# بهترین تنظیمات FSRS برای Anki در ۲۰۲۶: نرخ یادآوری، مراحل یادگیری و حجم مرور

*2026-04-25*

بالا بردن نرخ یادآوری مطلوب در Anki از ۹۰٪ به ۹۵٪ تغییر کوچکی به نظر می‌رسد. اما حجم کار فقط پنج درصد بیشتر نمی‌شود. با بالا رفتن این هدف، FSRS باید فاصله‌های مرور را کوتاه‌تر کند و در مجموعه‌ای که مدت‌ها با آن مطالعه کرده‌اید، صف مرور ممکن است بسیار سنگین‌تر شود. اگر گزینهٔ **Reschedule cards on change** را هم فعال کنید، بخشی از این کار اضافه ممکن است همان لحظه به سراغتان بیاید.

بنابراین بهترین تنظیمات FSRS رشته‌ای از پارامترها نیست که از جایی کپی کنید. باید چند تصمیم را به‌ترتیب بگیرید: حجم کاری را که در بلندمدت از عهده‌اش برمی‌آیید مشخص کنید، هدف یادآوری را در همان محدوده انتخاب کنید، مدل را با سابقهٔ مرور خودتان تطبیق دهید و تاریخ‌های سررسید فعلی را دست‌نخورده بگذارید، مگر اینکه آگاهانه بخواهید دوباره محاسبه شوند.

نام گزینه‌ها و رفتارهایی که در ادامه آمده، با [نسخهٔ Anki 26.08](https://github.com/ankitects/anki/releases/tag/26.08) و تنظیمات FSRS-6 آن مطابقت دارد. اگر پیش از تنظیمات می‌خواهید خود مدل را بشناسید، [FSRS چیست؟](/blog/what-is-fsrs/) را بخوانید. اگر هنوز در حال انتخاب الگوریتم زمان‌بندی هستید، از [مقایسهٔ FSRS و SM-2](/blog/fsrs-vs-sm-2/) شروع کنید.

> **شفاف‌سازی:** من کیریل مارکین هستم و [Nibomo](/fa/features/) را می‌سازم. Anki امکان برازش شخصی‌سازی‌شدهٔ پارامترها و شبیه‌سازهای آزمایشی حجم مرور را دارد که Nibomo در حال حاضر ارائه نمی‌کند. در مقایسهٔ نزدیک به پایان مقاله، این تفاوت‌ها را به‌روشنی مشخص کرده‌ام.

**تاریخ بررسی صحت اطلاعات:** ۸ سپتامبر ۲۰۲۶.

![اپراتور آب‌بند کانال، پیش از تغییر آب‌بند اصلی، جریان آب را روی یک ماکت آزمایش می‌کند](/blog/fsrs-settings-v2.png)

## پاسخ کوتاه: از اینجا شروع کنید

برای بیشتر کاربران Anki، گزینه‌های زیر نقطهٔ شروع کم‌ریسکی هستند؛ نه تنظیماتی که برای همه مناسب باشند:

| تنظیم یا عادت | نقطهٔ شروع کم‌ریسک | دلیل |
| --- | --- | --- |
| نرخ یادآوری مطلوب | `0.90` | مقدار پیش‌فرض Anki است و میان یادآوری و حجم مرور تعادل برقرار می‌کند. |
| پارامترهای FSRS | از **Optimize Current Preset** استفاده کنید؛ وزن‌ها را کپی یا دستی ویرایش نکنید | بهینه‌ساز مدل را با سابقهٔ مرور شما تطبیق می‌دهد. |
| دفعات بهینه‌سازی | حداکثر ماهی یک بار؛ معمولاً هر چند ماه یک بار کافی است | Anki بهینه‌سازی مکرر را توصیه نمی‌کند. |
| مراحل یادگیری | تعداد کمی مرحله نگه دارید که در همان روز تمام شوند | زنجیره‌های طولانی مراحل، شروع زمان‌بندی مبتنی بر مدل را عقب می‌اندازند. |
| مراحل یادگیری مجدد | تعدادشان را کم و فاصلهٔ هرکدام را کمتر از یک روز نگه دارید | پس از ناموفق بودن مرور یک کارت هم همین محدودیت برقرار است. |
| زمان‌بندی مجدد کارت‌ها هنگام تغییر تنظیمات | خاموش | تنظیمات جدید می‌توانند در مرورهای بعدی اعمال شوند، بدون اینکه صف امروز دوباره ساخته شود. |
| حداکثر فاصلهٔ مرور | مقدار پیش‌فرض ۱۰۰ سال را نگه دارید | سقف کوتاه‌تر، کارت‌هایی را که مدت‌ها مرور کرده‌اید زودتر برمی‌گرداند. |
| کارت‌های جدید در روز | بر اساس حجم کاری تعیین کنید که در بلندمدت از عهده‌اش برمی‌آیید | هر کارت جدید، همین حالا کار یادگیری و بعداً کار مرور ایجاد می‌کند. |
| تفاوت Again و Hard | Again یعنی یادآوری ناموفق؛ Hard یعنی یادآوری موفق اما دشوار | امتیازدهی اشتباه، سابقهٔ اشتباه به مدل می‌دهد. |

