FSRS: एक आधुनिक, कुशल spaced repetition एल्गोरिद्म
FSRS नामक एक नया spaced repetition algorithm Anki और language-learning उत्साही लोगों का ध्यान आकर्षित कर रहा है, जो classic SM‑2-based scheduling की तुलना में 20–30% कम reviews की रिपोर्ट करते हैं। टिप्पणीकार बताते हैं कि FSRS और ऐसे ही models deck content और individual performance के अनुसार adapt कर सकते हैं, लेकिन सबसे बड़े लाभ अक्सर इस बात से आते हैं कि flashcards कैसे डिज़ाइन किए गए हैं—dense या abstract cards की बजाय आसान, atomic, context-rich cards को प्राथमिकता देकर। कई लोग SRS को प्रभावी learning का सिर्फ एक हिस्सा मानते हैं, और तर्क देते हैं कि यह immersion, card creation के लिए बेहतर tooling, और रटने के बजाय varied, real-world practice के साथ सबसे अच्छा काम करता है।
क्लासिक एल्गोरिद्म्स की तुलना में FSRS के माने गए लाभ
- उद्धृत बेंचमार्क दावा करते हैं कि लक्ष्य retention बनाए रखते हुए classic Anki/SM‑2 की तुलना में 20–30% कम reviews की जरूरत होती है।
- उपयोगकर्ताओं के अनुसार यह SM‑2 के साथ की जाने वाली बहुत-सी manual tweaking को हटा देता है, खासकर उन decks के लिए जिनके optimal retention levels अलग-अलग हों।
- कहा जाता है कि FSRS late reviews को सहजता से संभालता है, क्योंकि यह lateness को दंडित करने के बजाय actual recall के आधार पर stability अपडेट करता है।
Implementations, ecosystem, and integration
- कई open-source libraries उपलब्ध हैं (JS, Go, Rust, Python, Clojure, Swift, Elixir), सभी MIT-licensed, जिससे FSRS को custom apps में embed करना आसान हो जाता है।
- FSRS को Anki में integrate किया गया है (retraining/recompute features के साथ) और यह iOS Anki पर stable है, तथा AnkiDroid alpha builds में उपलब्ध है।
- कुछ developers अपने SRS tools को SM‑2 से FSRS पर switch करने पर विचार कर रहे हैं।
Experiences and benchmarking skepticism
- heavy users बेहतर experience और कम “ease hell” की रिपोर्ट करते हैं, हालांकि कहा जाता है कि लाभ मुख्य रूप से हजारों reviews के बाद दिखाई देते हैं।
- SM‑17 के मुकाबले benchmarks साझा किए गए हैं; कुछ participants statistical significance पर सवाल उठाते हैं और अधिक rigorous analysis तथा peer-reviewed evidence की मांग करते हैं।
- FSRS की तुलना SuperMemo के नए SM‑18 से करने में रुचि है, लेकिन मौजूदा tooling/APIs इसे कठिन बनाती हैं।
Card design and learning strategy matter more than algorithms
- कई लोगों का तर्क है कि सबसे बड़े gains बेहतर card formulation से आते हैं, न कि marginal algorithm improvements से।
- इन बातों पर जोर दिया जाता है: cards को आसान/atomic बनाना, खराब cards को आक्रामक रूप से delete या suspend करना, cloze deletions का उपयोग करना (partial-word clozes सहित), और repetitions को कम से कम रखना।
- SuperMemo के “20 rules” और अच्छे prompts लिखने के अन्य guides के संदर्भ दिए गए हैं।
- आम सहमति यह है कि overwhelming decks और complicated cards अक्सर लोगों को SRS पूरी तरह छोड़ने पर मजबूर कर देते हैं।
Language learning use cases and tools
- sentence/cloze cards, context-rich cards, और momentum बनाए रखने के लिए “lazily graded” passes पर व्यापक चर्चा होती है।
- कई tools और startups का उल्लेख है: automatic sentence mining, YouTube-to-Anki pipelines, ebook/subtitle importers, और ऐसे systems जो FSRS-जैसी scheduling को strict due dates के बजाय नए cards की continuous dosing के साथ जोड़ते हैं।
- Duolingo बनाम SRS पर अलग-अलग मत हैं: कुछ इसे cards से कहीं अधिक प्रभावी मानते हैं, जबकि अन्य कहते हैं कि दोनों की भूमिकाएँ अलग हैं और इन्हें साथ इस्तेमाल किया जाना चाहिए।
Non-language applications and alternative models
- उपयोगों में guitar practice prompts, music theory, math proofs, geography, song lyrics, programming concepts, और trivia (विस्तृत mnemonic image systems के साथ) शामिल हैं।
- कुछ लोग ऐसे algorithms चाहते हैं जिनमें hard due dates न हों, और इसके बजाय probability-based sampling का उपयोग किया जाए; अन्य तर्क देते हैं कि forgetting curves के साथ aligned scheduling के बिना प्रभावशीलता घट जाती है।
- cards, history, और “just-in-time” schedulers को अलग करने वाली modular architectures को एक वांछनीय दिशा माना गया है।