FSRS ทำให้ระบบทบทวนแบบเว้นระยะดีขึ้น

 (domenic.me)
18 คะแนน โดย GN⁺ 2025-05-19 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • Spaced Repetition System ซึ่งเป็นเทคนิคการเรียนรู้ที่เพิ่มช่วงห่างของการทบทวนเนื้อหาที่เคยเรียนไปแล้ว ช่วยสร้างความจำระยะยาวได้อย่างมีประสิทธิภาพแม้ใช้เวลาไม่มาก
  • อัลกอริทึม FSRS (Free Spaced Repetition Scheduler) ที่ใช้การคาดการณ์แบบ แมชชีนเลิร์นนิง เพื่อปรับตารางการ์ดให้เหมาะกับแต่ละบุคคล ช่วยเพิ่มทั้งประสิทธิภาพและความพึงพอใจของผู้ใช้อย่างมากเมื่อเทียบกับวิธีเดิม
  • ใน Anki เวอร์ชันล่าสุด FSRS ถูกใช้เป็นตัวจัดตารางเริ่มต้น ทำให้ผู้ใช้ส่วนใหญ่ใช้งานมันอยู่แล้ว
  • เมื่อเทียบกับบริการอย่าง WaniKani และ Bunpro แล้ว การใช้ Anki ร่วมกับ FSRS เหนือกว่าในด้านประสิทธิภาพการเรียนรู้และความยืดหยุ่น

ภาพรวมของระบบทบทวนแบบเว้นระยะ

  • ระบบทบทวนแบบเว้นระยะ ถูกนำไปใช้ในหลายสาขาเพื่อการได้มาซึ่งความรู้และการคงความจำระยะยาว
  • เป็นโซลูชันที่ช่วยให้ทบทวนได้อย่างมีประสิทธิภาพภายในเวลาจำกัด เช่น ในการเรียนในโรงเรียนหรือการเรียนเป็นงานอดิเรก
  • ระบบจะนำเสนอข้อมูลในรูปแบบแฟลชการ์ดซ้ำ ๆ และปรับช่วงเวลาทบทวนตามการตอบสนองของผู้ใช้
  • หากใช้เวลาเพียงวันละ 20 นาที ก็สามารถจำคำศัพท์ได้ถึง 3,650 คำ ต่อปีอย่างไม่ยาก

วิธีจัดตารางแบบเดิมและข้อจำกัด

  • ระบบทบทวนแบบเว้นระยะยุคแรกมักใช้อัลกอริทึม SuperMemo-2
  • วิธีนี้จะเพิ่มช่วงเวลาทบทวนในลักษณะ “หลัง 1 วัน ถ้าตอบถูกก็อีก 6 วัน ถ้าถูกอีกก็ 15 วัน ต่อไปค่อยเป็น 37.5 วัน”
  • หากตอบผิด ระบบจะรีเซ็ตกลับไปเป็น 1 วันอีกครั้ง ทำให้ต้องเห็นการ์ดใบเดิมซ้ำ ๆ ในช่วงเวลาสั้น ๆ และก่อให้เกิด ความท้อใจ มาก
  • วิธีนี้ตั้งอยู่บนกฎที่กำหนดจากประสบการณ์และค่อนข้างตามอำเภอใจ จึงไม่ได้ถูกปรับให้เหมาะกับความรู้แต่ละรายการ
  • ยังมีสมมติฐานที่ไม่สมจริงว่าทุกข้อมูลมี เส้นโค้งความจำ เหมือนกันทั้งหมด

FSRS: การจัดตารางแบบปรับปรุงด้วยแมชชีนเลิร์นนิง

  • FSRS (Free Spaced Repetition Scheduler) อาศัยเทคนิคแมชชีนเลิร์นนิงสมัยใหม่เพื่อปรับช่วงเวลาทบทวนให้เหมาะเป็นรายบุคคล
  • มันเปลี่ยนคำถามว่า “เมื่อไรความน่าจะเป็นในการนึกการ์ดใบนี้จะลดลงเหลือ 90%” ให้กลายเป็นปัญหาการพยากรณ์ เพื่อคำนวณเวลาทบทวนที่แม่นยำ
  • โมเดล FSRS หาเส้นโค้งของฟังก์ชัน 3 อย่างด้วยการทำ curve fitting ได้แก่ ความยาก (1~10 ต่อการ์ด), เสถียรภาพ (ช่วงเวลาที่อัตราการนึกได้ลดจาก 100% เหลือ 90%) และ ความสามารถในการนึกกลับมาได้ (ความน่าจะเป็นในการนึกได้หลังผ่านไปจำนวนวันหนึ่ง)
  • มันใช้พารามิเตอร์ 21 ตัวเพื่อปรับเส้นโค้งให้เหมาะกับข้อมูลรีวิวขนาดใหญ่ และปรับพารามิเตอร์ใหม่ตามประวัติการทบทวนของแต่ละคน
  • FSRS เปิดให้ผู้ใช้ตั้งค่า อัตราการนึกได้เป้าหมาย ที่ต้องการ (เช่น 90%) และสามารถจำลองปริมาณการเรียนและจำนวนการ์ดต่อวันตามค่านั้นได้
    • ตัวอย่างเช่น เมื่อตั้งอัตราการนึกได้ไว้ที่ 70% ปริมาณการทบทวนรายวันจะลดลง ขณะที่จำนวนการ์ดที่จำได้กลับเพิ่มขึ้น

