# 2026-ൽ Anki-ക്കുള്ള മികച്ച FSRS ക്രമീകരണങ്ങൾ: ഓർമ്മനിലനിർത്തൽ, പഠനഘട്ടങ്ങൾ, റിവ്യൂ ഭാരം

*2026-04-25*

Anki-യിലെ ലക്ഷ്യമിടുന്ന ഓർമ്മനിലനിർത്തൽ 90%-ൽനിന്ന് 95% ആക്കുന്നത് ചെറിയൊരു മാറ്റമായി തോന്നാം. പക്ഷേ പഠനഭാരം അഞ്ചുശതമാനം മാത്രം കൂടുമെന്നല്ല അതിന്റെ അർഥം. ലക്ഷ്യം ഉയരുമ്പോൾ FSRS റിവ്യൂകൾക്കിടയിലെ ഇടവേള കുറയ്ക്കണം. ഏറെക്കാലമായി പഠിക്കുന്ന കാർഡുകളുടെ ശേഖരമാണെങ്കിൽ റിവ്യൂ ചെയ്യാനുള്ളവ ഗണ്യമായി കൂടാം. ഒപ്പം **Reschedule cards on change** പ്രവർത്തനക്ഷമമാക്കിയാൽ, ആ അധികജോലിയുടെ ഒരു ഭാഗം ഉടൻതന്നെ വരാം.

അതുകൊണ്ട് മികച്ച FSRS ക്രമീകരണങ്ങൾ എന്നത് പകർത്തിയൊട്ടിക്കാനുള്ള പാരാമീറ്ററുകളുടെ ഒരു നിരയല്ല. ക്രമത്തിൽ എടുക്കേണ്ട ചില തീരുമാനങ്ങളാണ്: താങ്ങാനാകുന്ന പഠനഭാരം നിശ്ചയിക്കുക, അതിനുള്ളിൽ ഓർത്തെടുക്കലിന്റെ ലക്ഷ്യം തിരഞ്ഞെടുക്കുക, സ്വന്തം റിവ്യൂ ചരിത്രത്തിന് മോഡലിനെ യോജിപ്പിക്കുക, നിലവിലുള്ള തീയതികൾ പുതുക്കിപ്പണിയാൻ ഉദ്ദേശിക്കുന്നില്ലെങ്കിൽ അവ മാറ്റാതിരിക്കുക.

താഴെ പറയുന്ന നിയന്ത്രണങ്ങളുടെ പേരുകളും പ്രവർത്തനരീതിയും [Anki 26.08 പതിപ്പിലെയും](https://github.com/ankitects/anki/releases/tag/26.08) അതിലെ FSRS-6 ക്രമീകരണങ്ങളിലെയും വിവരങ്ങൾ അനുസരിച്ചുള്ളതാണ്. ക്രമീകരണങ്ങൾക്കുമുമ്പ് മോഡൽ മനസ്സിലാക്കണമെങ്കിൽ [FSRS എന്താണ്?](/blog/what-is-fsrs/) വായിക്കുക. ഏത് ഷെഡ്യൂളർ വേണമെന്ന് തീരുമാനിക്കുന്ന ഘട്ടത്തിലാണെങ്കിൽ [FSRS vs SM-2](/blog/fsrs-vs-sm-2/) ആദ്യം വായിക്കാം.

> **വെളിപ്പെടുത്തൽ:** ഞാൻ കിരിൽ മാർകിൻ; [Nibomo](/ml/features/) നിർമ്മിക്കുന്നത് ഞാനാണ്. സ്വന്തം ചരിത്രത്തിന് അനുസരിച്ച് പാരാമീറ്ററുകൾ കണക്കാക്കാനും പരീക്ഷണാടിസ്ഥാനത്തിലുള്ള പഠനഭാര സിമുലേറ്ററുകൾ ഉപയോഗിക്കാനും Anki അനുവദിക്കുന്നു. Nibomo ഇപ്പോൾ ഇവ നൽകുന്നില്ല. അവസാനം വരുന്ന താരതമ്യത്തിൽ ഈ വ്യത്യാസങ്ങൾ വ്യക്തമായി പറഞ്ഞിട്ടുണ്ട്.

**വിവരങ്ങൾ പരിശോധിച്ചത്:** 2026 സെപ്റ്റംബർ 8.

![യഥാർഥ കനാൽ ലോക്കിൽ മാറ്റം വരുത്തുന്നതിനുമുമ്പ് ചെറിയ മാതൃകയിൽ ജലപ്രവാഹം പരിശോധിക്കുന്ന ലോക്ക് ഓപ്പറേറ്റർ](/blog/fsrs-settings-v2.png)

## ചുരുക്കത്തിൽ: ഇവിടെനിന്ന് തുടങ്ങാം

മിക്ക Anki ഉപയോക്താക്കൾക്കും ഇവ സുരക്ഷിതമായ തുടക്കമാണ്; എല്ലാവർക്കും ഒരുപോലെ ചേരുന്ന ക്രമീകരണങ്ങളല്ല:

| ക്രമീകരണം അല്ലെങ്കിൽ ശീലം | സുരക്ഷിതമായ തുടക്കം | കാരണം |
| --- | --- | --- |
| ലക്ഷ്യമിടുന്ന ഓർമ്മനിലനിർത്തൽ | `0.90` | Anki-യുടെ ഡിഫോൾട്ട് ഇതാണ്; ഓർത്തെടുക്കലും റിവ്യൂ ഭാരവും തമ്മിൽ സന്തുലിതമാക്കുന്നു. |
| FSRS പാരാമീറ്ററുകൾ | **Optimize Current Preset** ഉപയോഗിക്കുക; വെയ്റ്റുകൾ പകർത്തിയൊട്ടിക്കുകയോ കൈകൊണ്ട് തിരുത്തുകയോ ചെയ്യരുത് | ഒപ്റ്റിമൈസർ നിങ്ങളുടെ റിവ്യൂ ചരിത്രത്തിന് മോഡലിനെ യോജിപ്പിക്കുന്നു. |
| ഒപ്റ്റിമൈസേഷൻ എത്ര ഇടയ്ക്കിടെ | പരമാവധി മാസത്തിലൊരിക്കൽ; സാധാരണ ഏതാനും മാസത്തിലൊരിക്കൽ മതി | ഇടയ്ക്കിടെയുള്ള ഒപ്റ്റിമൈസേഷൻ Anki ശുപാർശ ചെയ്യുന്നില്ല. |
| പഠനഘട്ടങ്ങൾ | അതേ ദിവസം പൂർത്തിയാക്കാവുന്ന കുറച്ച് ഘട്ടങ്ങൾ മാത്രം | നീണ്ട ഘട്ടനിരകൾ മോഡലിനെ അടിസ്ഥാനമാക്കിയുള്ള ഷെഡ്യൂളിങ് വൈകിപ്പിക്കുന്നു. |
| വീണ്ടും പഠിക്കാനുള്ള ഘട്ടങ്ങൾ | പരമാവധി കുറച്ച്, ഓരോന്നും ഒരു ദിവസത്തിൽ താഴെ | റിവ്യൂ കാർഡിൽ ഉത്തരം തെറ്റിയ ശേഷവും ഇതേ പരിധി ബാധകമാണ്. |
| മാറ്റം വരുത്തുമ്പോൾ കാർഡുകൾ പുനഃക്രമീകരിക്കൽ | ഓഫ് | ഇന്നത്തെ റിവ്യൂ പട്ടിക പുനർനിർമ്മിക്കാതെ ഭാവിയിലെ റിവ്യൂകളിലൂടെ പുതിയ ക്രമീകരണങ്ങൾ പ്രാബല്യത്തിൽ വരാം. |
| പരമാവധി ഇടവേള | ഡിഫോൾട്ടായ 100 വർഷം നിലനിർത്തുക | കുറഞ്ഞ പരിധി നന്നായി പഠിച്ച കാർഡുകൾ കൂടുതൽ തവണ തിരികെ കൊണ്ടുവരും. |
| ദിവസത്തെ പുതിയ കാർഡുകൾ | തുടർച്ചയായി താങ്ങാനാകുന്ന പഠനഭാരത്തിന് അനുസരിച്ച് നിശ്ചയിക്കുക | ഓരോ പുതിയ കാർഡും ഇപ്പോൾ പഠനവും പിന്നീട് റിവ്യൂകളും ആവശ്യപ്പെടുന്നു. |
| Again, Hard എന്നിവയുടെ ഉപയോഗം | ഓർത്തെടുക്കാൻ കഴിഞ്ഞില്ലെങ്കിൽ Again; പ്രയാസപ്പെട്ടെങ്കിലും ഓർത്തെടുത്തെങ്കിൽ Hard | തെറ്റായ റേറ്റിങ് മോഡലിന് തെറ്റായ ചരിത്രം നൽകുന്നു. |

