Hệ thống lặp lại ngắt quãng trở nên tốt hơn với FSRS

• Spaced Repetition System là một phương pháp học giúp tăng khoảng cách giữa các lần ôn tập của tài liệu đã học trước đó, mang lại khả năng hình thành trí nhớ dài hạn hiệu quả chỉ với ít thời gian đầu tư
• Thuật toán FSRS (Free Spaced Repetition Scheduler) tối ưu hóa lịch thẻ cho từng cá nhân bằng dự đoán dựa trên machine learning, giúp hiệu quả và mức độ hài lòng của người dùng cải thiện đáng kể so với các phương pháp trước đây
• Trong các phiên bản Anki mới nhất, FSRS đã được áp dụng làm bộ lập lịch mặc định nên phần lớn người dùng đã sử dụng nó
• So với các dịch vụ như WaniKani, Bunpro, sự kết hợp giữa Anki và FSRS vượt trội hơn về hiệu quả học tập và tính linh hoạt

---

Tổng quan về hệ thống lặp lại ngắt quãng

• Hệ thống lặp lại ngắt quãng được sử dụng trong nhiều lĩnh vực để tiếp thu kiến thức và duy trì trí nhớ dài hạn
• Đây là một giải pháp cho phép ôn tập hiệu quả trong quỹ thời gian hạn chế, như khi học ở trường hoặc học theo sở thích
• Hệ thống lặp đi lặp lại thông tin theo dạng flashcard và điều chỉnh khoảng cách ôn tập tùy theo phản hồi của người dùng
• Chỉ cần đầu tư 20 phút mỗi ngày, bạn có thể dễ dàng ghi nhớ 3.650 từ vựng trong một năm

Các phương pháp lập lịch cũ và giới hạn của chúng

• Trong các hệ thống lặp lại ngắt quãng ban đầu, thuật toán SuperMemo-2 là lựa chọn được dùng phổ biến nhất
• Cách này làm tăng khoảng cách ôn tập theo kiểu “sau 1 ngày, nếu trả lời đúng thì sau 6 ngày, đúng lần nữa thì sau 15 ngày, rồi về sau là sau 37,5 ngày”
• Nếu trả lời sai, lịch sẽ bị đặt lại về sau 1 ngày, khiến người học phải xem đi xem lại cùng một thẻ trong khoảng thời gian ngắn và gây cảm giác nản chí lớn
• Phương pháp này dựa trên các quy tắc mang tính kinh nghiệm và khá tùy ý, nên không được tối ưu cho từng đơn vị kiến thức riêng lẻ
• Nó cũng dựa trên giả định thiếu thực tế rằng đường cong ghi nhớ của mọi loại thông tin đều giống nhau

FSRS: lập lịch cải tiến dựa trên machine learning

• FSRS (Free Spaced Repetition Scheduler) tối ưu hóa khoảng cách ôn tập cho từng trường hợp riêng lẻ dựa trên các kỹ thuật machine learning hiện đại
• Nó chuyển vấn đề thành bài toán dự đoán “khi nào xác suất nhớ lại của một thẻ giảm xuống còn 90%”, từ đó tính ra thời điểm ôn tập chính xác
• Mô hình FSRS dùng curve fitting để xác định ba hàm: độ khó (1~10 cho mỗi thẻ), độ ổn định (khoảng thời gian để tỷ lệ nhớ lại giảm từ 100% xuống 90%), và khả năng nhớ lại (xác suất nhớ sau khi đã trôi qua một số ngày)
• Mô hình tối ưu các đường cong bằng 21 tham số để khớp với dữ liệu review quy mô lớn, đồng thời điều chỉnh lại tham số dựa trên lịch sử review của từng cá nhân
• FSRS cho phép người dùng đặt mục tiêu tỷ lệ nhớ lại mong muốn (ví dụ: 90%) và mô phỏng khối lượng học cũng như số lượng thẻ tương ứng mỗi ngày
  • Ví dụ, khi đặt tỷ lệ nhớ lại là 70%, lượng ôn tập hằng ngày sẽ giảm đi, trong khi số thẻ được ghi nhớ lại tăng lên

