FSRS: อัลกอริทึมการทบทวนแบบเว้นระยะที่ทันสมัยและมีประสิทธิภาพ

• วิกิ ABC of FSRS ของ FSRS สำหรับการปรับตารางทบทวนการเรียนให้เหมาะสม ได้ย้ายจาก fsrs4anki ไปยังวิกิ awesome-fsrs ใหม่
• เอกสารงานวิจัยของ MaiMemo ที่ลิงก์ไว้กล่าวถึง การปรับตาราง spaced repetition ให้เหมาะสม และการสร้างแบบจำลองพลวัตของความจำ ในบทความของ ACM KDD และ IEEE TKDE ตามลำดับ
• บทความอีกชิ้นแนะนำกระบวนการวิจัยอัลกอริทึม spaced repetition ผ่านประสบการณ์การตีพิมพ์ บทความ ACM KDD ของนักศึกษาปริญญาตรี
• FSRS-Anki-20k และ anki-revlogs-10k ถูกนำเสนอร่วมกันในฐานะ ชุดข้อมูลโอเพนซอร์ส ที่มีคุณลักษณะของอนุกรมเวลา
• FSRS เป็น โครงการโอเพนซอร์สอิสระ ที่ขับเคลื่อนโดยชุมชน และการสนับสนุนจากองค์กรอย่าง MaiMemo Inc. ช่วยหนุนการมีส่วนร่วมอย่างต่อเนื่องของผู้มีส่วนร่วมหลัก

---

ABC of FSRS ที่ย้ายไปยังวิกิใหม่

• หน้า ABC of FSRS ได้ย้ายไปยังวิกิใหม่
• ตำแหน่งใหม่: https://github.com/open-spaced-repetition/awesome-fsrs/wiki/ABC-of-FSRS

เอกสารงานวิจัยเกี่ยวกับ spaced repetition

• มีการลิงก์บทความของ MaiMemo 2 ฉบับ
  • A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling: บทความ ACM KDD ว่าด้วย การปรับตาราง spaced repetition ให้เหมาะสม
  • Optimizing Spaced Repetition Schedule by Capturing the Dynamics of Memory: บทความ IEEE TKDE ว่าด้วยการปรับตาราง spaced repetition ให้เหมาะสมผ่าน การจับพลวัตของความจำ
• ทั้งสองบทความมีลิงก์ฉบับภาษาจีนให้มาด้วย

บทความเกี่ยวกับประสบการณ์วิจัย

• How did I publish a paper in ACMKDD as an undergraduate?: บทความว่าด้วย ประสบการณ์การวิจัย เกี่ยวกับอัลกอริทึม spaced repetition

ชุดข้อมูลสาธารณะ

• มีการเผยแพร่ ชุดข้อมูลโอเพนซอร์ส ที่เกี่ยวกับ spaced repetition และมีคุณลักษณะของอนุกรมเวลา
  • open-spaced-repetition/FSRS-Anki-20k
  • open-spaced-repetition/anki-revlogs-10k

โครงการชุมชนและผู้สนับสนุน

• FSRS เป็น โครงการโอเพนซอร์สอิสระ ที่ขับเคลื่อนโดยชุมชน
• แสดงความขอบคุณต่อการสนับสนุนจากองค์กรอย่าง 墨墨背单词 (MaiMemo Inc.)
• การสนับสนุนจาก MaiMemo ช่วยให้ผู้มีส่วนร่วมหลักอย่าง Jarrett Ye สามารถทุ่มเทเวลาและความเชี่ยวชาญให้กับ FSRS ได้
• ความร่วมมือเช่นนี้ช่วยให้ FSRS ยังคงเป็น อัลกอริทึม spaced repetition ชั้นนำที่เปิดให้ทุกคนใช้งานได้อย่างเสรี

[GN⁺]

