연구진은 교육 과정 학습의 어려움 점수 및 속도 조절 요인을 분리하여 평가하는 프레임워크를 개발했어요. 혼동을 인식하는 새로운 난이도 점수를 제안하여 CIFAR-10 데이터셋에서 모델 해석 가능한 순위를 얻었어요. 하지만 전체 데이터셋에서는 교육 과정 학습이 표준 학습보다 정확도를 향상시키지 못했지만, 혼동 인식 교육 과정 순서는 데이터 효율성을 높여 최대 8.7% 성능 향상을 보였어요.
전이 교사 프레임워크(TTF)에서 난이도 점수 및 속도 조절 요인을 분리 평가하기 위해 단계별 테스트 서브셋과 난수 데이터에 동일한 속도 조절을 적용하는 기준을 사용했어요. 연구 결과, 점수 기능 개선만으로는 교육 과정 학습의 실패 요인을 극복하기에 충분하지 않다는 것을 확인했어요.
혼동 인식 교육 과정 순서는 데이터 효율성 측면에서 이점을 제공하며, 20% 데이터 환경에서 무작위 순서보다 최대 8.7% 성능 향상을 보여 TTF의 잠재력을 시사해요.