റിവ്യൂകൾ കൈകാര്യം ചെയ്യാൻ കഴിയുന്നുണ്ടെങ്കിൽ, നിലവിലെ ക്രമീകരണങ്ങളും ഇതിനോട് അടുത്താണെങ്കിൽ, തിരുത്താനൊന്നും ഉണ്ടാകണമെന്നില്ല. ക്രമീകരണങ്ങൾ പരിപാലിക്കുന്നത് പഠനമല്ല.

## മൂന്ന് തീരുമാനങ്ങൾ വേർതിരിച്ചെടുക്കുക

ലക്ഷ്യമിടുന്ന ഓർമ്മനിലനിർത്തൽ, FSRS പാരാമീറ്ററുകൾ, ദിവസത്തെ പഠനഭാരം എന്നിവയെ പലരും ഒരേ കാര്യമായി കാണുന്നു. അവ നിയന്ത്രിക്കുന്നത് വ്യത്യസ്ത കാര്യങ്ങളാണ്:

- **ലക്ഷ്യമിടുന്ന ഓർമ്മനിലനിർത്തൽ** ഓർത്തെടുക്കാനുള്ള നിങ്ങളുടെ ലക്ഷ്യമാണ്. ഉദ്ദേശ്യങ്ങളും പഠനത്തിന് ലഭ്യമായ സമയവും അനുസരിച്ചാണ് അത് തിരഞ്ഞെടുക്കുന്നത്.
- **FSRS പാരാമീറ്ററുകൾ** ഓർമ്മയെ പ്രതിനിധീകരിക്കുന്ന മോഡലിനെ റിവ്യൂ ചരിത്രത്തിന് യോജിപ്പിക്കുന്നു. Anki-യുടെ ഒപ്റ്റിമൈസർ അവ കണക്കാക്കുന്നു.
- **പുതിയ കാർഡുകളുടെയും റിവ്യൂകളുടെയും പരിധികൾ** സിസ്റ്റത്തിലേക്ക് എത്ര ഉള്ളടക്കം വരണമെന്നും ഓരോ ദിവസവും ചെയ്യേണ്ട റിവ്യൂകളിൽ എത്രയെണ്ണം Anki കാണിക്കണമെന്നും നിയന്ത്രിക്കുന്നു.

ഈ വേർതിരിവ് പ്രശ്നം കണ്ടെത്തുന്നത് എളുപ്പമാക്കുന്നു. വലിയ റിവ്യൂ പട്ടികയുണ്ടെന്നതുകൊണ്ട് പാരാമീറ്ററുകൾ തെറ്റാണെന്ന് വരില്ല. ഏറെ പ്രാധാന്യമുള്ള ഡെക്കിന് നിർബന്ധമായും വേറെ പാരാമീറ്റർ പ്രീസെറ്റ് വേണ്ടതില്ല. തുടക്കംമുതലേ താങ്ങാനാകാത്തത്ര പുതിയ കാർഡുകൾ ചേർക്കുകയാണെങ്കിൽ, ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യം കുറച്ചതുകൊണ്ട് അത് പരിഹരിക്കപ്പെടില്ല.

## ആഗ്രഹം നോക്കിയല്ല, പഠനഭാരം നോക്കി ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യം തിരഞ്ഞെടുക്കുക

ഒരു കാർഡിന്റെ റിവ്യൂ തീയതി എത്തുമ്പോൾ അതിന്റെ ഉത്തരം ഓർത്തെടുക്കാനുള്ള സാധ്യത എത്രയായിരിക്കണമെന്നാണ് Desired retention വഴി FSRS-നോട് പറയുന്നത്. `0.90` ആണെങ്കിൽ, ഓർത്തെടുക്കാനുള്ള പ്രവചിത സാധ്യത ഏകദേശം 90% ആകുന്ന സമയത്താണ് FSRS റിവ്യൂ നിശ്ചയിക്കുന്നത്. ഇത് മോഡലിന്റെ ലക്ഷ്യമാണ്; ഓരോ പഠനസെഷനിലും പരീക്ഷയിലും കൃത്യം 90% ശരിയുത്തരം കിട്ടുമെന്ന ഉറപ്പല്ല.

ലക്ഷ്യം ഉയർത്തിയാലും താഴ്ത്തിയാലും അതിന് വിലയുണ്ട്:

- ലക്ഷ്യം ഉയർത്തുമ്പോൾ ഇടവേളകൾ കുറയുകയും റിവ്യൂകൾ കൂടുകയും ചെയ്യും.
- കുറയ്ക്കുമ്പോൾ ഇടവേളകൾ കൂടുകയും ഓർത്തെടുക്കാനാകാത്ത അവസരങ്ങൾ വർധിക്കുകയും ചെയ്യും.
- ഏറെ താഴ്ത്തിയാൽ മറന്നവ വീണ്ടും പഠിക്കാൻ വേണ്ടിവരുന്ന അധികസമയം, ലാഭിക്കാമെന്ന് കരുതിയ സമയത്തിന്റെ ഒരു ഭാഗം എടുത്തേക്കാം.

Anki-യുടെ ഡിഫോൾട്ട് 90% ആണ്. ലക്ഷ്യം 100%-നോട് അടുക്കുമ്പോൾ പഠനഭാരം വേഗത്തിൽ കൂടുമെന്ന് അതിന്റെ [ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യത്തെക്കുറിച്ചുള്ള മാർഗനിർദേശം](https://docs.ankiweb.net/deck-options.html#desired-retention) മുന്നറിയിപ്പ് നൽകുന്നു; 97%-ൽ താഴെ നിർത്താനാണ് ശുപാർശ. ഔദ്യോഗികമായ [അനുയോജ്യമായ ഓർമ്മനിലനിർത്തലിനെക്കുറിച്ചുള്ള വിശദീകരണം](https://github.com/open-spaced-repetition/fsrs4anki/wiki/The-optimal-retention) മറുവശവും കാണിക്കുന്നു: വളരെ കുറഞ്ഞ ലക്ഷ്യവും കാര്യക്ഷമമാകണമെന്നില്ല, കാരണം മറന്ന കാർഡുകൾക്ക് കൂടുതൽ ജോലി വേണം.

`0.90`-ൽ തുടങ്ങുക; പഠനഭാരം പരിശോധിച്ചശേഷം മാത്രം മാറ്റുക. മറക്കുന്നതിന് യഥാർഥ നഷ്ടമുള്ള വിഷയങ്ങൾക്ക് ഉയർന്ന ലക്ഷ്യം ചേരാം. റിവ്യൂകൾ കൂടുതൽ മൂല്യമുള്ള പഠനത്തിന്റെ സമയം കവർന്നെടുക്കുന്നുവെങ്കിൽ കുറഞ്ഞ ലക്ഷ്യം ചേരാം. അവ്യക്തമായ കാർഡുകളോ യഥാർഥ പ്രകടനം പ്രതിഫലിപ്പിക്കാത്ത റേറ്റിങ്ങുകളോ അമിതമായി പുതിയ കാർഡുകൾ ചേർക്കുന്നതോ ഈ മാറ്റങ്ങളിലൂടെ പരിഹരിക്കാനാവില്ല.