اگر مرورها قابل مدیریت‌اند و تنظیماتتان همین حالا هم به این موارد نزدیک است، شاید چیزی برای اصلاح وجود نداشته باشد. رسیدگی به تنظیمات، جای مطالعه را نمی‌گیرد.

## این سه تصمیم را از هم جدا نگه دارید

نرخ یادآوری مطلوب، پارامترهای FSRS و حجم کار روزانه اغلب با هم یکی گرفته می‌شوند. اما هرکدام چیز متفاوتی را کنترل می‌کنند:

- **نرخ یادآوری مطلوب** هدف شما برای به‌یادآوردن مطالب است. آن را بر اساس هدف‌ها و زمانی که برای مطالعه دارید انتخاب می‌کنید.
- **پارامترهای FSRS** مدل حافظه را با سابقهٔ مرور تطبیق می‌دهند. بهینه‌ساز Anki آن‌ها را محاسبه می‌کند.
- **محدودیت کارت‌های جدید و مرورها** مشخص می‌کنند چه مقدار مطلب وارد سیستم شود و Anki هر روز چه تعداد از مرورهای سررسیدشده را بتواند نشان دهد.

این تفکیک، پیدا کردن علت مشکل را بسیار ساده‌تر می‌کند. صف طولانی لزوماً به معنی اشتباه بودن پارامترها نیست. یک دستهٔ مهم هم لزوماً به مجموعه‌تنظیمات جداگانه نیاز ندارد. پایین آوردن نرخ یادآوری مطلوب نیز مشکل ورود بیش از حد مطالب جدید را حل نمی‌کند.

## نرخ یادآوری مطلوب را بر اساس حجم کار انتخاب کنید، نه بلندپروازی

نرخ یادآوری مطلوب به FSRS می‌گوید می‌خواهید هنگام سررسید مرور یک کارت، احتمال به‌یادآوردن آن چقدر باشد. با مقدار `0.90`، FSRS زمان‌بندی را بر مبنای احتمال پیش‌بینی‌شدهٔ ۹۰٪ برای یادآوری انجام می‌دهد. این هدف مدل است؛ تضمین نمی‌کند که در هر جلسه یا آزمون دقیقاً به ۹۰٪ سؤال‌ها درست پاسخ دهید.

تغییر این مقدار در هر دو جهت پیامد دارد:

- نرخ یادآوری مطلوب را بالا ببرید، فاصله‌ها کوتاه‌تر و مرورها بیشتر می‌شوند.
- آن را پایین بیاورید، فاصله‌ها بلندتر و یادآوری‌های ناموفق بیشتر می‌شوند.
- اگر بیش از حد پایینش بیاورید، یادگیری مجددِ بیشتر پس از فراموشی می‌تواند بخشی از زمانی را مصرف کند که امیدوار بودید صرفه‌جویی شود.

مقدار پیش‌فرض Anki برابر با ۹۰٪ است. [راهنمای نرخ یادآوری مطلوب](https://docs.ankiweb.net/deck-options.html#desired-retention) هشدار می‌دهد که با نزدیک شدن هدف به ۱۰۰٪، حجم کار به‌سرعت بالا می‌رود و توصیه می‌کند زیر ۹۷٪ بمانید. [توضیح رسمی نرخ یادآوری بهینه](https://github.com/open-spaced-repetition/fsrs4anki/wiki/The-optimal-retention) سوی دیگر منحنی را توضیح می‌دهد: نرخ بسیار پایین هم ممکن است ناکارآمد باشد، چون کارت‌های فراموش‌شده کار بیشتری می‌طلبند.

از `0.90` شروع کنید و فقط پس از بررسی حجم کار تغییرش دهید. برای مطالبی که فراموش کردنشان هزینهٔ واقعی دارد، هدف بالاتر می‌تواند منطقی باشد. وقتی مرورها جای مطالعهٔ ارزشمندتر را گرفته‌اند، هدف پایین‌تر می‌تواند منطقی باشد. هیچ‌کدام کارت‌های مبهم، امتیازدهی خلاف واقع یا تعداد بیش از حد کارت‌های جدید را اصلاح نمی‌کند.

