単語ごとの採点がSRSに効く理由、語ごとのフィードバックが重要なわけ

先に結論

間隔反復で大事なのは、文全体ではなく、覚えるべき「項目」を正しく記録することです。1つの語尾だけ間違えたのに文全体を不正解にすると、ほかの語彙や文法まで一緒に罰せられます。逆に、弱い1点があるのに文全体を正解扱いにすると、本当に復習すべき項目が見逃されます。

LinGoat がいう granular attribution は、この問題を避けるための考え方です。文の中の語彙や文法の各概念を個別に採点し、その結果をスケジューラに渡します。これなら、複数の概念を含む文練習でも、FSRS のような間隔反復の仕組みと矛盾しません。全体像は LinGoat の学習設計全体 と 間隔反復の仕組み もご覧ください。

単語ごとの採点とは何か

翻訳問題では、最終的にターゲット言語の文を1つ作ります。単語ごとの採点は、その文字列全体を「正しい」「間違い」で終わらせません。動詞の形、前置詞、名詞、時制マーカーなど、文の中にある追跡対象の概念ごとに成功か失敗かを割り当てます。

granular attribution は、LinGoat におけるその処理の呼び名です。学習者にとっては、どの部分が失敗したのかを知ることが重要で、アプリ側はその部分だけを再出題すべきです。すぐに局所的なフィードバックが返ると、「文全体がダメだった」という曖昧な感覚ではなく、いま試した仮説をその場で修正できます。

文全体の合否だけでは SRS が崩れる

間隔反復は、1回の復習が1つの記憶についてのきれいなシグナルだと仮定しています。FSRS のような現代的なスケジューラは、項目ごとの再生可能性、安定性、難易度をモデル化し、その項目に対する評価をもとに更新します。¹ 5つの復習対象を含む文は練習としては効率的ですが、システムが結果を5つに分解できる場合に限ります。

文全体の合否で処理すると、その5つのシグナルが1ビットに潰れます。

• 偽の失敗: 語尾を1つ落としただけなのに、他の4つの語まで忘れた扱いになります。すでに十分できている項目の間隔まで縮み、不要な復習が増えます。
• 偽の成功: ほとんど合っていても、危うい概念が1つあるのに「Good」として通ってしまいます。すると、その項目の間隔が伸びすぎて、次に出てくるのが遅くなります。
• 平均化されただけの評価: 文全体に対する中間評価、たとえば「Hard」でも、どの概念が難しかったのかは FSRS に伝わりません。難易度や安定性の更新が、無関係な記憶にまでにじみます。

これは単なる UI の好みの話ではありません。マスター状況を追跡すると主張する適応型アプリにとって、項目レベルの結果は必須です。文全体への単純な賛否は代わりになりません。詳しくは 適応型言語アプリが追跡すべき指標 をご覧ください。

FSRS が復習ごとに必要とするもの

FSRS を含む間隔反復モデルは、受け取る復習ログの質に大きく左右されます。Ye, Su, Cao (2022) は、次にいつ出題すれば予測再生率を目標の保持率に近づけられるかを最適化問題として整理しています。¹ その最適化は、記録された各評価が特定の記憶単位に対応していることを前提にしています。

FSRS と従来の SM-2 系ヒューリスティックを比較するベンチマークでも、段落全体の点数ではなく、カード単位の復習履歴を使って予測誤差を評価しています。² もしあなたの「カード」が実際には複数概念を含む文で、しかも保存しているのが塊としての合否だけなら、項目ごとのモデルに壊れたラベルを学習させているのと同じです。

学習研究の側から見ても、記憶を強くするのは、気分の良い文章全体の評価ではなく、知りたい情報そのものを取り出そうとする再生試行です。³ つまり、練習形式として文産出を使うことはできますが、採点層はどの概念が正しく想起されたかを切り分ける必要があります。

大人向けの言い換えフィードバックとして考えると分かりやすい

第一言語の発達では、周囲の大人が子どもの誤りを局所的に言い換えることがあります。たとえば、子どもが「I eated」と言ったら、大人が「you ate」と返すような形です。成人の言い換えに関する研究では、こうしたフィードバックは仮説を修正する助けになる否定的証拠として扱われます。⁴

大人の学習者が1日に何千回も口頭で言い換えを受けることはありません。書き言葉の単語ごとの採点は、子どもへの会話フィードバックと完全に同じではありませんが、役割はよく似ています。失敗した場所を局所化して、文全体を捨てるのではなく、正しい規則だけを更新できるようにするのです。LinGoat はこの信号を、フィードバックにもスケジューリングにも使います。会話相手の代わりになる、という主張ではなく、文ベースの練習と SRS を組み合わせたものです。

翻訳学習や複合概念レビューとのつながり

granular attribution があるからこそ、翻訳練習 をスケジューラに接続できます。翻訳では、学習者はその時点で出題対象の概念を避けずに答える必要があります。単語ごとの採点が、その強制された試行を、概念ごとのきれいな結果に変えます。

同じ理屈は 複数概念の文レビュー にも当てはまります。1つの自然な文に複数の復習項目を詰め込んで時間を節約できるのは、それぞれの項目が独立して成功・失敗できる場合だけです。分解できなければ、「効率的なまとめ」はただの汚染になります。

LinGoat は、出題対象の概念に合わせて新しい文を生成し、各概念を個別に採点し、FSRS で再出題を調整します。この組み合わせが中核です。つまり、間隔、産出、granular attribution を同時に回します。LinGoat の仕組みをご覧いただくか、アプリを開いて練習を始めてください。

参考文献

1. Ye, J., Su, J., & Cao, Y. (2022). A stochastic shortest path algorithm for optimizing spaced repetition scheduling. In Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (pp. 4384-4394). Association for Computing Machinery. https://doi.org/10.1145/3534678.3539081
2. Expertium. (2025). Benchmark of spaced repetition algorithms. https://expertium.github.io/Benchmark.html
3. Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249-255. https://doi.org/10.1111/j.1467-9280.2006.01693.x
4. Chouinard, M. M., & Clark, E. V. (2003). Adult reformulations of child errors as negative evidence. Journal of Child Language, 30(3), 637-669. https://doi.org/10.1017/S0305000903005701