Słownik metodologiczny · Ludzie statystyki

Hermann Ebbinghaus (1850–1909) – psycholog, który zmierzył zapominanie

Hermann Ebbinghaus uczył się tysięcy sylab bez sensu, by zmierzyć pamięć na sobie samym. Opisujemy jego metodę oszczędności, krzywą zapominania i jej replikację z 2015 r., a w R porównujemy krzywą wykładniczą, potęgową i logarytmiczną kryterium AIC.

Strona główna / Słownik / Hermann Ebbinghaus
W skrócie: Hermann Ebbinghaus (1850–1909) – niemiecki psycholog, autor „Über das Gedächtnis” (1885). Ucząc się na sobie serii sylab bez sensu i mierząc oszczędność czasu przy ponownym uczeniu, jako pierwszy ilościowo opisał przebieg zapominania (krzywa zapominania).

Kim był Hermann Ebbinghaus?

Hermann Ebbinghaus (1850–1909) był niemieckim psychologiem, który jako pierwszy zbadał pamięć eksperymentalnie i ilościowo. Urodził się 24 stycznia 1850 r. w Barmen jako syn kupca. Studiował w Bonn, Halle i Berlinie, z przerwą na służbę w wojnie francusko-pruskiej. Doktorat uzyskał w Bonn w 1873 r. (Woodworth, 1909).

W 1880 r. został docentem prywatnym (Privatdozent) filozofii w Berlinie, w 1886 r. – profesorem nadzwyczajnym, w 1894 r. objął katedrę filozofii we Wrocławiu (wówczas Breslau), a w 1905 r. – w Halle, gdzie pracował do nagłej śmierci 26 lutego 1909 r. Według Woodwortha (1909) najsilniej wpłynęli na niego Helmholtz i Gustav Fechner, a wśród jego uczniów był William Stern, który w książce z 1912 r. zaproponował iloraz wieku umysłowego i wieku życia (Stern, 1914; zob. Alfred Binet).

Najważniejsze pomysły

  • Pamięć da się mierzyć. W książce „Über das Gedächtnis” (1885) Ebbinghaus pokazał, że do pamięci można zastosować eksperyment i pomiar, dotąd stosowane głównie do wrażeń zmysłowych i czasów reakcji (Woodworth, 1909). Wszystkie badania przeprowadził na sobie i zastrzegł, że bezwzględne wartości mają znaczenie indywidualne (Ebbinghaus, 1913).
  • Sylaby bez sensu. Ułożył około 2300 sylab, wymieszał je i losował z nich serie do nauki (Ebbinghaus, 1913). Strofy „Don Juana” Byrona odrzucił, bo znaczenia wierszy dawały za duży rozrzut wyników (Murre i Dros, 2015).
  • Metoda oszczędności. Mierzył czas potrzebny do opanowania serii, a po przerwie – czas ponownego uczenia. Oszczędność Q to zaoszczędzona część pierwotnej pracy w procentach (Ebbinghaus, 1913). Według Nicolasa (1992) miara ta wykrywa ślad pamięciowy nawet bez przypomnienia i rozpoznania, co czyni Ebbinghausa prekursorem badań nad pamięcią utajoną.
  • Krzywa zapominania. W latach 1879–1880 wykonał 163 podwójne testy z przerwami od około 20 minut do 31 dni i opisał spadek oszczędności wzorem z logarytmem czasu (Ebbinghaus, 1913).
  • Statystyka w psychologii. Sprawdzał, czy wyniki układają się zgodnie z „prawem błędów”, czyli rozkładem normalnym, i podawał błąd prawdopodobny – odchylenie od średniej, w którego granicach mieści się połowa obserwacji. W 84 testach z lat 1883–1884 średni czas nauki wynosił 1261 s, a błąd prawdopodobny ±48.4 s (Ebbinghaus, 1913). W rozkładzie normalnym błąd prawdopodobny to około 0.67 odchylenia standardowego.
  • Test inteligencji. W 1897 r. opisał „metodę kombinacji” do badania zdolności umysłowych i zastosował ją w badaniu zmęczenia szkolnego (Woodworth, 1909).