### هدف یادآوری هر دسته را از پارامترهای مشترک جدا کنید

در Anki 26.08، گزینهٔ **Desired retention** دو دامنه دارد: **Shared Preset**، یعنی مجموعه‌تنظیمات مشترک، و **This deck**، یعنی همین دسته. بنابراین می‌توانید برای دسته‌های مرتبط از پارامترهای یک مجموعه‌تنظیمات مشترک استفاده کنید و برای دسته‌ای خاص، هدف یادآوری جداگانه تعیین کنید.

وقتی هزینهٔ فراموشی متفاوت است، از این امکان استفاده کنید. مثلاً یک دسته برای آزمون دریافت مجوز حرفه‌ای ممکن است هدف بالاتری از یک دستهٔ مرجع کم‌اولویت لازم داشته باشد، حتی اگر هردو از مدل برازش‌شدهٔ یکسانی استفاده کنند.

انتخاب **This deck** پارامترهای FSRS را مختص همان دسته نمی‌کند. Anki به‌طور پیش‌فرض پارامترها را بر اساس سابقهٔ مرور تمام دسته‌های متصل به مجموعه‌تنظیمات فعلی برازش می‌کند. اگر دشواری بعضی گروه‌های دسته‌ها برای شما بسیار متفاوت است، Anki با مجموعه‌تنظیمات جداگانه امکان برازش مستقل هر گروه را می‌دهد.

## از Help Me Decide و شبیه‌ساز برای پرسش‌های متفاوت استفاده کنید

Anki 26.08 دو ابزار آزمایشی جداگانه دارد:

- **Help Me Decide (Experimental)** منحنی شخصی‌سازی‌شدهٔ نرخ یادآوری و حجم مرور را نشان می‌دهد. با آن بررسی کنید: «چه هدف یادآوری‌ای با تعداد مرورها یا زمانی که می‌توانم مرتب به مطالعه اختصاص دهم سازگار است؟»
- **FSRS Simulator (Experimental)** تخمین می‌زند یک پیکربندی در گذر زمان چگونه رفتار می‌کند. از آن برای مقایسهٔ تغییر نرخ یادآوری، تعداد کارت‌های جدید، محدودیت مرورها و حداکثر فاصلهٔ مرور استفاده کنید.

[مستندات شبیه‌ساز FSRS](https://docs.ankiweb.net/deck-options.html#the-simulator) ورودی‌های اصلی آن را فهرست کرده است:

- تعداد روزهای شبیه‌سازی
- تعداد کارت‌های جدید اضافی برای شبیه‌سازی
- تعداد کارت‌های جدید در روز
- حداکثر مرورها در روز
- حداکثر فاصلهٔ مرور
- نرخ یادآوری مطلوب و پارامترهای FSRS مجموعه‌تنظیمات

شبیه‌سازی وضعیت واقعی حافظهٔ کارت‌های دسته‌های متصل به آن مجموعه‌تنظیمات را هم در نظر می‌گیرد. به همین دلیل، برای مجموعه‌ای که مدت‌ها مرور شده، از ضرب کردن تعداد کارت‌های سررسید امروز در یک درصد کلی مفیدتر است.

پیش از تغییر تنظیمات واقعی، سه سناریو را اجرا کنید:

1. نرخ یادآوری و تعداد کارت‌های جدید فعلی.
2. هدف یادآوری‌ای که در نظر دارید.
3. همان هدف، با کارت‌های جدید کمتر در روز.

سناریوی سوم یک راه جایگزین رایج را می‌سنجد: هدف یادآوری را نگه دارید و سرعت ورود مطالب جدید را کم کنید. اگر نتیجهٔ پیش‌بینی قابل مدیریت باشد، لازم نیست فقط برای سبک شدن صف، فراموشی بیشتری را بپذیرید. برای بررسی دقیق‌تر تعداد کارت‌های جدید، راهنمای [روزانه چند فلش‌کارت جدید بخوانیم؟](/blog/how-many-new-flashcards-per-day/) را بخوانید.

هر دو ابزار تخمین می‌زنند. روزهای بدون مرور، ویرایش کارت‌ها، مطالب جدید و تغییر عادت‌های امتیازدهی می‌توانند حجم کار واقعی را از نمودار دور کنند. از مقایسه برای انتخاب مسیر استفاده کنید، نه برای تضمین تعداد دقیق مرورهای چند ماه بعد.

راهنماهای قدیمی‌تر ممکن است به **Compute Minimum Recommended Retention** یا CMRR اشاره کنند. Anki این قابلیت را در نسخهٔ 25.07 حذف کرد. این قابلیت دیگر جزو روش فعلی انتخاب نرخ یادآوری مطلوب نیست.

