间隔重复的适用性

间隔重复有一个天然的适用领域：那些能被系统地组织为键和值都很简短、且无歧义的「键值对映射」的信息。抽认卡界最入门的例子当属北约音标字母：A → alpha，B → bravo，等等。同样地，元素周期表也可以被看作定义了一系列映射的集合：元素名称 ↔ 符号，元素名称 ↔ 原子序数，等等。你只需要反复去刷这些卡片，死记硬背下这些事实即可，完全不需要什么前期理解或构建概念模型的步骤。

把间隔重复应用在这种类型的信息上极其简单。这就是为什么大多数使用间隔重复的人要么是外语学习者，要么是医学生。在生物学中，你需要具备的主要直觉就是想象「三维形状在布朗运动中到处碰撞」，这种直觉人类的大脑天生就具备，而在这之后，你所面临的主要就只剩下一堆必须去死记硬背的事实了。语言学习也是同理：你本来就已经拥有了一个语言中枢，你只需要通过反复练习去掌握词汇和语法即可。

然而，你离这个领域越远，应用间隔重复就越困难。

像数学这样高度概念化的知识，是很难被编码成抽认卡的。你不得不花大量的时间仅仅去理解这些信息，在头脑中建立起一个概念模型，然后你才开始编写抽认卡来巩固那个模型，这就好比给某个复杂的物体做断层扫描切片一样。而且，要想从这种高度抽象的知识中，构思出适合做成抽认卡的问题（简短、无歧义等）是非常困难的。通常，你会遇到一些看似简单的事实或孤立的断言，但却没有好办法能直接把它编码成一张抽认卡，因此你不得不采取「旁敲侧击」的方式，通过提出一些预设或需要用到该知识点的问题来进行编码（例如提问「为什么 X 是真的」），并期望在反复练习这些问题时，你的大脑能顺带记住真正的目标知识。

一般而言，关系型事实更容易被编码，因为像「属性(对象, 值)」这样的二元谓词很容易就能转换成一个问题。例如在 Prolog 语言中，「咖啡因被细胞色素1A2代谢」可以表示为「代谢(咖啡因, CYP1A2)」，这就能自然地转换成问题：「问：代谢咖啡因的细胞色素是什么？答：1A2」。但是，对于像「所有的酉矩阵都是可逆的」这样孤立的断言，你该如何编码呢？你可以把它编成一个「是非题」，但这毫无意义，因为按理说这种问题往往更倾向于肯定回答。「什么是酉矩阵的一个属性？」和「哪种类型的矩阵是可逆的？」这两个问题也都毫无用处，因为它们有成百上千个同等有效的可能答案，这就导致它们模棱两可。你必须发挥创造力，想尽各种技巧和策略来对这类知识进行迂回编码。

顺便提一句：我认为，这也正是为什么用 AI 来生成抽认卡通常是个误区。在高度系统化的领域，你压根就不需要 AI，因为除了把 CSV 文件导入 Anki 之外，根本就没有什么需要 AI 代劳的事。而在那些高度概念化和抽象的领域中，你并不是在记忆一套客观可知的事实，你是在试图巩固一个私人的、内部的心智模型，这个模型是你通过阅读、思考和解决问题才建立起来的。你可以塞给 AI 各种关于如何编写优秀抽认卡的通用法则，但 AI 无法透视你的大脑，它不知道哪些事实对你而言才是关键的，不知道你已经掌握了什么，不知道哪些细小的知识点只需几张抽认卡轻巧带过即可，也不知道哪些内容需要进一步巩固，从而需要更多的抽认卡来覆盖。

这种情况能得到改善吗？抑或这仅仅是间隔重复固有的局限性？我不得而知。但认为在此能取得一些有限的突破，似乎也是合理的。我认为并没有很多人把间隔重复应用在这些更为「概念化」的领域上，而且（根据社区里大多数人都是潜水者的法则）这些人中能详细撰文分享其经验的人更是少之又少。虽然已经有许多^[1]人^[2]曾经^[3]撰文探讨过如何普遍地编写好的抽认卡，但我真正想读到的，是那种更接近案例研究的文章：某人静下心来拿着一段文本（最好是一本教科书），详细描述他们是如何将这段文本转化成抽认卡的完整过程，就像迈克尔·尼尔森（Michael Nielsen）的这篇文章^[4]所做的那样。通过积累类似案例研究的语料库，我们或许能够推导出一套通用法则，这套法则不是教你如何编写高效的抽认卡，而是教你如何将复杂的概念化知识编码成问答的形式。

Thoughts Memo 汉化组译制
感谢主要译者 gemini-3.1-pro，校对 Jarrett Ye
原文：The Applicability of Spaced Repetition
2026 年 5 月 17 日

← 返回目录