Sistem pengulangan berspasi jadi lebih baik dengan FSRS

• Spaced Repetition System, yaitu teknik belajar yang memperpanjang interval ulasan untuk materi yang telah dipelajari, membantu pembentukan memori jangka panjang yang efektif dengan investasi waktu yang kecil
• Dengan algoritme FSRS (Free Spaced Repetition Scheduler) yang mengoptimalkan penjadwalan kartu per individu melalui prediksi berbasis machine learning, efisiensi dan kepuasan pengguna meningkat jauh dibanding metode lama
• Pada versi terbaru Anki, FSRS diterapkan sebagai penjadwal bawaan sehingga sebagian besar pengguna pada dasarnya sudah memakainya
• Dibandingkan layanan seperti WaniKani dan Bunpro, kombinasi Anki dan FSRS lebih unggul dalam efisiensi belajar dan fleksibilitas

---

Gambaran umum sistem pengulangan berspasi

• Sistem pengulangan berspasi digunakan di berbagai bidang untuk memperoleh pengetahuan dan mempertahankan ingatan jangka panjang
• Ini adalah solusi yang memungkinkan ulasan yang efektif dalam waktu terbatas, seperti untuk pelajaran sekolah atau pembelajaran hobi
• Informasi disajikan berulang dalam format flashcard, dan interval ulasan disesuaikan berdasarkan respons pengguna
• Dengan meluangkan 20 menit per hari, Anda dapat dengan mudah menghafal 3.650 kata dalam setahun

Metode penjadwalan lama dan keterbatasannya

• Pada sistem pengulangan berspasi awal, algoritme SuperMemo-2 paling sering digunakan
• Dalam metode ini, interval ulasan bertambah seperti “setelah 1 hari, jika benar maka 6 hari kemudian, jika benar lagi maka 15 hari kemudian, lalu nanti 37,5 hari kemudian”
• Jika salah, jadwal direset kembali menjadi 1 hari kemudian, sehingga kartu yang sama terlihat berulang dalam interval pendek dan menimbulkan rasa frustrasi yang besar
• Metode ini didasarkan pada aturan yang ditetapkan secara empiris dan agak sewenang-wenang, sehingga tidak dioptimalkan untuk tiap item pengetahuan
• Ada asumsi yang tidak realistis bahwa kurva ingatan untuk semua informasi adalah sama

FSRS: penjadwalan yang ditingkatkan berbasis machine learning

• FSRS (Free Spaced Repetition Scheduler) mengoptimalkan interval ulasan secara individual berdasarkan teknik machine learning modern
• Ini mengubah persoalan menjadi tugas prediksi “kapan probabilitas mengingat sebuah kartu turun ke 90%”, lalu menghitung waktu ulasan yang tepat
• Model FSRS memperoleh tiga fungsi melalui curve fitting: kesulitan (1–10 per kartu), stabilitas (jangka waktu saat tingkat ingat turun dari 100% ke 90%), dan retrievability (probabilitas mengingat setelah sejumlah hari berlalu)
• Dengan menggunakan 21 parameter, kurva dioptimalkan terhadap data ulasan berskala besar, lalu parameternya disesuaikan ulang berdasarkan riwayat ulasan tiap individu
• FSRS memungkinkan pengguna menetapkan target tingkat ingat yang diinginkan (misalnya 90%), dan mensimulasikan beban belajar serta jumlah kartu harian yang dihasilkan
  • Misalnya, jika ditetapkan ke tingkat ingat 70%, jumlah ulasan harian berkurang, sementara jumlah kartu yang diingat justru bertambah

Penerapan nyata FSRS

• Anki mengadopsi FSRS sebagai penjadwal bawaan mulai versi 23.10 yang dirilis pada 2023-11
• Dengan FSRS, beban ulasan harian berkurang, dan stres saat mengulas kartu yang salah juga tidak meningkat secara drastis
• Sesuai pengaturan yang direkomendasikan, keseimbangan antara efisiensi belajar dan volume belajar dapat dioptimalkan
• Karena merupakan proyek open source, implementasinya dimungkinkan di berbagai bahasa dan perangkat lunak

