FSRS เทียบกับ SM-2: ทำไมอัลกอริทึมจัดตารางจึงสำคัญ

หากคุณเคยใช้ Anki คุณก็ถูกจัดตารางโดย SM-2 หากคุณเคยใช้ระบบที่ใหม่กว่าซึ่งมี "การจัดตารางที่ปรับให้เหมาะสมแล้ว" คุณอาจเคยพบกับ FSRS อัลกอริทึมทั้งสองมีจุดประสงค์เดียวกัน — ตัดสินใจว่าจะแสดงแฟลชการ์ดแต่ละใบให้คุณดูครั้งถัดไปเมื่อใด — แต่ทำในแบบที่แตกต่างกันโดยพื้นฐาน ความแตกต่างนี้สำคัญกว่าที่ผู้เรียนส่วนใหญ่ตระหนัก เพราะอัลกอริทึมการจัดตารางของคุณกำหนดว่าคุณจะใช้เวลาทบทวนมากเพียงใด คุณจะคงเนื้อหาไว้ได้ดีเพียงใดจริง ๆ และระบบจะตอบสนองอย่างไรเมื่อความจำของคุณแสดงพฤติกรรมที่ไม่คาดคิด สำหรับบริบทเกี่ยวกับตัวเลือกการทบทวนแบบเว้นช่วงทั้งหมดที่มี เรียกดูคอลเลกชันคู่มือการทบทวนแบบเว้นช่วง

SM-2: แนวทางเชิงประสบการณ์ดั้งเดิม

SM-2 ถูกพัฒนาโดย Piotr Wozniak ในทศวรรษ 1980 สำหรับ SuperMemo และเป็นอัลกอริทึมการจัดตารางเริ่มต้นใน Anki ตั้งแต่เริ่มสร้าง การออกแบบของมันสะท้อนข้อจำกัดในยุคนั้น คือมันต้องเรียบง่ายพอที่จะทำงานบนคอมพิวเตอร์ส่วนบุคคลรุ่นแรก ๆ และอธิบายได้พอที่ผู้ใช้จะเข้าใจด้วยตนเอง

SM-2 ทำงานคร่าว ๆ ดังนี้ การ์ดแต่ละใบมี ease factor — ตัวคูณที่เริ่มต้นที่ค่าเริ่มต้น (โดยทั่วไป 2.5) และปรับตามคะแนนของคุณ หลังจากสองขั้นตอนการเรียนรู้แรก (ซึ่งใช้ช่วงเวลาสั้นตายตัว) ช่วงเวลาถัดไปจะถูกคำนวณโดยการคูณช่วงเวลาก่อนหน้าด้วย ease factor หากคุณให้คะแนนการ์ดว่า Hard ค่า ease factor จะลดลง ทำให้ช่วงเวลาในอนาคตสั้นลง หากคุณให้คะแนนว่า Easy ค่านั้นจะเพิ่มขึ้นเล็กน้อย ทำให้ช่วงเวลายาวขึ้น การ์ดที่คุณดิ้นรนซ้ำ ๆ จะค่อย ๆ สะสมค่า ease factor ต่ำและถูกทบทวนบ่อยขึ้น ส่วนการ์ดที่คุณทำได้สม่ำเสมอจะถูกผลักออกไปไกลในอนาคต

การออกแบบนี้ทำงานได้ดีพอที่จะมีประโยชน์อย่างแท้จริง — ผู้เรียนหลายล้านคนได้สร้างความรู้จำนวนมากโดยใช้ SM-2 แต่มันมีข้อจำกัดเชิงโครงสร้างที่ปรากฏชัดเมื่อคุณศึกษาในระดับใหญ่หรือวิเคราะห์สมมติฐานพื้นฐาน

ข้อจำกัดสำคัญของ SM-2

• การล่องลอยของ ease factor เมื่อ ease factor ลดลง — ผ่านคะแนน Hard หรือ Again — มันมักจะคงอยู่ต่ำ การ์ดสามารถ "ติดกับ" อยู่ในช่วงเวลาที่สั้นได้แม้หลังจากผู้เรียนได้ซึมซับเนื้อหาไปแล้วอย่างชัดเจน นำไปสู่การทบทวนเกินจำเป็นของความจำที่เสถียรแล้ว
• ไม่มีแบบจำลองการลืมที่ชัดเจน SM-2 ไม่ได้ทำนายว่าคุณจะลืมเมื่อใด แต่ใช้ตัวคูณเชิงประสบการณ์กับช่วงเวลาก่อนหน้า ตารางที่ได้อาจสอดคล้องหรือไม่สอดคล้องกับการเสื่อมของความจำที่แท้จริงสำหรับการ์ดและผู้เรียนหนึ่ง ๆ
• สมมติฐานการเสื่อมแบบสม่ำเสมอ อัลกอริทึมสมมติว่าการ์ดทั้งหมดเสื่อมในอัตราที่ใกล้เคียงกัน ปรับเพียงด้วย ease factor เท่านั้น มันไม่มีแนวคิดเรื่องระดับความเสถียรที่แตกต่างกันซึ่งเกิดจากประวัติและรูปแบบของการทบทวนในอดีต
• ความแข็งทื่อในช่วงเริ่มต้น การ์ดใหม่ทุกใบเริ่มต้นด้วย ease factor เริ่มต้นเดียวกันไม่ว่าเนื้อหาที่คล้ายกันจะถูกจัดการมาแล้วอย่างไรในอดีต ระบบไม่ได้เรียนรู้รูปแบบของคุณข้ามการ์ดต่าง ๆ