Ciekawostka

Jeden badany, siedem miesięcy. Krzywa zapominania z 1880 r. powstała w ciągu około siedmiu miesięcy, często w trzech sesjach dziennie, a Ebbinghaus czytał sylaby w tempie około 0.4 s na sylabę. Zauważył, że rano uczy się łatwiej, i korygował czasy z sesji południowych i wieczornych (Murre i Dros, 2015). Wyników nie ogłosił od razu: całą serię powtórzył ponad trzy lata później i opublikował dopiero w 1885 r. (Woodworth, 1909).

W 2015 r. Murre i Dros powtórzyli to doświadczenie na jednym badanym – był nim drugi autor pracy, Joeri Dros. Przez około 70 godzin uczył się list po 104 sylaby (8 rzędów po 13) niderlandzkich sylab, a krzywa okazała się podobna do oryginalnej (Murre i Dros, 2015).

Przykład na historycznych danych

Liczby przepisaliśmy z tabeli 3 w pracy Murre’a i Drosa (2015): oszczędność Ebbinghausa z rękopisu z 1880 r. (s. 56) i oszczędność Drosa po siedmiu przerwach. U Ebbinghausa najkrótsze przerwy trwały 19 min, 63 min i 8.75 h – tak jak u Murre’a i Drosa; u Drosa 20 min, 1 h i 9 h. Do każdego zestawu dopasowaliśmy w R metodą najmniejszych kwadratów (nls()) trzy krzywe o dwóch parametrach: wykładniczą, potęgową i logarytmiczny wzór Ebbinghausa z 1885 r. Modele porównaliśmy kryterium AIC.

U Ebbinghausa oszczędność spadła z 58.2% po 19 minutach do 21.1% po 31 dniach. Funkcja wykładnicza dopasowała się źle (AIC = −7.69, suma kwadratów reszt 0.058), potęgowa dobrze (AIC = −29.87, wykładnik a = 0.13 – taki sam jak u Murre’a i Drosa), a najlepiej wzór samego Ebbinghausa (AIC = −31.92; k = 1.78, c = 1.2 wobec jego ręcznych 1.84 i 1.25). Różnica ΔAIC = 24.23 między krzywą wykładniczą a najlepszą zdecydowanie przemawia przeciw zapominaniu w stałym tempie. Potęgowa i logarytmiczna różnią się o 2.05 – to za mało, by jednoznacznie wybrać jedną z nich. Funkcja potęgowa to prosta w skali log–log, więc regresja liniowa log(Q) na log(t) daje podobny wykładnik (0.126).

U Drosa AIC trzech modeli mieszczą się w 1.84 punktu (najlepsza potęgowa, AIC = −16.58), więc siedem punktów nie rozstrzyga między nimi. Po 31 dniach oszczędność wyniosła tylko 4.1%.

Na rysunku

Pozioma oś czasu od 1845 do 1915 z jedenastoma zdarzeniami: 1850 urodził się w Barmen; 1873 doktorat w Bonn; 1879 pierwsza seria badań pamięci (1879–1880); 1880 privatdozent w Berlinie; 1883 powtórzenie badań (1883–1884); 1885 Über das Gedächtnis; 1890 zakłada Zeitschrift für Psychologie z A. Königiem; 1894 profesor we Wrocławiu (Breslau); 1897 test metodą kombinacji i Grundzüge der Psychologie; 1905 profesor w Halle; 1909 zmarł. Rodzaj zdarzenia oznaczają kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja, trójkąt – badanie
Rysunek 1. Oś czasu: Hermann Ebbinghaus, 1850–1909. Lata według Woodwortha (1909) i Ebbinghausa (1913). Rysunek: R, pakiet ggplot2.

Co widać. Pierwszą serię badań nad pamięcią Ebbinghaus prowadził w wieku 29 lat (Murre i Dros, 2015), przed pierwszą profesurą. Później pisał m.in. o widzeniu barw i redagował czasopismo (Woodworth, 1909).

Na co uważać. Rok 1897 łączy dwie publikacje: test i pierwszą część „Grundzüge der Psychologie” (całość – 1902 r.).