Perbandingan dengan layanan belajar lain

• Untuk layanan berlangganan seperti WaniKani dan Bunpro, yang tersedia hanya interval tetap, tanpa penyesuaian yang dipersonalisasi
  • Contoh: 4 jam, 8 jam, 1 hari, 2 hari, 7 hari... yaitu pengaturan siklus ulasan yang sewenang-wenang
• Saat kartu dijawab salah, sistem tidak selalu menginisialisasi ulang ke tahap minimum, dan tanpa prediksi berbasis machine learning efisiensinya jauh tertinggal
• Kartu yang telah melewati interval tertentu tidak lagi ditinjau ulang, sehingga terjadi kehilangan pengetahuan jangka panjang
• Akibatnya, stres dan inefisiensi pembelajar terus menumpuk

Kelebihan Anki

• UI-nya mungkin agak kurang nyaman, tetapi kekuatannya ada pada fitur belajar berperforma tinggi, pembaruan berkelanjutan, dan kustomisasi yang luas
• Dalam praktiknya, ini memberikan fleksibilitas yang cocok untuk pembelajar dari berbagai bidang dan tingkat
• Sangat optimal untuk membangun pengetahuan jangka panjang dari tingkat dasar hingga mahir
• Berdasarkan pengalaman pengguna secara langsung, Anki memantapkan diri sebagai alat belajar yang efektif

Pelajari lebih lanjut

• Untuk prinsip pengulangan berspasi, cara kerja detail FSRS, dan contoh implementasinya, lihat materi berikut
  • open-spaced-repetition/awesome-fsrs: daftar implementasi FSRS dalam berbagai bahasa pemrograman dan perangkat lunak
  • open-spaced-repetition/srs-benchmark: hasil benchmark yang membandingkan FSRS dengan berbagai algoritme (misalnya SuperMemo-2, algoritme Duolingo, dll.)
    • Saat ini, satu-satunya yang secara konsisten menunjukkan performa lebih baik daripada FSRS kira-kira adalah jaringan saraf LSTM berbasis algoritme OpenAI Reptile

[GN⁺]