FSRS: แบบจำลองความจำ ไม่ใช่แนวทางเชิงประสบการณ์

FSRS — Free Spaced Repetition Scheduler — มีจุดเริ่มต้นที่แตกต่างออกไป แทนที่จะกำหนดกฎว่าช่วงเวลาควรเปลี่ยนแปลงอย่างไร มันสร้างแบบจำลองทางคณิตศาสตร์ของความจำเองและคำนวณช่วงเวลาจากแบบจำลองนั้น อัลกอริทึมนี้เป็นโอเพนซอร์สและผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ ดูคลังโอเพนซอร์ส FSRS สำหรับข้อกำหนดทางเทคนิค

ดังที่อธิบายไว้โดยละเอียดมากขึ้นใน FSRS ทำงานอย่างไร แบบจำลองติดตามปริมาณสามอย่างสำหรับการ์ดแต่ละใบ คือ ความยาก (ความยากโดยเนื้อแท้สำหรับผู้เรียนคนนี้), ความเสถียร (ความจำเสื่อมช้าเพียงใด) และ ความสามารถในการเรียกคืน (ความน่าจะเป็นในการระลึกได้สำเร็จในขณะนี้) การทบทวนครั้งถัดไปจะถูกจัดตารางไว้สำหรับช่วงเวลาที่ทำนายว่าความสามารถในการเรียกคืนจะถึงเกณฑ์เป้าหมาย — โดยทั่วไปคือ 90 %

เนื่องจากแบบจำลองทำการทำนายที่ชัดเจนเกี่ยวกับความน่าจะเป็นในการระลึกได้ มันจึงสามารถตั้งช่วงเวลาที่ยาวเมื่อความจำมีความเสถียรอย่างแท้จริงและสั้นเมื่อมันเปราะบาง — การตัดสินใจที่ SM-2 ทำได้เพียงประมาณการผ่านกลไก ease factor เท่านั้น

การเปรียบเทียบแบบตัวต่อตัว

คุณสมบัติ	SM-2	FSRS
กลไกหลัก	แนวทางเชิงประสบการณ์ด้วย ease factor นำไปใช้กับช่วงเวลาก่อนหน้า	แบบจำลองความจำที่ทำนายความสามารถในการเรียกคืนเมื่อเวลาผ่านไป
การคำนวณช่วงเวลา	ช่วงเวลาก่อนหน้า × ease factor	เวลาจนกว่าความสามารถในการเรียกคืนจะลดลงถึงเกณฑ์เป้าหมาย
การกำหนดเป้าหมายการคงความจำ	โดยนัย — ไม่มีความน่าจะเป็นการคงความจำที่ชัดเจน	ชัดเจน — เป้าหมายที่ตั้งค่าได้ (เช่น 90 %)
การปรับตัวต่อผู้เรียนแต่ละคน	การปรับ ease factor รายการ์ดเท่านั้น	น้ำหนักของแบบจำลองปรับให้พอดีกับประวัติการทบทวนของแต่ละคนได้
การล่องลอยของ ease factor	ใช่ — ค่า ease factor ต่ำมักคงอยู่	ไม่เกี่ยวข้อง — ความเสถียรเข้ามาแทนที่ ease factor
สัญญาณคะแนนที่ใช้	ปรับ ease factor และตัวคูณช่วงเวลา	อัปเดตความเสถียรและความยาก แล้วคำนวณช่วงเวลาใหม่
ความโปร่งใส	กฎเรียบง่าย อธิบายด้วยตนเองได้ง่าย	แบบจำลองซับซ้อนกว่า แต่มีการทำนายการคงความจำที่ชัดเจน
ประสิทธิภาพการทบทวน	ดีสำหรับกรณีการใช้งานส่วนใหญ่	โดยทั่วไปทบทวนน้อยลงสำหรับการคงความจำที่เทียบเท่ากัน