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Hermanna Ebbinghausa (1850–1909). Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, badanie).
Dwa panele z osią czasu w skali logarytmicznej od 20 minut do 31 dni i oszczędnością przy ponownym uczeniu od 0 do 60 procent. A: siedem białych punktów Ebbinghausa spadających od 58 do 21 procent; ciągła niebieska krzywa potęgowa i kropkowana zielona krzywa logarytmiczna przechodzą blisko punktów, przerywana pomarańczowa krzywa wykładnicza jest prawie płaska na poziomie 40 procent i opada dopiero przy 31 dniach. B: punkty Drosa od 47 do 4 procent; trzy krzywe dopasowane podobnie
Rysunek 2. Krzywa zapominania: oszczędność przy ponownym uczeniu po różnych przerwach u Ebbinghausa (A) i w replikacji Drosa (B) z trzema dopasowanymi krzywymi. Dane: Murre i Dros (2015), tabela 3. Obliczenia i rysunek: R, pakiety stats, ggplot2 i patchwork (dane historyczne przepisane ze źródła, bez losowania).

Co widać. Zapominanie jest najszybsze w pierwszej godzinie, a potem coraz wolniejsze. Krzywa wykładnicza, która zakłada stałe tempo zapominania, nie oddaje jednocześnie szybkiego spadku na początku i powolnego później.

Na co uważać. Każdy panel to jedna osoba i siedem średnich, więc AIC opiera się na siedmiu punktach i nie ma tu zmienności między osobami. U obu badanych oszczędność po 1 dniu jest wyższa niż po 9 godzinach; Murre i Dros (2015) piszą o prawdopodobnym „skoku” w górę od 24 godzin, który część autorów przypisuje snowi.

Podpis do pracy:

Rysunek 2. Oszczędność przy ponownym uczeniu list sylab bez sensu w zależności od czasu od pierwszej nauki: dane Ebbinghausa z lat 1879–1880 (A) i replikacji Murre’a i Drosa (B), z dopasowanymi krzywymi potęgową, logarytmiczną i wykładniczą. Uwaga. Dane: Murre i Dros (2015), tabela 3. Oś pozioma w skali logarytmicznej.

Gdzie spotkasz Ebbinghausa w swojej pracy

Spory, mity i trudne strony

  • Jeden badany. Już tłumacze (Ebbinghaus, 1913) zaznaczali, że liczby z jednej osoby mają ograniczone znaczenie. Murre i Dros (2015) pytają, czy pamięć Ebbinghausa nie była wyjątkowa – ich replikacja też dotyczy jednak jednej osoby.
  • Potęgowa czy wykładnicza? Murre i Dros (2015) przypominają, że funkcja potęgowa może powstać sztucznie z uśrednienia wykładniczych krzywych różnych osób lub pozycji; w ich porównaniu suma dwóch funkcji wykładniczych wypadła średnio nieco lepiej niż funkcja potęgowa, choć różnice AIC były małe.
Przykład reprodukowalny

Krzywa zapominania w R

Kod wpisuje oszczędności z tabeli 3 w pracy Murre’a i Drosa (2015), dopasowuje funkcjami nls() trzy krzywe dla Ebbinghausa i dla Drosa, porównuje je kryterium AIC, liczy regresję w skali log–log i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje.

1. Trzy krzywe zapominania: rysunek 2

Dane wejściowe: oszczędność przy ponownym uczeniu po siedmiu przerwach – Ebbinghaus (1879–1880) i Dros (2011–2012), wpisane ręcznie z tabeli 3 w pracy Murre’a i Drosa (2015).

Co odczytać: parametry krzywych; AIC, sumę kwadratów reszt (SSR) i ΔAIC osobno dla każdego badanego; wykładnik z regresji log(Q) na log(t).

Kod R rysunku 2
# Hermann Ebbinghaus: krzywa zapominania – oszczędności przy ponownym uczeniu (Murre i Dros, 2015, tabela 3)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(potegowa = "#0072B2", wykladnicza = "#D55E00", logarytmiczna = "#009E73")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
# Oszczędność Q = (czas pierwszego uczenia − czas ponownego uczenia) / czas pierwszego uczenia
# Ebbinghaus (1879–1880, sam na sobie): odstępy 19 min, 63 min i 8.75 h jak u Murre'a i Drosa; Dros (2015): 20 min, 1 h, 9 h
odstep_min <- list(Ebbinghaus = c(19, 63, 525, 1440, 2880, 8640, 44640),
                   Dros       = c(20, 60, 540, 1440, 2880, 8640, 44640))
oszczednosc <- list(Ebbinghaus = c(0.582, 0.442, 0.358, 0.337, 0.278, 0.254, 0.211),
                    Dros       = c(0.472, 0.373, 0.276, 0.317, 0.230, 0.168, 0.041))
dane <- do.call(rbind, lapply(names(odstep_min), function(b)
  data.frame(badany = b, t = odstep_min[[b]], Q = oszczednosc[[b]])))
dane$badany <- factor(dane$badany, levels = c("Ebbinghaus", "Dros"))
dane