ความคิดเห็นจาก Hacker News

• วิธีที่ถูกประเมินต่ำไปมากในการปรับปรุง spaced repetition คือการทำให้การ์ดง่ายขึ้น ผมพบว่าการ์ดที่มีประสิทธิภาพสามารถง่ายจนน่าประหลาดใจได้
  ตอนแรกผมท่องศัพท์ภาษาฝรั่งเศสด้วย Anki โดยทำการ์ดสองทาง อังกฤษ↔ฝรั่งเศส แต่พอการ์ดมีเป็นร้อย ๆ ใบ คำพ้องความหมายก็เยอะเกินไปจนทรมาน
  ต่อมาผมทำตามคำแนะนำการเรียนภาษาญี่ปุ่นของ Katzumoto โดยคัดลอกทั้งย่อหน้าจากอีบุ๊กหรือเว็บเพจ แล้วทำเป็น การ์ดเติมคำในช่องว่าง ที่ปิดไว้แค่คำเดียว ซึ่งง่ายแต่ได้ผล
  พอขี้เกียจยิ่งขึ้น ผมก็ปิดแค่ครึ่งคำ หรือทำคำให้เป็นตัวหนา แล้วถ้านึกออกคร่าว ๆ จากบริบทก็ถือว่าผ่าน แต่กลับใช้ได้ผลดีกว่าเดิม
  ถ้าการ์ดโผล่มาแล้วรู้สึกว่า “อ้อ การ์ดใบนั้นอีกแล้วเหรอ?” ผมก็ลบทิ้ง และตั้งค่าให้ Anki พักการ์ดถาวรถ้าตอบผิด 3 ครั้ง ถ้าเป็นคำที่จำเป็นต้องรู้จริง ๆ เดี๋ยวก็จะเจอมันอีกในบริบทที่ดีกว่าในไม่ช้า จึงไม่มีปัญหา และคลังศัพท์ฝรั่งเศสของผมก็ยังเพิ่มขึ้นอย่างรวดเร็ว
  ผมคิดว่าการปรับปรุงครั้งใหญ่ที่สุดน่าจะมาจาก การปรับรูปแบบการ์ด มากกว่าอัลกอริทึม spaced repetition ที่ดีกว่า และการทำการ์ดที่ง่ายเกินกว่าจะดูมีประโยชน์นั้นยากกว่าที่คิด นี่คือผลจากการทบทวนด้วย Anki มากกว่า 35,000 ครั้งในสามภาษา

