FSRS से spaced repetition system और बेहतर हुआ

• Spaced Repetition System एक ऐसी अध्ययन तकनीक है जो पहले सीखी गई सामग्री के review interval को बढ़ाती है और कम समय निवेश में भी प्रभावी long-term memory formation में मदद करती है
• Machine learning आधारित prediction के जरिए व्यक्तिगत card scheduling को optimize करने वाला FSRS (Free Spaced Repetition Scheduler) algorithm पुराने तरीकों की तुलना में efficiency और user satisfaction को काफी बढ़ाता है
• Anki के latest version में FSRS को default scheduler के रूप में लागू किया गया है, इसलिए अधिकांश उपयोगकर्ता पहले से ही इसका इस्तेमाल कर रहे हैं
• WaniKani, Bunpro जैसी सेवाओं की तुलना में Anki और FSRS का संयोजन learning efficiency और flexibility में बेहतर है

---

Spaced repetition system का अवलोकन

• ज्ञान अर्जन और long-term memory बनाए रखने के लिए spaced repetition system का उपयोग कई क्षेत्रों में किया जाता है
• यह स्कूल की पढ़ाई या hobby learning जैसी सीमित समय वाली स्थितियों में प्रभावी revision संभव बनाने वाला समाधान है
• यह flashcard format में जानकारी को बार-बार प्रस्तुत करता है और user response के आधार पर review interval को समायोजित करता है
• अगर रोज़ 20 मिनट दिए जाएँ, तो एक साल में 3,650 शब्द आसानी से याद किए जा सकते हैं

पारंपरिक scheduling methods और उनकी सीमाएँ

• शुरुआती spaced repetition systems में मुख्य रूप से SuperMemo-2 algorithm का उपयोग होता था
• इस तरीके में review interval इस तरह बढ़ता है: “1 दिन बाद, सही हो तो 6 दिन बाद, फिर सही हो तो 15 दिन बाद, और बाद में 37.5 दिन बाद”
• अगर उत्तर गलत हो जाए, तो यह फिर से 1 दिन बाद पर reset हो जाता है, जिससे वही card बार-बार छोटे अंतराल पर दिखता है और हताशा बढ़ती है
• यह तरीका अनुभवजन्य और मनमाने ढंग से तय नियमों पर आधारित है, इसलिए यह अलग-अलग knowledge items के लिए optimized नहीं है
• इसमें यह अवास्तविक मान लिया जाता है कि हर जानकारी की memory curve एक जैसी होती है

FSRS: बेहतर machine learning आधारित scheduling

• FSRS (Free Spaced Repetition Scheduler) आधुनिक machine learning techniques पर आधारित है और review interval को व्यक्तिगत रूप से optimize करता है
• यह “किस समय किसी card की recall probability 90% तक गिरती है” को prediction problem में बदलकर सटीक review timing निकालता है
• FSRS model curve fitting के जरिए तीन functions निकालता है: difficulty (प्रत्येक card के लिए 1~10), stability (वह अवधि जिसमें recall rate 100% से 90% तक गिरता है), और retrievability (कुछ दिन बीतने के बाद recall probability)
• यह 21 parameters का उपयोग करके बड़े review data के अनुसार curves को optimize करता है और व्यक्ति-विशेष के review history के आधार पर parameters को फिर से adjust करता है
• FSRS में उपयोगकर्ता अपनी पसंद का target recall rate (जैसे 90%) सेट कर सकता है, और उसके अनुसार daily workload तथा count का simulation कर सकता है
  • उदाहरण के लिए, 70% recall rate पर सेट करने से daily review की मात्रा घटती है, जबकि याद रहने वाले cards की संख्या उलटे बढ़ जाती है

FSRS का वास्तविक उपयोग

• Anki ने 2023-11 में जारी 23.10 version से FSRS को default scheduler के रूप में अपनाया
• FSRS का उपयोग करने पर daily review का बोझ कम होता है, और गलत किए गए cards को दोबारा पढ़ते समय stress भी बहुत नहीं बढ़ता
• Recommended settings के अनुसार learning efficiency और study load के संतुलन को optimize किया जा सकता है
• यह एक open source project है, इसलिए इसे कई भाषाओं और software में implement किया जा सकता है

