간격 반복 시스템이 더 나아짐

카테고리

프로그래밍/소프트웨어 개발

서브카테고리

인공지능

대상자

• *학습자, 언어 학습자, 교육 기술 개발자**
• 난이도: 중급 이상 (알고리즘, 머신러닝, SRS 시스템 이해 필요)

핵심 요약

• FSRS(Flexible Spaced Repetition Scheduler)는 머신러닝 기반 개인 맞춤형 복습 스케줄링을 제공하여 기존 SuperMemo-2 알고리듬의 한계를 극복함
• Anki 23.10 버전부터 FSRS가 기본 스케줄러로 채택되어 복습 부담 감소와 학습 효율 극대화를 가능하게 함
• FSRS는 난이도, 안정성, 회수 가능성 3가지 함수를 곡선 피팅으로 최적화하고, 목표 회상율(예: 90%)을 기반으로 일일 학습량을 시뮬레이션함

섹션별 세부 요약

1. 기존 간격 반복 시스템의 한계

• SuperMemo-2는 경험적 규칙(1일→6일→15일 등)을 기반으로 복습 간격을 결정함
• 오답 시 1일로 초기화되어 좌절감 유발
• 모든 정보의 기억 곡선을 동일하게 가정하는 비현실적 전제 존재

2. FSRS 알고리듬의 작동 원리

• 머신러닝을 통해 사용자별 복습 간격 최적화
• 3가지 함수 (난이도, 안정성, 회수 가능성)을 곡선 피팅으로 모델링
• 21개 파라미터를 사용해 대규모 리뷰 데이터에 맞춤화하고, 개인별 리뷰 이력 반영

3. Anki와 FSRS 조합의 효과

• 일일 복습량 감소 및 오답 복습 스트레스 완화
• 70% 회상율 설정 시 기억하는 카드 수 증가
• 오픈소스로 다양한 언어 및 소프트웨어에서 구현 가능

4. FSRS vs. 다른 시스템 비교

• WaniKani, Bunpro 등은 정해진 간격만 제공하며 개인 맞춤화 불가
• Trane은 숙련도 기반 채점 및 하위 기술 의존성 기반 진도 제한 지원
• FSRS는 OpenAI Reptile 알고리듬 기반 LSTM보다 일관된 성능은 떨어짐

5. 사용자 경험 및 제안

• LLM 활용으로 플래시카드 자동 생성 및 CSV-ANKI 동기화 가능
• Anki 데이터 모델의 비효율성 개선 필요 (예: JSON 임시방편 구조)
• OS 통합 기능 필요 (예: macOS 서비스 모델 기반 카드 생성)

결론

• FSRS를 활용해 목표 회상율에 맞춘 개인 맞춤형 복습 스케줄링을 적용하고, LLM과 연동해 자동화된 플래시카드 생성을 구현할 수 있음
• Anki의 데이터 모델 개선 및 OS 통합 기능 개발이 장기적 효율성을 높일 핵심 요소임