FSRS ile aralıklı tekrar sistemi daha iyi hale geliyor

• Geçmişte öğrenilen materyallerin tekrar aralığını artıran bir öğrenme tekniği olan Spaced Repetition System, az zaman yatırımıyla bile etkili uzun vadeli hafıza oluşumu sağlar
• Makine öğrenimi tabanlı tahminlerle kişiye özel kart zamanlamasını optimize eden FSRS (Free Spaced Repetition Scheduler) algoritması, mevcut yöntemlere kıyasla verimliliği ve kullanıcı memnuniyetini büyük ölçüde artırır
• Anki'nin en güncel sürümünde FSRS varsayılan zamanlayıcı olarak uygulanıyor ve kullanıcıların çoğu bunu zaten kullanıyor
• WaniKani, Bunpro gibi hizmetlerle karşılaştırıldığında Anki ve FSRS kombinasyonu, öğrenme verimliliği ve esneklik açısından üstündür

---

Aralıklı tekrar sistemine genel bakış

• Bilgi edinimi ve uzun vadeli hafızayı korumak için çeşitli alanlarda aralıklı tekrar sistemi kullanılır
• Okul dersleri veya hobi amaçlı öğrenme gibi sınırlı zaman içinde etkili tekrar yapmayı mümkün kılan bir çözümdür
• Bilgiyi flashcard biçiminde tekrar tekrar sunar ve tekrar aralıklarını kullanıcının tepkisine göre ayarlar
• Günde 20 dakika ayırarak yılda 3.650 kelimeyi kolayca ezberlemek mümkündür

Mevcut zamanlama yöntemleri ve sınırlamaları

• İlk aralıklı tekrar sistemlerinde ağırlıklı olarak SuperMemo-2 algoritması kullanıldı
• Bu yöntemde tekrar aralığı “1 gün sonra, doğru bilirsen 6 gün sonra, yine doğru bilirsen 15 gün sonra, daha sonra 37,5 gün sonra” şeklinde uzar
• Yanlış cevap verildiğinde ise tekrar 1 güne sıfırlanır; bu da aynı kartın kısa aralıklarla tekrar tekrar görülmesine ve büyük hayal kırıklığına yol açar
• Bu yaklaşım, deneyimsel ve keyfi olarak belirlenmiş kurallara dayanır; tek tek bilgi öğelerine göre optimize edilmemiştir
• Tüm bilginin aynı unutma eğrisine sahip olduğu varsayımı gibi gerçekçi olmayan bir önkabule sahiptir

FSRS: geliştirilmiş makine öğrenimi tabanlı zamanlama

• FSRS (Free Spaced Repetition Scheduler), modern makine öğrenimi tekniklerine dayanarak tekrar aralıklarını bireysel düzeyde optimize eder
• “Bir kartın hatırlanma olasılığı ne zaman %90'a düşer?” sorusunu bir tahmin problemine dönüştürerek doğru tekrar zamanını hesaplar
• FSRS modeli, zorluk (kart başına 1~10), kararlılık (%100'den %90'a düşene kadar geçen süre) ve geri çağrılabilirlik (günler geçtikten sonraki hatırlama olasılığı) olmak üzere üç işlevi eğri uydurma ile elde eder
• 21 parametre kullanarak eğrileri büyük ölçekli tekrar verilerine göre optimize eder ve kişisel tekrar geçmişini yansıtacak şekilde parametreleri yeniden ayarlar
• FSRS, kullanıcının istediği hedef hatırlama oranını (ör. %90) belirlemesine olanak tanır; buna göre günlük çalışma yükü ve kart sayısını simüle edebilir
  • Örneğin hedef oran %70 olarak ayarlandığında günlük tekrar miktarı azalırken hatırlanan kart sayısı tersine artabilir

FSRS'nin pratikte uygulanışı

• Anki, 2023-11'de yayınlanan 23.10 sürümünden itibaren varsayılan zamanlayıcı olarak FSRS'yi benimsedi
• FSRS kullanıldığında günlük tekrar yükü azalır ve yanlış yapılan kartları tekrar ederken stres de aşırı artmaz
• Önerilen ayarlar doğrultusunda öğrenme verimliliği ile çalışma yükü arasındaki denge optimize edilebilir
• Açık kaynaklı bir proje olduğundan, birçok dilde ve yazılımda uygulanabilir