Ứng dụng thực tế của FSRS

• Anki đã chọn FSRS làm bộ lập lịch mặc định từ phiên bản 23.10 phát hành vào 2023-11
• Khi sử dụng FSRS, gánh nặng ôn tập mỗi ngày giảm xuống, và ngay cả khi ôn lại các thẻ trả lời sai thì mức độ căng thẳng cũng không tăng quá mạnh
• Có thể tối ưu sự cân bằng giữa hiệu quả học tập và khối lượng học theo cài đặt được khuyến nghị
• Vì là dự án mã nguồn mở, FSRS có thể được triển khai trên nhiều ngôn ngữ và phần mềm khác nhau

So sánh với các dịch vụ học tập khác

• Với các dịch vụ thuê bao như WaniKani hay Bunpro, chúng chỉ cung cấp các khoảng cách cố định và không có điều chỉnh cá nhân hóa
  • Ví dụ: 4 giờ, 8 giờ, 1 ngày, 2 ngày, 7 ngày... tức là các chu kỳ ôn tập được đặt khá tùy ý
• Khi trả lời sai, thẻ không bị đặt lại về mức tối thiểu, hoặc do không có dự đoán dựa trên machine learning nên hiệu quả bị tụt lại khá xa
• Những thẻ đã qua một khoảng thời gian nhất định sẽ không còn được xem lại nữa, dẫn đến thất thoát kiến thức dài hạn
• Vì vậy, căng thẳng và sự kém hiệu quả của người học sẽ tích lũy theo thời gian

Ưu điểm của Anki

• Giao diện có thể hơi bất tiện, nhưng điểm mạnh là các tính năng học tập hiệu năng cao, cập nhật liên tục và khả năng tùy biến rộng
• Trên thực tế, nó mang lại tính linh hoạt phù hợp với người học ở nhiều lĩnh vực và nhiều trình độ khác nhau
• Đây là công cụ rất phù hợp để xây dựng kiến thức dài hạn từ cơ bản đến nâng cao
• Dựa trên trải nghiệm người dùng trực tiếp, nó đã khẳng định vị thế là một công cụ học tập hiệu quả

Tìm hiểu thêm

• Để hiểu thêm về nguyên lý của spaced repetition, cách FSRS hoạt động chi tiết và các ví dụ triển khai, hãy tham khảo các tài liệu dưới đây
  • open-spaced-repetition/awesome-fsrs: danh sách các triển khai FSRS trong nhiều ngôn ngữ lập trình và phần mềm khác nhau
  • open-spaced-repetition/srs-benchmark: kết quả benchmark so sánh FSRS với nhiều thuật toán khác nhau (ví dụ: SuperMemo-2, thuật toán của Duolingo, v.v.)
    • Hiện tại, thứ duy nhất cho thấy hiệu năng tốt hơn FSRS một cách nhất quán là mạng nơ-ron LSTM dựa trên thuật toán OpenAI Reptile

[GN⁺]