  • นี่แหละคือวิธีใช้ SRS อย่างถูกต้อง พวก geek อย่างเรามักไล่ตามการปรับปรุง 1% ด้วยอัลกอริทึมทบทวนหรือวิธีป้อนข้อมูลที่ฉลาดขึ้น แต่โหมดความล้มเหลวจริง ๆ กลับธรรมดากว่านั้นมาก คือ ผู้คนล้มเลิกไปเอง
    ผมเห็นบ่อยว่าคนยัดการ์ดหลายพันใบเข้า Anki ในเดือนแรกของการเรียนอะไรสักอย่าง แล้วหนึ่งหรือสองเดือนให้หลังก็ถูกปริมาณการทบทวนท่วมจนรู้สึกเหมือนเป็นงานจุกจิก แล้วก็เลิก
    คำแนะนำที่สร้างความต่างมีสองข้อ คือทำการ์ดให้ง่ายแบบ ‘ง่ายเกินไป’ เล็กน้อย และต้องคัดเลือกพอสมควรว่าจะใส่การ์ดอะไร
    ตอนสร้างการ์ดครั้งแรก คุณเพิ่งกำลังเรียนหัวข้อนั้นอยู่ มันจึงยังสดในหัว และทำให้อยากสร้างการ์ดที่สนุกและท้าทายสำหรับตัวคุณในตอนนั้น แต่หลังจากผ่านไป 1–2 สัปดาห์ การ์ดที่ง่ายพอจะแค่สะกิดความจำ ดีกว่าการ์ดที่ทำให้สับสน
    แทนที่จะยัดประโยคทั้งเล่มเข้า Anki ควรค่อย ๆ เดินดูเหมือนเดินในสวนผลไม้ แล้วเด็ดแอปเปิลที่ดีที่สุดแค่หนึ่งสองลูก แอปเปิลเน่า ๆ หรือก็คือการ์ดที่ไม่น่าสนใจหรือยากเกินไป จะปนเปื้อนทั้งเด็กและทำให้คุณหลีกเลี่ยงการทบทวนไปเลย
  • ผมทำตรงกันข้ามมาโดยตลอด ผมทบทวนด้วย Anki ไป 70,000 ครั้งในภาษาเดียว และการใส่บริบทอย่างพิถีพิถันส่วนใหญ่รู้สึกเหมือนเป็น การเสียเวลาสร้างการ์ด
    การทบทวนมักผ่านไปเร็วมาก ดังนั้นเมื่อคิดเป็นเวลาการเรียนต่อการ์ด เวลาในการสร้างการ์ดจึงมีสัดส่วนมากอย่างน่าประหลาดใจ ช่วงนี้ผมใส่บริบทน้อยลงเรื่อย ๆ และหลายครั้งการ์ดเรียบง่ายพื้นฐานที่ปลั๊กอินพจนานุกรมสร้างให้ก็เพียงพอแล้ว
    กรณีที่ผมจะตั้งใจเพิ่มบริบทไว้ด้านหน้าการ์ดแทบจะมีแค่ตอนที่เป็นศัพท์เฉพาะทางที่พบเห็นเฉพาะในบริบทนั้นเท่านั้น คือเมื่อมันไม่มีคุณค่าให้เรียนรู้แบบแยกเดี่ยว
    แต่ผมเห็นด้วยว่าการทำแบบขี้เกียจและใจดีกับตัวเองเป็นเรื่องดี ตอนให้คะแนนคำตอบ ผมก็ปล่อยค่อนข้างหลวม โดยวัดจากว่าเข้าใจพอจะหลีกเลี่ยงความสับสนในทางปฏิบัติหรือไม่ ไม่ใช่ต้องเชี่ยวชาญสมบูรณ์แบบระดับเจ้าของภาษา
  • กฎ 20 ข้อในการเขียนการ์ด SRS ของ SuperMemo ดั้งเดิมเป็นขุมทรัพย์เลย: https://www.supermemo.com/en/blog/twenty-rules-of-formulating-knowledge
    มันจะช่วยปรับปรุงคุณภาพการ์ดได้มาก
  • ผมคิดคล้าย ๆ กันตอนเรียนกีตาร์ การให้สมองจัดการโจทย์เดียวกันได้หลายวิธีอาจเป็นเรื่องดี
    เช่น เราอาจใช้ spaced repetition อัดโน้ตบนฟิงเกอร์บอร์ดแบบทื่อ ๆ ก็ได้ แต่ในทางปฏิบัติ การผสมบริบท ได้ผลดีกว่า
    บางสัปดาห์ผมขี้เกียจ ก็ฝึกแค่ชื่อโน้ต บางสัปดาห์ก็ลองเล่นสเกลแปลก ๆ อย่าง Hungarian scale และบางสัปดาห์ก็พยายามทำเสียงหรือความรู้สึกของเพลงบางเพลงขึ้นมาใหม่ด้วยคอร์ด arpeggio หรือ progression แบบ power chord
    เมื่อเวลาผ่านไป สมองก็เริ่มสร้างการเชื่อมโยง เช่น “นี่มันก็แค่สเกล G minor นี่นา”, “นี่คือ G major แต่ข้ามโน้ตพวกนั้นไป”, “ถ้าเป็นแพตเทิร์นนี้ ลองเล่นแบบนั้นได้ไหมนะ?”
    มันยังให้ความรู้สึกแปลก ๆ ว่าอัตราที่ผมตระหนักว่าตัวเองไม่รู้ เพิ่มขึ้นเร็วกว่าสิ่งที่คิดว่าตัวเองรู้มาก ถึงอย่างนั้น ผมก็กำลังคิดว่าจะใช้อัลกอริทึม spaced repetition ที่โยนแบบฝึกกีตาร์ 5–10 นาทีมาให้ เพื่อฝึกทั้ง muscle memory และการเชื่อมต่อของระบบประสาทไปพร้อมกัน
  • ผมใช้ Anki แบบเป็นช่วง ๆ มานานสำหรับการเรียนภาษา และช่วงหลังใช้กับการเรียนคอร์สออนไลน์ของมหาวิทยาลัย
    อาจเพราะเนื้อหาหลากหลายกว่าแค่ภาษา ผมจึงรู้สึกว่า รูปแบบการ์ดมีอิทธิพล มาก แม้ในเด็กที่คนอื่นทำไว้ ผมก็มักแก้ข้อความฝั่งคำตอบ และเห็นความต่างของอัตราการจำได้อย่างรู้สึกได้
    คำตอบที่กระชับและไหลลื่นเป็นธรรมชาติจะติดหัวได้ดีกว่า ถ้ามีการ์ดที่รู้สึกขัด ๆ ก็ไม่ควรลังเลที่จะแก้