Diğer öğrenme hizmetleriyle karşılaştırma

• WaniKani, Bunpro gibi abonelik tabanlı hizmetler yalnızca sabit aralıklar sunar ve kişiye özel ayarlama yapmaz
  • Örneğin: 4 saat, 8 saat, 1 gün, 2 gün, 7 gün... gibi keyfi tekrar döngüleri
• Kart yanlış yapıldığında en alt aşamaya sıfırlanmaması veya makine öğrenimi tabanlı tahminlerin olmaması nedeniyle verimlilik ciddi biçimde geride kalır
• Belirli bir sürenin ardından bazı kartlar artık hiç tekrar gösterilmez; bu da uzun vadeli bilgi kaybına yol açar
• Sonuç olarak öğrenci stresi ve verimsizlik zamanla birikir

Anki'nin avantajları

• Arayüz biraz kullanışsız olabilir, ancak güçlü öğrenme özellikleri, sürekli güncellemeler ve geniş özelleştirme seçenekleri önemli avantajlarıdır
• Gerçekten de farklı alanlardan ve seviyelerden öğrenenler için uygun esneklik sunar
• Başlangıçtan ileri seviyeye kadar uzun vadeli bilgi inşası için idealdir
• Doğrudan kullanıcı deneyimine dayanarak etkili bir öğrenme aracı olarak konumlanmıştır

Daha fazlası

• Aralıklı tekrarın prensipleri, FSRS'nin ayrıntılı çalışma biçimi ve uygulama örnekleri için aşağıdaki kaynaklara bakın
  • open-spaced-repetition/awesome-fsrs: Çeşitli programlama dilleri ve yazılımlardaki FSRS uygulamalarının listesi
  • open-spaced-repetition/srs-benchmark: FSRS ile çeşitli algoritmaların (ör. SuperMemo-2, Duolingo algoritması vb.) karşılaştırmalı benchmark sonuçları
    • Şu anda FSRS'den tutarlı biçimde daha iyi performans gösteren tek yaklaşım, OpenAI Reptile algoritması tabanlı bir LSTM sinir ağı gibi görünüyor

[GN⁺]