### ഡെക്കിന്റെ ഓർമ്മനിലനിർത്തലും പ്രീസെറ്റിന്റെ പാരാമീറ്ററുകളും വ്യത്യസ്ത തലങ്ങളിൽ ബാധകമാകുന്നു

Anki 26.08-ൽ **Desired retention** എന്ന ക്രമീകരണത്തിന് **Shared Preset**, **This deck** എന്നീ രണ്ട് തലങ്ങളുണ്ട്. അതിനാൽ ബന്ധപ്പെട്ട ഡെക്കുകൾ ഒരേ പാരാമീറ്റർ പ്രീസെറ്റിൽ നിലനിർത്തിക്കൊണ്ട് ഒരു പ്രത്യേക ഡെക്കിന് സ്വന്തം ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യം നൽകാം.

മറക്കുന്നതിന്റെ നഷ്ടം വ്യത്യസ്തമാകുമ്പോൾ ഈ സൗകര്യം ഉപയോഗിക്കുക. ലൈസൻസിങ് പരീക്ഷയ്ക്കുള്ള ഡെക്കിന് കുറഞ്ഞ മുൻഗണനയുള്ള റഫറൻസ് ഡെക്കിനേക്കാൾ ഉയർന്ന ലക്ഷ്യം ന്യായമായിരിക്കാം; രണ്ടും ഒരേ മോഡൽ ഉപയോഗിക്കുന്നുവെങ്കിലും.

**This deck** തിരഞ്ഞെടുത്തതുകൊണ്ട് FSRS പാരാമീറ്ററുകൾ ആ ഡെക്കിന് മാത്രമുള്ളതാകുന്നില്ല. ഡിഫോൾട്ടായി നിലവിലെ പ്രീസെറ്റിലുള്ള എല്ലാ ഡെക്കുകളുടെയും റിവ്യൂ ചരിത്രം ഉപയോഗിച്ചാണ് Anki പാരാമീറ്ററുകൾ കണക്കാക്കുന്നത്. നിങ്ങൾക്ക് അനുഭവപ്പെടുന്ന പ്രയാസത്തിൽ ഡെക്ക് ഗ്രൂപ്പുകൾ തമ്മിൽ വലിയ വ്യത്യാസമുണ്ടെങ്കിൽ, അവയ്ക്ക് പ്രത്യേകം പാരാമീറ്ററുകൾ കണക്കാക്കാൻ Anki നൽകുന്ന മാർഗം വേറെ പ്രീസെറ്റുകൾ ഉപയോഗിക്കുകയാണ്.

## വ്യത്യസ്ത ചോദ്യങ്ങൾക്ക് Help Me Decide-യും Simulator-ഉം ഉപയോഗിക്കുക

Anki 26.08-ൽ പരീക്ഷണാടിസ്ഥാനത്തിലുള്ള രണ്ട് വ്യത്യസ്ത നിയന്ത്രണങ്ങളുണ്ട്:

- **Help Me Decide (Experimental)** നിങ്ങളുടെ ചരിത്രത്തിന് അനുസരിച്ചുള്ള ഓർമ്മനിലനിർത്തൽ–പഠനഭാര ഗ്രാഫ് കാണിക്കുന്നു. “എനിക്ക് തുടർച്ചയായി ചെയ്യാനാകുന്ന റിവ്യൂകളുടെയോ ചെലവഴിക്കാനാകുന്ന മിനിറ്റുകളുടെയോ പരിധിക്ക് ഏത് ലക്ഷ്യം ചേരും?” എന്ന് വിലയിരുത്താൻ ഇത് ഉപയോഗിക്കുക.
- **FSRS Simulator (Experimental)** ഒരു ക്രമീകരണം കാലക്രമേണ എങ്ങനെ പ്രവർത്തിക്കുമെന്ന് കണക്കാക്കുന്നു. ഓർമ്മനിലനിർത്തൽ, പുതിയ കാർഡുകൾ ചേർക്കുന്ന തോത്, റിവ്യൂ പരിധികൾ, പരമാവധി ഇടവേള എന്നിവയിലെ മാറ്റങ്ങൾ താരതമ്യം ചെയ്യാൻ ഇത് ഉപയോഗിക്കുക.

[FSRS Simulator രേഖകൾ](https://docs.ankiweb.net/deck-options.html#the-simulator) പ്രധാന ഇൻപുട്ടുകൾ പട്ടികപ്പെടുത്തുന്നു:

- സിമുലേറ്റ് ചെയ്യേണ്ട ദിവസങ്ങൾ
- സിമുലേഷനിൽ ഉൾപ്പെടുത്തേണ്ട അധിക പുതിയ കാർഡുകൾ
- ദിവസത്തെ പുതിയ കാർഡുകൾ
- ദിവസത്തെ പരമാവധി റിവ്യൂകൾ
- പരമാവധി ഇടവേള
- ലക്ഷ്യമിടുന്ന ഓർമ്മനിലനിർത്തലും പ്രീസെറ്റിന്റെ FSRS പാരാമീറ്ററുകളും

പ്രീസെറ്റിലെ കാർഡുകളുടെ യഥാർഥ മെമ്മറി സ്റ്റേറ്റുകളും സിമുലേഷൻ ഉപയോഗിക്കുന്നു. അതിനാൽ ഏറെക്കാലമായി പഠിക്കുന്ന ശേഖരത്തിന്, ഇന്നത്തെ റിവ്യൂ എണ്ണം ഏതെങ്കിലും പൊതുവായ ശതമാനത്താൽ ഗുണിക്കുന്നതിനേക്കാൾ ഇത് ഉപയോഗപ്രദമാണ്.

യഥാർഥ ക്രമീകരണത്തിൽ മാറ്റം വരുത്തുന്നതിനുമുമ്പ് മൂന്ന് സാഹചര്യങ്ങൾ പരിശോധിക്കുക:

1. നിലവിലെ ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യവും പുതിയ കാർഡുകൾ ചേർക്കുന്ന തോതും.
2. നിങ്ങൾ പരിഗണിക്കുന്ന ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യം.
3. അതേ ലക്ഷ്യം, എന്നാൽ ദിവസത്തിൽ കുറച്ച് പുതിയ കാർഡുകൾ.

മൂന്നാമത്തേത് സാധാരണ പരിഗണിക്കാവുന്ന മറ്റൊരു മാർഗം പരിശോധിക്കുന്നു: ഓർത്തെടുക്കൽ ലക്ഷ്യം നിലനിർത്തി പുതിയ ഉള്ളടക്കം വരുന്ന വേഗം കുറയ്ക്കുക. അതിന്റെ പ്രവചനം താങ്ങാനാകുന്നതാണെങ്കിൽ, റിവ്യൂ പട്ടിക കുറയ്ക്കാൻ കൂടുതൽ മറവി അംഗീകരിക്കേണ്ടതില്ല. ഇതിന്റെ വിശദമായ മാർഗനിർദേശം [ദിവസത്തിൽ എത്ര പുതിയ ഫ്ലാഷ്കാർഡുകൾ പഠിക്കണം?](/blog/how-many-new-flashcards-per-day/) എന്ന ലേഖനത്തിലുണ്ട്.

രണ്ട് ഉപകരണങ്ങളും നൽകുന്നത് അനുമാനങ്ങളാണ്. പഠനം മുടങ്ങുന്ന ദിവസങ്ങൾ, തിരുത്തിയ കാർഡുകൾ, പുതിയ വിഷയങ്ങൾ, റേറ്റിങ് ശീലങ്ങളിലെ മാറ്റം എന്നിവ കാരണം യഥാർഥ പഠനഭാരം ഗ്രാഫിൽനിന്ന് മാറാം. ഏത് ദിശയിൽ പോകണമെന്ന് തീരുമാനിക്കാൻ താരതമ്യം ഉപയോഗിക്കുക; മാസങ്ങൾക്ക് ശേഷമുള്ള റിവ്യൂ പട്ടിക കൃത്യമായി പ്രവചിക്കുന്ന ഉറപ്പായി കാണരുത്.