## پارامترهای FSRS را بر اساس سابقهٔ خودتان بهینه کنید

نرخ یادآوری مطلوب بیانگر هدف شماست. پارامترهای FSRS نشان می‌دهند مدل چطور با مرورهای شما تطبیق پیدا می‌کند.

در Anki 26.08، برای برازش پارامترهای مجموعه‌تنظیمات فعال، از **Optimize Current Preset** استفاده کنید. به‌طور پیش‌فرض، Anki سابقهٔ مرور تمام دسته‌هایی را که از آن مجموعه‌تنظیمات استفاده می‌کنند در نظر می‌گیرد؛ اگر لازم است داده‌های برازش محدودتر باشند، می‌توانید جست‌وجو را تغییر دهید. **Optimize All Presets** همهٔ مجموعه‌تنظیمات را یکجا به‌روز می‌کند.

وزن‌ها را دستی وارد نکنید و از ردیت، ویدئو یا دستهٔ فرد دیگری کپی نکنید. کارت‌ها، زمان مرور و عادت‌های امتیازدهی دیگران با سابقهٔ شما فرق دارند. یک ردیف مرتب از [وزن‌های FSRS-6](https://github.com/open-spaced-repetition/awesome-fsrs/wiki/The-Algorithm#fsrs-6) راهبرد مطالعه‌ای نیست که بتوان آن را به فرد دیگری منتقل کرد.

فقط وقتی سابقهٔ مرور جدید و قابل‌توجهی جمع شده، دوباره بهینه‌سازی کنید. راهنمای Anki می‌گوید ماهی یک بار کافی است و راهنمای داخل برنامه در نسخهٔ 26.08 می‌گوید هر چند ماه یک بار کافی است. نتیجهٔ عملی یکسان است: دلیلی ندارد هر هفته بهینه‌سازی کنید، چه برسد به بعد از هر جلسه.

### بررسی سلامت را برای مجموعه‌تنظیمات فعلی اجرا کنید

اگر می‌خواهید Anki ارزیابی کند FSRS چقدر می‌تواند با سابقهٔ مجموعه‌تنظیمات فعلی سازگار شود، **Check health when optimizing (slow)** را فعال کنید. این بررسی با **Optimize Current Preset** اجرا می‌شود، نه با **Optimize All Presets**.

اگر نتیجه ضعیف بود، پیش از دست بردن در وزن‌ها، داده‌ها را بررسی کنید. [راهنمای پارامترهای FSRS در Anki](https://docs.ankiweb.net/deck-options.html#fsrs-parameters) چند علت رایج را نام می‌برد: کمتر از چند صد مرور، استفاده از Hard پس از یادآوری ناموفق و نزدن Again وقتی پاسخ را به یاد نیاورده‌اید. اگر سابقهٔ مفید کمی دارید، پیش‌فرض‌ها را نگه دارید و بعداً بهینه‌سازی کنید؛ به‌جای اینکه پارامترهای کاربر دیگری را قرض بگیرید.

## Again یعنی یادآوری ناموفق؛ Hard یعنی قبولی

این عادت به‌اندازهٔ هر تنظیمی اهمیت دارد.

وقتی نتوانستید پاسخ موردنظر را بدهید یا پاسخ اشتباه بود، **Again** را بزنید. فقط وقتی پاسخ را درست به یاد آوردید، اما با تلاش یا تردید زیاد، از **Hard** استفاده کنید. Good و Easy هم امتیازهای قبولی هستند.

زدن Hard برای فرار از فاصلهٔ کوتاه Again، یک یادآوری ناموفق را به‌عنوان موفق ثبت می‌کند. بعد FSRS از رویداد اشتباهی یاد می‌گیرد. دکمه‌ای را انتخاب کنید که واقعیت یادآوری را توصیف می‌کند، نه فاصله‌ای که دوست دارید از میان زمان‌های بالای دکمه‌ها انتخاب کنید.

کارت‌های مبهم، امتیازدهی صادقانه را سخت‌تر می‌کنند. اگر سؤال از شما پنج نکته می‌خواهد و چهار مورد را به یاد می‌آورید، مشکل زمان‌بندی از همان ویرایشگر کارت شروع شده است. کارت را تقسیم یا بازنویسی کنید. برای کارت‌هایی که با وجود مرورهای مکرر همچنان فراموش می‌شوند، [چطور فلش‌کارت‌های سمج را اصلاح کنیم؟](/blog/how-to-fix-leech-flashcards/) را بخوانید.