• ผมท่องจำคำศัพท์ภาษาต่างประเทศด้วย Anki ไปเป็นหมื่น ๆ คำ และการมี รูปภาพ บนการ์ดช่วยให้จำคำได้เสมอ
  ตอนนี้ผมกำลังทำโปรเจกต์ที่อาจจะดูงี่เง่าสักหน่อย คือท่องการ์ดเกมตอบคำถาม 750 ใบไว้เล่นกับครอบครัว เป็นการ์ดที่คำตอบของทุกคำถามเป็นปี เช่น “Coca Cola Light ออกมาในปีไหน?”
  ถ้าสร้างภาพสำหรับการ์ดด้วย Midjourney จะนึกออกง่ายขึ้นมาก
  ผมใช้ระบบที่ให้บุคคลตัวแทนในแต่ละศตวรรษ Einstein แทนปี 1900–2000, Marie-Antoinette แทนปี 1700–1800
  ส่วนสิ่งของแทนหลักสิบของปี เช่น รถยุค 60s แทนทศวรรษ 60s แจ็กเก็ตเสริมไหล่แทนยุค 80s เป็นต้น หลักหน่วยก็จัดการในลักษณะคล้ายกัน
  ผมให้ Midjourney สร้างองค์ประกอบเหล่านี้เป็นภาพสไตล์การ์ตูน แล้วบันทึกภาพที่ตลกหรือเพี้ยนที่สุดใส่ไว้ด้านหลังการ์ด Anki รูปภาพมักนึกออกง่ายกว่าตัวปีเอง

  • มีสามเรื่อง อย่างแรก ลองค้นหา PAO ซึ่งเป็นเทคนิคช่วยจำแบบอิงภาพดู
    อย่างที่สอง ในสถานการณ์จริงที่ไม่มีภาพ การระลึกอาจแย่ลงได้ ดังนั้นควรทดสอบแยกเป็นระยะ ๆ ระหว่างตอนมีภาพกับไม่มีภาพ
    อย่างที่สาม ผมสงสัยว่าเกมตอบคำถามนั้นคือ Trivial Pursuit หรือเปล่า เพื่อนผมคนหนึ่งตั้งใจท่องการ์ดของรุ่น Genus ดั้งเดิมทั้งหมด
  • ผมกำลังทำแบบเดียวกันกับภูมิศาสตร์อยู่ เช่น ธง เมืองหลวง อะไรพวกนี้ น่าจะให้ แต้มต่อประมาณ +5 ในคืนเล่นควิซส่วนใหญ่ได้
  • ระบบนั้นเฉียบมาก วันที่เป็นเรื่องยากสำหรับผมเสมอ ต่อไปคงต้องขโมยไอเดียนั้นไปใช้บ้าง

• น่าสนใจ ตาม benchmark ถ้าใช้อัลกอริทึมนี้ จะต้องทบทวนการ์ด น้อยกว่า อัลกอริทึม Anki แบบดั้งเดิม 20~30%
  ไม่กี่วันก่อนผมเพิ่งเปิดเผย implementation ภาษา Python ของอัลกอริทึม SM-2 แบบดั้งเดิมที่ใช้ใน https://python.cards ออกมา ซึ่งอาจเปลี่ยนไปใช้ FSRS ได้: https://github.com/vlopezferrando/simple-spaced-repetition