പഴയ മാർഗനിർദേശങ്ങളിൽ **Compute Minimum Recommended Retention**, അഥവാ CMRR, കണ്ടേക്കാം. 25.07 പതിപ്പിൽ Anki ഈ സൗകര്യം നീക്കി. ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യം തിരഞ്ഞെടുക്കാനുള്ള നിലവിലെ രീതി അതല്ല.

## സ്വന്തം ചരിത്രത്തിൽനിന്ന് FSRS പാരാമീറ്ററുകൾ ഒപ്റ്റിമൈസ് ചെയ്യുക

ലക്ഷ്യമിടുന്ന ഓർമ്മനിലനിർത്തൽ നിങ്ങളുടെ ഉദ്ദേശ്യം പറയുന്നു. FSRS പാരാമീറ്ററുകൾ മോഡൽ നിങ്ങളുടെ റിവ്യൂകൾക്ക് എങ്ങനെ യോജിക്കുന്നു എന്ന് വിവരിക്കുന്നു.

Anki 26.08-ൽ സജീവ പ്രീസെറ്റിന്റെ പാരാമീറ്ററുകൾ കണക്കാക്കാൻ **Optimize Current Preset** ഉപയോഗിക്കുക. ഡിഫോൾട്ടായി ആ പ്രീസെറ്റ് ഉപയോഗിക്കുന്ന എല്ലാ ഡെക്കുകളുടെയും റിവ്യൂ ചരിത്രം Anki ഉൾപ്പെടുത്തുന്നു; തിരഞ്ഞെടുത്ത കാർഡുകളുടെ ചരിത്രം മാത്രം ഉപയോഗിക്കണമെങ്കിൽ സെർച്ച് മാറ്റാം. **Optimize All Presets** എല്ലാ പ്രീസെറ്റുകളും ഒറ്റ പ്രവർത്തനത്തിൽ പുതുക്കുന്നു.

വെയ്റ്റുകൾ കൈകൊണ്ട് ടൈപ്പ് ചെയ്യുകയോ Reddit-ൽനിന്നോ ഒരു വീഡിയോയിൽനിന്നോ മറ്റൊരാളുടെ ഡെക്കിൽനിന്നോ പകർത്തുകയോ ചെയ്യരുത്. അവരുടെ കാർഡുകളും റിവ്യൂ സമയങ്ങളും റേറ്റിങ് ശീലങ്ങളും നിങ്ങളുടെ ചരിത്രമല്ല. ഭംഗിയായി അടുക്കിയ [FSRS-6 വെയ്റ്റുകളുടെ](https://github.com/open-spaced-repetition/awesome-fsrs/wiki/The-Algorithm#fsrs-6) ഒരു നിര മറ്റൊരാൾക്ക് അതേപടി ഉപയോഗിക്കാവുന്ന പഠനതന്ത്രമല്ല.

കാര്യമായ പുതിയ റിവ്യൂ ചരിത്രം വന്നശേഷം മാത്രം വീണ്ടും ഒപ്റ്റിമൈസ് ചെയ്യുക. മാസത്തിലൊരിക്കൽ മതിയെന്ന് Anki മാനുവൽ പറയുന്നു; ഏതാനും മാസത്തിലൊരിക്കൽ മതിയെന്നാണ് 26.08-ലെ ആപ്പിനുള്ളിലെ നിർദേശം. പ്രായോഗിക നിഗമനം ഒന്നുതന്നെ: എല്ലാ ആഴ്ചയും ചെയ്യേണ്ട കാര്യമില്ല, ഓരോ പഠനസെഷനുശേഷവും തീരെ വേണ്ട.

### നിലവിലെ പ്രീസെറ്റിൽ ഹെൽത്ത് ചെക്ക് ഉപയോഗിക്കുക

നിലവിലെ പ്രീസെറ്റിന്റെ ചരിത്രവുമായി FSRS എത്ര നന്നായി പൊരുത്തപ്പെടുമെന്ന് Anki വിലയിരുത്തണമെങ്കിൽ **Check health when optimizing (slow)** പ്രവർത്തനക്ഷമമാക്കുക. ഈ പരിശോധന **Optimize Current Preset** ഉപയോഗിക്കുമ്പോഴാണ് നടക്കുന്നത്; **Optimize All Presets** ഉപയോഗിക്കുമ്പോഴല്ല.

ഫലം മോശമാണെങ്കിൽ വെയ്റ്റുകൾ മാറ്റുന്നതിനുമുമ്പ് ഡാറ്റ പരിശോധിക്കുക. സാധാരണ കാരണങ്ങൾ [Anki-യുടെ FSRS പാരാമീറ്റർ മാർഗനിർദേശത്തിൽ](https://docs.ankiweb.net/deck-options.html#fsrs-parameters) പറയുന്നുണ്ട്: ഏതാനും നൂറ് റിവ്യൂകൾപോലും ഇല്ലാതിരിക്കുക, ഉത്തരം ഓർത്തെടുക്കാനാകാത്തപ്പോൾ Hard ഉപയോഗിക്കുക, ഓർത്തെടുക്കൽ പരാജയപ്പെട്ടപ്പോൾ Again അമർത്താതിരിക്കുക. ഉപയോഗപ്രദമായ ചരിത്രം കുറവാണെങ്കിൽ, മറ്റൊരാളുടെ പാരാമീറ്ററുകൾ കടമെടുക്കുന്നതിനുപകരം ഡിഫോൾട്ടുകൾ നിലനിർത്തി പിന്നീട് ഒപ്റ്റിമൈസ് ചെയ്യുക.

## Again എന്നാൽ ഓർത്തെടുക്കാൻ കഴിഞ്ഞില്ല; Hard എന്നാൽ വിജയിച്ചു

ഈ ശീലവും ക്രമീകരണങ്ങളെപ്പോലെതന്നെ പ്രധാനമാണ്.

ആവശ്യമായ ഉത്തരം പറയാൻ കഴിഞ്ഞില്ലെങ്കിലോ പറഞ്ഞത് തെറ്റായെങ്കിലോ **Again** ഉപയോഗിക്കുക. വളരെ ബുദ്ധിമുട്ടിയോ മടിച്ചുമടിച്ചോ ആണെങ്കിലും ഉത്തരം ശരിയായി ഓർത്തെടുത്താൽ മാത്രം **Hard** ഉപയോഗിക്കുക. Good, Easy എന്നിവയും വിജയകരമായ ഓർത്തെടുക്കലിനുള്ള റേറ്റിങ്ങുകളാണ്.

Again-ന്റെ ചെറിയ ഇടവേള ഒഴിവാക്കാൻ Hard അമർത്തുമ്പോൾ, ഓർത്തെടുക്കാൻ കഴിയാതിരുന്നത് വിജയമായി രേഖപ്പെടുത്തുകയാണ്. FSRS പിന്നെ തെറ്റായ സംഭവത്തിൽനിന്നാണ് പഠിക്കുന്നത്. ബട്ടണുകൾക്കു മുകളിലുള്ള ഇടവേളയിൽ നിങ്ങൾക്ക് ഇഷ്ടമുള്ളത് നോക്കിയല്ല, ഓർത്തെടുക്കൽ എങ്ങനെയായിരുന്നു എന്നതനുസരിച്ച് ബട്ടൺ തിരഞ്ഞെടുക്കുക.

