अमल के अनुकूल पाठ्यक्रम में हाफ-लाइफ रिग्रेशन क्या है?

हाफ-लाइफ रिग्रेशन: अमल के अनुकूल पाठ्यक्रम के पीछे का एल्गोरिदम

अमल का अनुकूल पाठ्यक्रम हाफ-लाइफ रिग्रेशन (HLR) नामक मेमोरी मॉडल पर चलता है, जहाँ प्रत्येक सीखने की वस्तु की एक "हाफ-लाइफ" होती है — यानी वह समय जब पुनःस्मरण की संभावना 50% तक कमी आती है। सूत्र p(recall) = 2^(-Δ/h) पाठ्यक्रम निर्धारण के लिए काम करता है: जो वस्तुएँ पुनरावलोकन के लिए देय होती हैं, उन्हें तभी प्रस्तुत किया जाता है जब बच्चे भूलने से पहले याद कर सकें, जबकि जो वस्तुएँ अच्छी तरह याद हो चुकी हों, उन्हें अधिक दूरी पर पुनः प्रस्तुत किया जाता है। पर्सोना-आधारित कठिनाई मिलान के साथ यह प्रत्येक बच्चे के लिए व्यक्तिगत सीखने का मार्ग बनाता है।

मेमोरी के पीछे की गणित

घातीय क्षय मॉडल

याददाश्त सीधे तौर पर कम नहीं होती, बल्कि यह एक घातीय वर्णक्रम का अनुसरण करती है। किसी विषय की समीक्षा के बाद:

• समीक्षा के तुरंत बाद: 100% पुनःस्मरण संभावना
• h घंटे बाद: 50% पुनःस्मरण संभावना (हाफ-लाइफ की परिभाषा)
• 2h घंटे बाद: 25% पुनःस्मरण संभावना
• 4h घंटे बाद: 6.25% पुनःस्मरण संभावना

अमल अगली समीक्षा तब निर्धारित करता है जब पुनःस्मरण की संभावना लगभग 80% हो — यह अधिकतम दक्षता का समय है।

उदाहरण: "كتب" शब्द सीखना

घटना	समय	हाफ-लाइफ	पुनःस्मरण संभावना	अगला पुनरावलोकन
प्रारंभिक सीखना	दिन 1, 2 बजे	4h	100%	~6 बजे
सही समीक्षा	दिन 1, 6 बजे	8h	98%	दिन 2, 10 बजे
सही समीक्षा	दिन 2, 10 बजे	16h	92%	दिन 3, 2 बजे
सही समीक्षा	दिन 3, 2 बजे	32h	87%	दिन 5, 10 बजे रात
सही समीक्षा	दिन 5, 10 बजे रात	64h	81%	दिन 8, 8 बजे रात
स्थिर मेमोरी	दिन 8, 8 बजे रात	128h	79%	सप्ताह 2

5 सही समीक्षाओं के बाद, "كتب" का पुनरावलोकन लगभग हर 5 दिनों में होता है। बच्चा इस शब्द पर कुल मिलाकर ~30 मिनट खर्च कर चुका होता है और अब इसे भरोसेमंद तरीके से याद रख सकता है।

पर्सोना-आधारित कठिनाई मिलान

सिस्टम गतिविधि पैटर्न के आधार पर तीन पर्सोना पहचानता है:

शुरुआती पर्सोना

• अनुपात: 60% नया कंटेंट | 30% समीक्षा | 10% चुनौती
• उदाहरण सत्र: 3 नए अक्षर, 2 अक्षर समीक्षा, 1 आसान शब्द
• स्वचालित संक्रमण जब mastery_score > 0.65

मध्यम स्तर पर्सोना

• अनुपात: 40% नया कंटेंट | 40% समीक्षा | 20% चुनौती
• उदाहरण सत्र: 2 नए शब्द, 2 शब्द समीक्षा, 1 मध्यम चुनौती
• स्वचालित संक्रमण जब mastery_score > 0.78

उन्नत पर्सोना

• अनुपात: 20% नया कंटेंट | 40% समीक्षा | 40% चुनौती
• उदाहरण सत्र: 1 नया वाक्य, 2 समीक्षा, 3 चुनौतीपूर्ण समझ परीक्षण
• मास्टर छात्रों के लिए स्थायी

कोई मैनुअल चयन आवश्यक नहीं — सिस्टम चुपचाप बच्चे की क्षमता के अनुसार अनुकूल हो जाता है।

स्लॉट-आधारित सामग्री मिश्रण (Content Duo)