Ý kiến Hacker News

• Tôi muốn nhấn mạnh rằng tôi là người sáng lập Trane (https://github.com/trane-project/trane/). Trane có thể thay thế các hệ thống tương tự Anki, và áp dụng được cho hầu hết các lĩnh vực có cấu trúc phân cấp rõ ràng giữa các kỹ năng thành phần cấp dưới, như âm nhạc hay học từ vựng. Tôi cho rằng các hệ thống hiện có như Anki, SuperMemo có ba vấn đề chưa được giải quyết. Thứ nhất, cách tiếp cận thiên về ghi nhớ là một vấn đề. Tôi muốn một thứ có thể áp dụng cả cho những lĩnh vực cần chấm điểm dựa trên mức độ thành thạo chứ không chỉ trí nhớ, như âm nhạc. Thứ hai, vì thiếu thông tin về cấu trúc phân cấp nên rất khó tiếp thu kỹ năng quy mô lớn. Anki khó tái hiện các tính năng của Trane như giới hạn tiến độ dựa trên phụ thuộc giữa các kỹ năng con và xác nhận mức độ thành thạo. Thứ ba, nó đòi hỏi bạn phải tự tạo bài luyện tập của mình. Việc này tốn khá nhiều thời gian, và với kỹ năng phức tạp thì cần đến chuyên gia. Trane về cơ bản đã hoàn thiện và tôi đang dùng nó để học nhạc. Vì không có UI nên hiện chỉ mình tôi dùng, nhưng tôi cũng không muốn làm không công nên đành vậy. Hiện tôi đang phát triển một gia sư năng lực đọc viết dựa trên Trane. Khi hoàn thành, học sinh sẽ có thể học từ bảng chữ cái đến đọc hiểu và viết ở trình độ đại học dựa trên nghiên cứu mới nhất. Mục tiêu là ra mắt MVP trong năm nay
• Tôi đã chứng kiến rất nhiều thảo luận và tiến bộ liên quan đến SRS. Nhưng phần tôi muốn thấy, và thực sự quan trọng, là vùng giao nhau giữa đọc hiểu và SRS. Hầu như không có công cụ độc lập nào giúp tạo flashcard dễ dàng từ các chương trình sẵn có như trình duyệt web, PDF, v.v. sang các SRS phổ biến như Anki hay Mochi. Tính năng như vậy cần hoạt động tự nhiên, liền mạch như tích hợp ở cấp hệ điều hành, và cần một đường ống dễ đẩy sang SRS chứ không phải “thêm một app riêng nữa”. Cần một hệ thống thân thiện với Mac và không gây khó chịu về mặt thị giác như vậy. Nếu ai biết công cụ nào như thế thì hãy cho tôi biết
  • Khái niệm “tạo flashcard dễ dàng từ các chương trình hiện có” thường bị hiểu sai. Hơn một nửa giá trị của SRS đến từ quá trình tự chọn khái niệm để biến thành flashcard, rồi khám phá điểm giống nhau, khác nhau, thuộc tính, v.v. Quá trình này tuy vất vả nhưng bản thân nó đã giúp hiểu rất nhiều. Nhưng chính vì kỹ năng này khó nên nhiều người không thể tận dụng SRS đúng cách, không cảm nhận được hiệu quả và rồi bỏ cuộc. Một hiểu lầm khác là SRS chỉ dành cho học thuộc lòng. Thực ra nếu thiết kế tốt thì hoàn toàn có thể dùng để hiểu cả những chủ đề phức tạp
  • Tôi đã tạo một ứng dụng flashcard tên là Fresh Cards, và người dùng thỉnh thoảng hỏi về tính năng nhập flashcard từ trang web hoặc PDF. Nhưng thành thật mà nói tôi vẫn chưa biết nó nên hoạt động thế nào. Liệu người dùng nên tự bôi đen rồi bấm “tạo thẻ”, hay hệ thống nên tự phân tích văn bản và đưa ra danh sách câu hỏi - đáp án? Rất khó quyết định theo tiêu chí nào để biến cái gì thành thẻ, và nên chia nhỏ đến mức nào. Đặc biệt, việc rút ra các dữ kiện đơn giản như ngày tháng hay tên gọi lại không hữu ích lắm với một số nội dung. Cuối cùng đây là một vấn đề rất mở nên có lẽ khó mà đáp ứng nhu cầu của tất cả mọi người
