根据关于特征值的规则，我们可以对矩阵进行分类。一些实例 (矩阵) 符合规则，因此它们被标记为真，而所有其他不符合规则的实例则标记为假。作者将四种基本模式作为分类任务的四条规则。
对角线（Diagonal）。符合对角线规则的矩阵至少有一条对角线，标为黑色，或者从左上角块开始一直到右下角块结束，或者从左下角块开始，到右上角块结束。
水平的（Horizontal）。符合水平规则的矩阵至少有一排水平的黑色元素。
数字规则（Numbers）。如果总共有五个元素被标为黑色，则满足数字规则。
对称性（Symmetry）。对称性描述的是轴对称性，可以是对矩阵中间列的轴对称性，也可以是对矩阵中间行的轴对称性。游易德
设计一个多回合游戏以生成 一个符合特定规则的学习曲线。在游戏过程中规则不会改变。在游戏开始时，玩家收到访问 5 个标记的实例（训练数据）。确保每个实例被标记为正值的概率为 50%（相应地也有 50% 被标记为负值），以根据所选规则来考虑数据集中正值和负值标记实例的不平衡的问题。此外，玩家还收到 5 个未标记的实例（测试数据），这些实例必须根据从标记的训练实例中得出的知识进行标记。如前所述，每个实例被标记为正的概率仍为 50%。然后，我们用准确度量来衡量测试数据的性能，准确度量表示为正确标注实例的数量除以标注实例的总数量。
由于在我们的工作中，标签只是一个二进制决策，准确度指标为 "1" 则表示标签 100% 正确，而准确度指标为 "0.5" 则相当于随机猜测，标签是随机分配的。五个实例的标签准确率代表了第 r 轮的表现。在第二轮中，先前标记的实例消失，生成五个新的、未标记的实例（新测试实例），总共有 10 个标注的实例可用于训练。训练中对 5 个新的未标记的实例进行标记，具体图 11 进行了详细描述。在每个游戏中，标记和未标记实例的顺序是随机的。然而，一个矩阵（实例）只会是训练数据或测试数据的一部分，而不会同时是两者。学习曲线是根据每一轮的表现生成的。
图 11. 人类 X=10 轮、机器 X=20 轮的实验过程
人类的实验是通过研究不同环节的参与者进行的，这些人是在没有任何事先知识的情况下单独参加实验的，因此参与者并不是根据特定知识背景、行业能力等进行筛选的。不过，事先他们会得到一份关于实验总体目标、用户界面布局和一些抽象例子的标准化介绍。每位参赛者参与四场游戏，有可能玩遍四种规则。每场总轮数为 10 轮，也就是说，参赛者总共会看到 50 个标签实例，在一局游戏中，有可能需要他 / 她给 50 个实例贴标签。在完成一个游戏后，参与者不会收到任何关于他 / 她表现的反馈，这就保证了每轮游戏的独立性。图 12 是用人类进行规则对称性实验的 GUI 实例。游易德
图 12. 规则对称性（Symmetry）的第 2 轮人类的实验截图。上方显示 10 个训练实例，下方则是未标记（测试）的实例