अन्य learning services से तुलना

• WaniKani, Bunpro जैसी subscription services में सिर्फ fixed intervals दिए जाते हैं, व्यक्तिगत customization नहीं होता
  • उदाहरण: 4 घंटे, 8 घंटे, 1 दिन, 2 दिन, 7 दिन... जैसी मनमानी review cycle settings
• card गलत होने पर इन्हें न्यूनतम चरण पर reset नहीं किया जाता, या machine learning आधारित prediction न होने के कारण इनकी efficiency काफी पीछे रह जाती है
• एक निश्चित interval के बाद कुछ cards फिर कभी नहीं दिखाए जाते, जिससे long-term knowledge loss होता है
• इसके कारण learner stress और inefficiency समय के साथ बढ़ते जाते हैं

Anki के फायदे

• UI थोड़ा असुविधाजनक लग सकता है, लेकिन high-performance learning features, लगातार updates और व्यापक customization इसकी बड़ी ताकत हैं
• यह वास्तव में अलग-अलग क्षेत्रों और स्तरों के learners के लिए उपयुक्त flexibility देता है
• बुनियादी स्तर से लेकर advanced level तक long-term knowledge building के लिए यह बहुत उपयुक्त है
• प्रत्यक्ष user experience के आधार पर, यह एक प्रभावी learning tool के रूप में स्थापित हो चुका है

और जानें

• spaced repetition के सिद्धांत, FSRS के विस्तृत काम करने के तरीके और implementation examples के लिए नीचे दिए गए संसाधन देखें
  • open-spaced-repetition/awesome-fsrs: विभिन्न programming languages और software में FSRS implementation की सूची
  • open-spaced-repetition/srs-benchmark: FSRS और कई algorithms (जैसे SuperMemo-2, Duolingo algorithm आदि) के benchmark results
    • फिलहाल FSRS से लगातार बेहतर प्रदर्शन दिखाने वाली चीज़ सिर्फ OpenAI Reptile algorithm पर आधारित LSTM neural network ही है

[GN⁺]

