح داده شدند.