การนำ FSRS ไปใช้จริง

  • Anki เลือกใช้ FSRS เป็นตัวจัดตารางเริ่มต้นตั้งแต่เวอร์ชัน 23.10 ที่ออกใน 2023-11
  • เมื่อใช้ FSRS ภาระการทบทวนรายวันจะลดลง และแม้เวลาทบทวนการ์ดที่ตอบผิด ความเครียดก็ไม่เพิ่มขึ้นมาก
  • สามารถปรับสมดุลระหว่างประสิทธิภาพการเรียนกับปริมาณการเรียนได้อย่างเหมาะสมผ่าน การตั้งค่าที่แนะนำ
  • เนื่องจากเป็นโครงการโอเพนซอร์ส จึงสามารถนำไปใช้งานได้ในหลายภาษาและหลายซอฟต์แวร์

เปรียบเทียบกับบริการเรียนรู้อื่น

  • สำหรับบริการแบบสมัครสมาชิกอย่าง WaniKani และ Bunpro นั้น มีเพียง ช่วงเวลาคงที่ ให้ใช้ และไม่มีการปรับให้เหมาะเฉพาะบุคคล
    • เช่น 4 ชั่วโมง, 8 ชั่วโมง, 1 วัน, 2 วัน, 7 วัน... ซึ่งเป็นการตั้งรอบทบทวนแบบค่อนข้างตามอำเภอใจ
  • เมื่อการ์ดตอบผิด บางบริการไม่ได้รีเซ็ตไปยังขั้นต่ำสุด หรือไม่มีการคาดการณ์ด้วยแมชชีนเลิร์นนิง จึงตามหลังด้านประสิทธิภาพอย่างมาก
  • การ์ดที่ผ่านช่วงเวลาหนึ่งไปแล้วจะไม่ถูกนำกลับมาให้ดูอีก ส่งผลให้เกิดการสูญเสียความรู้ระยะยาว
  • ด้วยเหตุนี้ ความเครียดและความไร้ประสิทธิภาพของผู้เรียน จึงสะสมเพิ่มขึ้น

ข้อดีของ Anki

  • แม้ UI อาจใช้งานไม่สะดวกนัก แต่จุดแข็งคือความสามารถด้านการเรียนรู้ประสิทธิภาพสูง การอัปเดตอย่างต่อเนื่อง และการปรับแต่งได้กว้างขวาง
  • ในการใช้งานจริง มันมอบ ความยืดหยุ่น ที่เหมาะกับผู้เรียนหลากหลายสาขาและหลายระดับ
  • เหมาะอย่างยิ่งสำหรับการสร้างคลังความรู้ระยะยาวตั้งแต่ระดับพื้นฐานไปจนถึงขั้นสูง
  • จากประสบการณ์ใช้งานโดยตรง มันได้กลายเป็น เครื่องมือการเรียนรู้ที่มีประสิทธิภาพ

อ่านเพิ่มเติม

  • หากต้องการดูหลักการของ spaced repetition รายละเอียดการทำงานของ FSRS และตัวอย่างการนำไปใช้ โปรดดูแหล่งข้อมูลด้านล่าง
    • open-spaced-repetition/awesome-fsrs: รายการการนำ FSRS ไปใช้ในภาษาโปรแกรมและซอฟต์แวร์ต่าง ๆ
    • open-spaced-repetition/srs-benchmark: ผลการเปรียบเทียบ benchmark ระหว่าง FSRS กับอัลกอริทึมหลายแบบ (เช่น SuperMemo-2, อัลกอริทึมของ Duolingo เป็นต้น)
      • ปัจจุบัน สิ่งที่แสดงประสิทธิภาพดีกว่า FSRS อย่างสม่ำเสมอมีประมาณเครือข่ายประสาท LSTM ที่อิงอัลกอริทึม OpenAI Reptile เท่านั้น