Hacker News की राय

• मैं यह बताना चाहता हूँ कि मैं Trane का संस्थापक हूँ (https://github.com/trane-project/trane/). Trane, Anki जैसे सिस्टम का विकल्प हो सकता है, और उन ज़्यादातर क्षेत्रों पर लागू होता है जहाँ उप-कौशलों के बीच पदानुक्रम स्पष्ट होता है, जैसे संगीत या शब्दावली सीखना। मुझे लगता है कि Anki, SuperMemo जैसे मौजूदा सिस्टम में तीन अनसुलझी समस्याएँ हैं। पहली, रटने-केंद्रित तरीका। मैं ऐसा कुछ चाहता था जो उन क्षेत्रों में भी काम करे जहाँ memory नहीं बल्कि proficiency-आधारित grading चाहिए, जैसे संगीत। दूसरी, hierarchical जानकारी न होने से बड़े पैमाने पर कौशल अर्जित करना कठिन हो जाता है। Anki में Trane की सुविधाएँ—जैसे उप-कौशल dependencies के आधार पर progress को सीमित करना और proficiency की जाँच—दोहराना मुश्किल है। तीसरी, यह उपयोगकर्ता से अपने practice problems खुद बनाने की अपेक्षा करता है। इसमें काफ़ी समय लगता है, और जटिल कौशलों के लिए विशेषज्ञता भी चाहिए। Trane लगभग पूरा हो चुका है, और मैं इसे संगीत पढ़ने के लिए उपयोग करता हूँ। UI नहीं है, इसलिए फिलहाल मैं ही इसका उपयोग करता हूँ, लेकिन मैं मुफ़्त में काम नहीं करना चाहता, तो यही ठीक है। अभी मैं Trane पर आधारित एक literacy tutor बना रहा हूँ। पूरा होने पर छात्र alphabet से लेकर college-level reading और writing तक, आधुनिक शोध के आधार पर सीख सकेंगे। लक्ष्य है कि साल के भीतर MVP लॉन्च हो जाए
• मैंने SRS से जुड़ी बहुत-सी चर्चा और प्रगति देखी है। लेकिन जो चीज़ मैं देखना चाहता हूँ, और जो सच में महत्वपूर्ण है, वह reading/comprehension और SRS के बीच का क्षेत्र है। वेब ब्राउज़र, PDF आदि जैसे मौजूदा प्रोग्रामों से Anki, Mochi जैसे लोकप्रिय SRS में आसानी से flashcards बनाने वाले standalone tools लगभग नहीं हैं। ऐसी क्षमता को OS integration जितना स्वाभाविक और frictionless होना चाहिए, और “एक और अलग app” नहीं बल्कि SRS तक आसानी से पहुँचाने वाली pipe होनी चाहिए। Mac-friendly और unobtrusive ऐसा सिस्टम चाहिए। अगर किसी को ऐसा tool पता हो तो बताइए
  • “मौजूदा प्रोग्रामों से आसानी से flashcards बनाना” वाला विचार अक्सर गलत समझा जाता है। SRS की आधे से ज़्यादा value इस प्रक्रिया से आती है कि आप खुद चुनते हैं कि किन concepts को flashcard बनाना है, और समानताएँ, भिन्नताएँ, properties आदि को खोजते हैं। यह कठिन है, लेकिन यही प्रक्रिया समझ में बहुत मदद करती है। लेकिन क्योंकि यह कौशल कठिन है, बहुत से लोग SRS का सही उपयोग नहीं कर पाते, असर महसूस नहीं करते और छोड़ देते हैं। एक और गलतफ़हमी यह है कि SRS सिर्फ़ रटने के लिए है। असल में, यदि इसे ठीक से डिज़ाइन किया जाए, तो यह जटिल विषयों की समझ के लिए भी पर्याप्त रूप से उपयोगी हो सकता है
  • मैंने Fresh Cards नाम का एक flashcard app बनाया है, और उपयोगकर्ता अक्सर पूछते हैं कि क्या वे web pages या PDF से flashcards import कर सकते हैं। लेकिन सच कहूँ तो मुझे अभी तक समझ नहीं आया कि यह कैसे काम करना चाहिए। क्या उपयोगकर्ता खुद highlight करके “card में बदलें” पर क्लिक करे, या सिस्टम अपने-आप text का analysis करके question-answer की सूची दे? किस मानदंड से क्या card बनना चाहिए, और उसे कितना granular रखना चाहिए, यह तय करना मुश्किल है। खासकर dates या names जैसे साधारण facts निकालना कुछ तरह के content में खास मददगार नहीं होता। अंततः यह बहुत open-ended समस्या है, इसलिए सभी की ज़रूरतें पूरी करना मुश्किल लगता है
