Ci fitchî ci provént d’ Wikimedia Commons ; si pout i esse eployî divins des ôtes pordjets Wiki. Li discrijhaedje di si pådje di discrijhaedje låvå est håynêye cial ådzo.
Discrijhaedje
DiscrijhaedjeRescorla–Wagner model in Learning.svg
English: x-axis: time/trials
y-axis: associative value (V)
The difference between V and asymptote of learning is growing which graphical presented as the Curve.
di pårtaedjî – di rcopyî, di rispåde eyet di rdiner cisse ouve ci
di rdjårber – di candjî ciste ouve
Avou les condicions ki shuvèt :
atribucion – Vos dvoz dner les racsegnes so l’ oteur ki vont bén, diner on loyén eviè l’ licince eyet mete si des candjmints ont stî fwaits. Vos ploz fé çoula di tote sôre di manires, mins nén tot djant ki l’ oteur vs aspale udonbén asprouve l’ uzaedje ki vos nd e fjhoz.
pårtaedje a l’ idintike – Si vs candjîz u si vs eployîz ciste ouve ci po dnè fé ene ôte, vos dvoz mete vost ovraedje dizo l’ minme licince u ene licince ki va avou l’ cene di l’ ouve d’ oridjinne.
Ajoutez en une ligne la description de ce que représente ce fichier
Comparing the associative value in the beginning of learning and later. At the early the stage, the unexpectedness is high which prompt new learning to occur.