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2025-05-19
ความคิดเห็นบน Hacker News
  • ฉันอยากย้ำว่าฉันเป็นผู้ก่อตั้ง Trane (https://github.com/trane-project/trane/) Trane สามารถใช้แทนระบบอย่าง Anki ได้ และนำไปใช้ได้กับสาขาส่วนใหญ่ที่มีลำดับชั้นของทักษะย่อยชัดเจน เช่น ดนตรี การเรียนคำศัพท์ ฯลฯ ฉันคิดว่าระบบเดิมอย่าง Anki, SuperMemo ยังมีปัญหาที่ไม่ถูกแก้อยู่ 3 ข้อ ข้อแรกคือแนวทางที่เน้นการท่องจำเป็นหลัก ฉันอยากได้สิ่งที่ใช้ได้กับสาขาที่ต้องให้คะแนนตามความชำนาญ ไม่ใช่ความจำ เช่น ดนตรี ข้อสองคือการไม่มีข้อมูลเชิงลำดับชั้น ทำให้ยากต่อการเรียนทักษะขนาดใหญ่ Anki เองก็ทำซ้ำความสามารถของ Trane ได้ยาก เช่น การจำกัดความก้าวหน้าตามการพึ่งพาของทักษะย่อยและการตรวจสอบความชำนาญ ข้อสามคือมันบังคับให้ผู้ใช้ต้องสร้างแบบฝึกหัดเอง ซึ่งใช้เวลามาก และสำหรับทักษะที่ซับซ้อนก็ต้องอาศัยผู้เชี่ยวชาญ Trane แทบจะเสร็จสมบูรณ์แล้ว และฉันใช้มันเรียนดนตรีอยู่ ตอนนี้มีแค่ฉันที่ใช้เพราะยังไม่มี UI แต่ก็ช่างมัน เพราะฉันไม่อยากทำงานฟรี ตอนนี้กำลังพัฒนาติวเตอร์ด้านการรู้หนังสือบน Trane อยู่ ถ้าสำเร็จ นักเรียนจะเรียนได้ตั้งแต่ตัวอักษรไปจนถึงการอ่านและการเขียนระดับมหาวิทยาลัย โดยอิงงานวิจัยล่าสุด ตั้งเป้าปล่อย MVP ภายในปีนี้
  • ฉันเห็นการถกเถียงและความก้าวหน้าเกี่ยวกับ SRS มามาก แต่สิ่งที่ฉันอยากเห็นและคิดว่าสำคัญจริง ๆ คือพื้นที่ระหว่างการอ่าน/ความเข้าใจกับ SRS แทบไม่มีเครื่องมืออิสระที่ทำให้สร้างแฟลชการ์ดจากโปรแกรมเดิมอย่างเว็บเบราว์เซอร์, PDF ฯลฯ ไปยัง SRS ยอดนิยมอย่าง Anki หรือ Mochi ได้อย่างง่ายดาย ฟังก์ชันแบบนี้ควรทำงานได้เป็นธรรมชาติและไร้แรงเสียดทานเหมือนการผสานกับ OS และควรเป็นท่อส่งต่อไปยัง SRS ได้ง่าย ไม่ใช่ “อีกหนึ่งแอปแยกต่างหาก” อยากได้ระบบที่เป็นมิตรกับ Mac และไม่เกะกะสายตา ถ้าใครรู้จักเครื่องมือแบบนี้ช่วยบอกที
    • แนวคิดเรื่อง “สร้างแฟลชการ์ดจากโปรแกรมเดิมได้ง่าย” มักถูกเข้าใจผิดอยู่บ่อย ๆ คุณค่ามากกว่าครึ่งของ SRS มาจากกระบวนการที่ผู้ใช้เลือกเองว่าจะเอาแนวคิดไหนมาทำเป็นแฟลชการ์ด แล้วสำรวจความเหมือน ความต่าง คุณลักษณะต่าง ๆ แม้มันจะเหนื่อย แต่กระบวนการนี้เองช่วยเรื่องความเข้าใจได้มาก อย่างไรก็ตาม เพราะทักษะนี้ยาก คนจำนวนมากจึงใช้ SRS ได้ไม่เต็มที่ ไม่เห็นผล และเลิกไป อีกความเข้าใจผิดหนึ่งคือคิดว่า SRS มีไว้เพื่อการท่องจำอย่างเดียว ทั้งที่ถ้าออกแบบดีพอ มันก็ใช้เพื่อทำความเข้าใจหัวข้อซับซ้อนได้เช่นกัน