  • Tôi nghĩ mô hình service của macOS rất hợp cho mục đích này. Service là thứ hoạt động theo ngữ cảnh trong nhiều ứng dụng và hỗ trợ liên kết giữa các app mà không cần phát triển riêng. Ví dụ, chọn văn bản, nhấp chuột phải, gọi một chức năng như “New SRS Card” từ menu service thì có thể tạo ngay một thẻ đơn giản. Nếu các ứng dụng SRS tích hợp sẵn loại service này thì việc tạo thẻ sẽ cực nhanh và tiện
  • Tôi giải quyết vấn đề này bằng cách đưa system prompt vào LLM. Sau khi hiểu khái niệm trong ChatGPT, tôi yêu cầu nó tạo flashcard rồi copy-paste sang Mochi. Về sau tôi kỳ vọng việc tích hợp thêm thẻ trực tiếp giữa LLM và Mochi sẽ còn phát triển hơn nữa
  • Trong bối cảnh học ngôn ngữ, có những công cụ rất tốt để “đào” audio card hoặc phụ đề từ YouTube/Netflix. Một số là mã nguồn mở miễn phí, nhưng lần đầu dùng sẽ có ma sát. Các giải pháp trả phí thì thân thiện hơn một chút
• Mẹo tôi khuyên khi học bằng LLM là hãy làm một công cụ MCP lưu nội dung hội thoại theo từng chủ đề thành csv trên Google Drive rồi đồng bộ vào Anki. Cách này là bước ngoặt lớn trong cách tôi dùng LLM. Về lâu dài LLM có thể khiến người ta suy nghĩ ít đi, nhưng nếu đã dùng thì tôi khuyên nên tận dụng nó như một công cụ học tập
  • Tôi viết một script Python chọn các thẻ dự kiến ôn vào ngày hôm sau trong bộ thẻ Anki rồi để LLM tạo ra các câu mới. Mục tiêu là không chỉ luôn nhớ đúng thẻ, mà còn tăng khả năng nhận biết từ vựng trong ngữ cảnh mới. Tôi hy vọng việc học trong nhiều ngữ cảnh như vậy sẽ giúp ích cho việc tiếp thu ngôn ngữ thực tế
  • Tôi muốn đọc một bài blog mô tả cụ thể cách bạn đồng bộ csv thành thẻ Anki và phần triển khai MCP tạo kết quả LLM thành csv trông như thế nào
  • Chế độ thoại của ChatGPT 4o là một trải nghiệm thật sự mang tính cách mạng cho việc học tiếng Trung cơ bản. Nó rất hữu ích để hỏi tên đồ vật trong nhà, hỏi quan hệ giữa các từ, tạo câu ngắn và kiểm tra ngữ pháp. Dù chưa có MCP, bạn vẫn có thể yêu cầu nó tóm tắt cuộc trò chuyện thành định dạng có cấu trúc
• Điều làm tôi khó chịu nhất ở Anki là mô hình dữ liệu. Tôi nghĩ cần quản lý “bộ sưu tập ghi chú” theo cấu trúc phân cấp (thứ do mình tự làm, do LLM tạo, hoặc để chia sẻ với bạn bè hay học sinh), rồi từ đó mới suy ra bộ thẻ học cuối cùng theo template. Lịch sử ôn tập và mô hình, cùng cách giới hạn thẻ sẽ ôn trong từng tình huống cụ thể (ví dụ viết tiếng Trung hay tiếng Nhật thì cần giấy nên phải lọc bộ thẻ theo bối cảnh sử dụng), đều cần được tách lớp theo cấu trúc phân cấp. Ngược lại, trong Anki mọi thứ này bị trộn vào một cơ sở dữ liệu duy nhất, và việc import/export/chia sẻ/thao tác dữ liệu bên ngoài cũng rất bất tiện. Mỗi lần không thể tùy ý thao tác dữ liệu của mình tôi lại thấy bực bội. Có ai biết hệ thống nào không gặp các vấn đề này không?
  • Nhiều bộ sưu tập ghi chú, giới hạn thẻ theo từng phiên học hoàn toàn có thể làm trong Anki bằng deck và tag, Better Tags, subdeck, v.v. Mỗi deck đều được tách thành file riêng, và mô hình spaced repetition cũng hỗ trợ nhiều lựa chọn như FSRS. Việc export/chia sẻ cũng dễ theo đơn vị file (file nén), và có rất nhiều thư viện cũng như công cụ để thao tác từ bên ngoài; cấu trúc mã nguồn mở, dựa trên thư viện, giúp việc trích xuất dữ liệu khá dễ. Đây là trường hợp giải quyết được sự không hài lòng với hệ thống hiện có bằng Anki