# Trzy krzywe o dwóch parametrach, dopasowane metodą najmniejszych kwadratów (t w minutach)
dopasuj <- function(d) list(
  wykladnicza   = nls(Q ~ b * exp(-k * t), d, start = list(b = 0.4, k = 0.0001)),
  potegowa      = nls(Q ~ b * t^(-a), d, start = list(b = 1, a = 0.1)),
  logarytmiczna = nls(Q ~ k / (log10(t)^c + k), d, start = list(k = 1.8, c = 1.25)))   # wzór Ebbinghausa z 1885 r.
modele <- lapply(split(dane, dane$badany), dopasuj)
# Oszacowane parametry każdej krzywej
for (b in names(modele)) for (m in names(modele[[b]]))
  cat(sprintf("%-10s %-13s %s\n", b, m, paste(names(coef(modele[[b]][[m]])), signif(coef(modele[[b]][[m]]), 3), sep = " = ", collapse = ", ")))
# AIC (im mniejsze, tym lepiej) i suma kwadratów reszt; porównuj tylko modele dla tego samego badanego
porownanie <- do.call(rbind, lapply(names(modele), function(b) data.frame(
  badany = b, model = names(modele[[b]]),
  AIC = round(sapply(modele[[b]], AIC), 2),
  SSR = signif(sapply(modele[[b]], function(m) sum(resid(m)^2)), 3), row.names = NULL)))
porownanie$delta_AIC <- round(porownanie$AIC - ave(porownanie$AIC, porownanie$badany, FUN = min), 2)
porownanie
# Funkcja potęgowa to prosta w skali log–log: regresja liniowa log(Q) na log(t) daje podobny wykładnik
round(coef(lm(log(Q) ~ log(t), data = dane, subset = badany == "Ebbinghaus")), 3)