    • ฉันทำแอปแฟลชการ์ดชื่อ Fresh Cards และบางครั้งผู้ใช้ก็ถามถึงฟีเจอร์นำเข้าแฟลชการ์ดจากหน้าเว็บหรือ PDF แต่พูดตรง ๆ คือฉันยังไม่รู้ว่ามันควรทำงานยังไง ควรเป็นแบบให้ผู้ใช้ไฮไลต์เองแล้วกด “สร้างเป็นการ์ด” หรือควรให้ระบบวิเคราะห์ข้อความอัตโนมัติแล้วเสนอรายการคำถาม-คำตอบให้แทน จะตัดสินยังไงว่าอะไรควรทำเป็นการ์ด และควรแยกย่อยแค่ไหน โดยเฉพาะการดึงข้อเท็จจริงง่าย ๆ อย่างวันที่หรือชื่อคน อาจไม่ช่วยกับเนื้อหาบางประเภทเท่าไร สุดท้ายมันเป็นปัญหาที่เปิดมาก จนอาจยากที่จะตอบโจทย์ทุกความต้องการ
    • ฉันคิดว่าโมเดล service ของ macOS เหมาะกับจุดประสงค์นี้มาก service คือสิ่งที่ทำงานตามบริบทในหลายแอป และรองรับการเชื่อมต่อข้ามแอปโดยไม่ต้องพัฒนาเฉพาะ ตัวอย่างเช่น เลือกข้อความ คลิกขวา แล้วเรียกเมนู service อย่าง “New SRS Card” ก็จะสร้างการ์ดแบบง่ายได้ทันที ถ้าแอป SRS ฝัง service แบบนี้มาให้ ก็จะสร้างการ์ดได้เร็วและสะดวกมาก
    • ฉันแก้ปัญหานี้ด้วยการใส่ system prompt ให้ LLM หลังจากทำความเข้าใจแนวคิดใน ChatGPT แล้ว ฉันก็ขอให้มันสร้างแฟลชการ์ด จากนั้นค่อยคัดลอกและวางเข้า Mochi ในอนาคตฉันคาดหวังว่าการเชื่อมต่อให้ LLM เพิ่มการ์ดเข้า Mochi ได้โดยตรงจะพัฒนาไปมากขึ้น
    • ในบริบทของการเรียนภาษา มีเครื่องมือดีมากสำหรับ “ขุด” การ์ดจากเสียงหรือซับไตเติลของ YouTube/Netflix บางตัวเป็นโอเพนซอร์สและฟรี แต่ตอนเริ่มใช้อาจมีแรงเสียดทานอยู่บ้าง ส่วนโซลูชันแบบเสียเงินจะเป็นมิตรขึ้นเล็กน้อย
  • เคล็ดลับที่แนะนำเวลาเรียนด้วย LLM คือทำเครื่องมือ MCP ที่บันทึกบทสนทนาแยกตามหัวข้อเป็นไฟล์ csv ลง Google Drive แล้วซิงก์เข้า Anki วิธีนี้เปลี่ยนเกมการใช้ LLM ของฉันไปเลย ในระยะยาว LLM อาจทำให้เราคิดน้อยลง แต่ถ้าจะใช้อยู่แล้ว ฉันแนะนำให้นำมาใช้เป็นเครื่องมือเรียน
    • ฉันเขียนสคริปต์ Python ที่เลือกการ์ดจาก Anki deck ที่มีกำหนดทบทวนในวันถัดไป แล้วให้ LLM สร้างประโยคใหม่ ๆ ขึ้นมา จุดประสงค์คือไม่ใช่แค่จำการ์ดให้ได้เสมอ แต่เพื่อพัฒนาความสามารถในการรู้จำคำศัพท์ในบริบทใหม่ ๆ ฉันหวังว่าการเรียนผ่านบริบทที่หลากหลายจะช่วยให้ได้ภาษาจริงมากขึ้น
    • อยากอ่านบล็อกโพสต์ที่อธิบายแบบเจาะจงว่าซิงก์ csv เข้าเป็นการ์ด Anki ยังไง และหน้าตา MCP implementation ที่ทำผลลัพธ์ของ LLM ออกมาเป็น csv เป็นอย่างไร
    • โหมดเสียงของ ChatGPT 4o เป็นประสบการณ์ที่ปฏิวัติการเรียนภาษาจีนขั้นพื้นฐานจริง ๆ มันช่วยได้มากทั้งการถามชื่อสิ่งของในบ้าน ถามความเกี่ยวข้องระหว่างคำ สร้างประโยคสั้น ๆ และตรวจไวยากรณ์ ตอนนี้ยังไม่มี MCP แต่สามารถขอให้สรุปบทสนทนาออกมาในรูปแบบที่มีโครงสร้างได้