അവ്യക്തമായ കാർഡുകൾ കൃത്യമായി റേറ്റിങ് നൽകുന്നത് പ്രയാസമാക്കുന്നു. അഞ്ച് വസ്തുതകൾ ചോദിക്കുന്ന കാർഡിൽ നാലെണ്ണം മാത്രമേ ഓർമ്മയുള്ളൂ എങ്കിൽ, ഷെഡ്യൂളിങ് പ്രശ്നത്തിന്റെ തുടക്കം കാർഡ് എഴുതിയപ്പോഴാണ്. കാർഡ് വിഭജിക്കുകയോ മാറ്റിയെഴുതുകയോ ചെയ്യുക. ആവർത്തിച്ച് റിവ്യൂ ചെയ്തിട്ടും ഓർത്തെടുക്കാൻ കഴിയാത്ത കാർഡുകൾക്ക് [വീണ്ടും വീണ്ടും മറക്കുന്ന ഫ്ലാഷ്കാർഡുകൾ എങ്ങനെ മെച്ചപ്പെടുത്താം](/blog/how-to-fix-leech-flashcards/) വായിക്കുക.

## FSRS പഠനഘട്ടങ്ങൾ ചെറുതാക്കുക—അല്ലെങ്കിൽ ഉദ്ദേശ്യത്തോടെ ഒഴിച്ചിടുക

സാധാരണ ദീർഘകാല ഷെഡ്യൂൾ ആരംഭിക്കുന്നതിനുമുമ്പ് കാർഡ് എത്ര പെട്ടെന്ന് വീണ്ടും വരണമെന്ന് പഠനഘട്ടങ്ങളും വീണ്ടും പഠിക്കാനുള്ള ഘട്ടങ്ങളും നിയന്ത്രിക്കുന്നു. അവ മറ്റൊരു ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യമല്ല.

Anki-യുടെ FSRS മാർഗനിർദേശം രണ്ട് നിബന്ധനകൾ ശുപാർശ ചെയ്യുന്നു:

- ഓരോ ഘട്ടവും ഒരു ദിവസത്തിൽ താഴെയായിരിക്കണം; അതേ ദിവസം പൂർത്തിയാക്കാൻ കഴിയണം
- ഒരേ ദിവസത്തെ ആവർത്തനങ്ങളുടെ എണ്ണം കുറവായിരിക്കണം

`1m 10m 1d 3d` പോലുള്ള നീണ്ട നിരകൾ പഴയ SM-2 ശീലം FSRS-ലേക്ക് കൊണ്ടുവരുന്നു. ഒരു ദിവസമോ അതിലേറെയോ നീളുന്ന ഘട്ടങ്ങൾ മോഡലിനെ അടിസ്ഥാനമാക്കിയുള്ള ഷെഡ്യൂളിങ് വൈകിപ്പിക്കുകയും ബട്ടണുകളിലെ ഇടവേളകളിൽ ആശയക്കുഴപ്പം സൃഷ്ടിക്കുകയും ചെയ്യും. Hard-ന് Good-നേക്കാൾ നീണ്ട ഇടവേള കാണിക്കുന്നത് ഇതിലൊന്നാണ്.

നിങ്ങളുടെ പഠനസെഷനുകൾക്ക് ചേരുന്നുവെങ്കിൽ, `1m 10m` പോലുള്ള ചെറിയ നിരയും വീണ്ടും പഠിക്കാൻ `10m` എന്ന ഘട്ടവും സുരക്ഷിതമായൊരു തുടക്കമാണ്. അതേ ദിവസത്തെ ആവർത്തനങ്ങൾ കൂട്ടുന്നത് എപ്പോഴും മെച്ചമാകണമെന്നില്ല.

Anki 26.08-ൽ പഠനഘട്ടങ്ങളുടെയോ വീണ്ടും പഠിക്കാനുള്ള ഘട്ടങ്ങളുടെയോ ഫീൽഡ് ഒഴിച്ചിടാനും കഴിയും. FSRS പ്രവർത്തനക്ഷമമാണെങ്കിൽ, ഒഴിച്ചിട്ട ഫീൽഡിന്റെ ഹ്രസ്വകാല ഷെഡ്യൂളിങ് FSRS-ന് വിട്ടുകൊടുക്കുന്നു. ഇത് പരീക്ഷണാടിസ്ഥാനത്തിലാണ്; Again ഇടവേള ഒരു ദിവസമോ അതിലധികമോ ആകാം. അതേ ദിവസം കാർഡ് തിരികെ വരുമെന്ന് ഉറപ്പാക്കണമെങ്കിൽ ചെറിയ ഘട്ടങ്ങൾ സ്വയം നിശ്ചയിച്ച് നിലനിർത്തുക; സമയം FSRS തിരഞ്ഞെടുക്കുന്നത് മനഃപൂർവം അംഗീകരിക്കുന്നുവെങ്കിൽ മാത്രം ഫീൽഡ് ഒഴിച്ചിടുക.

## ക്രമേണ മാറാൻ Reschedule cards on change ഓഫ് നിലനിർത്തുക

**Reschedule cards on change** ഡിഫോൾട്ടായി ഓഫ് ആണ്. അത് ഓഫ് നിലനിർത്തുമ്പോൾ, FSRS പ്രവർത്തനക്ഷമമാക്കുന്നതോ ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യമോ പാരാമീറ്ററുകളോ മാറ്റുന്നതോ നിലവിലെ റിവ്യൂ തീയതികൾ ഉടൻ മാറ്റില്ല. ഭാവിയിൽ കാർഡുകൾ റിവ്യൂ ചെയ്യുമ്പോൾ പുതിയ ക്രമീകരണം ബാധകമാകും; അതിനാൽ പട്ടിക ക്രമേണ മാറും.

ഈ ഓപ്ഷൻ ഓണാക്കി അത്തരം FSRS മാറ്റങ്ങളിലൊന്ന് സേവ് ചെയ്താൽ റിവ്യൂ തീയതികൾ ഉടൻ വീണ്ടും കണക്കാക്കും. പുതിയ ലക്ഷ്യവും കാർഡുകളുടെ നിലയും അനുസരിച്ച് നിരവധി കാർഡുകൾ ഒരേസമയം റിവ്യൂ ചെയ്യേണ്ടിവരാം. പുനഃക്രമീകരിച്ച കാർഡുകൾക്ക് Anki റിവ്യൂ എൻട്രികളും ചേർക്കുന്നു; ശേഖരത്തിന്റെ വലുപ്പം അതോടെ കൂടുന്നു.

നിലവിലെ തീയതികൾ മുഴുവൻ പുതുക്കിപ്പണിയണമെന്ന് ശരിക്കും ആഗ്രഹിക്കുമ്പോൾ മാത്രം ഈ ഓപ്ഷൻ ഉപയോഗപ്രദമാണ്. ഏറെക്കാലത്തെ ശേഖരമാണെങ്കിൽ:

1. പുതിയ ബാക്കപ്പ് ഉണ്ടാക്കുക; മാറ്റം പഴയപടിയാക്കാനോ ബാക്കപ്പിൽനിന്ന് വീണ്ടെടുക്കാനോ അറിയാമെന്ന് ഉറപ്പാക്കുക.
2. പരിഗണിക്കുന്ന ക്രമീകരണങ്ങൾ ഉപയോഗിച്ച് Simulator പ്രവർത്തിപ്പിക്കുക.
3. ഒരു ക്രമീകരണ മാറ്റം മാത്രം തിരഞ്ഞെടുക്കുക; പല പരീക്ഷണങ്ങളും കൂട്ടിച്ചേർക്കരുത്.
4. സേവ് ചെയ്യുമ്പോൾ, തീയതികൾ ഉടൻ മാറ്റാൻ ഉദ്ദേശിക്കുന്നുവെങ്കിൽ, അതിന്റെ ഫലം കൈകാര്യം ചെയ്യാനും കഴിയുമെങ്കിൽ മാത്രം പുനഃക്രമീകരണം പ്രവർത്തനക്ഷമമാക്കുക.

SM-2-ൽനിന്ന് പുനഃക്രമീകരണത്തോടെ മാറുമ്പോൾ ബാക്കപ്പ് എടുക്കണമെന്ന് Anki വ്യക്തമായി ശുപാർശ ചെയ്യുന്നു. ബാക്കപ്പ് ഫയലിനോളം തന്നെ വീണ്ടെടുക്കാനുള്ള മാർഗവും എന്തുകൊണ്ട് പ്രധാനമാണെന്ന് വിശദമായ [ഫ്ലാഷ്കാർഡ് ബാക്കപ്പ് മാർഗനിർദേശം](/blog/how-to-back-up-flashcards/) വിവരിക്കുന്നു.