# Rysunek 2: dane i trzy dopasowane krzywe, oś czasu w skali logarytmicznej
siatka <- expand.grid(t = exp(seq(log(15), log(50000), length.out = 200)), badany = levels(dane$badany))
krzywe <- do.call(rbind, lapply(levels(dane$badany), function(b) do.call(rbind, lapply(names(modele[[b]]), function(m)
  data.frame(badany = b, model = m, t = siatka$t[siatka$badany == b],
             Q = predict(modele[[b]][[m]], newdata = data.frame(t = siatka$t[siatka$badany == b])))))))
krzywe$badany <- factor(krzywe$badany, levels = levels(dane$badany))
krzywe$model <- factor(krzywe$model, levels = c("potegowa", "logarytmiczna", "wykladnicza"))
etykiety_t <- c("20 min", "1 h", "9 h", "1 d", "2 d", "6 d", "31 d")
rysuj <- function(b, tytul) ggplot(subset(dane, badany == b), aes(t, Q)) +
  geom_line(data = subset(krzywe, badany == b), aes(colour = model, linetype = model), linewidth = 0.9) +
  geom_point(size = 3, shape = 21, fill = "white", stroke = 1.1) +
  scale_x_log10(breaks = odstep_min$Dros, labels = etykiety_t) +
  scale_y_continuous(limits = c(0, 0.65), labels = function(x) paste0(round(100 * x), "%")) +
  scale_colour_manual(values = kol, name = NULL,
                      labels = c(potegowa = "potęgowa", logarytmiczna = "logarytmiczna (Ebbinghaus 1885)", wykladnicza = "wykładnicza")) +
  scale_linetype_manual(values = c(potegowa = "solid", logarytmiczna = "dotted", wykladnicza = "dashed"), name = NULL,
                        labels = c(potegowa = "potęgowa", logarytmiczna = "logarytmiczna (Ebbinghaus 1885)", wykladnicza = "wykładnicza")) +
  labs(title = tytul, x = "Odstęp od nauki (skala logarytmiczna)", y = "Oszczędność przy ponownym uczeniu") +
  motyw
p2 <- rysuj("Ebbinghaus", "A. Ebbinghaus (1879–1880)") + rysuj("Dros", "B. Replikacja: Dros (2015)") +
  plot_layout(guides = "collect") & theme(legend.position = "bottom")
p2
Wynik w R
       badany     t     Q
1  Ebbinghaus    19 0.582
2  Ebbinghaus    63 0.442
3  Ebbinghaus   525 0.358
4  Ebbinghaus  1440 0.337
5  Ebbinghaus  2880 0.278
6  Ebbinghaus  8640 0.254
7  Ebbinghaus 44640 0.211
8        Dros    20 0.472
9        Dros    60 0.373
10       Dros   540 0.276
11       Dros  1440 0.317
12       Dros  2880 0.230
13       Dros  8640 0.168
14       Dros 44640 0.041
Ebbinghaus wykladnicza   b = 0.4, k = 2.07e-05
Ebbinghaus potegowa      b = 0.818, a = 0.13
Ebbinghaus logarytmiczna k = 1.78, c = 1.2
Dros       wykladnicza   b = 0.38, k = 0.000122
Dros       potegowa      b = 0.786, a = 0.167
Dros       logarytmiczna k = 1.36, c = 1.34
      badany         model    AIC     SSR delta_AIC
1 Ebbinghaus   wykladnicza  -7.69 0.05800     24.23
2 Ebbinghaus      potegowa -29.87 0.00244      2.05
3 Ebbinghaus logarytmiczna -31.92 0.00182      0.00
4       Dros   wykladnicza -15.41 0.01920      1.17
5       Dros      potegowa -16.58 0.01630      0.00
6       Dros logarytmiczna -14.74 0.02120      1.84
(Intercept)      log(t) 
     -0.228      -0.126 

2. Oś czasu: rysunek 1

Dane wejściowe: jedenaście zdarzeń z latami według cytowanych źródeł, wpisanych ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Hermann Ebbinghaus, 1850–1909 – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1850, 1873, 1879, 1880, 1883, 1885, 1890, 1894, 1897, 1905, 1909),
  opis = c("urodził się\nw Barmen", "doktorat\nw Bonn", "pierwsza seria badań\npamięci (1879–1880)", "privatdozent\nw Berlinie",
           "powtórzenie badań\n(1883–1884)", "„Über das\nGedächtnis”", "zakłada „Zeitschrift\nfür Psychologie” (z A. Königiem)",
           "profesor we Wrocławiu\n(Breslau)", "test „metodą kombinacji”;\n„Grundzüge der Psychologie”", "profesor\nw Halle", "zmarł"),
  rodzaj = c("życie", "praca", "badanie", "praca", "badanie", "publikacja", "publikacja", "praca", "publikacja", "praca", "życie"))
# Gęste lata 1879–1897: etykiety nad (1) i pod (−1) osią, na trzech wysokościach
zdarzenia$strona     <- c(1, -1, 1, -1, 1, -1, 1, -1, 1, -1, 1)
zdarzenia$poziom     <- c(0.5, 0.5, 0.5, 1.0, 1.0, 0.5, 0.5, 1.0, 1.0, 0.5, 0.5)
zdarzenia$wyrownanie <- c(0.5, 0.5, 0.9, 0.9, 0.5, 0.5, 0.3, 0.5, 0.5, 0.5, 0.5)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "badanie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "badanie" = "#009E73")   # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
  geom_segment(aes(xend = rok, y = 0, yend = poziom * strona), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
  geom_text(aes(y = (poziom + 0.07) * strona, label = paste0(rok, "\n", opis), vjust = ifelse(strona > 0, 0, 1), hjust = wyrownanie),
            size = 3.3, lineheight = 0.9) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1844, 1915), breaks = seq(1850, 1910, by = 10)) +
  scale_y_continuous(limits = c(-1.7, 1.75)) +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 13) +
  theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
        legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (krzywe nieliniowe – funkcja nls(), regresja – lm(), AIC – AIC() z pakietu stats; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim był Hermann Ebbinghaus?