  • Mọi điểm bạn nhắc tới đều không đúng sự thật. Anki có tài liệu mã nguồn mở rất tốt. Nếu bạn biết lập trình thì với ChatGPT gần như làm được mọi thứ, còn tôi cũng thường xuyên data mining trực tiếp từ cơ sở dữ liệu sqlite
  • Mô hình dữ liệu của Anki có nhiều điểm kém hiệu quả. Thực sự có những cấu trúc khá chắp vá như nhét JSON vào một dòng của bảng; do phát triển dần dần nên thành ra hơi kỳ cục. Ngược lại, tính năng template và cloze deletion (ẩn một phần để tự động tạo nhiều thẻ) lại rất xuất sắc, đến mức giờ tôi cảm thấy biết ơn cấu trúc đó. Tôi đang thiết kế lại schema của Fresh Cards để đưa vào cloze deletion và template. Trong app của tôi, mỗi thuộc tính của thẻ được tách thành bảng riêng. Việc hỗ trợ đồng bộ thời kỳ đầu của Anki khó khăn cũng có liên quan đến kiểu schema như vậy
  • Chỉ trong phạm vi học ngôn ngữ thôi, nhưng một cấu trúc như TheHardWay của tôi (https://thehardway.app), nơi flashcard được tích hợp với ghi chú Markdown, có thể là một lựa chọn tốt
  • Ví dụ, nếu tách riêng từ vựng liên quan đến nhà hàng và từ vựng liên quan đến sân bay thành từng nhóm thì người dùng có thể liên tưởng một cách tự nhiên
• Hồi đại học tôi dùng spaced repetition theo cách sau. Tôi sắp các từ khóa cần nhớ theo chiều dọc trong một tài liệu Word rồi lưu thành PDF. Bên cạnh mỗi từ khóa trong PDF tôi tạo một trường chú thích (giá trị). Tôi bấm vào chú thích để xem đáp án, và mỗi lần trả lời đúng dễ dàng thì tôi chuyển chú thích sang bên trái, còn nếu thấy lẫn lộn thì lại chuyển sang phải. Cuối cùng có thể điều chỉnh mức ưu tiên ôn tập bằng vị trí của cột chú thích. Cách này có rất nhiều nhược điểm, nhưng lại hợp với tôi, và vì đó là trước khi Anki có thuật toán tương tự nên nếu là ngày nay có lẽ trải nghiệm của tôi đã khác
  • Cách này nghe thú vị nhưng chỉ đọc mô tả thì tôi vẫn khó hình dung. Nếu có file ví dụ thì tôi muốn xem thử
• Nếu quan tâm đến việc thử nghiệm FSRS, Open Spaced Repetition có cung cấp các package chính thức cho Python, Typescript và Rust (có kèm link GitHub tương ứng). ts-fsrs và rs-fsrs hỗ trợ FSRS 6, còn py-fsrs cũng sẽ sớm hỗ trợ. Ngoài ra, py-fsrs và fsrs-rs còn hỗ trợ tối ưu mô hình dựa trên lịch sử ôn tập trong quá khứ
  • Tôi dùng package Rust cho phần luyện khai cuộc của Chessbook. Nó rất dễ dùng, giúp giảm gánh nặng cho người dùng mà vẫn tăng tỷ lệ ghi nhớ. Hệ thống FSRS thực sự rất xuất sắc
  • Nếu bạn dùng Ruby thì hãy tham khảo bản fork của FSRS gem đã sửa lỗi khoảng cách cho thẻ mới (https://github.com/arvindang/rb-fsrs). Nó ban đầu được port từ bản Python ở trên
• Spaced repetition đã được ưa chuộng suốt 20 năm, nhưng không phải thuốc chữa bách bệnh. Dù đã có hàng chục ứng dụng và hàng nghìn bài thuyết trình, cuối cùng vẫn có rất nhiều người bỏ dở giữa chừng như với ăn kiêng hay tự hoàn thiện bản thân. Tôi từng nghĩ rằng “nếu thực sự quan tâm đến giáo dục trẻ em, Google hay Apple nên tung ra một hệ thống unlock buộc người dùng phải viết note card hằng tuần và vượt qua thì mới mở khóa điện thoại được”. Dĩ nhiên phải có cách lách, và thực tế chắc cũng không nhiều người cài, nhưng tôi nghĩ nó cần trở nên thường nhật đến mức như vậy