## مراحل یادگیری FSRS را کوتاه نگه دارید؛ یا آگاهانه خالی بگذارید

مراحل یادگیری و یادگیری مجدد تعیین می‌کنند کارت در کوتاه‌مدت، پیش از ورود به برنامهٔ معمول بلندمدت، چه زمانی دوباره نمایش داده شود. آن‌ها هدف دیگری برای نرخ یادآوری نیستند.

راهنمای FSRS در Anki دو محدودیت را توصیه می‌کند:

- هر مرحله باید کوتاه‌تر از یک روز باشد و بتوان آن را در همان روز تمام کرد.
- تعداد تکرارهای همان روز باید کم بماند.

زنجیره‌های طولانی مثل `1m 10m 1d 3d` یک عادت قدیمی SM-2 را به FSRS منتقل می‌کنند. مراحل یک‌روزه یا طولانی‌تر، زمان‌بندی مبتنی بر مدل را به تأخیر می‌اندازند و ممکن است برچسب‌های گیج‌کننده‌ای برای دکمه‌ها ایجاد کنند؛ مثلاً فاصلهٔ Hard از Good بیشتر شود.

یک توالی کوتاه مثل `1m 10m`، همراه با مرحلهٔ یادگیری مجدد `10m`، اگر با جلسه‌های مطالعهٔ شما سازگار باشد، نقطهٔ شروع محافظه‌کارانه‌ای است. تکرار بیشتر در همان روز لزوماً بهتر نیست.

Anki 26.08 همچنین اجازه می‌دهد هر یک از فیلدهای مراحل یادگیری یا یادگیری مجدد خالی بماند. با فعال بودن FSRS، خالی گذاشتن فیلد، زمان‌بندی کوتاه‌مدت مربوط به آن را به FSRS می‌سپارد. این قابلیت آزمایشی است و فاصلهٔ Again ممکن است یک روز یا بیشتر باشد. اگر به بازگشت قابل پیش‌بینی کارت در همان روز نیاز دارید، مراحل دستی کوتاه را نگه دارید؛ فقط وقتی فیلدی را خالی کنید که آگاهانه می‌پذیرید FSRS زمان آن را انتخاب کند.

## برای تغییر تدریجی، Reschedule cards on change را خاموش نگه دارید

وقتی **Reschedule cards on change** خاموش است، که حالت پیش‌فرض هم همین است، فعال کردن FSRS یا تغییر نرخ یادآوری مطلوب یا پارامترها، تاریخ‌های سررسید فعلی را فوراً بازنویسی نمی‌کند. تنظیمات جدید هنگام مرور کارت‌ها در آینده اعمال می‌شوند، بنابراین صف به‌تدریج تغییر می‌کند.

اگر یکی از این تغییرهای FSRS را در حالت روشن بودن این گزینه ذخیره کنید، تاریخ‌های سررسید فوراً دوباره محاسبه می‌شوند. بسته به هدف جدید و وضعیت کارت‌ها، ممکن است تعداد زیادی کارت هم‌زمان سررسید شوند. Anki همچنین برای کارت‌هایی که دوباره زمان‌بندی شده‌اند، رکورد مرور اضافه می‌کند و حجم مجموعه بیشتر می‌شود.

این گزینه فقط وقتی مفید است که واقعاً می‌خواهید زمان‌بندی فعلی را از نو بسازید. برای مجموعه‌ای با سابقهٔ طولانی:

1. یک نسخهٔ پشتیبان تازه تهیه کنید و مطمئن شوید می‌دانید چطور تغییر را برگردانید یا نسخهٔ پشتیبان را بازیابی کنید.
2. شبیه‌ساز را با تنظیمات پیشنهادی اجرا کنید.
3. یک تغییر در تنظیمات انتخاب کنید؛ چند آزمایش را با هم ترکیب نکنید.
4. هنگام ذخیره، فقط در صورتی زمان‌بندی مجدد را فعال کنید که بازنویسی فوری تاریخ‌های سررسید را می‌خواهید و از عهدهٔ نتیجه برمی‌آیید.

Anki صراحتاً توصیه می‌کند هنگام مهاجرت از SM-2 همراه با زمان‌بندی مجدد، نسخهٔ پشتیبان بگیرید. [راهنمای پشتیبان‌گیری از فلش‌کارت‌ها](/blog/how-to-back-up-flashcards/) با جزئیات بیشتری توضیح می‌دهد چرا مسیر بازیابی به‌اندازهٔ خود فایل پشتیبان اهمیت دارد.

## حداکثر فاصلهٔ مرور را بلند نگه دارید

حداکثر فاصلهٔ مرور در Anki به‌طور پیش‌فرض ۱۰۰ سال است. عجیب به نظر می‌رسد، تا وقتی به یاد بیاورید که این فقط یک سقف است؛ نه اینکه هر کارتی که مدت‌ها مرور شده، قرار باشد یک قرن از صف مرور ناپدید شود.