  • python.cards ดูดี น่าจะเพิ่มตัวอย่างอีกสักหน่อย
    สงสัยเหมือนกันว่าจะมีโอกาสเปิดซอร์สเว็บแอปไหม ดูเหมือนมันอาจกลายเป็นวิธียอดนิยมในการแสดง flashcard ในโดเมนเฉพาะ เช่น ให้นักเรียนเรียน X

• จากคำอธิบาย ดูเหมือน FSRS ก็ยังผูก วันที่ทบทวนที่แน่นอน ไว้กับการ์ดแต่ละใบอยู่ ฟีเจอร์นี้แหละที่ทำให้ผมเลิกใช้ Anki
  ผมไม่ใช่นักศึกษาแล้ว และก็ไม่ได้จะสอบ แค่อยากฝึกตอนที่อยากทำ อาจมีช่วงเว้นว่างยาวระหว่าง session และไม่อยากรู้สึกว่ามีการ์ดค้างสะสม
  Anki เป็นแอปที่ยอดเยี่ยม แต่แทนที่จะผูกวันที่ทบทวนไว้กับการ์ด ผมอยากให้มีอัลกอริทึมที่สุ่มตัวอย่างการ์ด โดยสุ่มตามสัดส่วนของความน่าจะเป็นที่การ์ดนั้นจำเป็นต้องทบทวนอย่างเร่งด่วน
  ถ้าทำแนวทางแบบ https://github.com/fasiha/ebisu เป็นปลั๊กอิน Anki ได้ หรือมีแอปคล้ายกันที่ใช้รูปแบบการ์ดแบบเปิดก็คงดี

  • แต่ ความจำไม่ได้ทำงานแบบนั้น คุณไม่สามารถพักความจำไว้ในสถานะรอเหมือนที่เสนอได้ มีเหตุผลที่ FSRS ตามเส้นโค้งความจำที่ปรับให้เข้ากับแต่ละคน
  • การฝึกเมื่ออยากฝึก และอาจมีช่วงเว้นว่างยาวระหว่าง session นั่นก็เป็นสิ่งที่ SRS ทำอยู่แล้ว
    เพียงแต่ว่า ถ้าคุณเคลียร์สิ่งที่ “ค้าง” จนหมดแล้ว ก็จะไม่สามารถฝึกเมื่ออยากฝึกได้อีก และต้องรอช่วงเวลาหนึ่งจนกว่าจะฝึกได้อีกครั้ง
  • ผมเคยทำแอปครึ่ง ๆ กลาง ๆ แบบนั้น แล้วผลออกมาแย่มาก
    ข้อเท็จจริงที่ยังจำได้ การทำซ้ำก็น่ารำคาญ ส่วนหลายอย่างที่ลืมไปแล้วก็ลืมสนิทไปเลย ดังนั้นการทำซ้ำแทบไม่มีความหมาย และความคืบหน้าก็ช้ามาก
    ประเด็นสำคัญคือการทบทวนในจังหวะก่อนจะลืมเกือบพอดี ซึ่งทำได้ยากหากไม่มี deadline และการจัดตารางเวลา
  • ที่ Phrasing.app กำลังทำแนวทางแบบนั้นพอดี ตอนแรกใช้ ebisu แต่ท้ายที่สุดก็ใช้ fork ของ FSRS ที่แก้ไขไปมาก
    ในทางปฏิบัติไม่ได้ใช้ deadline และนอกจากฟีเจอร์วิเคราะห์บางอย่างที่มีคนขอมา ก็พยายามรักษาผู้ใช้ให้อยู่ในหลายระดับความยาก
    เราให้ความสำคัญกับ การเดินหน้าไปต่อ มากกว่าการกำจัดสิ่งที่ค้างให้เหลือ 0% เสมอ ถ้าเป็นคำที่สำคัญจริง ๆ ผู้ใช้ก็จะ favorite หรือได้เห็นมันอีก
    ไม่ใช่แอป flashcard สาธารณะ และโฟกัสค่อนข้างมากกับการทำ sentence mining อัตโนมัติสำหรับภาษาต่างประเทศ แต่ผมยินดีตอบคำถามเกี่ยวกับประสบการณ์ในการปรับแก้ FSRS
    ดูข้อมูลเกี่ยวกับผลิตภัณฑ์ได้ที่ https://blog.phrasing.app/phrasing-first-look/
  • ใน Anki สามารถใช้ filtered deck แล้วเรียงการ์ดตามระดับการเกินกำหนดแบบสัมพัทธ์ได้