  • สิ่งที่ฉันอึดอัดที่สุดใน Anki คือ data model ฉันคิดว่าควรมีการจัดการ “คอลเลกชันโน้ต” แบบลำดับชั้น (จะสร้างเอง สร้างด้วย LLM หรือแชร์กับเพื่อนและนักเรียนก็ได้) แล้วค่อยแตกชุดการ์ดสุดท้ายออกจากตรงนั้นตาม template เกณฑ์ต่าง ๆ เช่น ประวัติการทบทวน โมเดล และวิธีจำกัดการ์ดที่จะทบทวนในบางสถานการณ์เฉพาะ (เช่น การเขียนภาษาจีนหรือญี่ปุ่นต้องใช้กระดาษ จึงต้องสลับใช้ deck ตามสถานการณ์) ควรถูกแยกเป็นชั้น ๆ แต่ Anki กลับเอาทุกอย่างมาปนกันอยู่ในฐานข้อมูลเดียว ทั้งการนำเข้า/ส่งออก/แชร์/จัดการข้อมูลจากภายนอกก็ไม่สะดวกเอามาก ๆ ทุกครั้งที่ฉันจัดการข้อมูลตัวเองตามใจไม่ได้ก็รู้สึกหงุดหงิด มีใครรู้จักระบบที่ไม่มีปัญหาแบบนี้ไหม?
    • เรื่องหลายคอลเลกชันโน้ตและการจำกัดการ์ดต่อเซสชันทำได้ใน Anki อยู่แล้วด้วย deck, tag, Better Tags, subdeck ฯลฯ ทุก deck ก็แยกเป็นไฟล์ได้ และยังรองรับโมเดล spaced repetition หลายแบบ เช่น FSRS การส่งออก/แชร์ก็ง่ายในระดับไฟล์ (ไฟล์บีบอัด) เครื่องมือและไลบรารีสำหรับจัดการข้อมูลจากภายนอกก็มีมาก โครงสร้างที่เป็นโอเพนซอร์สและอิงไลบรารีก็ทำให้ดึงข้อมูลได้ง่าย กรณีนี้คือฉันแก้ความไม่พอใจกับระบบเดิมด้วย Anki เอง
    • ทุกประเด็นที่คุณพูดมานั้นไม่ตรงกับข้อเท็จจริง Anki มีเอกสารโอเพนซอร์สที่ยอดเยี่ยม ถ้าเขียนโปรแกรมได้ ก็ใช้ ChatGPT ช่วยทำแทบทุกอย่างได้ และฉันก็ทำ data mining จากฐานข้อมูล sqlite อยู่บ่อย ๆ
    • data model ของ Anki มีหลายจุดที่ไม่มีประสิทธิภาพจริง เช่น การยัด JSON ลงไปในหนึ่งแถวของตาราง ซึ่งค่อนข้างเป็นการแก้ปัญหาเฉพาะหน้า โครงสร้างมันเลยดูแปลก ๆ เพราะค่อย ๆ โตมาแบบ incremental แต่ในอีกด้านหนึ่ง ฟีเจอร์ template กับ cloze deletion (ซ่อนบางส่วนเพื่อสร้างการ์ดหลายใบอัตโนมัติ) กลับยอดเยี่ยมมาก จนตอนนี้ฉันรู้สึกขอบคุณโครงสร้างแบบนั้นอยู่ ฉันกำลังออกแบบ schema ของ Fresh Cards ใหม่เพื่อใส่ cloze deletion และ template เข้าไป ในแอปของฉันแต่ละคุณสมบัติของการ์ดถูกแยกเป็นตาราง Anki เองก็เคยซิงก์ได้ยากในช่วงแรก ส่วนหนึ่งก็เกี่ยวกับ schema แบบนี้เหมือนกัน
    • สำหรับการเรียนภาษาโดยเฉพาะ โครงสร้างแบบ TheHardWay (https://thehardway.app) ของฉัน ซึ่งรวมแฟลชการ์ดเข้ากับโน้ต Markdown อาจเป็นตัวเลือกที่ดี
    • เช่น ถ้าแยกคำศัพท์เกี่ยวกับร้านอาหารกับคำศัพท์เกี่ยวกับสนามบินออกเป็นคนละกลุ่ม ผู้ใช้ก็จะเชื่อมโยงได้อย่างเป็นธรรมชาติมากขึ้น