## പരമാവധി ഇടവേളയ്ക്ക് വലിയ പരിധി നൽകുക

Anki-യുടെ പരമാവധി ഇടവേളയുടെ ഡിഫോൾട്ട് 100 വർഷമാണ്. കേൾക്കുമ്പോൾ വിചിത്രമായി തോന്നാം. പക്ഷേ അത് മേൽപരിധിയാണ്; നന്നായി പഠിച്ച എല്ലാ കാർഡുകളും ഒരു നൂറ്റാണ്ടോളം അപ്രത്യക്ഷമാകുമെന്ന വാഗ്ദാനമല്ല.

പരിധി കുറച്ചാൽ നന്നായി അറിയാവുന്ന കാർഡുകൾ നേരത്തേ തിരികെ വരുകയും പഠനഭാരം കൂടുകയും ചെയ്യും. പരിധിയിൽ എത്തുമ്പോൾ Hard, Good, Easy എന്നിവയ്ക്കെല്ലാം ഒരേ ഇടവേള കാണാം; ഒന്നിനും പരമാവധി കവിയാൻ കഴിയില്ലല്ലോ.

ഒരു പരീക്ഷ കാരണം നിശ്ചിത സമയപരിധിയുണ്ടെങ്കിലോ, വിഷയം ഇടയ്ക്കിടെ മാറുന്നുവെങ്കിലോ, പ്രവചിത ഓർമ്മയെ ആശ്രയിക്കാതെ പതിവായി വീണ്ടും പഠിക്കണമെന്ന് തൊഴിൽപരമായ ചട്ടം ആവശ്യപ്പെടുന്നുവെങ്കിലോ കുറഞ്ഞ പരമാവധി ഇടവേള ന്യായമായിരിക്കാം. ആശങ്ക കാരണം ചെറിയൊരു സംഖ്യ തിരഞ്ഞെടുക്കുന്നതിനുപകരം കലണ്ടറും Simulator-ഉം നോക്കി പരിധി നിശ്ചയിക്കുക. ഈ പ്രത്യേക സാഹചര്യം [FSRS ഉപയോഗിച്ച് പരീക്ഷയ്ക്ക് എങ്ങനെ പഠിക്കാം](/blog/how-to-study-for-an-exam-with-fsrs/) എന്ന ലേഖനത്തിൽ വിശദീകരിച്ചിട്ടുണ്ട്.

സാധാരണ ദീർഘകാല പഠനത്തിന് വലിയ പരിധി നിലനിർത്തുക. പ്രവചിത ഓർത്തെടുക്കൽ സാധ്യത എത്രയാകുമ്പോൾ റിവ്യൂ വേണമെന്ന് Desired retention ഇതിനകം നിയന്ത്രിക്കുന്നുണ്ട്.

## പുതിയ കാർഡുകൾ ചേർക്കുന്ന തോതും പഠനഭാര തീരുമാനത്തിന്റെ ഭാഗമാണ്

FSRS-ന് റിവ്യൂകൾ വ്യത്യസ്ത സമയങ്ങളിലായി ക്രമീകരിക്കാം; പരിധിയില്ലാതെ പുതിയവ ചേർക്കുന്നത് താങ്ങാനാകുന്നതാക്കാൻ കഴിയില്ല. ഓരോ പുതിയ കാർഡും ഇപ്പോൾ പഠനവും പിന്നീട് റിവ്യൂകളും ആവശ്യപ്പെടുന്നു.

റിവ്യൂ പട്ടിക വളരെ വലുതാകുമ്പോൾ ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യം കുറയ്ക്കുന്നതിനുമുമ്പ് ഇവ പരിശോധിക്കുക:

- ദിവസത്തെ പുതിയ കാർഡുകൾ
- വലിയ ഇംപോർട്ടുകളോ കൂട്ടമായി സൃഷ്ടിച്ച കാർഡുകളോ
- ചെയ്യേണ്ട റിവ്യൂകൾ തുടർച്ചയായി മറയ്ക്കുന്ന പരമാവധി റിവ്യൂ പരിധി
- ആവർത്തിച്ച് ശ്രമിക്കേണ്ടിവരുന്ന, എപ്പോഴും മറക്കുന്ന കാർഡുകളും അവ്യക്തമായ കാർഡുകളും
- റിവ്യൂ മുടങ്ങിയ ദിവസങ്ങൾ

ഡെക്ക് വലുതാകുമെന്ന് അറിയാമെങ്കിൽ **Additional new cards to simulate** ഉപയോഗിക്കുക. ഇന്നത്തെ ശേഖരം മാത്രം അടിസ്ഥാനമാക്കിയ പ്രവചനം വലിയൊരു ഇംപോർട്ടിന് ശേഷമുള്ള പഠനഭാരം കാണിക്കില്ല.

പ്രവചിച്ച പഠനഭാരം വളരെ കൂടുതലാണെങ്കിൽ പുതിയവ ചേർക്കുന്നത് കുറച്ച് വീണ്ടും സിമുലേറ്റ് ചെയ്യുക. കൂടുതൽ മറവി അനുവദിക്കാൻ ഷെഡ്യൂളറോട് ആവശ്യപ്പെടാതെതന്നെ ഓർത്തെടുക്കൽ ലക്ഷ്യം നിലനിർത്താൻ ഇതിലൂടെ കഴിയും.

## Anki-യും Nibomo-യും നൽകുന്ന FSRS നിയന്ത്രണങ്ങൾ വ്യത്യസ്തമാണ്

രണ്ട് ഉൽപ്പന്നങ്ങളും FSRS-6 ഉപയോഗിക്കുന്നു. എന്നാൽ Anki-യുടെ FSRS ക്രമീകരണങ്ങൾ അതേപടി Nibomo-യിൽ ബാധകമല്ല.

| സൗകര്യം | Anki 26.08 | Nibomo |
| --- | --- | --- |
| ലക്ഷ്യമിടുന്ന ഓർമ്മനിലനിർത്തൽ | **Shared Preset** അല്ലെങ്കിൽ **This deck** | ഓരോ വർക്ക്‌സ്‌പേസിനും ക്രമീകരിക്കാം; ഡിഫോൾട്ട് `0.90` |
| FSRS പാരാമീറ്ററുകൾ | റിവ്യൂ ചരിത്രത്തിൽനിന്ന് **Optimize Current Preset** അല്ലെങ്കിൽ **Optimize All Presets** | ഔദ്യോഗിക FSRS-6 ഡിഫോൾട്ട് വെയ്റ്റുകൾ സ്ഥിരപ്പെടുത്തിയിരിക്കുന്നു; v1-ൽ ഉപയോക്താവിന് മാറ്റാനാകില്ല |
| പഠനഘട്ടങ്ങൾ | ക്രമീകരിക്കാം; ഫീൽഡ് ഒഴിച്ചിട്ട് FSRS ഷെഡ്യൂൾ ചെയ്യുന്നത് പരീക്ഷണാടിസ്ഥാനത്തിലാണ് | ഓരോ വർക്ക്‌സ്‌പേസിനും ക്രമീകരിക്കാം; ഡിഫോൾട്ട് `1m 10m` |
| വീണ്ടും പഠിക്കാനുള്ള ഘട്ടങ്ങൾ | ക്രമീകരിക്കാം; ഫീൽഡ് ഒഴിച്ചിട്ട് FSRS ഷെഡ്യൂൾ ചെയ്യുന്നത് പരീക്ഷണാടിസ്ഥാനത്തിലാണ് | ഓരോ വർക്ക്‌സ്‌പേസിനും ക്രമീകരിക്കാം; ഡിഫോൾട്ട് `10m` |
| പരമാവധി ഇടവേള | ഡിഫോൾട്ട് 100 വർഷം | ഡിഫോൾട്ട് 36,500 ദിവസം, അതും 100 വർഷം |
| ക്രമീകരണ മാറ്റങ്ങൾ | ഡിഫോൾട്ടായി ഭാവിയിലെ റിവ്യൂകൾക്ക്; വേണമെങ്കിൽ നിലവിലുള്ളവയും പുനഃക്രമീകരിക്കാം | ഭാവിയിലെ റിവ്യൂകൾക്ക് മാത്രം; നിലവിലെ തീയതികൾ പുനർനിർമ്മിക്കില്ല |
| പഠനഭാരം വിലയിരുത്താനുള്ള ഉപകരണങ്ങൾ | **Help Me Decide (Experimental)**, **FSRS Simulator (Experimental)** | v1-ൽ സമാനമായ പഠനഭാര സിമുലേറ്റർ ഇല്ല |