  • मुझे लगता है कि macOS का services model इस उद्देश्य के लिए बहुत उपयुक्त है। Services कई apps में context के अनुसार काम करती हैं और अलग से development के बिना app-to-app integration देती हैं। उदाहरण के लिए, text select करें, right-click करें, services menu से “New SRS Card” जैसी सुविधा चलाएँ, और तुरंत एक साधारण card बना लें। अगर SRS app में ऐसी service built-in हो, तो card बनाना बहुत तेज़ और आसान हो जाएगा
  • मैंने इस समस्या को LLM के लिए system prompt देकर हल किया। ChatGPT में concept समझने के बाद मैं flashcards बनाने को कहता हूँ, फिर उन्हें Mochi में copy-paste कर देता हूँ। आगे चलकर LLM और Mochi के बीच सीधे card जोड़ने वाला integration और विकसित होगा, ऐसी उम्मीद है
  • भाषा सीखने के संदर्भ में, YouTube/Netflix audio cards या subtitles निकालकर “mining” करने के लिए बहुत अच्छे tools हैं। कुछ open source और मुफ़्त हैं, लेकिन पहली बार उपयोग में friction होता है। paid solutions थोड़ी ज़्यादा user-friendly हैं
• LLM के साथ पढ़ाई करते समय मेरी सलाह है कि topic-wise conversations को csv में Google Drive पर सेव करके Anki में sync करने वाला एक MCP tool बनाइए। यह तरीका मेरे LLM उपयोग के लिए game changer रहा है। लंबी अवधि में LLM आपको कम सोचने पर मजबूर भी कर सकता है, लेकिन अगर इस्तेमाल करना ही है तो इसे learning tool की तरह उपयोग करने की सलाह दूँगा
  • मैंने एक Python script बनाई है जो Anki deck से अगले दिन review के लिए निर्धारित cards चुनती है, और LLM से नए sentences बनवाती है। उद्देश्य सिर्फ़ cards को हमेशा सही याद कर लेना नहीं, बल्कि नए context में भी शब्द पहचानने की क्षमता बढ़ाना है। मुझे उम्मीद है कि अलग-अलग contexts में सीखना वास्तविक भाषा-अर्जन में मदद करेगा
  • मैं यह देखने के लिए एक blog post पढ़ना चाहूँगा कि आप csv को Anki cards के साथ किस तरह sync करते हैं, और LLM output को csv में बदलने वाला MCP implementation कैसा दिखता है
  • ChatGPT 4o का voice mode शुरुआती Chinese सीखने के लिए सचमुच क्रांतिकारी अनुभव है। घर के सामानों के नाम पूछने, शब्दों के बीच संबंध पूछने, छोटे वाक्य बनाने और grammar जाँचने में बहुत मदद मिलती है। अभी MCP नहीं है, लेकिन आप बातचीत को structured format में summarize करने के लिए कह सकते हैं
• Anki में मुझे सबसे ज़्यादा परेशानी उसका data model देता है। मेरा मानना है कि “note collections” — जिन्हें आप खुद बनाएँ, LLM से बनवाएँ, या दोस्तों/छात्रों के साथ साझा करें — उन्हें hierarchical तरीके से manage किया जाना चाहिए, और वहीं से template के आधार पर अंतिम अध्ययन cards निकाले जाने चाहिए। Review history, model, और अलग-अलग स्थितियों में review के लिए cards को सीमित करने के तरीकों—जैसे Chinese या Japanese writing के लिए कागज़ चाहिए, इसलिए संदर्भ के हिसाब से decks छाँटने पड़ते हैं—इन सबके लिए layers अलग होनी चाहिए। लेकिन Anki में यह सब एक ही database में मिला हुआ है, और import/export/share/external data manipulation भी बहुत असुविधाजनक है। जब भी मैं अपने data को मनचाहे तरीके से बदल नहीं पाता, निराश हो जाता हूँ। क्या किसी को ऐसा सिस्टम पता है जिसमें यह समस्या न हो?
  • कई note collections और session-आधारित card restrictions, Anki decks, tags, Better Tags, और subdeck features से पर्याप्त रूप से संभाले जा सकते हैं। सभी decks अलग files में विभाजित हो सकते हैं, और spaced repetition model के लिए FSRS जैसे कई विकल्प हैं। Export/share file level पर आसान है, और external manipulation के लिए बहुत-सी libraries और tools भी हैं। Open source और library-आधारित संरचना के कारण data निकालना भी आसान है। यह उन मामलों में से है जहाँ मौजूदा सिस्टम से असंतोष को Anki ने हल किया