Opini Hacker News

• Saya ingin menegaskan bahwa saya adalah pendiri Trane (https://github.com/trane-project/trane/). Trane dapat menggantikan sistem seperti Anki, dan bisa diterapkan pada sebagian besar bidang yang memiliki hierarki subketerampilan yang jelas (musik, pembelajaran kosakata, dll.). Menurut saya ada tiga masalah yang belum terselesaikan pada sistem yang ada seperti Anki dan SuperMemo. Pertama, pendekatannya terlalu berfokus pada hafalan. Saya ingin sesuatu yang juga bisa diterapkan pada bidang yang membutuhkan penilaian berbasis kemahiran, bukan sekadar ingatan (misalnya musik). Kedua, tanpa informasi hierarki, pemerolehan keterampilan skala besar menjadi sulit. Anki sulit mereplikasi fungsi Trane (membatasi progres dan memeriksa kemahiran berdasarkan dependensi subketerampilan). Ketiga, pengguna dituntut membuat soal latihannya sendiri. Ini memakan banyak waktu, dan untuk keterampilan yang kompleks memerlukan ahli. Trane pada dasarnya sudah selesai, dan saya memakainya untuk belajar musik. Karena belum ada UI, saat ini hanya saya yang memakainya, tapi saya juga tidak mau bekerja gratis, jadi ya begitulah. Sekarang saya sedang mengembangkan tutor literasi berbasis Trane. Kalau selesai, siswa bisa belajar mulai dari alfabet sampai membaca dan menulis tingkat perguruan tinggi berdasarkan riset terbaru. Targetnya MVP rilis tahun ini
• Saya telah melihat banyak diskusi dan perkembangan terkait SRS. Namun, bagian yang ingin saya lihat, dan yang benar-benar penting, adalah area di antara membaca/pemahaman dan SRS. Hampir tidak ada tool mandiri yang memudahkan pembuatan flashcard dari program yang sudah ada seperti browser web, PDF, dan sebagainya ke SRS populer seperti Anki atau Mochi. Fungsinya seharusnya bekerja sealami dan semulus integrasi OS, dan yang dibutuhkan adalah pipa untuk meneruskan ke SRS dengan mudah, bukan “satu aplikasi terpisah lagi”. Dibutuhkan sistem yang ramah Mac dan tidak mengganggu secara visual. Kalau ada yang tahu tool seperti ini, tolong beri tahu
  • Konsep “membuat flashcard dengan mudah dari program yang sudah ada” sering disalahpahami. Lebih dari separuh nilai SRS justru datang dari proses memilih konsep apa yang akan dijadikan flashcard sendiri, lalu mengeksplorasi kemiripan, perbedaan, atribut, dan sebagainya. Memang sulit, tetapi proses itu sendiri sangat membantu pemahaman. Namun karena kemampuan ini sulit, banyak orang tidak bisa memanfaatkan SRS dengan benar, tidak merasakan manfaatnya, lalu menyerah. Kesalahpahaman lain adalah bahwa SRS hanya untuk hafalan. Padahal, jika dirancang dengan baik, SRS sangat bisa dipakai untuk memahami topik yang kompleks
  • Saya membuat aplikasi flashcard bernama Fresh Cards, dan kadang pengguna menanyakan fitur untuk mengimpor flashcard dari halaman web atau PDF. Tetapi sejujurnya saya sendiri masih belum tahu bagaimana itu seharusnya bekerja. Apakah pengguna harus menyorot sendiri lalu mengklik “buat jadi kartu”, atau teksnya dianalisis otomatis lalu diberikan daftar tanya-jawab? Sulit menentukan berdasarkan kriteria apa sesuatu perlu dijadikan kartu, dan seberapa rinci pembagiannya. Terutama, mengekstrak fakta sederhana seperti tanggal atau nama tidak terlalu membantu untuk beberapa jenis konten. Pada akhirnya ini masalah yang sangat terbuka, jadi sepertinya sulit memenuhi kebutuhan semua orang
  • Saya rasa model layanan macOS sangat cocok untuk tujuan ini. Layanan bekerja secara berbasis konteks di berbagai aplikasi, dan mendukung integrasi antaraplikasi tanpa pengembangan khusus. Misalnya, dengan memilih teks, klik kanan, lalu memanggil fungsi seperti “New SRS Card” dari menu layanan, kartu sederhana bisa langsung dibuat. Jika aplikasi SRS menyertakan layanan seperti ini, pembuatan kartu bisa jadi sangat cepat dan mudah
  • Saya menyelesaikan masalah ini dengan menaruh system prompt ke LLM. Setelah memahami suatu konsep di ChatGPT, saya meminta pembuatan flashcard lalu copy-paste ke Mochi. Ke depannya, saya berharap integrasi langsung penambahan kartu antara LLM dan Mochi akan berkembang lebih jauh
  • Dalam konteks pembelajaran bahasa, ada tool yang sangat bagus untuk “mining” dengan mengekstrak audio card atau subtitle dari YouTube/Netflix. Sebagiannya open source dan gratis, tetapi ada friksi saat pertama kali dipakai. Solusi berbayar sedikit lebih ramah