Hacker News yorumları

• Trane'in kurucusu olduğumu belirtmek isterim (https://github.com/trane-project/trane/). Trane, Anki benzeri sistemlerin yerini alabilecek bir sistem; alt beceri unsurları arasında hiyerarşinin açık olduğu çoğu alana uygulanabiliyor (müzik, kelime öğrenimi vb.). Anki, SuperMemo ve benzeri mevcut sistemlerde çözülmemiş üç sorun olduğunu düşünüyorum. Birincisi, ezber odaklı yaklaşım sorunlu. Ben, hafıza değil beceri temelli puanlama gerektiren alanlarda da kullanılabilecek bir şey istiyordum (müzik gibi). İkincisi, hiyerarşi bilgisi olmadığı için büyük ölçekli beceri edinimi zor. Anki'de Trane'in işlevlerini yeniden üretmek zor (alt beceri bağımlılıklarına göre ilerlemeyi sınırlama ve yeterlilik doğrulama). Üçüncüsü, kullanıcıdan alıştırmalarını kendisinin oluşturmasını istiyor. Bu oldukça zaman alıyor ve karmaşık beceriler için uzman gerekiyor. Trane fiilen tamamlandı ve ben onu müzik çalışmak için kullanıyorum. Arayüzü olmadığı için sadece ben kullanıyorum ama bedava çalışmak istemediğim için bunu dert etmiyorum. Şu anda Trane tabanlı bir okuryazarlık eğitmeni geliştiriyorum. Tamamlandığında öğrenciler alfabeden üniversite düzeyi okuma ve yazmaya kadar, güncel araştırmalara dayalı biçimde öğrenebilecek. Yıl bitmeden bir MVP çıkarmayı hedefliyorum
• SRS ile ilgili çok sayıda tartışma ve gelişme gördüm. Ama benim görmek istediğim ve gerçekten önemli olan şey, okuma-anlama ile SRS arasındaki alan. Web tarayıcısı, PDF vb. mevcut programlardan Anki, Mochi gibi popüler SRS'lere kolayca flashcard üreten bağımsız araç neredeyse yok. Bu tür bir işlev, OS entegrasyonu kadar doğal ve sürtünmesiz çalışmalı; "bir tane daha ayrı uygulama" değil, SRS'ye kolayca aktarılabilen bir boru hattı olmalı. Mac dostu ve göze batmayan böyle bir sisteme ihtiyaç var. Böyle bir araç bilen varsa paylaşsın lütfen
  • “Mevcut programlardan kolayca flashcard üretmek” fikri sık sık yanlış anlaşılıyor. SRS'nin değerinin yarısından fazlası, hangi kavramları flashcard'a dönüştüreceğini seçme ve benzerlikleri, farkları, özellikleri vb. keşfetme sürecinden gelir. Zor ama bu sürecin kendisi anlamaya büyük katkı sağlar. Ancak bu beceri zor olduğu için birçok kişi SRS'yi doğru kullanamıyor, etkisini göremiyor ve bırakıyor. Bir başka yanlış anlama da SRS'nin sadece basit ezber için olduğu. Oysa iyi tasarlanırsa karmaşık konuları anlamak için de gayet kullanılabilir
  • Fresh Cards adlı bir flashcard uygulaması yaptım ve kullanıcılar ara sıra web sayfası ya da PDF'den flashcard içe aktarma özelliğini soruyor. Ama dürüst olmak gerekirse bunun nasıl çalışması gerektiğini hâlâ bilmiyorum. Kullanıcının metni vurgulayıp "karta dönüştür"e tıklaması gereken bir model mi olmalı, yoksa otomatik olarak metni analiz edip soru-cevap listesi sunan bir sistem mi? Neyi hangi ölçüte göre karta dönüştüreceğini ve ne kadar parçalayacağını belirlemek zor. Özellikle tarih veya isim gibi basit olguları çıkarmak bazı içeriklerde pek faydalı olmuyor. Sonuçta bu çok açık uçlu bir problem ve herkesin ihtiyacını karşılamak zor gibi görünüyor
  • macOS servis modeli bu amaç için çok uygun bence. Servisler, birçok uygulamada bağlama duyarlı şekilde çalışır ve ek geliştirme olmadan uygulamalar arası entegrasyon sağlar. Örneğin bir metin seçip sağ tıklayarak servis menüsünden “New SRS Card” gibi bir işlev çağrılırsa, hemen basit bir kart oluşturulabilir. SRS uygulaması böyle bir servisi yerleşik sunarsa kart oluşturma çok hızlı ve kolay olur
  • Ben bu sorunu LLM'e sistem prompt'u vererek çözüyorum. ChatGPT'de bir kavramı anladıktan sonra flashcard oluşturmasını istiyor, ardından Mochi'ye kopyala-yapıştır yapıyorum. Gelecekte LLM ile Mochi arasında doğrudan kart ekleme entegrasyonunun daha da gelişmesini bekliyorum
  • Dil öğrenme bağlamında YouTube/Netflix ses kartları veya altyazıları çıkarıp “mining” yapmaya yarayan çok iyi araçlar var. Bazıları açık kaynak ve ücretsiz ama ilk kullanımda sürtünme var. Ücretli çözümler biraz daha kullanıcı dostu