  • आपने जिन सभी बिंदुओं का उल्लेख किया है, वे तथ्यात्मक रूप से सही नहीं हैं। Anki का open source documentation बहुत अच्छा है। यदि कोई programming कर सकता है, तो ChatGPT की मदद से लगभग सब कुछ किया जा सकता है, और मैं खुद अक्सर sqlite database से data mining करता हूँ
  • Anki का data model कई तरह से अक्षम है। सचमुच इसमें कुछ काफ़ी अस्थायी-से प्रबंध हैं, जैसे table की एक पंक्ति में JSON रखना। यह धीरे-धीरे बढ़ते हुए बना है, इसलिए इसकी संरचना कुछ अटपटी है। दूसरी ओर, templates और cloze deletion की सुविधा—जहाँ कुछ हिस्सों को छिपाकर कई cards अपने-आप बनाए जा सकते हैं—बेहतरीन है, और अब मुझे यह संरचना सराहनीय लगती है। मैं Fresh Cards के schema को cloze deletion और templates लाने के लिए फिर से डिज़ाइन कर रहा हूँ। मेरे app में हर card property अलग table में विभाजित है। Anki में शुरुआती sync support कठिन होने का एक कारण यह schema भी था
  • यह केवल language learning पर लागू होता है, लेकिन TheHardWay (https://thehardway.app) जैसी संरचना—जहाँ flashcards markdown notes के साथ integrated हों—अच्छा विकल्प हो सकती है
  • उदाहरण के लिए, अगर restaurant से जुड़े शब्द और airport से जुड़े शब्द अलग groups में हों, तो उपयोगकर्ता स्वाभाविक रूप से उनके बीच संबंध बना सकता है
• कॉलेज के समय मैंने spaced repetition को इस तरह इस्तेमाल किया। जिन keys को याद रखना था उन्हें Word document में vertically व्यवस्थित करके PDF में save कर देता था। PDF में हर key के बगल में एक annotation field बनाता था जिसमें answer होता था। Annotation पर क्लिक करके answer देखता, और जब आसानी से सही हो जाता तो annotation को बाईं ओर खिसका देता, जबकि भ्रम होने पर फिर दाईं ओर ले जाता। इस तरह annotation की position से review priority नियंत्रित की जा सकती थी। इसकी कई कमियाँ थीं, लेकिन मेरे लिए यह ठीक काम करता था, और यह Anki के समान algorithm आने से पहले की बात है, इसलिए शायद आज के समय में मेरा अनुभव अलग होता
  • यह तरीका दिलचस्प है, लेकिन सिर्फ़ विवरण से स्पष्ट चित्र नहीं बन रहा। अगर कोई example file हो तो देखना चाहूँगा
• अगर आपको FSRS experiments में रुचि है, तो Open Spaced Repetition आधिकारिक Python, Typescript, और Rust packages देता है (प्रत्येक GitHub link उपलब्ध है)। ts-fsrs और rs-fsrs, FSRS 6 को support करते हैं, और py-fsrs भी जल्द support करेगा। इसके अलावा, py-fsrs और fsrs-rs पिछले review records के आधार पर model optimization भी देते हैं
  • मैं Chessbook के opening training में Rust package का उपयोग करता हूँ। यह इस्तेमाल में बहुत आसान है, उपयोगकर्ता पर बोझ कम करता है, और retention बढ़ाता है। FSRS सिस्टम वाकई शानदार है
  • Ruby उपयोगकर्ताओं के लिए, FSRS gem का वह fork देखना उपयोगी हो सकता है जिसमें new-card interval issue ठीक किया गया है (https://github.com/arvindang/rb-fsrs). यह मूल Python version से port किया गया है
• Spaced repetition 20 साल से लोकप्रिय है, लेकिन यह कोई universal solution नहीं है। दर्जनों apps और हज़ारों talks के बावजूद, अंततः बहुत-से लोग diet या self-improvement resolutions की तरह इसे बीच में छोड़ देते हैं। मैंने कभी सोचा था कि “अगर बच्चों की शिक्षा की सच में परवाह होती, तो Google या Apple ऐसा unlock system लाते जहाँ हर हफ्ते note cards लिखने पड़ते और पास करने पर ही फोन unlock होता।” बेशक, bypass feature होना चाहिए और असल में बहुत कम लोग इसे install करेंगे, लेकिन मेरा मानना है कि यह उतना ही रोज़मर्रा का हिस्सा बनना चाहिए