• Tips yang saya rekomendasikan saat belajar dengan LLM adalah membuat tool MCP yang menyimpan isi percakapan per topik ke csv di Google Drive lalu menyinkronkannya ke Anki. Pendekatan ini benar-benar game changer dalam cara saya menggunakan LLM. Dalam jangka panjang LLM memang bisa membuat kita berpikir lebih sedikit, tetapi kalau tetap mau dipakai, saya sarankan memanfaatkannya sebagai alat belajar
  • Saya membuat skrip Python yang memilih kartu dari dek Anki yang dijadwalkan untuk ditinjau keesokan harinya, lalu meminta LLM membuat kalimat-kalimat baru. Tujuannya bukan sekadar selalu bisa menebak kartu dengan benar, melainkan meningkatkan pengenalan kata dalam konteks baru. Dengan belajar dalam konteks yang beragam, saya berharap itu membantu pemerolehan bahasa yang sebenarnya
  • Saya ingin melihat posting blog tentang bagaimana tepatnya Anda menyinkronkan csv ke kartu Anki, dan seperti apa implementasi MCP yang menghasilkan output LLM menjadi csv
  • Voice mode ChatGPT 4o adalah pengalaman yang benar-benar revolusioner untuk belajar dasar bahasa Mandarin. Sangat membantu untuk menanyakan nama benda di rumah, hubungan antar-kata, membuat kalimat pendek, dan memeriksa tata bahasa. Memang belum ada MCP, tetapi Anda bisa memintanya merangkum isi percakapan ke format terstruktur
• Hal yang paling mengganggu bagi saya di Anki adalah model datanya. Menurut saya, “koleksi catatan” (yang dibuat sendiri, dihasilkan oleh LLM, atau layak dibagikan ke teman atau siswa) seharusnya dikelola secara hierarkis, lalu dari sana diturunkan set kartu akhir berdasarkan template. Riwayat peninjauan, model, dan cara membatasi kartu yang akan ditinjau dalam situasi tertentu (misalnya menulis bahasa Mandarin atau Jepang butuh kertas, jadi dek perlu difilter sesuai situasi) memerlukan pemisahan lapisan. Sebaliknya, di Anki semua itu tercampur dalam satu database, dan impor/ekspor/berbagi/manipulasi data eksternal juga sangat tidak nyaman. Saya frustrasi setiap kali tidak bisa memanipulasi data saya sesuka hati. Adakah yang tahu sistem tanpa masalah seperti ini?
  • Beberapa koleksi catatan, pembatasan kartu per sesi, semua itu cukup bisa dilakukan dengan dek dan tag Anki, Better Tags, subdek, dan sebagainya. Semua dek dipisah sebagai file tersendiri, model spaced repetition juga didukung banyak pilihan seperti FSRS. Ekspor/berbagi mudah di tingkat file (file terkompresi), dan ada banyak library serta tool untuk manipulasi eksternal, plus struktur berbasis open source dan library membuat ekstraksi data mudah. Ini kasus ketidakpuasan terhadap sistem lama yang saya selesaikan dengan Anki
  • Semua poin yang Anda sebutkan tidak sesuai fakta. Anki punya dokumentasi open source yang sangat baik. Jika seseorang bisa pemrograman, hampir semua hal bisa dilakukan dengan ChatGPT, dan saya juga sering melakukan data mining dari database sqlite
  • Model data Anki memang punya banyak ketidakefisienan. Memang ada struktur yang cukup tambal-sulam, seperti JSON yang dimasukkan ke satu baris tabel, karena tumbuh secara bertahap sehingga bentuknya jadi canggung. Sebaliknya, template dan fitur cloze deletion-nya (menyembunyikan sebagian untuk otomatis membuat beberapa kartu) sangat bagus, sampai sekarang saya justru bersyukur atas struktur itu. Saya sedang mendesain ulang skema Fresh Cards agar mengadopsi cloze deletion dan template. Di aplikasi saya, setiap atribut kartu dipisah menjadi tabel. Sulitnya dukungan sinkronisasi di masa awal Anki juga terkait dengan skema seperti ini
  • Ini hanya berlaku untuk pembelajaran bahasa, tetapi struktur seperti milik TheHardWay saya (https://thehardway.app), di mana flashcard terintegrasi dengan catatan Markdown, bisa jadi pilihan yang baik
  • Misalnya, jika kosakata terkait restoran dan kosakata terkait bandara dipisah ke masing-masing kelompok, pengguna bisa berasosiasi dengan lebih alami