• LLM ile öğrenirken tavsiye edeceğim ipucu şu: konu bazlı konuşma içeriklerini csv olarak Google Drive'a kaydedip Anki'ye senkronize eden bir MCP aracı yapın. Bu yaklaşım benim LLM kullanımımda oyunun kurallarını değiştirdi. Uzun vadede LLM insanı daha az düşünür hale getirebiliyor ama madem kullanılacak, o zaman bir çalışma aracı olarak kullanmanızı öneririm
  • Anki destesinde ertesi gün gözden geçirilecek kartları seçip LLM'in yeni cümleler üretmesini sağlayan bir Python betiği yazdım. Amaç, sadece kartları ezberleyip doğru cevaplamak değil, yeni bağlamlarda da kelime tanıma becerisini geliştirmek. Farklı bağlamlarda çalışmanın gerçek dil edinimine yardımcı olacağını umuyorum
  • csv'yi Anki kartlarına tam olarak nasıl senkronize ettiğinizi ve LLM çıktısını csv'ye dönüştüren MCP uygulamasının nasıl göründüğünü anlatan bir blog yazısı görmek isterim
  • ChatGPT 4o'nun ses modu, temel Çince öğrenimi için gerçekten devrim niteliğinde bir deneyim. Evde nesnelerin adını sormak, kelimeler arasındaki ilişkileri sormak, kısa cümleler kurmak ve dilbilgisini kontrol etmek için çok yardımcı oluyor. Henüz MCP yok ama konuşma içeriğini yapılandırılmış bir biçimde özetlemesini isteyebilirsiniz
• Anki'de beni en çok rahatsız eden şey veri modeli. Hiyerarşik olarak yönetilebilen bir “not koleksiyonu”na (kendin yaptığın, LLM ile ürettiğin ya da arkadaşlarınla/öğrencilerinle paylaşabileceğin) sahip olunması ve buradan şablonlara göre nihai çalışılacak kart setlerinin türetilmesi gerektiğini düşünüyorum. Gözden geçirme geçmişi ve model, ayrıca belirli durumlarda gözden geçirilecek kartları sınırlama yöntemi (örneğin Çince veya Japonca yazmak için kâğıt gerektiğinden, duruma göre desteleri gizleyip kullanmak) gibi katmanların ayrılması lazım. Oysa Anki'de bunların hepsi tek bir veritabanında karışık durumda ve içe aktarma/dışa aktarma/paylaşım/haricî veri işlemleri de çok zahmetli. Kendi verim üzerinde istediğim gibi oynayamadığım her seferde hayal kırıklığı yaşıyorum. Böyle sorunları olmayan bir sistem bilen var mı?
  • Birden fazla not koleksiyonu ve oturum bazlı kart sınırlama Anki desteleri ve etiketleri, Better Tags ve alt deste özellikleriyle gayet yapılabilir. Tüm desteler ayrı dosyalar olarak ayrılıyor ve spaced repetition modeli olarak da FSRS dahil birden fazla seçenek destekleniyor. Dışa aktarma/paylaşım dosya düzeyinde (sıkıştırılmış dosya) kolay; haricî işlemler için de çok sayıda kütüphane ve araç var, ayrıca açık kaynak ve kütüphane tabanlı yapısı sayesinde veri çıkarmak kolay. Mevcut sistemlerden memnun kalmayıp çözümü Anki'de bulan biri olarak söylüyorum
  • Bahsettiğiniz her şey olgusal olarak yanlış. Anki'nin çok iyi açık kaynak dokümantasyonu var. Programlama bilen biriyseniz ChatGPT ile neredeyse her şeyi yapabilirsiniz; ben de sqlite veritabanında sık sık veri madenciliği yapıyorum
  • Anki'nin veri modelinde gerçekten verimsiz taraflar var. Örneğin bir tablo satırının içinde JSON tutan epey geçici çözümler gibi; kademeli büyüdüğü için yapısı biraz tuhaf. Öte yandan şablon ve cloze deletion özelliği (bir kısmını gizleyip otomatik olarak birden fazla kart üretme) çok güçlü; artık bu yapıya minnettar hissediyorum. Ben de Fresh Cards'ın şemasını cloze deletion ve şablonları destekleyecek şekilde yeniden tasarlıyorum. Benim uygulamamda her kart özelliği ayrı tablolara ayrılıyor. Anki'nin ilk dönemlerde senkronizasyon desteğinin zor olmasının nedenlerinden biri de bu şemayla ilgiliydi
  • Sadece dil öğrenimi için geçerli ama benim TheHardWay (https://thehardway.app) gibi bir yapı (flashcard'ların Markdown notlarla entegre olduğu bir model) iyi bir seçenek olabilir
  • Örneğin restoranla ilgili kelimeleri ve havaalanıyla ilgili kelimeleri ayrı gruplara ayırırsanız kullanıcı doğal olarak çağrışım kurabilir