Niemieckim psychologiem (1850–1909), profesorem w Berlinie, Wrocławiu i Halle, który w książce „Über das Gedächtnis” (1885) jako pierwszy zbadał pamięć eksperymentalnie i ilościowo – w całości na sobie samym (Woodworth, 1909; Ebbinghaus, 1913).

Co to jest krzywa zapominania Ebbinghausa?

Wykres oszczędności przy ponownym uczeniu w funkcji czasu od pierwszej nauki. U Ebbinghausa oszczędność spadła z 58.2% po 19 minutach do 21.1% po 31 dniach: najszybciej w pierwszej godzinie, potem coraz wolniej (Murre i Dros, 2015, tabela 3).

Na czym polega metoda oszczędności?

Mierzy się czas (lub liczbę powtórzeń) potrzebny do opanowania materiału, a po przerwie – do ponownego opanowania go. Oszczędność to zaoszczędzona część pierwotnej pracy w procentach; wykrywa ślad pamięciowy nawet wtedy, gdy materiału nie da się przypomnieć (Ebbinghaus, 1913; Nicolas, 1992).

Czy krzywą zapominania Ebbinghausa udało się powtórzyć?

Tak. Murre i Dros (2015) powtórzyli doświadczenie na jednym badanym (drugim autorze pracy), który przez około 70 godzin uczył się list sylab; krzywa była podobna do oryginalnej, choć po 31 dniach oszczędność była niższa (4.1% wobec 21.1%).

Powiązane hasła

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Ebbinghaus, H. (1913). Memory: A contribution to experimental psychology (H. A. Ruger & C. E. Bussenius, Trans.). Teachers College, Columbia University. https://doi.org/10.1037/10011-000
  2. Murre, J. M. J., & Dros, J. (2015). Replication and analysis of Ebbinghaus’ forgetting curve. PLOS ONE, 10(7), Article e0120644. https://doi.org/10.1371/journal.pone.0120644 ● Otwarty dostęp
  3. Nicolas, S. (1992). Hermann Ebbinghaus et l’étude expérimentale de la mémoire humaine. L’Année psychologique, 92(4), 527–544. https://doi.org/10.3406/psy.1992.29538 ● Otwarty dostęp: pełny tekst
  4. Stern, W. (1914). The psychological methods of testing intelligence (G. M. Whipple, Trans.). Warwick & York. https://doi.org/10.1037/11067-000 ● Otwarty dostęp: pełny tekst
  5. Woodworth, R. S. (1909). Hermann Ebbinghaus. The Journal of Philosophy, Psychology and Scientific Methods, 6(10), 253–256. https://doi.org/10.2307/2011110

Cytowania BibTeX

@book{ebbinghaus1913memory, author={Ebbinghaus, Hermann}, title={{Memory: A contribution to experimental psychology (H. A. Ruger \& C. E. Bussenius, Trans.)}}, year={1913}, publisher={Teachers College, Columbia University}, doi={10.1037/10011-000}}
@article{murre2015replication, author={Murre, Jaap M. J. and Dros, Joeri}, title={{Replication and analysis of Ebbinghaus’ forgetting curve}}, journal={PLOS ONE}, year={2015}, volume={10}, number={7}, eid={e0120644}, doi={10.1371/journal.pone.0120644}}
@article{nicolas1992hermann, author={Nicolas, Serge}, title={{Hermann Ebbinghaus et l’étude expérimentale de la mémoire humaine}}, journal={L’Année psychologique}, year={1992}, volume={92}, number={4}, pages={527--544}, doi={10.3406/psy.1992.29538}}
@book{stern1914psychological, author={Stern, William}, title={{The psychological methods of testing intelligence (G. M. Whipple, Trans.)}}, year={1914}, publisher={Warwick \& York}, doi={10.1037/11067-000}}
@article{woodworth1909hermann, author={Woodworth, Robert S.}, title={{Hermann Ebbinghaus}}, journal={The Journal of Philosophy, Psychology and Scientific Methods}, year={1909}, volume={6}, number={10}, pages={253--256}, doi={10.2307/2011110}}
R