  • ตอนเรียนมหาวิทยาลัย ฉันใช้ spaced repetition แบบนี้ ฉันจัดคีย์ที่ต้องจำเป็นแนวตั้งในเอกสาร Word แล้วบันทึกเป็น PDF จากนั้นสร้างช่อง annotation (ค่า) ไว้ข้างแต่ละคีย์ใน PDF คลิก annotation เพื่อดูคำตอบได้ และทุกครั้งที่ตอบได้ง่าย ฉันก็ย้าย annotation ไปทางซ้าย ถ้าสับสนก็ย้ายกลับไปทางขวา ท้ายที่สุดตำแหน่งของ annotation ในตารางก็ใช้ปรับลำดับความสำคัญของการทบทวนได้ แม้จะมีข้อเสียหลายอย่าง แต่มันเข้ากับฉันมาก และตอนนั้นยังไม่มีอัลกอริทึมคล้าย ๆ Anki ถ้าเป็นทุกวันนี้ ประสบการณ์ของฉันอาจต่างออกไป
    • วิธีนี้น่าสนใจ แต่จากคำอธิบายอย่างเดียวฉันยังนึกภาพไม่ค่อยออก ถ้ามีไฟล์ตัวอย่างอยากเห็นมาก
  • ถ้าสนใจทดลองกับ FSRS, Open Spaced Repetition มีแพ็กเกจทางการสำหรับ Python, Typescript และ Rust ให้แล้ว (พร้อมลิงก์ GitHub ของแต่ละตัว) ts-fsrs กับ rs-fsrs รองรับ FSRS 6 แล้ว และ py-fsrs ก็จะรองรับเร็ว ๆ นี้ นอกจากนี้ py-fsrs และ fsrs-rs ยังรองรับการปรับแต่งโมเดลให้เหมาะสมจากประวัติการทบทวนในอดีตด้วย
    • ฉันใช้แพ็กเกจ Rust กับการฝึกโอเพนนิงของ Chessbook มันใช้ง่ายมาก ช่วยลดภาระของผู้ใช้แต่ยังคงอัตราการจำได้สูง ระบบ FSRS ยอดเยี่ยมจริง ๆ
    • ถ้าเป็นผู้ใช้ Ruby แนะนำให้ดู fork ของ gem FSRS ที่แก้ปัญหาระยะห่างของการ์ดใหม่ (https://github.com/arvindang/rb-fsrs) เดิมทีพอร์ตมาจากเวอร์ชัน Python ข้างบน
  • spaced repetition ได้รับความนิยมมา 20 ปีแล้ว แต่ไม่ใช่ยาครอบจักรวาล ต่อให้มีแอปนับสิบและการบรรยายอีกนับพัน ครั้งสุดท้ายคนจำนวนมากก็ยังเลิกกลางทางเหมือนกับการไดเอตหรือการพัฒนาตัวเอง ฉันเคยคิดว่า “ถ้าห่วงเรื่องการศึกษาเด็กจริง ๆ Google หรือ Apple ควรออกระบบปลดล็อกมือถือที่ให้เขียนโน้ตการ์ดทุกสัปดาห์และต้องผ่านก่อนถึงจะปลดล็อกได้” แน่นอนว่าต้องมีทางข้ามได้ และคงมีคนติดตั้งจริงไม่มาก แต่ฉันคิดว่ามันควรกลายเป็นเรื่องปกติในชีวิตประจำวันถึงระดับนั้น
    • spaced repetition โฟกัสที่ “การใช้เวลาให้คุ้มที่สุด” แต่ไม่ได้ช่วยเรื่องการกำกับตัวเองหรือแรงจูงใจ ถ้าภาระเวลาเยอะ มันมีประสิทธิภาพดี แต่ถ้ามีปัญหาเรื่องแรงจูงใจหรือการควบคุมตัวเอง ก็หมดไฟได้ง่าย ในกรณีของฉัน Anki ช่วยให้ผ่าน GCSE และ A-level ได้ แต่หลังจากนั้นก็หมดไฟหนักจนต้องพักการเรียน สุดท้ายแล้ว Anki เป็นทั้งแรงขับของความสำเร็จและเหตุให้ต้องหยุดพัก
    • คำพูดว่า “ไม่ใช่ยาครอบจักรวาล” ฟังกลวงถ้าไม่กำหนดเกณฑ์ให้ชัด เหมือนการไดเอตที่ก็ไม่ใช่ยาครอบจักรวาลเหมือนกัน สำหรับฉันที่ใช้ SRS มาเกิน 6 ปี มันเป็นประสบการณ์ที่เปลี่ยนชีวิต
    • คนที่ยังไม่เข้าใจความต่างระหว่างการท่องจำกับการได้ภาษามักไม่ค่อยสนใจ SRS คนที่มีเป้าหมายเป็นการท่องจำจะชื่นชอบมันมาก แต่สำหรับฉัน เป้าหมายคือความสามารถในการอ่านภาษาสเปนและฝรั่งเศสเอง การฝึกซ้ำคำศัพท์/ประโยคตัวอย่างก็เหมือนนั่งร้านในไซต์ก่อสร้าง มันไม่ได้ถูกใช้โดยตรงเป็นตัวอาคาร แต่ช่วยเร่งทั้งกระบวนการได้มาก อยากให้มีการอธิบายให้ดีกว่านี้ว่าการท่องจำกับการได้ภาษาไม่ใช่คนละเรื่อง แต่เป็นความสัมพันธ์แบบเกื้อหนุนกัน