• Üniversitedeyken spaced repetition'ı şu şekilde kullanıyordum. Ezberlemem gereken anahtarları bir Word belgesinde dikey olarak sıralayıp PDF olarak kaydediyordum. PDF'de her anahtarın yanına bir açıklama alanı (değer) ekliyordum. Cevabı görmek için açıklamaya tıklıyor, kolay bildikçe açıklamayı sola taşıyor, karıştırdıkça tekrar sağa alıyordum. Sonunda açıklama sütununun konumuna göre gözden geçirme önceliğini ayarlayabiliyordum. Pek çok dezavantajı vardı ama bana uyuyordu ve bu, Anki'deki benzer algoritmalar ortaya çıkmadan önceydi; bugün olsaydı deneyimim farklı olur muydu bilmiyorum
  • Bu yöntem ilginç ama sadece açıklamadan zihnimde pek canlanmıyor. Örnek bir dosya varsa görmek isterim
• FSRS ile deney yapmakla ilgileniyorsanız, Open Spaced Repetition resmî Python, Typescript ve Rust paketleri sunuyor (ilgili GitHub bağlantıları verilmiş). ts-fsrs ve rs-fsrs FSRS 6'yı destekliyor, py-fsrs de yakında destekleyecek. Ayrıca py-fsrs ve fsrs-rs, geçmiş gözden geçirme kayıtlarına dayalı model optimizasyonu da sunuyor
  • Chessbook'un açılış antrenmanında Rust paketini kullanıyorum. Kullanımı çok kolay, kullanıcı yükünü azaltırken hatırlama oranını yükseltiyor. FSRS sistemi gerçekten müthiş
  • Ruby kullanıcıları, yeni kart aralığı sorununu düzelten FSRS gem çatalına bakabilir (https://github.com/arvindang/rb-fsrs). Başlangıçta yukarıdaki Python sürümünden taşınmıştı
• Spaced repetition 20 yıldır popüler ama her derde deva değil. Onlarca uygulama ve binlerce konuşmaya rağmen, sonuçta birçok kişi bunu da diyet veya kişisel gelişim kararları gibi yarıda bırakıyor. Bir ara “çocuk eğitimi gerçekten önemseniyorsa, Google ya da Apple haftada bir not kartı yazmayı zorunlu kılan ve geçince telefon kilidini açan bir unlock sistemi çıkarmalı” diye düşündüm. Elbette bir atlama seçeneği olmalı ve gerçekte bunu kuran kişi az olurdu ama bence bu kadar gündelikleşmesi gerekiyor
  • Spaced repetition "zaman optimizasyonu"na odaklanıyor ama özdenetim/motivasyon konusunda etkili değil. Zaman yükü büyükse verimli ama motivasyon veya öz disiplin zorsa kolayca tükenmişliğe yol açabiliyor. Benim durumumda Anki sayesinde GCSE ve A-level'da başarılı oldum ama sonra ciddi şekilde tükendim ve sonunda ara vermek zorunda kaldım. Sonuç olarak Anki hem başarının motoru hem de mola vermemin nedeni oldu
  • “Her derde deva değil” sözü, ölçütün ne olduğu tanımlanmadığında boş kalıyor. Diyet de her derde deva değil ama SRS'yi 6 yıldan uzun süredir kullanan biri olarak benim için hayat değiştirici oldu
  • SRS, ezber ile dil edinimi arasındaki farkı yeterince anlamayan kişiler için cazibesiz kalıyor. Ezberi hedefleyenler için çok çekici ama benim hedefim İspanyolca ve Fransızca okuma becerisinin kendisi. Kelime ve örnek cümle tekrarları, bir inşaat iskelesi gibi. Yapının kendisi değiller ama tüm süreci ciddi biçimde hızlandırıyorlar. Ezber ile dil ediniminin ayrı şeyler değil, birbirine yardımcı ilişkiler olduğunu daha iyi anlatabilsek keşke
  • Eğer her derde deva bir çözüm beklerseniz hayal kırıklığına uğrarsınız. Sonuçta “emek” gerekiyor. Bu sadece bir araç
  • SRS'nin yüksek giriş eşiğine sahip UX sorunları var. 1) Kart oluşturma süresi 2) Kendi kendine puanlama gerekliliği 3) Tekil prompt-cevap yapısı 4) Öz-yönelimli öğrenme gereksinimi (iskele kurma, anlama aşamaları). Daha temelde, SRS “doğru soru-doğru cevap” türünde mükemmel ama genelleme konusunda zayıf. Gerçekte bilgi grafiği inşası zayıf kalıyor. Hatırlamaya dayalı bilgi ile mantıksal model bilgisi arasındaki farka bakarsanız, ezber neredeyse bir “sözlükten arama” gibi çalışırken mantıksal modeller (matematik kavramları gibi) çok daha karmaşık. SRS savunucuları mantıksal modellerin de temelde “olgular kümesi” ezberine dayandığını söyler ama yine de SRS'nin pratik değeri, “iyi düzenlenmiş bir not defteri”nin ötesine geçse de insanı dâhi yapmaktan çok uzak
