PL 
EnglishDomyślny
Українська🧠 Powtórki rozłożone w czasie i zanik pamięci
Krzywa zapominania Ebbinghausa R(t) = e^{−t/S}, gdzie S to siła śladu pamięciowego. Algorytm SM-2 planuje powtórki w rosnących odstępach. Zobacz, jak kolejne powtórki zwiększają trwałość zapamiętania.
O tej symulacji
Ten symulator śledzi do dziesięciu fiszek, z których każda ma własną siłę pamięci S, zanikającą zgodnie z krzywą Ebbinghausa R(t) = e^(−t/S), i automatycznie planuje powtórkę, gdy tylko retencja spadnie poniżej wybranego progu — dokładnie tak, jak działa logika SM-2 w aplikacjach takich jak Anki. Każda powtórka mnoży S przez współczynnik łatwości EF, wydłużając kolejny odstęp, dzięki czemu widać, jak przerwy między powtórkami złotej pierwszej fiszki wyraźnie się wydłużają w miarę, jak łatwiej ją przypomnieć.
🔬 Co pokazuje
Wiele nakładających się krzywych zapominania Ebbinghausa, zdarzenia powtórek każdej fiszki oznaczone jako pionowe linie oraz podgląd harmonogramu na żywo, pokazujący, jak rosnące odstępy SM-2 wynikają naturalnie z powtarzanego mnożenia siły pamięci.
🎮 Jak korzystać
Ustaw początkową siłę S₀, współczynnik łatwości EF, próg retencji, liczbę śledzonych fiszek i okno czasowe, a następnie przełączaj widok między krzywymi zapominania, harmonogramem powtórek i obydwoma naraz. Kliknij płótno lub naciśnij + Add Review Now, aby wywołać ręczną powtórkę. P wstrzymuje, R resetuje.
💡 Czy wiesz, że...
Ponieważ każda powtórka mnoży siłę pamięci S przez ten sam współczynnik łatwości EF, zamiast dodawać stałą wartość, odstępy między powtórkami rosną geometrycznie — fiszka powtórzona 10 razy przy EF=2,5 wymaga przerwy około 2,5^10 razy dłuższej niż jej pierwszy odstęp, dlatego dobrze opanowane fiszki w prawdziwych aplikacjach do powtórek rozłożonych w czasie są ostatecznie powtarzane raz na kilka lat.
Najczęściej zadawane pytania
Dlaczego podniesienie współczynnika łatwości EF sprawia, że odstępy powtórek rosną tak dużo szybciej?
Funkcja doReview() ustawia card.S = card.S · EF po każdej pojedynczej powtórce, więc EF kumuluje się multiplikatywnie przy kolejnych powtórkach — niewielki wzrost z 2,0 do 2,5 nie dodaje po prostu 25% do jednego odstępu, lecz mnoży przez ten większy współczynnik również każdy kolejny odstęp, co daje znacznie bardziej stromą krzywą wzrostu w długim okresie.
Dlaczego obniżenie progu retencji opóźnia planowanie powtórek?
Funkcja scheduleNextReview() oblicza odstęp = −S·ln(rt), a ponieważ ln z mniejszej docelowej retencji (np. 0,7 zamiast 0,9) jest liczbą bardziej ujemną, wynikowy odstęp jest dłuższy — niższy próg oznacza, że jesteś skłonny/skłonna pozwolić na większe zapomnienie przed powtórką, więc algorytm czeka dłużej.
Dlaczego poszczególne fiszki w symulacji zanikają i są powtarzane w różnym czasie?
Funkcja initCards() nadaje każdej fiszce nieco inną siłę początkową (S₀ · (0,8 + i·0,1)) oraz przesunięty w czasie offset nauki, więc nawet przy identycznych ustawieniach EF i progu, krzywa zapominania i harmonogram powtórek każdej fiszki nieznacznie się rozjeżdżają — odzwierciedlając, jak prawdziwe fiszki o różnej trudności nigdy nie pozostają idealnie zsynchronizowane.
Co dokładnie dzieje się po kliknięciu + Add Review Now przed zaplanowanym czasem?
Funkcja addReview() wywołuje doReview() natychmiast, niezależnie od bieżącej retencji, od razu mnożąc S przez EF — pozwala to zasymulować wcześniejszą powtórkę fiszki, która w tym modelu zachowuje się identycznie jak powtórka wywołana progiem, ponieważ leżąca u podstaw matematyka nie rozróżnia „powodu” powtórki.
Dlaczego początkowa siła S₀ ma znaczenie, skoro to EF ostatecznie dominuje wzrost odstępów?
S₀ ustala punkt startowy, od którego mnożony jest każdy późniejszy odstęp, więc dwie fiszki o tym samym EF, ale różnym S₀, na zawsze zachowują stały stosunek między swoimi harmonogramami powtórek — S₀ w praktyce reprezentuje to, jak szybko lub wolno dana informacja zanika, zanim jakakolwiek powtórka ją wzmocni.