    • ถ้าคาดหวังยาครอบจักรวาลก็มีแต่จะผิดหวัง สุดท้ายแล้วก็ต้องใช้ “แรงงาน” มันเป็นแค่เครื่องมือ
    • SRS มีปัญหา UX ที่เป็นกำแพงเริ่มต้นสูงอยู่หลายอย่าง 1) เวลาที่ใช้สร้างการ์ด 2) ต้องให้คะแนนตัวเอง 3) โครงสร้างแบบพรอมป์ต์-คำตอบเดี่ยว 4) ต้องเรียนแบบขับเคลื่อนตัวเอง (มีการวางโครงช่วยและขั้นตอนทำความเข้าใจ) ที่ลึกกว่านั้น SRS เก่งมากกับ “คำถาม-คำตอบที่แม่นยำ” แต่ไม่เก่งเรื่องการทำให้เกิดการทั่วไปใช้งานได้จริง กล่าวคือมันอ่อนเรื่องการสร้าง knowledge graph ถ้ามองความต่างระหว่างความรู้แบบเรียกคืนได้ (ท่องจำ) กับความรู้แบบโมเดลเชิงตรรกะ ความจำแทบทำงานเหมือน “ค้นพจนานุกรม” ส่วนโมเดลเชิงตรรกะ (เช่น แนวคิดคณิตศาสตร์) ซับซ้อนกว่ามาก ผู้สนับสนุน SRS มักบอกว่าโมเดลเชิงตรรกะก็มีฐานเป็นการจำ “ชุดข้อเท็จจริง” เหมือนกัน แต่สุดท้ายคุณค่าที่แท้จริงของ SRS ก็คือประโยชน์ใช้สอยที่มากกว่า “สมุดโน้ตที่จัดระเบียบดี” อย่างไรก็ตาม มันยังห่างไกลจากการทำให้เป็นอัจฉริยะ
  • ฉันใช้ Anki มาเกือบ 10 ปี และคิดว่าสิ่งที่ควรปรับปรุงมีแค่ UI/การออกแบบ มากกว่าจะเป็นการทำอัลกอริทึมอัตโนมัติ สิ่งใหญ่กว่าคืออินเทอร์เฟซจริงมันน่าเบื่อสำหรับผู้ใช้ใหม่จำนวนมาก ฟีเจอร์สำหรับ power user ที่ทรงพลังนั้นดี แต่ไม่ค่อยใช้งานได้อย่างเป็นธรรมชาติ ผลของการเว้นระยะเป็นแกนสำคัญของการเรียนรู้มนุษย์ที่ถูกประเมินต่ำเกินไปมาก
    • ฉันเป็น maintainer ของ AnkiDroid ตอนนี้กำลังทำรีดีไซน์หน้าทบทวนใหม่ทั้งหมด และสามารถลองได้ใน “developer options” ของแอป production ตอนนี้ฉันก็ยังไม่พอใจกับดีไซน์ แต่เราขาดทรัพยากรมาก ถ้าใครสนใจฝั่ง Android ก็ติดต่อมาได้
    • ฉันรัก Anki แต่เป็นผลิตภัณฑ์แบบ “วิศวกรออกแบบ” ตามสไตล์ มันทรงพลังมากและลึกมาก แต่การออกแบบดูแข็งและไม่เป็นธรรมชาติ ผู้อ่าน HN ที่เป็นสายเทคอาจเรียนรู้ได้ แต่ผู้ใช้ Duolingo ทั่วไปน่าจะลำบาก
    • หน้าต่าง editor ใช้งานลำบากมาก ตรงนี้ต้องรีบปรับปรุง แท็บในหน้าต่างหลักก็ไม่ได้ทำงานเหมือนแท็บจริง ๆ และในหน้าทบทวนก็ควรมีโหมดปุ่ม “Again/Good” สองปุ่มติดมาเป็นค่าเริ่มต้น แค่ทำเป็น add-on ก็ยังน่าจะฮิตและทำง่าย
    • ฉันอ่านเรื่อง Anki และ SRS มาหลายปี แต่ไม่เคยใช้จริงเลย สงสัยว่ามีสาขาการเรียนอะไรที่น่าแนะนำให้ลองใช้บ้างไหม
    • ถ้าเทียบกับ Duolingo ก็ยังน่าเบื่ออยู่ดี แต่ฉันก็ยังใช้มาหลายปี ถ้ามีองค์ประกอบแบบเกมเล็กน้อย เช่น streak หรือเสียงเอฟเฟกต์ให้เปิดเป็นตัวเลือกได้ ก็น่าจะดีขึ้น
