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
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:
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:
Gdzie spotkasz Ebbinghausa w swojej pracy
- Gdy mierzysz to samo u tych samych osób kilka razy, wyniki są zależne – analizujesz je ANOVA z powtarzanymi pomiarami albo modelem wielopoziomowym, a nie testami dla grup niezależnych.
- Kolejne pomiary zmieniają samych badanych: to efekt uczenia się. Ebbinghaus po każdej dłuższej przerwie poprzedzał wznowienie badań kilkudniowym treningiem (Ebbinghaus, 1913).
- Badanie jednej osoby z wieloma pomiarami ma dziś swoje schematy (zob. badanie N-of-1), a pytanie, czy wynik się powtórzy, opisują hasła replikowalność i kryzys replikacyjny w psychologii.
- Krzywe nieliniowe porównujesz kryteriami informacyjnymi – przy małej liczbie punktów zob. AICc i wagi Akaikego oraz Hirotugu Akaike; prostowanie zależności potęgowej opisuje transformacja logarytmiczna.
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.
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
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")
p2Wynik 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
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")
p1Bibliografia 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()).
- 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/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- 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 studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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
- 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
- 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
- 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}}