ทำไมอัลกอริทึมจึงส่งผลต่อประสิทธิภาพการทบทวน

ความแตกต่างด้านประสิทธิภาพการทบทวนระหว่างอัลกอริทึมทั้งสองมาจากว่าแต่ละตัวติดตามสถานะที่แท้จริงของความจำของคุณได้ดีเพียงใด SM-2 ใช้ตัวแทน — ค่า ease factor และการสะสมของมันตลอดการทบทวนในอดีต — ที่สัมพันธ์กับความเสถียรของความจำแต่ไม่ได้วัดมันโดยตรง ผลลัพธ์คือตารางที่สมเหตุสมผลโดยเฉลี่ยแต่ไม่แม่นยำสำหรับการ์ดแต่ละใบ

FSRS ด้วยการติดตามความเสถียรอย่างชัดเจน สามารถแยกแยะระหว่างสองสถานการณ์ที่ SM-2 ปฏิบัติคล้ายกันได้ คือ การ์ดที่มี ease factor ต่ำซึ่งคุณเพิ่งรวบรวมความจำผ่านชุดการทบทวน Good ติดต่อกัน กับการ์ดที่มี ease factor ต่ำซึ่งยังคงเปราะบางอย่างแท้จริง SM-2 จะให้ช่วงเวลาสั้นใกล้เคียงกันแก่ทั้งสอง ส่วน FSRS จะให้ช่วงเวลาที่ยาวกว่าแก่การ์ดที่รวบรวมความจำแล้วเพราะความเสถียรของมันเพิ่มขึ้น

ในกองการ์ดขนาดใหญ่ที่ศึกษามาหลายเดือน ความแม่นยำนี้ทบต้น ความจำที่เสถียรไม่ถูกทบทวนโดยไม่จำเป็น ความจำที่เปราะบางถูกทบทวนก่อนที่จะตกลงต่ำกว่าเกณฑ์การคงความจำ ผลสุทธิคือคิวการทบทวนที่เล็กลงและกำหนดเป้าหมายได้ดีกว่า ซึ่งหมายถึงเวลาที่ใช้ทบทวนน้อยลงในขณะที่รักษาการคงความจำที่แท้จริงในระดับเดียวกัน — หรือสูงกว่า

การแลกเปลี่ยนและข้อพิจารณาในทางปฏิบัติ

SM-2 ก็มีข้อได้เปรียบไม่น้อย มันโปร่งใสอย่างยิ่ง คุณสามารถอ่านอัลกอริทึมได้ในไม่กี่บรรทัดและเข้าใจได้อย่างแม่นยำว่ามันจะทำอะไรต่อไป มันผ่านการพิสูจน์ในโลกจริงมาหลายทศวรรษ และสำหรับผู้เรียนที่มีกองการ์ดเล็กหรือกรอบเวลาการเรียนสั้น ความแตกต่างด้านประสิทธิภาพระหว่าง SM-2 และ FSRS อาจไม่มีนัยสำคัญในทางปฏิบัติ

FSRS นำมาซึ่งความซับซ้อนที่มากขึ้น แบบจำลองมีพารามิเตอร์ที่ต้องการค่าเริ่มต้นที่สมเหตุสมผล — และในอุดมคติคือการปรับเทียบให้เข้ากับข้อมูลของคุณ มันต้องการวินัยในการให้คะแนนที่สม่ำเสมอ เพราะคะแนนที่ไม่แม่นยำทำให้แบบจำลองหลงทางมากกว่าที่จะทำให้แนวทางเชิงประสบการณ์หลงทาง สำหรับผู้เรียนที่ให้คะแนนการ์ดอย่างสะเพร่าหรือใช้แนวทางผ่าน/ไม่ผ่านแบบไบนารี ข้อได้เปรียบของ FSRS จะหดตัวลงอย่างมาก

ข้อพิจารณาสำคัญอีกประการคือความหมายของ "การคงความจำ" ในแต่ละระบบ SM-2 ไม่ได้ให้เป้าหมายการคงความจำที่คุณตั้งได้ การคงความจำที่ได้ขึ้นอยู่กับ ease factor เริ่มต้นและวิธีที่คุณให้คะแนนการ์ด FSRS ให้คุณเลือกเป้าหมายได้อย่างชัดเจน — 70 %, 90 %, 95 % — และปรับช่วงเวลาเพื่อรักษาระดับนั้น เป้าหมายที่สูงขึ้นหมายถึงช่วงเวลาที่สั้นลงและการทบทวนมากขึ้น เป้าหมายที่ต่ำลงหมายถึงช่วงเวลาที่ยาวขึ้นและการลืมที่มากขึ้น การมีอำนาจควบคุมการแลกเปลี่ยนนี้อย่างชัดเจนมีประโยชน์เมื่อคุณมีความเห็นที่หนักแน่นว่าการระลึกได้ของคุณต้องเชื่อถือได้แค่ไหน เช่น สำหรับการสอบรับรองวิชาชีพเทียบกับการเรียนภาษาแบบไม่จริงจัง

