時間有限時，智慧排程如何最佳化單字複習？

智慧排程是 Tomaru 中一個受時間預算控制的複習工具，會優先處理您每日的到期佇列。透過估算您的閱讀速度、考量卡片難度，並依據每秒獲得的記憶來對卡片進行排序，智慧排程會挑選出您最高價值的複習，以符合 5、10、15、30 或 60 分鐘的學習階段限制。

智慧排程解決了什麼問題？

間隔重複演算法回答了一個特定的問題：卡片下次應該何時出現供複習？如 FSRS-6 等排程器的數學輸出結果，是一組到期的卡片。

由於演算法設計著重於計算衰退間隔，一組到期的卡片本身並沒有內在的優先順序。在許多時候，到期卡片的總數會超過學習者可用的時間。排程器不會決定要先完成哪個卡片子集，這使得學習者只能沿著無序的清單往下處理，直到時間用盡或任意中斷學習階段。這兩種方法都有可能錯過當日最關鍵的記憶更新。

智慧排程建立在 FSRS-6 之上，為了解答第二個問題：當您的時間有限時，您應該複習哪些卡片？

您該如何選擇時間預算？

當您為您的學習階段選擇特定的時間額度時，智慧排程就會啟動。您可以選擇五種預設的學習階段長度之一：

• 5 分鐘
• 10 分鐘
• 15 分鐘
• 30 分鐘
• 60 分鐘

選定後，智慧排程會將此時間長度視為嚴格的界線，組合出一個專為符合您指定時間視窗所設計的客製化佇列。

智慧排程如何測量您的作答速度？

時間預算需要精確測量您的閱讀與回想速度。Tomaru 會將總複習時間與已完成卡片數量進行比較，直接從您的學習紀錄中計算您的作答配速。

為了避免過度承諾您能完成多少張卡片，配速計算會刻意偏向保守。它會評估您過去的表現並加上安全邊際，使您的目標排程反映出實際且沉穩的步調，而非理想化的衝刺。悲觀的配速能確保您的學習階段會在您實際可用時間內完成，而不會超出您的排程。

Tomaru 如何估算每張卡片的時間成本？

卡片根據其狀態與您能回想的機率而有不同的時間成本。新卡片需要時間來閱讀和吸收，而目前正在積極學習中的卡片則需要專注。

複習卡片在時間成本上呈現出最鮮明的對比。您能輕鬆回想的卡片只需幾秒鐘，而您答錯的卡片則需要重新閱讀、重新吸收與重新評分。由於 Tomaru 追蹤您每張卡片的可回想率分數，它知道您是否可能在單字出現前就回想起它。您即將答錯的卡片，在進入佇列前就會被識別為較耗時的項目。

Tomaru 如何排列複習卡片的優先順序？

Tomaru 根據每秒鐘的複習時間能恢復多少記憶耐久度來對卡片進行排序。當您的學習時間有限時，佇列會優先處理投資報酬率最高的卡片。

智慧排程如何建構您的學習階段？

智慧排程圍繞著認知動能與記憶價值來安排您每日的學習階段，而不是以固定的、按字母順序的或逐個卡包的順序來提供卡片。

學習階段會以您極有可能回想起來的單字開始，讓您在遇到困難教材前能建立穩定的節奏。接著，佇列會優先處理在所需複習時間內能獲得最大記憶耐久度的項目。您最近答錯或仍在學習中的卡片會保持在活躍的輪替中，以防止記憶消退，而嚴重逾期的項目會及早優先處理，使其不會完全從記憶中消失。新單字只有在所有到期的複習項目都能舒適地容納在您分配的學習預算內時，才會進入佇列。在整個學習階段中，智慧排程會同時從您所有活躍的卡包中抽取卡片，而不是一次耗盡一個卡包。

智慧排程是縮減版的學習模式嗎？

不是。智慧排程不會改變或繞過 FSRS-6 演算法。在智慧排程階段中複習的每一張卡片，都會經過完整的 FSRS-6 排程，更新其可回想率、記憶穩定度與難度分數，並寫入與標準複習相同的複習紀錄中。

智慧排程僅決定挑選順序與學習階段界線。透過優先處理高報酬的複習項目，一個專注的 10 分鐘學習階段會針對您收藏中最脆弱的卡片進行處理，防止到期佇列變得無法負荷。

如欲進一步了解基線排程機制，請閱讀關於間隔重複如何運作的指南。如欲了解參數最佳化如何影響卡片間隔，請閱讀個人化排程，或使用考試完成度預測來推估長期完成日期。

相關問題

為什麼在某些智慧排程階段中我沒有看到新卡片？

智慧排程只有在您現有積壓的到期項目能完全容納於您所選的時間預算內時，才會加入新卡片。如果您的到期複習佇列耗盡了您的可用時間，新卡片就會被保留，以防止累積無法管理的複習負擔。

智慧排程如何知道我閱讀卡片的速度有多快？

Tomaru 會評估您的歷史複習日誌以決定您平均每張卡片所需的秒數，並套用保守的安全邊際，讓您的學習階段計畫能應付困難的卡片與進度較慢的學習日。

如果我只有 5 分鐘，我可以執行智慧排程嗎？

可以。您可以選擇 5 分鐘的學習階段預算。智慧排程會以高機率能回想的卡片開場，讓您快速進入節奏，然後用在所花費時間內能獲得最大記憶耐久度的複習來填滿剩餘的分鐘數。

在智慧排程中完成卡片會更新我的 FSRS 參數嗎？

會的。在智慧排程中完成的複習會寫入與標準複習相同的複習紀錄，對您的複習紀錄與未來的 FSRS 參數最佳化皆有貢獻。