• ผมใช้ FSRS มา 3 เดือนแล้ว และในที่สุดความเจ็บปวดจากการต้องลองผิดลองถูกเพื่อปรับอัลกอริทึมจัดตารางแบบ SM2 เดิมก็ได้รับการแก้ไข
  เนื้อหาของแต่ละ deck อาจส่งผลมากต่อ retention rate ที่เหมาะสมที่สุด และตอนนี้แค่ฝึก weights ของแต่ละ deck ใหม่ทุกไม่กี่เดือน มันก็ปรับตัวได้เหมาะสม
  บทความวิชาการ[0] ก็ควรค่าแก่การอ่าน ถ้าอยากเห็นการวิเคราะห์อย่างเข้มงวดเกี่ยวกับวิทยาศาสตร์ของ spaced repetition ในสภาพแวดล้อมจริงขนาดใหญ่
  ด้วย benchmark ที่ครอบคลุม คนส่วนใหญ่น่าจะไม่ได้ประโยชน์มากนักจากการปรับ weights ให้เข้ากับคอลเลกชันของตัวเองใหม่ จนกว่าจะมีรีวิวสะสมหลายพันครั้ง ผู้เขียนแนะนำ 1,000 ครั้งขึ้นไป
  แม้ทำการ์ดช้ากว่ากำหนดก็ยังทำงานได้ดี เพราะความน่าจะเป็นในการระลึกได้อิงกับ stability และเวลาทบทวนครั้งล่าสุด และถ้าจำได้แม้เลยกำหนดไปแล้ว stability ก็จะถูกอัปเดตให้ยาวขึ้นเล็กน้อย
  [0] https://dl.acm.org/doi/10.1145/3534678.3539081?cid=99660547150
  [1] https://github.com/open-spaced-repetition/fsrs4anki/wiki/The-Algorithm

• ผมชอบแฟลชการ์ดเป็นงานอดิเรก เลยใช้ แอป spaced repetition หลายตัวทุกวันเพื่อความสนุก เคยใช้ FSRS แล้วก็ดี แต่ยังไม่เท่า SuperMemo รุ่นล่าสุด
  ถ้าลองใส่เนื้อหาเดียวกันหรือคล้ายกันลงในแอปตั้งแต่สองตัวขึ้นไป จะเห็นความแตกต่างได้ชัด ถึงอย่างนั้น FSRS ก็ดีกว่าแทบทุกอย่างที่มีอยู่ตอนนี้มาก และคิดว่าอีกไม่นานน่าจะดีกว่า SuperMemo
  ผมใช้ Mochi Cards มาประมาณ 1 ปี ก็ถือว่าโอเคเฉย ๆ และดีกว่าการติดตั้ง Anki แบบพื้นฐานนิดหน่อย Mnemosyne ก็คล้ายกัน แอป SuperMemo แบบ SaaS ก็โอเค แต่ไม่ชอบวิธีจัดโครงสร้างสื่อการเรียนภาษา
  สำหรับคำศัพท์ภาษา ผมใช้ Clozemaster และหลังจากตอบถูกแล้วก็เอาประโยคนั้นไปใส่ใน SuperMemo เพราะอัลกอริทึมของ SuperMemo ดีกว่าขนาดนั้น มีคำอธิบายจาก ChatGPT สำหรับแต่ละคำด้วย ก็เอาส่วนนั้นใส่ SuperMemo เช่นกัน
  ส่วนที่ยากที่สุดแน่นอนคือการทำการ์ดที่ดี แหล่งที่ช่วยให้ได้ไอเดียเพิ่มคือ http://arxiv.org/abs/2401.01257 และ https://rust-book.cs.brown.edu
  ยังไม่เจอโปรแกรมแฟลชการ์ดที่ทำให้สร้างการ์ดได้เร็วเท่า SuperMemo ใน SuperMemo แค่วางก้อนข้อความ (ctrl-n), เลือกคำที่จะทำเป็นช่องว่างแบบ cloze deletion แล้วกด alt-x ก็พอ ทำซ้ำหลายครั้งจากข้อความชิ้นเดียวกันได้ และทุกครั้งที่ทำ การ์ดช่องว่างใบใหม่ก็จะถูกเพิ่มเข้าไปในการทบทวน
  แอปอื่นส่วนใหญ่ต้องสร้างการ์ดทีละใบ คิดว่าน่าจะเพราะยึดติดกับอุปมาเรื่องการ์ดและเด็กมากเกินไป SuperMemo จัดทุกอย่างเป็น โครงสร้างต้นไม้ ซึ่งทำให้ต่างกันมาก จริง ๆ แล้วไม่จำเป็นต้องจัดระเบียบขนาดนั้นก็ได้ แต่คนเรามักทำเหมือนว่าเนื้อหาที่เรียนจะถูกจัดเข้าหมวดเป็นเด็กที่เรียบร้อยในหัว