प्रत्येक अनुकूल पाठ तीन सामग्री "स्लॉट्स" मिलाकर बनता है:

[नया कंटेंट स्लॉट]  (वस्तु जिसे बच्चा नहीं देखा)
    ↓
[समीक्षा स्लॉट]       (समीक्षा के लिए देय वस्तु)
    ↓
[चुनौती स्लॉट]        (वर्तमान स्तर से थोड़ा ऊपर वस्तु)

सत्र के दौरान अनुपात गतिशील रूप से बदलता है:

• यदि बच्चा संघर्ष कर रहा है: अधिक समीक्षा स्लॉट की ओर बदलाव
• यदि बच्चा उत्कृष्ट प्रदर्शन कर रहा है: अधिक चुनौती स्लॉट की ओर बदलाव
• रीयल-टाइम पर्सोना अनुकूलन से जुड़ाव लगातार बढ़ता रहता है

इम्प्लीमेंटेशन आर्किटेक्चर

डाटाबेस मॉडल (UserItemMemoryModel):

user_id: "user_123"
item_id: "letter_ba"
concept_strength: 0.87  # 0-1 पैमाना
half_life_hours: 32
exposures: 7
correct_count: 6
last_reviewed_at: 2026-03-28 18:45
next_review_due_at: 2026-03-30 20:45

मुख्य कार्य:

• calculate_half_life(): प्रत्येक प्रयास के बाद h समायोजित करता है
  • सही उत्तर: h = h × 2 (मेमोरी मजबूत होती है)
  • गलत उत्तर: h = h × 0.5 (मेमोरी कमजोर होती है)
  • प्रदर्शनों की संख्या स्थिरता बढ़ाती है
• calculate_next_review_time(): अगली बार कब यह वस्तु दिखानी है?
  • लक्षित पुनःस्मरण संभावना: 80%
  • सूत्र में Δ निकालें: Δ = -h × log₂(0.8)
• recall_probability(): इस अवधारणा के लिए वर्तमान याददाश्त क्या है?
  • कम पुनःस्मरण वाले आइटम पहले दिखाए जाते हैं

यह क्यों महत्वपूर्ण है?

• HLR के बिना:
  • Duolingo जैसे ऐप्स समान पाठ सभी उपयोगकर्ताओं को देते हैं, कोई व्यक्तिगत आइटम ट्रैकिंग नहीं
  • फ्लैशकार्ड ऐप्स: उपयोगकर्ता खुद पुनरावृत्ति चुनते हैं
  • परिणाम: ज्ञात वस्तुओं पर समय की बर्बादी, और भूली वस्तुएँ
• HLR के साथ Amal में:
  • प्रत्येक अवधारणा अलग से ट्रैक होती है
  • पुनरावृत्ति समय वैज्ञानिक रूप से अनुकूलित है
  • बच्चे केवल आवश्यक वस्तुओं पर समय लगाते हैं
  • स्थिर-समय ऐप्स की तुलना में 40% तेज सीखना

अक्सर पूछे जाने वाले प्रश्न (FAQ)

प्रश्न: यदि मेरा बच्चा बार-बार किसी वस्तु में गलत करता है तो क्या होगा?

उत्तर: हाफ-लाइफ घट जाती है (h = h × 0.5), इसलिए वह वस्तु जल्दी पुनः दिखाई देती है। सिस्टम धैर्यवान है — यदि ज़रूरत पड़े तो वह वस्तुएँ हर कुछ घंटों में फिर से प्रदर्शित करता है। सही उत्तरों से हाफ-लाइफ फिर बढ़ने लगती है।

प्रश्न: क्या मैं अपने बच्चे की पर्सोना स्तर मैन्युअली सेट कर सकता हूँ?

उत्तर: सिस्टम स्वचालित रूप से पर्सोना पहचानता है। आप पैरेंट सेटिंग्स में ओवरराइड कर सकते हैं, लेकिन ऐप सक्रियता डेटा से असहमत होने पर स्वचालित रूप से सुधार करेगा।

प्रश्न: किसी वस्तु को पूरी तरह से सीखने में कितना समय लगता है?

उत्तर: सामान्यत: 2-3 सप्ताह में 5-8 सही समीक्षा लगती हैं, जो प्रारंभिक हाफ-लाइफ और अभ्यास आवृत्ति पर निर्भर करता है। बहुत आसान वस्तुएँ (ऊँची प्रारंभिक हाफ-लाइफ वाली) कुछ ही दिनों में स्थिर हो सकती हैं; कठिन वस्तुएँ महीनों तक भी लग सकती हैं।