  • Spaced repetition tập trung vào “tối ưu hóa thời gian”, nhưng không giúp được gì cho việc tự quản lý hay tạo động lực. Nếu gánh nặng thời gian lớn thì nó rất hiệu quả, nhưng nếu động lực hay khả năng tự kiểm soát yếu thì rất dễ burnout. Trường hợp của tôi là nhờ Anki mà tôi vượt qua GCSE và A-level, nhưng sau đó burnout nặng đến mức phải bảo lưu một thời gian. Kết quả là Anki vừa là động lực thành công, vừa là nguyên nhân khiến tôi phải nghỉ ngơi
  • Phát biểu “không phải thuốc chữa bách bệnh” nghe khá rỗng nếu không định nghĩa tiêu chuẩn. Giống như ăn kiêng cũng không phải thuốc chữa bách bệnh, với tôi sau hơn 6 năm dùng SRS thì đó là một trải nghiệm thay đổi cuộc đời
  • SRS ít được quan tâm bởi những người chưa hiểu sự khác biệt giữa ghi nhớ và tiếp thu ngôn ngữ. Những ai có mục tiêu học thuộc thì sẽ rất hưởng ứng, nhưng mục tiêu của tôi là năng lực đọc tiếng Tây Ban Nha và tiếng Pháp. Việc luyện lặp lại từ vựng/câu ví dụ giống như giàn giáo ở công trường. Nó không trực tiếp được dùng làm công trình, nhưng đẩy nhanh toàn bộ quá trình xây dựng rất nhiều. Ghi nhớ và tiếp thu ngôn ngữ không phải hai thứ tách biệt, mà là mối quan hệ hỗ trợ; sẽ rất tốt nếu điều này được giải thích rõ hơn
  • Nếu kỳ vọng một giải pháp vạn năng thì chỉ thất vọng thôi. Cuối cùng vẫn cần “lao động”. Nó chỉ là một công cụ
  • SRS có vấn đề UX với rào cản gia nhập cao. 1) Thời gian tạo thẻ 2) Cần tự chấm điểm 3) Cấu trúc một prompt - một đáp án 4) Cần tự học chủ động (scaffolding, các giai đoạn hiểu bài). Về căn bản hơn, SRS rất giỏi với “câu hỏi - câu trả lời chính xác”, nhưng yếu ở khả năng khái quát hóa. Trên thực tế nó yếu trong việc xây dựng knowledge graph. Nếu nhìn vào sự khác nhau giữa tri thức hồi tưởng (học thuộc) và tri thức mô hình logic, thì việc ghi nhớ gần như hoạt động kiểu “tra từ điển”, còn mô hình logic (ví dụ khái niệm toán học) phức tạp hơn nhiều. Những người ủng hộ SRS nói rằng cả mô hình logic cũng dựa trên nền tảng là ghi nhớ “tập hợp sự kiện”, nhưng dù sao giá trị thực tế của SRS chủ yếu nằm ở chỗ nó hữu dụng hơn “một cuốn sổ ghi chép được sắp xếp tốt”. Tuy vậy, để trở thành thiên tài thì còn xa lắm
• Tôi đã dùng Anki gần 10 năm, và nghĩ thứ cần được cải thiện chỉ là UI/thiết kế. So với tự động hóa thuật toán, việc giao diện thực tế gây nhàm chán cho nhiều người dùng mới còn là vấn đề lớn hơn. Những tính năng mạnh mẽ cho power user thì rất tốt, nhưng lại thiếu trực quan. Hiệu ứng giãn cách là một yếu tố cốt lõi trong học tập của con người nhưng bị đánh giá thấp rất nhiều
  • Tôi là maintainer của AnkiDroid. Hiện tôi đang làm lại hoàn toàn thiết kế phần reviewer, và có thể xem trong “developer options” của ứng dụng production. Tôi cũng chưa hài lòng với thiết kế này, nhưng tài nguyên thực sự rất thiếu. Nếu ai quan tâm phía Android thì rất hoan nghênh liên hệ
  • Tôi rất yêu Anki, nhưng đây đúng kiểu một sản phẩm “do kỹ sư thiết kế”. Nó cực kỳ mạnh, rất sâu, nhưng thiết kế thì thô và thiếu trực quan. Nếu là kiểu độc giả HN mê công nghệ thì còn học được, chứ người dùng Duolingo thông thường sẽ rất vất vả
