هذه الصفحة مترجمة آليًا وقد تحتوي على أخطاء في الصياغة. النسخة الإنجليزية هي المرجع. عرض النسخة الإنجليزية
نموذج التكرار المتباعد (SRS) الذي طوّرته Mibuki بنفسها. في ثلاثة معايير مرجعية عامة يتفوّق بفارق واسع على الإعدادات الافتراضية لمعيار الصناعة FSRS-7 — محقّقًا دقة تخصيص عالية قبل أي تحسين خاص بكل مستخدم.
→ العودة إلى LangDictنُشِر في 21 يونيو 2026 · آخر تحديث 28 يوليو 2026 · تشغيل المعيار المرجعي في يونيو 2026 · إصدار النموذج Lexa 3.0
عادات ذاكرتك مشتركة بين بطاقاتك — لذا فبطاقاتك الأخرى هي أفضل دليل.
جوهر أي مُجدوِل تكرار متباعد هو التنبؤ بمدى قدرتك على تذكّر بطاقة ما، وهو ما يحدّد موعد مراجعتها. ومعيار الصناعة FSRS يُخصّص عبر ملاءمة المعاملات لكل مستخدم (per-user fitting) — أسلوب قوي، لكنه يحتاج إلى ضبط لكل مستخدم على حدة.
أمّا Lexa فيسلك الطريق المعاكس. فخصائص مثل سرعة نسيانك، وطريقة تقييمك، وإيقاع مراجعتك، مشتركة بين بطاقاتك. ويقرأ Lexa لا البطاقة المستهدَفة وحدها، بل سجل مراجعة بطاقاتك الأخرى بوصفه سياقًا (in-context)، فيُخصّص نموذج واحد مشترك دون أي ضبط خاص بكل مستخدم.
بعبارة أخرى — بدل أن يتعلّم «ميول المستخدمين الآخرين»، يقرأ طريقتك في النسيان مباشرةً من بقية بطاقاتك أنت. وهذا هو الجديد في Lexa.
يقرأ سجل بطاقاتك الأخرى، ويقدّر مدى رسوخ كل بطاقة في الذاكرة، ثم يحدّد موعد المراجعة التالي.
يتفوّق Lexa على FSRS-7 بإعداده الجاهز (الافتراضي) في المعايير المرجعية العامة الثلاثة جميعها — وقبل أي تحسين خاص بكل مستخدم.
درجة التنبؤ بالذاكرة (1 − Log Loss، كلما ارتفعت كان أفضل)
مشروع FSRS يتطوّر بسرعة. وما يُنشَر هنا هو المقارنة بحسب التواريخ أعلاه؛ وقد تختلف نتائج إصدار أحدث من FSRS. وخط الأساس هو الإعداد الافتراضي لـ FSRS-7، وقد أُعيد حساب أرقام خط الأساس أدناه من نتيجة التشغيل المحفوظة في مستودع LangDict (research/srs-benchmark/result) وجاءت مطابقة.
| مجموعة البيانات | FSRS-7 (default) | Lexa 3.0 |
|---|---|---|
| Anki | 0.646 (.3543) | 0.682 (.3184) |
| Duolingo | 0.577 (.4231) | 0.672 (.3280) |
| maimemo | 0.488 (.5121) | 0.538 (.4621) |
لا يحتاج Lexa إلى أي ضبط أو تدريب خاص بكل مستخدم، وهو دقيق دون مرحلة ملاءمة لكل مستخدم. وبإعداده الجاهز — قبل أن يُلائَم أي من النموذجين معك — يتفوّق بالفعل على الإعدادات الافتراضية لـ FSRS-7 في مجموعات البيانات الثلاث جميعها. والفارق ليس موحّدًا: زيادة قدرها 0.095 على Duolingo، و0.050 على maimemo، و0.036 على Anki.
التقييم على ثلاث مجموعات بيانات من العالم الحقيقي.
نحو 727 مليون مراجعة / 10,000 مستخدم
بطاقات تعليمية قياسية
نحو 226 مليون مراجعة / تعلّم مفردات
تطبيق مفردات صيني
نحو 13 مليون مراجعة / قائم على الجلسات
مجموعة بيانات HLR
المقياس: per-user weighted Log Loss (كلما انخفض كان أفضل).
الدقة ليست مجرد رقم في معيار مرجعي — بل تُشكّل تجربة تعلّمك مباشرةً.
يحدّد Lexa بدقة اللحظة التي توشك فيها على النسيان. فالمراجعة المبكّرة مملّة، والمتأخّرة تعني إعادة التعلّم من جديد. و Lexa يضيّق تلك النافذة. ويعرض التقرير داخل التطبيق مقدار ما خفّضه من المراجعات المجدولة خلال آخر 7 أيام. وهذا الرقم ناتج عن إعادة تشغيل سجل الدراسة نفسه عبر SM-2 ثم المقارنة — فهو تقدير لعبء الجدولة، لا قياس لنتائج التعلّم.
لا معاملات تضبطها ولا انتظار لتعلّم خاص بكل مستخدم. افتح التطبيق وادرُس فحسب — فهو يجدول وفق حالتك أنت منذ البداية.
يجري التخصيص بالكامل على جهازك. الخصوصية والدقة معًا.
نواصل التجريب على منظومة المقارنة المرجعية الخاصة بنا، ونحسّن باستمرار النموذج الذي نقدّمه للمستخدمين.
open-spaced-repetition. FSRS: Free Spaced Repetition Scheduler. GitHub.
open-spaced-repetition. srs-benchmark: Benchmark of Spaced Repetition Algorithms. GitHub.
open-spaced-repetition. anki-revlogs-10k: Anki review logs from 10,000 users. Hugging Face.
Settles, B., & Meeder, B. (2016). A Trainable Spaced Repetition Model for Language Learning. Proceedings of the 54th Annual Meeting of the ACL.
Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Leipzig: Duncker & Humblot.