Nibomo സാധാരണ Again, Hard, Good, Easy റേറ്റിങ്ങുകൾ ഉപയോഗിക്കുകയും ഓരോ കാർഡിന്റെയും FSRS മെമ്മറി സ്റ്റേറ്റ് സൂക്ഷിക്കുകയും ചെയ്യുന്നു. അതിന്റെ ബാക്കെൻഡ്, iOS, Android ഷെഡ്യൂളറുകൾ ഒരേ രീതിയിൽ പ്രവർത്തിക്കുന്ന മൂന്ന് സ്വതന്ത്ര നിർവഹണങ്ങളാണ്; വെബിലെ റിവ്യൂ പ്രക്രിയ നാലാമതൊരു പകർപ്പ് ചേർക്കാതെ ബാക്കെൻഡ് ഷെഡ്യൂളർ തന്നെ ഉപയോഗിക്കുന്നു.

ഈ പരിധികളും ഡിഫോൾട്ടുകളും പൊതുവായി ലഭ്യമായ [Nibomo FSRS ഷെഡ്യൂളിങ് സ്പെസിഫിക്കേഷനിൽ](https://github.com/kirill-markin/flashcards-open-source-app/blob/main/docs/fsrs-scheduling-logic.md) രേഖപ്പെടുത്തിയിട്ടുണ്ട്. വ്യത്യാസം ലളിതമാണ്: വർക്ക്‌സ്‌പേസ് തലത്തിൽ പ്രായോഗികമായ FSRS-6 ക്രമീകരണം Nibomo നൽകുന്നു; കൂടുതൽ സൂക്ഷ്മമായ നിയന്ത്രണവും വ്യക്തിഗത ചരിത്രത്തിന് യോജിപ്പിച്ച പാരാമീറ്ററുകളും സിമുലേഷനും Anki നൽകുന്നു. അവ നിർബന്ധമാണെങ്കിൽ Anki ആണ് കൂടുതൽ അനുയോജ്യം.

## ഏറെക്കാലത്തെ ശേഖരത്തിന് കൂടുതൽ സുരക്ഷിതമായ പ്രവർത്തനക്രമം

മാസങ്ങളുടെയോ വർഷങ്ങളുടെയോ റിവ്യൂ ചരിത്രം ഉണ്ടെങ്കിൽ ഈ ക്രമം പിന്തുടരുക:

1. **റേറ്റിങ്ങുകളുടെ അർഥം ശരിയാക്കുക.** Again എന്നാൽ പരാജയം; Hard എന്നാൽ പ്രയാസപ്പെട്ടെങ്കിലും വിജയം.
2. **നിലവിലെ പ്രീസെറ്റ് ഒപ്റ്റിമൈസ് ചെയ്യുക.** വെയ്റ്റുകൾ തിരുത്തുകയോ പകർത്തുകയോ ചെയ്യുന്നതിനുപകരം സ്വന്തം ചരിത്രത്തിന് യോജിപ്പിക്കുക.
3. **ആവശ്യമെങ്കിൽ ഹെൽത്ത് ചെക്ക് നടത്തുക.** കുറഞ്ഞതോ സ്ഥിരതയില്ലാത്തതോ ആയ ചരിത്രത്തെ ഡാറ്റയുടെ പ്രശ്നമായി കാണുക.
4. **Help Me Decide ഉപയോഗിക്കുക.** തുടർച്ചയായി ചെയ്യാനാകുന്ന റിവ്യൂകളുടെയോ ചെലവഴിക്കാനാകുന്ന മിനിറ്റുകളുടെയോ അടിസ്ഥാനത്തിൽ ഓർമ്മനിലനിർത്തലിന്റെ പരിധി തിരഞ്ഞെടുക്കുക.
5. **Simulator പ്രവർത്തിപ്പിക്കുക.** നിലവിലെ ക്രമീകരണം, പുതിയ ലക്ഷ്യം, കുറച്ച് പുതിയ കാർഡുകൾ ചേർക്കുന്ന സാഹചര്യം എന്നിവ താരതമ്യം ചെയ്യുക.
6. **യഥാർഥ ക്രമീകരണത്തിൽ ഒരു ഇൻപുട്ട് മാത്രം മാറ്റുക.** ആദ്യം ലക്ഷ്യമോ പുതിയവ ചേർക്കുന്ന തോതോ മാറ്റി യഥാർഥ റിവ്യൂ പട്ടിക നിരീക്ഷിക്കുക.
7. **ഘട്ടങ്ങൾ ചെറുതാക്കുക.** ദിവസങ്ങൾ നീളുന്ന പഠനവും വീണ്ടും പഠിക്കലും ഒഴിവാക്കുക; ഫീൽഡ് ഒഴിച്ചിടുന്നത് പരീക്ഷണമായി മാത്രം ഉപയോഗിക്കുക.
8. **പരമാവധി ഇടവേളയ്ക്ക് വലിയ പരിധി നിലനിർത്തുക.** വ്യക്തമായ സമയപരിധിയോ ആവശ്യകതയോ ഉണ്ടെങ്കിൽ മാത്രം കുറയ്ക്കുക.
9. **പുനഃക്രമീകരണം ഓഫ് നിലനിർത്തുക.** തീയതികൾ ഉടൻ പുതുക്കിപ്പണിയണമെങ്കിൽ ആദ്യം ബാക്കപ്പ് എടുക്കുക; ഉണ്ടാകുന്ന റിവ്യൂ പട്ടികയ്ക്കായി തയ്യാറാകുക.

ഈ ക്രമം ഏറെക്കാലമായി രൂപപ്പെട്ട ഷെഡ്യൂളിൽ വരുത്തുന്ന മാറ്റങ്ങൾ കഴിയുന്നത്ര കാലം പഴയപടിയാക്കാവുന്ന നിലയിൽ സൂക്ഷിക്കുന്നു. മോഡൽ ചരിത്രത്തിന് യോജിക്കുന്നുണ്ടോ, ഓർത്തെടുക്കൽ ലക്ഷ്യം എന്താണ്, പുതിയ ഉള്ളടക്കം എത്ര വരുന്നു എന്നീ മൂന്ന് വ്യത്യസ്ത പ്രശ്നങ്ങൾ ഒരൊറ്റ ക്രമീകരണപ്രശ്നമായി കലരുന്നതും തടയുന്നു.

## മികച്ച FSRS ക്രമീകരണങ്ങളെക്കുറിച്ചുള്ള പതിവുചോദ്യങ്ങൾ

### FSRS-ന് ഏറ്റവും നല്ല ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യം 90% ആണോ?

പൊതുവെ ഏറ്റവും സുരക്ഷിതമായ തുടക്കമാണത്. Anki-യുടെ ഡിഫോൾട്ടാണ്; ഉയർന്ന ഓർമ്മനിലനിർത്തലിൽ പഠനഭാരം ഏറ്റവും കുത്തനെ കൂടുന്ന ഭാഗം ഒഴിവാക്കുകയും ചെയ്യുന്നു. ഒരു ഡെക്കിന് ചേരുന്ന മൂല്യം മറക്കുന്നതിന്റെ നഷ്ടത്തെയും താങ്ങാനാകുന്ന പഠനഭാരത്തെയും ആശ്രയിച്ചിരിക്കുന്നു. മാറ്റുന്നതിനുമുമ്പ് **Help Me Decide (Experimental)** പരിശോധിക്കുക.

### ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യം 95% ആക്കണോ?

അധികമായി വേണ്ടിവരുന്ന റിവ്യൂകളോ മിനിറ്റുകളോ പരിശോധിച്ചശേഷം മാത്രം. വ്യക്തമായി തയ്യാറാക്കിയതും ഏറെ പ്രധാനപ്പെട്ടതുമായ ഡെക്കിന് 95% ന്യായമായിരിക്കാം; സാധാരണ താൽപര്യങ്ങൾക്ക് വേണ്ടിയുള്ള വലിയ ശേഖരത്തിന് അനാവശ്യ ഭാരം വരാം. നിലവിലെ തീയതികൾ ഉടൻ പുതുക്കിപ്പണിയണമെന്ന് ഉദ്ദേശിക്കുന്നില്ലെങ്കിൽ ഒപ്പം പുനഃക്രമീകരണവും പ്രവർത്തനക്ഷമമാക്കരുത്.

### FSRS പാരാമീറ്ററുകൾ എത്ര ഇടയ്ക്കിടെ ഒപ്റ്റിമൈസ് ചെയ്യണം?

മാസത്തിലൊരിക്കൽ തന്നെ മതിയാകും; ഏതാനും മാസത്തിലൊരിക്കൽ മതിയെന്നാണ് Anki 26.08-ലെ ആപ്പിനുള്ളിലെ നിർദേശം. കാര്യമായ പുതിയ ചരിത്രം വന്നശേഷം ഒപ്റ്റിമൈസ് ചെയ്യുക; ദിവസമോ ആഴ്ചയോ നിശ്ചയിച്ച് ചെയ്യേണ്ടതില്ല.

### FSRS പഠനഘട്ടങ്ങൾ ഒഴിച്ചിടണോ?

പഠനഘട്ടങ്ങളോ വീണ്ടും പഠിക്കാനുള്ള ഘട്ടങ്ങളോ ഒഴിച്ചിട്ടാൽ, ബന്ധപ്പെട്ട ഹ്രസ്വകാല ഷെഡ്യൂൾ Anki 26.08 FSRS-ന് വിട്ടുകൊടുക്കും. ഈ സൗകര്യം പരീക്ഷണാടിസ്ഥാനത്തിലാണ്; Again ഒരു ദിവസമോ അതിലധികമോ കഴിഞ്ഞായിരിക്കാം വരുന്നത്. അതേ ദിവസം പൂർത്തിയാക്കാവുന്ന കുറച്ച് ഘട്ടങ്ങളാണ് ഇപ്പോഴും കൂടുതൽ സുരക്ഷിതമായ തിരഞ്ഞെടുപ്പ്.

### FSRS ക്രമീകരണങ്ങൾ മാറ്റിയാൽ നിലവിലെ Anki കാർഡുകൾ പുനഃക്രമീകരിക്കുമോ?

ഡിഫോൾട്ടായി ഇല്ല. **Reschedule cards on change** ഓഫ് ആണെങ്കിൽ, പട്ടിക ഉടൻ പുതുക്കിപ്പണിയാതെ പുതിയ ക്രമീകരണങ്ങൾ ഭാവിയിലെ റിവ്യൂകളെ ബാധിക്കും. ഓൺ ആക്കിയാൽ തീയതികൾ മാറുകയും പല കാർഡുകളും ഉടൻ റിവ്യൂ ചെയ്യേണ്ടിവരുകയും ചെയ്യാം; അതിനാൽ ആദ്യം ബാക്കപ്പ് എടുക്കുക.

### CMRR ഇപ്പോഴും Anki-യിൽ ഉണ്ടോ?

ഇല്ല. Compute Minimum Recommended Retention Anki 25.07 പതിപ്പിൽ നീക്കി. Anki 26.08-ൽ ഓർമ്മനിലനിർത്തലും കണക്കാക്കിയ പഠനഭാരവും താരതമ്യം ചെയ്യാൻ **Help Me Decide (Experimental)**, **FSRS Simulator (Experimental)** എന്നിവ ഉപയോഗിക്കുക.

### Nibomo-യിലും Anki-യിലെ അതേ ക്രമീകരണങ്ങളാണോ?

അത് FSRS-6 ഉപയോഗിക്കുന്നു; ഓരോ വർക്ക്‌സ്‌പേസിലും ഓർമ്മനിലനിർത്തൽ ലക്ഷ്യം, പഠനഘട്ടങ്ങൾ, വീണ്ടും പഠിക്കാനുള്ള ഘട്ടങ്ങൾ, പരമാവധി ഇടവേള, fuzz എന്നിവ ക്രമീകരിക്കാം. Anki-യുടെ പൂർണ ക്രമീകരണ മാതൃക അതിൽ ഇല്ല: v1-ൽ വെയ്റ്റുകൾ സ്ഥിരപ്പെടുത്തിയിരിക്കുന്നു, മാറ്റങ്ങൾ ഭാവിയിലേക്ക് മാത്രം ബാധകമാണ്, വ്യക്തിഗത ചരിത്രത്തിന് അനുസരിച്ചുള്ള പാരാമീറ്റർ ഒപ്റ്റിമൈസേഷനോ പഠനഭാര സിമുലേറ്ററോ ഇല്ല.

## ശതമാനത്തിനുമുമ്പ് പഠനഭാരം നിശ്ചയിക്കുക

നല്ല FSRS ക്രമീകരണങ്ങൾ യഥാർഥ പഠനപദ്ധതിക്ക് ചേരുന്ന റിവ്യൂ പട്ടിക ഉണ്ടാക്കുന്നു. 90%-ൽ തുടങ്ങുക, പഠനഭാരം കണക്കാക്കുക, പുതിയ കാർഡുകൾ ചേർക്കുന്ന തോത് നിയന്ത്രിക്കുക; കൂടുതൽ ഓർത്തിരിക്കുന്നതിന്റെ മൂല്യം അധിക റിവ്യൂകൾക്ക് തക്കതാകുമ്പോൾ മാത്രം ലക്ഷ്യം ഉയർത്തുക. ഘട്ടങ്ങൾ ചെറുതായും പരമാവധി ഇടവേളയുടെ പരിധി വലുതായും നിലനിർത്തുക; റേറ്റിങ് ഡാറ്റ യഥാർഥ പ്രകടനത്തെ പ്രതിഫലിപ്പിക്കട്ടെ.

പിന്നെ ക്രമീകരണങ്ങളുടെ സ്ക്രീനിൽനിന്ന് പുറത്തുവരുക. മറ്റൊരു സായാഹ്നം ക്രമീകരണങ്ങൾ മെച്ചപ്പെടുത്താൻ ചെലവഴിക്കുന്നതിനെക്കാൾ ഷെഡ്യൂളറിന് ആവശ്യം സ്ഥിരമായ റിവ്യൂകളാണ്.

---
*[ഈ പേജിന്റെ ശൈലിയുള്ള HTML പതിപ്പ് കാണുക](<https://nibomo.com/ml/blog/fsrs-settings/>)*

*AI ഏജന്റുകൾക്ക് `GET https://api.nibomo.com/v1/` ൽ തുടങ്ങി ഈ സേവനത്തിൽ ഉപയോക്താവിന് അക്കൗണ്ട് ഉണ്ടാക്കാം. സജ്ജീകരണത്തിനു ശേഷം അവയ്ക്ക് `https://mcp.nibomo.com/mcp` ൽ MCP വഴിയും ബന്ധിപ്പിക്കാം.*

*സൂചന: https://nibomo.com ലെ ഏത് URL ന്റെ അവസാനവും `.md` ചേർത്താൽ ആ പേജിന്റെ വൃത്തിയുള്ള Markdown പതിപ്പ് ലഭിക്കും.*