• Saat kuliah saya memakai spaced repetition dengan cara berikut. Saya menyusun kata kunci yang harus dihafal secara vertikal dalam dokumen Word lalu menyimpannya sebagai PDF. Di samping tiap kata kunci di PDF, saya membuat field anotasi (nilainya). Saya mengklik anotasi untuk melihat jawaban, dan setiap kali terasa mudah dijawab, saya memindahkan anotasinya ke kiri; kalau membingungkan, saya pindahkan kembali ke kanan. Pada akhirnya, posisi tabel anotasi itu bisa dipakai untuk mengatur prioritas tinjauan. Ada banyak kekurangannya, tetapi cocok untuk saya, dan itu sebelum ada algoritme seperti yang sekarang dimiliki Anki, jadi kalau dilakukan hari ini mungkin pengalaman saya akan berbeda
  • Metode ini menarik, tetapi hanya dari penjelasannya saya masih sulit membayangkan visualnya. Kalau ada file contoh, saya ingin melihatnya
• Jika tertarik bereksperimen dengan FSRS, Open Spaced Repetition menyediakan paket Python, Typescript, dan Rust resmi (tautan GitHub masing-masing disediakan). ts-fsrs dan rs-fsrs mendukung FSRS 6, dan py-fsrs juga akan segera mendukungnya. Selain itu, py-fsrs dan fsrs-rs juga menyediakan optimasi model berdasarkan riwayat tinjauan masa lalu
  • Saya memakai paket Rust itu untuk pelatihan opening di Chessbook. Sangat mudah digunakan, mengurangi beban pengguna sekaligus meningkatkan tingkat retensi. Sistem FSRS benar-benar luar biasa
  • Jika Anda pengguna Ruby, lihat fork gem FSRS yang memperbaiki masalah interval kartu baru (https://github.com/arvindang/rb-fsrs). Itu dipindahkan dari versi Python yang asli
• Spaced repetition sudah populer selama 20 tahun, tetapi bukan solusi ajaib. Meski sudah ada puluhan aplikasi dan ribuan ceramah, pada akhirnya banyak orang tetap berhenti di tengah jalan, seperti halnya diet atau pengembangan diri. Saya pernah berpikir, “Kalau benar-benar peduli pada pendidikan anak, Google atau Apple seharusnya merilis sistem unlock yang mengharuskan menulis notecard setiap minggu dan hanya membuka kunci ponsel jika lolos.” Tentu harus ada cara untuk melewatinya dan mungkin tidak banyak yang benar-benar memasang, tetapi menurut saya perlu menjadi sedemikian membuminya dalam keseharian
  • Spaced repetition berfokus pada “optimasi waktu”, tetapi tidak efektif untuk manajemen diri atau motivasi. Jika beban waktunya besar, ia efisien, tetapi jika motivasi atau kontrol diri lemah, orang mudah burnout. Dalam kasus saya, berkat Anki saya sukses di GCSE dan A-level, tetapi kemudian burnout parah sampai akhirnya mengambil cuti kuliah. Jadi pada akhirnya Anki menjadi pendorong keberhasilan sekaligus alasan saya beristirahat
  • Pernyataan “bukan solusi ajaib” terasa hampa tanpa definisi kriteria. Sama seperti diet bukan solusi ajaib, bagi saya yang telah memakai SRS lebih dari 6 tahun, ini pengalaman yang mengubah hidup
  • SRS kurang mendapat perhatian dari orang-orang yang belum memahami perbedaan antara hafalan dan pemerolehan bahasa. Bagi orang yang menargetkan hafalan, ini disambut antusias, tetapi tujuan saya adalah kemampuan membaca bahasa Spanyol dan Prancis itu sendiri. Latihan berulang kosakata/contoh kalimat itu seperti perancah di lokasi konstruksi. Ia tidak dipakai secara langsung dalam bangunan akhir, tetapi sangat mempercepat keseluruhan proses. Hafalan dan pemerolehan bahasa bukan hal yang terpisah, melainkan saling membantu, dan saya berharap ini bisa dijelaskan dengan lebih baik
  • Jika berharap solusi ajaib, yang datang hanya kekecewaan. Pada akhirnya tetap dibutuhkan “kerja keras”. Ini hanya alat
  • SRS punya masalah UX dengan hambatan masuk yang tinggi. 1) Waktu untuk membuat kartu 2) Perlu penilaian mandiri 3) Struktur tunggal prompt-jawaban 4) Perlu belajar mandiri (scaffolding, tahap pemahaman). Lebih mendasar lagi, SRS unggul untuk “pertanyaan-jawaban yang presisi”, tetapi lemah dalam generalisasi. Pada praktiknya, ia lemah dalam membangun knowledge graph. Jika melihat perbedaan antara pengetahuan recall (hafalan) dan pengetahuan model logis, hafalan hampir bekerja seperti “lookup kamus”, sedangkan model logis (misalnya konsep matematika) jauh lebih kompleks. Pendukung SRS berargumen bahwa model logis pun pada dasarnya dibangun dari hafalan “sekumpulan fakta”, tetapi pada akhirnya nilai praktis SRS tidak jauh lebih dari “notebook yang tertata rapi”. Namun, untuk menjadi jenius, itu masih sangat jauh dari cukup