• Yaklaşık 10 yıldır Anki kullanıyorum ve geliştirilmesi gereken tek şeyin UI/tasarım olduğunu düşünüyorum. Algoritmanın otomatikleşmesinden çok, asıl sorun arayüzün birçok yeni kullanıcıya sıkıcı gelmesi. Güçlü power-user özellikleri güzel ama sezgisellik zayıf. Aralıklı tekrar etkisi, insan öğreniminde çok hafife alınan temel bir unsur
  • AnkiDroid ana geliştiricisiyim. Şu anda inceleme ekranı tasarımını tamamen baştan yapıyoruz ve bunu üretim uygulamasında “geliştirici seçenekleri” altında görebilirsiniz. Tasarımdan memnun değilim ama kaynaklarımız çok sınırlı. Android tarafına ilginiz varsa iletişime geçebilirsiniz
  • Anki'yi seviyorum ama tipik bir “mühendis tasarımı” ürün. Çok güçlü ve derin ama tasarımı kaba ve sezgisel değil. HN okurları gibi teknoloji meraklıları öğrenebilir ama sıradan bir Duolingo kullanıcısı için zor
  • Düzenleyici penceresi inanılmaz derecede kullanışsız. En acil iyileştirme burada gerekli. Ana pencere sekmeleri de gerçek sekmeler gibi çalışmıyor ve gözden geçirme ekranında “Again/Good” iki düğmeli mod varsayılan olarak yerleşik gelmeli. Sadece eklentileri toparlasanız bile popüler olur, üstelik uygulaması kolay
  • Yıllardır Anki ve SRS hakkında çok şey okudum ama hiç kullanmadım. Özellikle tavsiye edeceğiniz çalışma alanları var mı diye merak ediyorum
  • Duolingo ile karşılaştırınca gerçekten sıkıcı. Yine de yıllardır kullanıyorum. Biraz oyunlaştırma (streak, ses efektleri vb.) isteğe bağlı olarak eklenirse daha iyi olabilir
• 6 yıl önce “Why Anki Doesn’t Work for Me” başlıklı bir yazı yazmıştım (algoritma iyileştirmelerinden önceydi). Anki'de birçok sorun görmüştüm ama yeni algoritma temel şikâyetimi düzelttiği için yeniden denemeyi planlıyorum. Geri kalan sorunların hâlâ engel olup olmadığını merak ediyorum
  • Ben A-level sırasında FSRS uzantısına geçtim. Google Colab notebook ile kendi öğrenme düzenime göre özel uyarlama da yaptım. Gözden geçirme yükü yarıya indi ve zamanlama daha dengeli dağıldığı için deneyim çok daha rahat oldu. Etki eşdeğerdi ya da daha iyiydi. Yeni yaklaşımı güçlü biçimde tavsiye ederim
  • Benim de benzer bir deneyimim oldu. Anki kısa süreli hafızaya fazla takılıyordu ve birkaç gün ya da hafta sonra neredeyse sıfırdan yeniden öğrenmek zorunda kalıyordum. O dönemde neredeyse tüm SRS toplulukları Anki'yi kutsuyordu ama ben bıraktım
  • WaniKani en iyi SRS arayüzüne sahip ama eski algoritması yüzünden özünde aynı sınırlara sahip. “Son gözden geçirmeden sonra kartı bir daha hiç görmemek de mümkün” yapısı, bilgi kaybı riskini hep taşıdığı için beni tedirgin ediyor
• Spaced repetition'ın ilginç yanı, “basit ezber”in bazı durumlarda modern eğitimin düşündüğünden çok daha önemli bir rol oynadığı varsayımına dayanması. Matematik ve programlamada anlamanın ezberden daha önemli olduğu düşünülür ama spaced repetition buna karşı bir argüman sunabilir
  • Eğitim sistemi sanayi devrimi öncesinden moderne geçerken, ezber ağırlıklı klasik eğitimden (Latince, Yunanca) “anlama odaklı” yaklaşıma kaydı. O zamanki değişim gerekliydi ama belki de fazla ileri gitti. Bugün ezber, gerekenden fazla küçümseniyor
  • Günümüzde programlamada “gerektiğinde bakarız” anlayışı yaygın. Ama bazı şeyleri mutlaka ezberlemek gerekir (programlama dilleri, kalıplar vb.). Pratik yapmak yapılandırılmamış bir SRS gibi işler ve belirli alanlarda (örneğin C++ ile sürücü geliştirme) SRS çok yardımcı olabilir
  • Tekrarlanan işlemler (çarpım tabloları vb.) ezber yoluyla içselleştirilmeli ki insan daha üst düzey kavramları öğrenmeye odaklanabilsin. Bu yapı öğrenme verimliliğinin anahtarı
  • Ezber, anlamanın önkoşuludur. Hatırlayamadığınız şeyi anlayamazsınız
  • Hatırlamaya dayalı bilgi ile mantıksal model bilgisi arasındaki fark çok ilginç. LLM'ler tipik olarak ilkinin tarafında yer alıyor ve matematikte bu yüzden sınırları büyük