کوتاه کردن سقف، کارت‌هایی را که خوب می‌دانید زودتر برمی‌گرداند و حجم کار را بالا می‌برد. در این سقف، Hard، Good و Easy ممکن است همگی فاصلهٔ یکسانی نشان دهند، چون هیچ‌کدام اجازه ندارد از حداکثر عبور کند.

وقتی تاریخ آزمون مهلت مشخصی برای یادگیری تعیین می‌کند، مطالب مرتب عوض می‌شوند یا یک قاعدهٔ حرفه‌ای مرور مکرر را مستقل از پیش‌بینی حافظه الزامی می‌کند، حداکثر فاصلهٔ کوتاه‌تر می‌تواند منطقی باشد. به‌جای اینکه از روی نگرانی عدد کوچکی انتخاب کنید، این سقف را با تقویم و شبیه‌ساز هماهنگ کنید. [چطور با FSRS برای آزمون مطالعه کنیم؟](/blog/how-to-study-for-an-exam-with-fsrs/) به این مورد خاص می‌پردازد.

برای یادگیری بلندمدت معمول، سقف را بلند نگه دارید. نرخ یادآوری مطلوب خودش تعیین می‌کند افت احتمال پیش‌بینی‌شدهٔ یادآوری چه زمانی باید به مرور منجر شود.

## تعداد کارت‌های جدید بخشی از تصمیم دربارهٔ حجم کار است

FSRS می‌تواند مرورها را توزیع کند؛ نمی‌تواند ورود نامحدود مطالب را قابل دوام کند. هر کارت جدید، همین حالا کار یادگیری و بعداً کار مرور ایجاد می‌کند.

وقتی صف بیش از حد سنگین است، پیش از پایین آوردن نرخ یادآوری مطلوب این موارد را بررسی کنید:

- تعداد کارت‌های جدید در روز
- وارد کردن دسته‌های بزرگ یا تولید تعداد زیادی کارت به‌صورت یکجا
- محدودیت حداکثر مرورها که مرتب بخشی از کار سررسیدشده را پنهان می‌کند
- کارت‌های سمج و مبهم که مجبورید بارها برای یادآوری‌شان تلاش کنید
- روزهایی که مرور نکرده‌اید

اگر می‌دانید دسته بزرگ‌تر خواهد شد، از **Additional new cards to simulate** استفاده کنید. پیش‌بینی‌ای که فقط بر اساس مجموعهٔ امروز باشد، حجم کار پس از وارد کردن تعداد زیادی کارت را نشان نمی‌دهد.

اگر نتیجه بیش از حد بالاست، تعداد کارت‌های ورودی را کم کنید و دوباره شبیه‌سازی کنید. این کار هدف یادآوری را حفظ می‌کند، بدون اینکه از زمان‌بند بخواهید فراموشی بیشتری را بپذیرد.

## Anki و Nibomo تنظیمات متفاوتی برای FSRS ارائه می‌کنند

هر دو محصول از FSRS-6 استفاده می‌کنند، اما تنظیمات FSRS در Anki معادل یک‌به‌یک در Nibomo ندارند.

| قابلیت | Anki 26.08 | Nibomo |
| --- | --- | --- |
| نرخ یادآوری مطلوب | **Shared Preset** یا **This deck** | قابل تنظیم برای هر فضای کاری؛ پیش‌فرض `0.90` |
| پارامترهای FSRS | **Optimize Current Preset** یا **Optimize All Presets** بر اساس سابقهٔ مرور | وزن‌های رسمی پیش‌فرض FSRS-6 ثابت‌اند و در نسخهٔ اول کاربر نمی‌تواند آن‌ها را تغییر دهد |
| مراحل یادگیری | قابل تنظیم؛ سپردن زمان‌بندی به FSRS با خالی گذاشتن فیلد، آزمایشی است | قابل تنظیم برای هر فضای کاری؛ پیش‌فرض `1m 10m` |
| مراحل یادگیری مجدد | قابل تنظیم؛ سپردن زمان‌بندی به FSRS با خالی گذاشتن فیلد، آزمایشی است | قابل تنظیم برای هر فضای کاری؛ پیش‌فرض `10m` |
| حداکثر فاصلهٔ مرور | پیش‌فرض ۱۰۰ سال | پیش‌فرض ۳۶٬۵۰۰ روز، برابر با ۱۰۰ سال |
| تغییر تنظیمات | به‌طور پیش‌فرض در مرورهای آینده؛ زمان‌بندی مجدد کارت‌های فعلی اختیاری است | فقط در مرورهای آینده؛ تاریخ‌های سررسید فعلی دوباره محاسبه نمی‌شوند |
| ابزارهای حجم مرور | **Help Me Decide (Experimental)** و **FSRS Simulator (Experimental)** | در نسخهٔ اول شبیه‌ساز معادلی برای حجم مرور ندارد |