  • Spaced repetition “time optimization” पर केंद्रित है, लेकिन self-management या motivation में मदद नहीं करता। अगर समय की कमी हो तो यह बहुत प्रभावी है, लेकिन motivation या self-control कमज़ोर हो तो burnout आसानी से हो सकता है। मेरे मामले में, Anki की वजह से मैं GCSE और A-levels में सफल हुआ, लेकिन बाद में इतना burnout हुआ कि मुझे पढ़ाई से break लेना पड़ा। इस तरह Anki मेरी सफलता की ताकत भी था और आराम की वजह भी
  • “यह universal solution नहीं है” जैसी बात बिना मानदंड तय किए कुछ खाली-सी लगती है। Diet भी universal solution नहीं है, लेकिन 6 साल से ज़्यादा समय से SRS का उपयोग करने वाले मेरे लिए यह जीवन बदल देने वाला अनुभव रहा है
  • SRS में रुचि की कमी अक्सर उन लोगों में होती है जो memorization और language acquisition के अंतर को ठीक से नहीं समझते। जो लोग रटने को लक्ष्य मानते हैं, उन्हें यह बहुत पसंद आता है, लेकिन मेरा लक्ष्य Spanish और French पढ़ने की वास्तविक क्षमता है। शब्दों और उदाहरण-वाक्यों का दोहराव एक construction scaffold की तरह है। वह इमारत बनाने में सीधे उपयोग नहीं होता, लेकिन पूरे काम को बहुत तेज़ कर देता है। अच्छा होगा अगर यह बात बेहतर ढंग से समझाई जाए कि memorization और language acquisition अलग नहीं, बल्कि एक-दूसरे की मदद करने वाले हैं
  • अगर आप universal solution की उम्मीद करेंगे, तो निराशा ही मिलेगी। अंत में “मेहनत” करनी ही पड़ती है। यह सिर्फ़ एक tool है
  • SRS में एक high-friction UX समस्या है। 1) cards बनाने में लगने वाला समय 2) self-grading की ज़रूरत 3) single prompt-answer structure 4) self-directed learning की आवश्यकता, जैसे scaffolding और understanding के चरण। और भी मूल स्तर पर, SRS “सटीक प्रश्न-उत्तर” के लिए तो उत्कृष्ट है, लेकिन generalization में कमज़ोर है। वास्तव में knowledge graph बनाना इसकी मज़बूती नहीं है। Recall knowledge और logical model knowledge के अंतर को देखें तो memorization लगभग “dictionary lookup” की तरह काम करती है, जबकि logical models, जैसे गणितीय concepts, कहीं अधिक जटिल होते हैं। SRS समर्थक कहते हैं कि logical models भी अंततः “facts के समूह” की memorization पर आधारित हैं, लेकिन SRS का व्यावहारिक मूल्य आख़िरकार “अच्छी तरह व्यवस्थित notebook” से थोड़ा ही अधिक है। हाँ, यह उपयोगी है, लेकिन किसी को genius बनाने से बहुत दूर है
• लगभग 10 साल से Anki इस्तेमाल करते हुए मेरा मानना है कि सुधार की सबसे बड़ी ज़रूरत UI/design में है। Algorithm automation से भी ज़्यादा समस्या यह है कि वास्तविक interface बहुत-से नए उपयोगकर्ताओं को नीरस लगता है। Power-user features बहुत शक्तिशाली हैं, लेकिन intuitive नहीं। Spacing effect मानव learning का एक अत्यंत महत्वपूर्ण, और बहुत कम आंका गया, तत्व है
  • मैं AnkiDroid का maintainer हूँ। इस समय reviewer design को पूरी तरह से फिर से बनाया जा रहा है, और इसे production app के “developer options” में देखा जा सकता है। मैं अभी भी design से संतुष्ट नहीं हूँ, लेकिन resources बहुत कम हैं। अगर किसी की Android side में रुचि हो तो संपर्क का स्वागत है
  • मुझे Anki बहुत पसंद है, लेकिन यह पूरी तरह एक “engineers द्वारा डिज़ाइन” किया गया product है। बेहद शक्तिशाली, गहराई वाला, लेकिन design के मामले में भद्दा और non-intuitive। HN के tech geeks इसे सीख सकते हैं, लेकिन सामान्य Duolingo उपयोगकर्ताओं के लिए यह कठिन है