  • ฉันเคยเขียนบทความชื่อ “Why Anki Doesn’t Work for Me” เมื่อ 6 ปีก่อน (ก่อนมีการปรับปรุงอัลกอริทึม) ตอนนั้นฉันรู้สึกว่ามีปัญหาหลายอย่างกับ Anki แต่ตอนนี้อัลกอริทึมใหม่แก้ข้อไม่พอใจหลักของฉันแล้ว ฉันเลยวางแผนจะลองอีกครั้ง และอยากรู้ว่าปัญหาอื่น ๆ ที่เหลือยังเป็นอุปสรรคอยู่ไหม
    • ฉันเปลี่ยนไปใช้ส่วนขยาย FSRS ระหว่างเรียน A-level และยัง custom fit ให้เข้ากับรูปแบบการเรียนของตัวเองด้วย Google Collab notebook ปริมาณการทบทวนลดลงครึ่งหนึ่ง และเวลาทบทวนก็กระจายตัวดีขึ้นจนสบายขึ้นมาก ขณะที่ผลลัพธ์เท่าเดิมหรือดีกว่าเดิมมาก แนะนำให้ลองอย่างยิ่ง
    • ฉันก็มีประสบการณ์คล้ายกัน Anki หมกมุ่นกับความจำระยะสั้นมากเกินไป และหลังจากผ่านไปไม่กี่วันหรือไม่กี่สัปดาห์ ฉันก็แทบต้องเรียนใหม่จากศูนย์ ช่วงนั้นแทบทุกชุมชน SRS ยกย่อง Anki ราวกับศักดิ์สิทธิ์ แต่ฉันยอมแพ้ไป
    • WaniKani มี UI ของ SRS ที่ดีที่สุด แต่เพราะใช้อัลกอริทึมเก่า มันจึงมีข้อจำกัดเดียวกันโดยเนื้อแท้ โครงสร้างแบบ “หลังจากทบทวนครั้งสุดท้ายแล้วจะไม่ต้องเห็นการ์ดนั้นอีกตลอดไป” ทำให้ฉันกังวลเรื่องการสูญเสียความรู้เสมอ
  • สิ่งที่น่าสนใจใน spaced repetition คือมันตั้งอยู่บนสมมติฐานว่า “การท่องจำแบบง่าย ๆ” มีบทบาทสำคัญกว่าที่การศึกษาสมัยใหม่มักคิดในบางสถานการณ์ ในคณิตศาสตร์และการเขียนโปรแกรมมักมีความคิดว่าความเข้าใจสำคัญกว่าการท่องจำ แต่ spaced repetition อาจใช้เป็นข้อโต้แย้งต่อแนวคิดนั้นได้
    • ระหว่างที่ระบบการศึกษาเปลี่ยนผ่านจากก่อนยุคปฏิวัติอุตสาหกรรมมาสู่ยุคสมัยใหม่ การศึกษาแบบคลาสสิกที่เน้นท่องจำ (ละติน กรีก) ได้เปลี่ยนไปสู่ “ความเข้าใจเป็นศูนย์กลาง” การเปลี่ยนแปลงนั้นจำเป็นในตอนนั้น แต่ก็อาจมากเกินไป ปัจจุบันการท่องจำจึงถูกประเมินค่าต่ำเกินความจำเป็น
    • ทุกวันนี้การเขียนโปรแกรมยึดแนวคิดว่า “ค่อยไปค้นตอนที่ต้องใช้ก็ได้” แต่ก็มีบางอย่างที่ควรจำให้ขึ้นใจจริง ๆ (เช่น ภาษาโปรแกรม แพตเทิร์น ฯลฯ) การลงมือปฏิบัติก็เหมือน SRS ที่ไม่มีโครงสร้าง และในบางสาขาเฉพาะ (เช่น พัฒนาไดรเวอร์ด้วย C++) SRS ช่วยได้มาก
    • การคำนวณที่ใช้ซ้ำ ๆ (เช่น การคูณ) ต้องถูกฝังเข้าไปด้วยการจำก่อน จึงจะมีสมาธิไปโฟกัสกับแนวคิดระดับสูงได้ โครงสร้างแบบนี้คือหัวใจของประสิทธิภาพการเรียนรู้
    • การท่องจำคือเงื่อนไขเบื้องต้นของความเข้าใจ สิ่งที่จำไม่ได้ก็เข้าใจไม่ได้
    • ความต่างระหว่างความรู้แบบเรียกคืนได้กับความรู้แบบโมเดลเชิงตรรกะนั้นน่าสนใจมาก และ LLM โดยทั่วไปก็ใกล้กับแบบแรกมากกว่า จึงมีข้อจำกัดมากในคณิตศาสตร์