Nibomo از امتیازهای استاندارد Again، Hard، Good و Easy استفاده می‌کند و وضعیت حافظهٔ FSRS را برای هر کارت نگه می‌دارد. زمان‌بندهای بک‌اند، iOS و Android پیاده‌سازی‌های مستقلی هستند که رفتارشان یکسان نگه داشته می‌شود؛ روند مرور در وب از زمان‌بند بک‌اند استفاده می‌کند و نسخهٔ چهارمی به آن‌ها اضافه نمی‌کند.

این محدودیت‌ها و پیش‌فرض‌ها در [مشخصات عمومی زمان‌بندی FSRS در Nibomo](https://github.com/kirill-markin/flashcards-open-source-app/blob/main/docs/fsrs-scheduling-logic.md) مستند شده‌اند. تفاوت روشن است: Nibomo یک پیکربندی کاربردی FSRS-6 در سطح فضای کاری ارائه می‌کند، در حالی که Anki امکان تعیین دقیق‌تر دامنهٔ اعمال تنظیمات، برازش شخصی‌سازی‌شده و شبیه‌سازی را فراهم می‌کند. اگر این ابزارها برایتان ضروری‌اند، Anki گزینهٔ مناسب‌تری است.

## روشی کم‌ریسک‌تر برای مجموعه‌ای با سابقهٔ طولانی

اگر از قبل چند ماه یا چند سال سابقهٔ مرور دارید، این ترتیب را دنبال کنید:

1. **معنای امتیازها را درست رعایت کنید.** Again یعنی یادآوری ناموفق؛ Hard یعنی موفقیت همراه با دشواری.
2. **مجموعه‌تنظیمات فعلی را بهینه کنید.** به‌جای ویرایش یا کپی وزن‌ها، مدل را با سابقهٔ خودتان برازش کنید.
3. **در صورت نیاز، بررسی سلامت را اجرا کنید.** سابقهٔ کم یا ناسازگار را مشکل داده در نظر بگیرید.
4. **از Help Me Decide استفاده کنید.** بر اساس تعداد مرورها یا زمانی که می‌توانید مرتب به مطالعه اختصاص دهید، محدوده‌ای برای نرخ یادآوری انتخاب کنید.
5. **شبیه‌ساز را اجرا کنید.** تنظیمات فعلی، هدف پیشنهادی و تعداد کمتر کارت‌های جدید را مقایسه کنید.
6. **فقط یکی از تنظیمات فعلی را تغییر دهید.** ابتدا نرخ یادآوری یا تعداد کارت‌های ورودی را تنظیم کنید، سپس صف واقعی را زیر نظر بگیرید.
7. **مراحل را کوتاه نگه دارید.** زنجیره‌های یادگیری و یادگیری مجدد با فاصله‌های یک‌روزه یا بیشتر را حذف کنید؛ فیلدهای خالی را فقط به‌عنوان آزمایش به کار ببرید.
8. **حداکثر فاصلهٔ مرور را بلند نگه دارید.** فقط برای افق زمانی یا الزام مشخص، کوتاهش کنید.
9. **زمان‌بندی مجدد را خاموش نگه دارید.** اگر به محاسبهٔ مجدد فوری نیاز دارید، ابتدا نسخهٔ پشتیبان بگیرید و برای صف حاصل برنامه داشته باشید.

با این ترتیب، تا جای ممکن می‌توانید تغییرات برنامه‌ای را که مدت‌ها با آن مطالعه کرده‌اید برگردانید. همچنین نمی‌گذارد سه مسئلهٔ متفاوت، یعنی برازش مدل، هدف یادآوری و جریان مطالب جدید، به یک معمای واحد در تنظیمات تبدیل شوند.

## پرسش‌های رایج دربارهٔ بهترین تنظیمات FSRS

### آیا ۹۰٪ بهترین نرخ یادآوری مطلوب برای FSRS است؟

برای شروع عمومی، کم‌ریسک‌ترین گزینه است؛ چون پیش‌فرض Anki است و از تندترین بخش منحنی حجم کار در نرخ‌های یادآوری بالا فاصله دارد. بهترین مقدار برای هر دسته به هزینهٔ فراموشی و حجم کاری بستگی دارد که در بلندمدت از عهده‌اش برمی‌آیید. پیش از تغییرش، **Help Me Decide (Experimental)** را بررسی کنید.