  • Editor window बेहद असुविधाजनक है। यहीं सबसे पहले सुधार होना चाहिए। Main window tabs भी असली tabs की तरह काम नहीं करते, और review screen में “Again/Good” दो-button mode default built-in होना चाहिए। सिर्फ़ लोकप्रिय addons को समेट लेने से भी काफी फ़ायदा होगा, और इसे implement करना आसान है
  • कई सालों से Anki और SRS पर बहुत कुछ पढ़ा है, लेकिन खुद कभी उपयोग नहीं किया। क्या कोई ऐसा learning area सुझा सकता है जहाँ से शुरुआत करना अच्छा हो?
  • Duolingo की तुलना में यह निश्चित ही उबाऊ है। फिर भी मैं इसे सालों से उपयोग कर रहा हूँ। अगर थोड़े game elements, जैसे streaks या sound effects, optional रूप में जोड़ दिए जाएँ, तो और अच्छा हो सकता है
• मैंने 6 साल पहले “Why Anki Doesn’t Work for Me” नाम का लेख लिखा था (यह algorithm improvements से पहले की बात है)। मुझे Anki में कई समस्याएँ लगीं, लेकिन नए algorithm ने मेरी मुख्य शिकायतें दूर कर दी हैं, इसलिए मैं इसे फिर से आज़माने की सोच रहा हूँ। यह जानना चाहता हूँ कि बाकी समस्याएँ अभी भी बाधा हैं या नहीं
  • मैं A-levels के दौरान FSRS extension पर switch हुआ। मैंने Google Colab notebook में अपने learning pattern के अनुसार custom fitting भी की। Reviews आधे रह गए, review timing भी ज़्यादा evenly spread हो गई, और अनुभव बहुत अधिक आरामदायक हो गया। असर बराबर या उससे बेहतर रहा। मैं नए प्रयोग की ज़ोरदार सिफारिश करता हूँ
  • मेरा अनुभव भी कुछ ऐसा ही था। Anki अल्पकालिक स्मृति पर बहुत अटका हुआ लगता था, और कुछ दिन या हफ्ते बाद मुझे लगभग शून्य से फिर सीखना पड़ता था। उस समय लगभग पूरा SRS community Anki को आदर्श मानता था, लेकिन मैंने हार मान ली
  • WaniKani का SRS UI सबसे अच्छा है, लेकिन पुराने algorithm के कारण इसकी मूल सीमाएँ वही रहती हैं। “आख़िरी review के बाद शायद कार्ड कभी दोबारा न देखना पड़े” वाली संरचना के कारण हमेशा knowledge loss का जोखिम बना रहता है, और यह बात असहज करती है
• Spaced repetition की एक दिलचस्प बात यह मान्यता है कि “साधारण रटकर याद करना” कुछ परिस्थितियों में आधुनिक शिक्षा की सोच से कहीं अधिक महत्वपूर्ण भूमिका निभाता है। गणित और programming में अक्सर समझ को memorization से अधिक महत्वपूर्ण माना जाता है, लेकिन spaced repetition इस विचार के ख़िलाफ़ तर्क दे सकता है
  • शिक्षा प्रणाली जब औद्योगिक क्रांति से पहले की व्यवस्था से आधुनिक रूप में बदली, तब memorization-केंद्रित classical शिक्षा—जैसे Latin और Greek—से “understanding-केंद्रित” बदलाव आया। वह बदलाव ज़रूरी था, लेकिन संभव है कि कुछ ज़्यादा हो गया हो। आज memorization को ज़रूरत से कम महत्व दिया जाता है
  • आजकल programming में “ज़रूरत पड़ने पर खोज लो” वाला विचार चलता है। लेकिन कुछ चीज़ें ऐसी हैं जिन्हें याद होना ही चाहिए, जैसे programming languages और patterns। Practice अपने-आप में unstructured SRS जैसा है, और कुछ विशेष क्षेत्रों में—जैसे C++ में driver development—SRS बहुत मददगार हो सकता है
  • बार-बार उपयोग होने वाले operations, जैसे multiplication, को याददाश्त में पक्का होना चाहिए ताकि उच्च-स्तरीय concepts सीखने पर ध्यान केंद्रित किया जा सके। यही संरचना learning efficiency की कुंजी है
  • Memorization, understanding की पूर्वशर्त है। जिसे आप याद नहीं रख सकते, उसे आप समझ भी नहीं सकते
  • Recall-based knowledge और logical-model knowledge के बीच का अंतर बेहद रोचक है। LLM आम तौर पर पहले प्रकार के अधिक क़रीब होते हैं, और गणित में उनकी सीमाएँ स्पष्ट हैं