• Setelah hampir 10 tahun memakai Anki, saya merasa yang perlu diperbaiki hanya UI/desainnya. Bahkan lebih daripada otomatisasi algoritme, masalah besarnya adalah antarmuka aktualnya terasa membosankan bagi banyak pengguna baru. Fitur power user yang kuat itu bagus, tetapi kurang intuitif. Efek spacing adalah hal inti dalam pembelajaran manusia yang sangat diremehkan
  • Saya maintainer AnkiDroid. Saat ini saya sedang mengerjakan ulang total desain reviewer, dan itu bisa dilihat di opsi pengembang aplikasi production. Saya sendiri belum puas dengan desainnya, tetapi sumber daya kami memang sangat kurang. Kalau ada yang tertarik di sisi Android, silakan hubungi saya
  • Saya suka Anki, tetapi ini produk yang benar-benar terasa “dirancang oleh engineer”. Sangat kuat dan dalam, tetapi desainnya kasar dan tidak intuitif. Pembaca HN yang tech geek mungkin bisa mempelajarinya, tetapi pengguna Duolingo biasa akan kesulitan
  • Jendela editornya sangat tidak nyaman. Perbaikan paling mendesak ada di situ. Tab di jendela utama juga tidak benar-benar bekerja seperti tab sungguhan, dan mode dua tombol “Again/Good” di layar review seharusnya menjadi bawaan default. Bahkan hanya dengan mengumpulkan addon, ini akan populer dan mudah diimplementasikan
  • Selama bertahun-tahun saya banyak membaca tulisan tentang Anki dan SRS, tetapi belum pernah benar-benar memakainya. Saya penasaran bidang belajar apa yang paling layak direkomendasikan untuknya
  • Dibandingkan Duolingo, memang terasa membosankan. Meski begitu saya sudah memakainya bertahun-tahun. Akan lebih baik jika ada sedikit elemen game (streak, efek suara, dll.) sebagai opsi
• Saya menulis artikel “Why Anki Doesn’t Work for Me” 6 tahun lalu (sebelum perbaikan algoritme). Saya merasa ada banyak masalah pada Anki, tetapi karena algoritme baru telah memperbaiki keluhan inti saya, saya berencana mencobanya lagi. Saya penasaran apakah masalah lainnya masih akan menjadi hambatan
  • Saya beralih ke ekstensi FSRS saat A-level. Saya bahkan melakukan custom fitting ke pola belajar saya dengan Google Collab notebook. Jumlah review berkurang setengah, waktu review juga tersebar lebih baik sehingga jauh lebih nyaman. Efeknya setara atau bahkan lebih baik. Sangat merekomendasikan mencoba pendekatan baru ini
  • Saya juga punya pengalaman serupa. Anki terlalu terobsesi pada memori jangka pendek, dan setelah beberapa hari atau minggu saya hampir harus belajar ulang dari nol. Pada masa itu hampir semua komunitas SRS mengkultuskan Anki, tetapi saya menyerah
  • WaniKani punya UI SRS terbaik, tetapi karena algoritmenya usang, pada dasarnya tetap punya keterbatasan yang sama. Struktur “setelah review terakhir, kartu tidak perlu dilihat lagi selamanya” selalu membuat saya khawatir karena ada risiko kehilangan pengetahuan
• Hal yang menarik dari spaced repetition adalah asumsi bahwa “hafalan sederhana” memainkan peran yang jauh lebih penting dalam situasi tertentu daripada yang dianggap pendidikan modern. Dalam matematika dan pemrograman, ada anggapan bahwa pemahaman lebih penting daripada hafalan, tetapi spaced repetition bisa mengajukan sanggahan terhadap hal itu
  • Dalam proses sistem pendidikan beralih dari pra-Revolusi Industri ke zaman modern, terjadi pergeseran dari pendidikan klasik yang berpusat pada hafalan (Latin, Yunani) ke pendekatan “berpusat pada pemahaman”. Perubahan itu memang perlu saat itu, tetapi mungkin berlebihan. Saat ini hafalan diremehkan lebih dari yang semestinya
  • Pemrograman sekarang mengikuti gagasan “kalau perlu tinggal cari”. Namun, ada hal-hal yang memang harus dihafal (bahasa pemrograman, pola, dll.). Praktik itu seperti SRS tak terstruktur, dan pada bidang tertentu (misalnya pengembangan driver dengan C++) SRS sangat membantu
  • Operasi yang digunakan berulang kali (seperti perkalian) harus diinternalisasi lewat hafalan agar bisa fokus mempelajari konsep yang lebih tinggi. Struktur ini adalah inti efisiensi belajar
  • Hafalan adalah prasyarat pemahaman. Apa yang tidak bisa diingat tidak bisa dipahami
  • Perbedaan antara pengetahuan berbasis recall dan pengetahuan berbasis model logis sangat menarik. LLM secara khas lebih dekat ke yang pertama, dan karena itu punya keterbatasan besar dalam matematika