  • ใน Anki บน Debian คือ Ctrl-Alt-C
  • ใน Mochi ก็แทบเหมือนกัน กด n เพื่อสร้างการ์ดใหม่, ctrl-v เพื่อวางข้อความ, เลือกคำ แล้วกด ctrl-l เพื่อทำช่องว่าง และกด ctrl-[n] เพื่อสร้างกลุ่มช่องว่างหมายเลข 0–9
    แต่ละกลุ่มช่องว่างจะมี “การ์ด” ของตัวเอง

• เมื่อคิดถึงความสำคัญของ spaced repetition แล้ว ผมสงสัยว่าเราไม่ควรต้องมี แนวทางแบบโมดูลาร์ มากกว่า Anki หรือเปล่า
  มันไม่ได้แยกเป็นสามส่วนหรอกหรือ?

  1. การ์ดทั้งหมด หรือบางส่วนของการ์ด
  2. ประวัติการโต้ตอบกับการ์ดเหล่านั้น
  3. อัลกอริทึมที่อิงจากประวัตินั้นเพื่อแสดงการ์ด แล้วเพิ่มประวัติกลับเข้าไปอีก ซึ่งอาจเป็นรูปแบบคำนวณเมื่อถึงเวลาต้องใช้ก็ได้
  • Anki FSRS เข้าใกล้ อัลกอริทึมแบบคำนวณทันเวลา ที่อิงเฉพาะอินพุตที่ผู้ใช้ให้มามากขึ้นแล้ว
    โครงสร้างข้อมูลไม่ได้เป็นโมดูลาร์อย่างเคร่งครัด แต่เมื่อยังต้องรักษาความเข้ากันได้กับเด็ก Anki เดิมและส่วนขยายต่าง ๆ ก็นับว่าเข้าใกล้ที่สุดเท่าที่ทำได้ในทางปฏิบัติ
    ตอนนี้มีปุ่มที่คำนวณช่วงเวลาและความยากทั้งหมดใหม่ได้จริง ๆ โดยใช้แค่ประวัติและค่าปรับแต่งของอัลกอริทึมปัจจุบัน ถ้าใช้ FSRS อยู่แล้วและค่าปรับแต่งไม่ได้เปลี่ยน การคำนวณใหม่ก็จะเหมือนกับการคำนวณแบบเพิ่มทีละน้อยหลังการทบทวนแต่ละครั้ง จึงไม่มีผลอะไร
    โดยหลักการแล้วมองได้ว่าเป็น pure function ที่คำนวณเมื่อถึงเวลาต้องใช้ และเพื่อความเข้ากันได้กับของเดิมกับประสิทธิภาพ จึงแคชข้อมูลที่สร้างขึ้นไว้

• ขอโปรโมตตัวเองแบบหน้าด้าน ๆ ที่เกี่ยวข้องกัน: ผมทำเครื่องมือโอเพนซอร์สฟรีสำหรับสร้าง การ์ด Anki จากวิดีโอ YouTube ได้: https://youtube2anki.fly.dev/
  อยากได้ฟีดแบ็ก โค้ดอยู่บน GitHub: https://github.com/vacmar01/youtube2anki

  • เจ๋งดี ขอถามได้ไหมว่าเอาไปใช้กับวิดีโอแบบไหน?