  • Cửa sổ editor cực kỳ bất tiện. Chỗ này cần được cải thiện gấp. Các tab ở cửa sổ chính cũng không hoạt động như tab thực sự, và trong màn hình ôn tập nên mặc định tích hợp chế độ hai nút “Again/Good”. Chỉ cần gom các addon phổ biến lại thôi cũng đã rất được ưa chuộng và dễ triển khai
  • Tôi đã đọc khá nhiều bài về Anki và SRS trong nhiều năm nhưng chưa từng dùng thử thật sự. Không biết có lĩnh vực học nào đặc biệt đáng để thử không
  • So với Duolingo thì đúng là chán hơn. Dù vậy tôi vẫn dùng suốt nhiều năm. Có lẽ sẽ tốt hơn nếu thêm một chút yếu tố game hóa như streak, hiệu ứng âm thanh, v.v. dưới dạng tùy chọn
• Tôi đã viết một bài “Why Anki Doesn’t Work for Me” từ 6 năm trước (trước khi thuật toán được cải tiến). Tôi thấy Anki có nhiều vấn đề, nhưng thuật toán mới đã sửa đúng điều cốt lõi khiến tôi khó chịu, nên tôi định thử lại. Tôi tò mò không biết những vấn đề còn lại có vẫn là rào cản hay không
  • Tôi chuyển sang extension FSRS khi đang học A-level. Tôi còn dùng Google Collab notebook để fit tùy chỉnh theo thói quen học của mình. Khối lượng ôn tập giảm còn một nửa, thời điểm ôn cũng được phân tán ra nên dễ chịu hơn nhiều. Hiệu quả thì tương đương hoặc còn tốt hơn. Tôi rất khuyến khích thử cách mới này
  • Tôi cũng từng có trải nghiệm tương tự. Anki quá ám ảnh với trí nhớ ngắn hạn, và chỉ sau vài ngày hay vài tuần là tôi gần như phải học lại từ đầu như tờ giấy trắng. Thời đó gần như toàn bộ cộng đồng SRS đều tôn Anki như thánh, nhưng tôi thì bỏ cuộc
  • WaniKani có UI SRS tốt nhất, nhưng vì thuật toán cũ nên về bản chất vẫn có cùng một giới hạn. Cấu trúc kiểu “sau lần ôn cuối thì có thể không bao giờ phải thấy lại thẻ nữa” luôn khiến tôi bất an vì có nguy cơ mất kiến thức
• Điểm thú vị của spaced repetition là nó giả định rằng “ghi nhớ đơn thuần” trong một số bối cảnh lại đóng vai trò quan trọng hơn rất nhiều so với cách giáo dục hiện đại thường nghĩ. Trong toán học hay lập trình, người ta thường cho rằng hiểu quan trọng hơn ghi nhớ, nhưng spaced repetition có thể đưa ra một phản biện cho điều đó
  • Trong quá trình hệ thống giáo dục chuyển từ trước Cách mạng Công nghiệp sang hiện đại, đã có sự chuyển dịch từ giáo dục cổ điển thiên về ghi nhớ (Latin, Hy Lạp) sang “lấy hiểu làm trọng tâm”. Thay đổi khi đó là cần thiết, nhưng có thể đã đi quá xa. Hiện nay việc ghi nhớ đang bị đánh giá thấp hơn mức cần thiết
  • Lập trình ngày nay theo quan niệm “cần thì tra cứu”. Nhưng có những thứ buộc phải ghi nhớ (ngôn ngữ lập trình, pattern, v.v.). Thực hành giống như một dạng SRS không có cấu trúc, và trong một số lĩnh vực nhất định (ví dụ viết driver bằng C++) thì SRS giúp ích rất nhiều
  • Những phép toán được dùng lặp đi lặp lại như phép nhân cần phải được nội tại hóa bằng ghi nhớ thì mới có thể tập trung vào việc học các khái niệm cấp cao hơn. Cấu trúc này là cốt lõi của hiệu quả học tập
  • Ghi nhớ là tiền đề của hiểu. Không thể hiểu thứ mà bạn không nhớ được
  • Sự khác nhau giữa tri thức hồi tưởng và tri thức mô hình logic là điều rất thú vị. LLM điển hình gần với loại đầu hơn, và vì vậy có giới hạn lớn trong toán học