การเลือกระหว่างทั้งสอง

หากคุณเริ่มต้นใหม่และระบบการเรียนของคุณรองรับ FSRS ก็มีเหตุผลน้อยมากที่จะใช้ SM-2 แนวทางที่อิงแบบจำลองนั้นแม่นยำกว่า ปรับตัวได้มากกว่า และให้ผลลัพธ์ที่ดีกว่าในระดับใหญ่ เส้นโค้งการเรียนรู้สำหรับผู้ใช้นั้นน้อยมาก — คุณยังคงให้คะแนนการ์ดในแบบเดิม อัลกอริทึมเพียงใช้คะแนนเหล่านั้นอย่างชาญฉลาดกว่า

หากคุณมีกองการ์ด SM-2 ที่มีอยู่แล้วพร้อมประวัติการทบทวนหลายปี การย้ายไปยัง FSRS อาจตรงไปตรงมาหรือไม่ก็ได้ขึ้นอยู่กับเครื่องมือของคุณ บางระบบสามารถประมาณความเสถียร FSRS จากประวัติ SM-2 ได้ บางระบบเริ่มต้นใหม่ ควรตรวจสอบเส้นทางการย้ายก่อนตัดสินใจ

สำหรับใครก็ตามที่จริงจังกับการเรียกคืนเชิงรุกในฐานะการฝึกฝนระยะยาว อัลกอริทึมจะสำคัญมากขึ้นเรื่อย ๆ เมื่อกองการ์ดเติบโต การ์ดไม่กี่ร้อยใบที่ทบทวนแบบไม่จริงจังอาจไม่เผยให้เห็นความแตกต่าง แต่การ์ดหลายหมื่นใบที่ศึกษามาหลายปีทำให้ทุกการเพิ่มประสิทธิภาพทบต้นอย่างมีนัยสำคัญ

อัลกอริทึมการจัดตารางที่ดีที่สุดคือตัวที่คุณจะใช้อย่างสม่ำเสมอจริง ๆ แต่หากความมุ่งมั่นเท่ากัน FSRS ให้ตารางที่แม่นยำกว่า การควบคุมการคงความจำที่ชัดเจนกว่า และประสิทธิภาพที่ดีกว่าในระดับใหญ่

อัลกอริทึมการจัดตารางกับวงจรการเรียนรู้ที่กว้างขึ้น

ควรจำไว้ว่าการจัดตารางเป็นองค์ประกอบหนึ่งของระบบการเรียนรู้ ไม่ใช่ทั้งหมด คุณภาพของแฟลชการ์ดที่คุณกำลังทบทวน ความตั้งใจของคุณในระหว่างการอ่านครั้งแรก ความลึกของความเข้าใจที่คุณนำมาสู่ความพยายามระลึกแต่ละครั้ง — ปัจจัยเหล่านี้มีปฏิสัมพันธ์กับอัลกอริทึมการจัดตารางในการกำหนดผลลัพธ์การเรียนรู้ที่แท้จริง การ์ดธรรมดา ๆ ที่จัดตารางได้อย่างสมบูรณ์แบบก็ยังคงเป็นการ์ดธรรมดา ๆ

คุณค่าของ FSRS คือมันขจัดคอขวดของการจัดตาราง เมื่ออัลกอริทึมสร้างแบบจำลองความจำของคุณได้อย่างแม่นยำและตั้งช่วงเวลาอย่างเหมาะสมแล้ว ตัวแปรที่เหลืออยู่ในการควบคุมของคุณ คือ คุณอ่านอย่างไร คุณสร้างการ์ดอย่างไร คุณให้คะแนนอย่างซื่อสัตย์แค่ไหน และคุณมาทบทวนอย่างสม่ำเสมอเพียงใด

LearnBook ใช้ FSRS ตลอดทั้งระบบ — ดังนั้นเมื่อคุณกำลังทบทวนเนื้อหาจากหลายแหล่งพร้อมกัน ทุกการ์ดในคิวข้ามหนังสือจะมีช่วงเวลาที่ปรับเทียบอย่างเป็นอิสระของตัวเอง แทนที่จะถูกบังคับให้อยู่ในตารางร่วม หากต้องการเห็น FSRS ในทางปฏิบัติภายในเวิร์กโฟลว์การเรียนเต็มรูปแบบ อ่านเกี่ยวกับวิธีการสร้างและจัดตารางแฟลชการ์ดและแบบทดสอบ