• ผมเคยคุยกับ Xiaojun หลายครั้งเกี่ยวกับ FSRS และ Anki ในระบบ spaced repetition แบบดั้งเดิมอย่าง Anki+FSRS ผู้เรียนมักทบทวนความรู้ในบริบทเดิมเสมอ จนอาจเข้าใจความรู้เป็น หน่วยที่โดดเดี่ยว ไม่ใช่ส่วนหนึ่งของเครือข่ายที่ใหญ่กว่า
  ตัวอย่างเช่น การเรียนคำศัพท์แยกเป็นคำ ๆ ไม่ได้เตรียมตัวให้พร้อมพอสำหรับการใช้ภาษาในชีวิตจริง ในสถานการณ์จริง บริบท collocation และวิธีใช้มีบทบาทมาก
  วิธีเรียนภาษาที่ดีกว่าการทบทวนแบบโดดเดี่ยวคือให้ผู้เรียนพบคำในบริบทและการผสมคำที่หลากหลาย เพื่อเข้าใจว่าคำนั้นก่อตัวเป็นกลุ่มคำและประโยคอย่างเป็นธรรมชาติได้อย่างไร
  ดังนั้นสำหรับการเรียนภาษา ผมกำลังทำสิ่งที่แสดงวิดีโอสั้นจากชีวิตจริงแทนการ์ด Anki วิดีโอแต่ละคลิปเป็นสถานการณ์เล็ก ๆ ที่แสดงให้เห็นว่าภาษาถูกใช้ในสถานการณ์จริงอย่างไร
  นักเรียนไม่ได้แค่ท่องจำคำ แต่เห็นการใช้งานในบริบทที่เป็นธรรมชาติ รวมถึงเบาะแสทางภาพและท่าทางด้วย แนวทางนี้ช่วยให้เข้าใจการนำคำและสำนวนไปใช้จริง ทำให้การเรียนดื่มด่ำและมีประสิทธิภาพขึ้น เพราะเหตุผลหลักที่การเรียนภาษาต่างประเทศล้มเหลวคือการทำต่อเนื่องไม่ได้
  อีกอย่างที่ Anki ขาดคือแบบทดสอบอิงสถานการณ์จริง ไม่ใช่แค่ “จำได้ไหม?” นักเรียนควรได้ประยุกต์สิ่งที่เรียนในสภาพแวดล้อมที่สนุกและกดดันต่ำ
  อัลกอริทึม SRS เป็นเพียงส่วนหนึ่งของคำตอบ ไม่ใช่ยาครอบจักรวาล ความจำมีปัจจัยหลายอย่าง เช่น ผลของอารมณ์ต่อการเข้ารหัสความทรงจำ เราไม่ต้องใช้ SRS เพื่อจำจูบแรกหรือวันรับปริญญา
  ผู้คนเรียนภาษาแม่ได้คล่องโดยไม่มี SRS ใด ๆ แต่ภาษาต่างประเทศ แม้ใช้ SRS คนส่วนใหญ่ก็ยังไม่คล่อง

  • ข้อเสนอว่าเราควรเรียนในบริบทและทำให้บริบทหลากหลายเป็นเรื่องมีคุณค่า แต่คำพูดที่ว่า “คนเราเรียนภาษาแม่ได้โดยไม่ใช้ Anki หรือเรียนไวยากรณ์” มักทำให้ผมหงุดหงิดเสมอ
    การรับภาษาที่หนึ่ง กับ การรับภาษาที่สอง ต่างกันเหมือนแอปเปิลกับเบคอน สมองของทารกกับผู้ใหญ่ต่างกัน และความจำเป็น ความสามารถ กับบริบทก็ต่างกันมาก
  • ใช่ ผมชอบแนวทางที่ผสม SRS กับการเรียนแบบ immersion แบบ Refold มากกว่า