### آیا نرخ یادآوری مطلوب را روی ۹۵٪ بگذارم؟

فقط پس از بررسی تعداد مرورها یا دقایق اضافه. یک دستهٔ خوش‌ساخت و پراهمیت ممکن است ۹۵٪ را توجیه کند؛ اما یک مجموعهٔ بزرگ برای مطالعهٔ تفننی ممکن است بی‌دلیل سنگین شود. هم‌زمان زمان‌بندی مجدد کارت‌های فعلی را فعال نکنید، مگر اینکه آگاهانه بخواهید تاریخ‌های سررسید فوراً دوباره محاسبه شوند.

### پارامترهای FSRS را هر چند وقت یک بار بهینه کنم؟

ماهی یک بار کاملاً کافی است و راهنمای داخل Anki 26.08 می‌گوید هر چند ماه یک بار کفایت می‌کند. وقتی سابقهٔ جدید و قابل‌توجهی جمع شد بهینه‌سازی کنید، نه طبق برنامهٔ روزانه یا هفتگی.

### آیا مراحل یادگیری FSRS باید خالی باشند؟

خالی گذاشتن مراحل یادگیری یا یادگیری مجدد به Anki 26.08 اجازه می‌دهد زمان‌بندی کوتاه‌مدت مربوط به آن‌ها را به FSRS بسپارد. این قابلیت آزمایشی است و Again ممکن است برای یک روز بعد یا بیشتر زمان‌بندی شود. تعداد کمی مرحله در همان روز، همچنان انتخاب محافظه‌کارانه است.

### آیا تغییر تنظیمات FSRS کارت‌های فعلی Anki را دوباره زمان‌بندی می‌کند؟

به‌طور پیش‌فرض، خیر. وقتی **Reschedule cards on change** خاموش است، تنظیمات جدید بر مرورهای آینده اثر می‌گذارند و صف را فوراً از نو نمی‌سازند. روشن کردن آن تاریخ‌های سررسید را تغییر می‌دهد و ممکن است تعداد زیادی کارت را سررسید کند؛ بنابراین ابتدا نسخهٔ پشتیبان بگیرید.

### آیا CMRR هنوز در Anki وجود دارد؟

خیر. Anki قابلیت Compute Minimum Recommended Retention را در نسخهٔ 25.07 حذف کرد. در Anki 26.08، برای مقایسهٔ نرخ یادآوری با حجم کار تخمینی از **Help Me Decide (Experimental)** و **FSRS Simulator (Experimental)** استفاده کنید.

### آیا Nibomo از همان تنظیمات Anki استفاده می‌کند؟

از FSRS-6 استفاده می‌کند و نرخ یادآوری مطلوب، مراحل یادگیری، مراحل یادگیری مجدد، حداکثر فاصلهٔ مرور و پراکندگی جزئی فاصله‌ها (fuzz) را برای هر فضای کاری در اختیار می‌گذارد. اما تمام مدل تنظیمات Anki را تکرار نمی‌کند: وزن‌ها در نسخهٔ اول ثابت‌اند، تغییرات فقط در مرورهای آینده اعمال می‌شوند و بهینه‌سازی شخصی‌سازی‌شدهٔ پارامترها یا شبیه‌ساز حجم مرور وجود ندارد.

## پیش از انتخاب درصد، حجم کار را مشخص کنید

تنظیمات خوب FSRS صف مرور را در خدمت یک برنامهٔ واقعی مطالعه قرار می‌دهند. از ۹۰٪ شروع کنید، حجم کار را تخمین بزنید، تعداد کارت‌های جدید را کنترل کنید و فقط وقتی نرخ یادآوری را بالا ببرید که به یاد ماندن مطالب بیشتر، ارزش مرورهای اضافه را داشته باشد. مراحل را کوتاه، حداکثر فاصله را بلند و داده‌های امتیازدهی را صادقانه نگه دارید.

بعد هم صفحهٔ تنظیمات را ببندید. مرور منظم بیشتر به کار زمان‌بند می‌آید تا اینکه یک عصر دیگر را صرف دست‌کاری تنظیمات کنید.

---
*[مشاهدهٔ نسخهٔ HTML قالب‌بندی‌شدهٔ این صفحه](<https://nibomo.com/fa/blog/fsrs-settings/>)*

*عامل‌های هوش مصنوعی می‌توانند با شروع از `GET https://api.nibomo.com/v1/` در این سرویس برای کاربر حساب بسازند. پس از راه‌اندازی، می‌توانند از طریق MCP هم به `https://mcp.nibomo.com/mcp` وصل شوند.*

*نکته: به هر URL در https://nibomo.com پسوند `.md` اضافه کنید تا نسخهٔ تمیز Markdown آن صفحه را بگیرید.*