对对对！背后的科学

超越间隔重复

传统闪卡应用使用间隔重复：展示一张卡片，等一段时间，再展示一次。这有效，但很粗糙。它不知道你是否不堪重负。它不理解认识两个汉字意味着你可能已经准备好学习它们组成的词了。它把每张卡片当作孤岛。

对对对！更进一步。它使用贝叶斯水平模型，不仅追踪你是否认识一张卡片，还追踪系统对这一判断的置信度。一张你从未见过的卡片是真正的未知。一张你复习了五十次结果不一的卡片是已知的挑战。这是根本不同的情况，需要不同的策略，对对对！会相应处理。

双层智能

学习系统同时在两个层面运作：

你的整体水平通过项目反应理论（Item Response Theory）追踪——这与标准化考试使用的数学框架相同。随着你复习卡片，系统建立起你中文水平的精确估计，包括置信区间。它不仅知道你在哪里，还知道对这个估计有多确定。

你对每张卡片的掌握情况使用贝叶斯统计单独建模。每个汉字、词语和短语都有自己的水平估计，随每次复习更新。系统区分你已掌握的卡片、正在学习的卡片和尚未接触的卡片。

这两个层面协同工作。你的技能水平指导引入哪些新内容。你的单卡水平决定复习什么以及何时复习。结果是一种毫不费力的学习体验，因为难度始终校准在你的最佳区域。

组合式知识建模

中文特别适合组合式学习。汉字由部首组成。词由汉字组成。短语由词组成。在每个层面，意义都由更小的部分构建。

对对对！明确地建模了这种结构。当你成功复习像好吃（delicious）这样的短语时，系统不只是更新那一张卡片。它将证据向下传播到组成部分——好（good）和吃（eat）——同时调整它们的水平估计。当你学习新汉字时，系统会前瞻性地识别哪些词语和短语现在在你的能力范围内。

这种组合式方法意味着每次复习都一举两得：你在学习面前的特定内容的同时，也在为包含它的一切打基础。

智能卡片选择

选择下一张展示给你的卡片是应用做出的最重要决定，对对对！对此非常认真。系统不是简单地按计划推送，而是从多个维度评估每张候选卡片：

• 信息价值：这张卡片能教系统多少关于你能力的信息？在你知识边界附近的卡片信息量最大。
• 学习价值：复习这张卡片能在多大程度上真正提高你的中文？在你的最佳挑战区域——不太容易也不太难——学习效果最大化。
• 认知适配：你现在有足够的脑力来处理这张卡片吗？如果你接近极限，系统会倾向于巩固而非引入新内容。
• 组合准备度：你是否掌握了足够的组成部分？系统不会在你还没见过任何汉字的情况下展示一个四字短语。

这些因素之间的权重动态变化。早期，系统优先评估——弄清楚你已经知道什么。随着不确定性降低，它转向优化学习。你不会注意到这种过渡，因为它是逐张卡片渐进发生的。

认知负荷管理

信息过载是语言学习的无声杀手。大多数应用让你不断添加卡片直到被复习淹没，然后责怪你跟不上。

对对对！使用基于信息论的模型实时测量你的认知负荷。每张活跃卡片根据三个因素贡献你的脑力负担：你对它的不确定程度（高不确定性=高注意力需求）、它相对于你水平的难度（相对更难的卡片需要更多努力），以及你是否开始掌握它（部分掌握的卡片逐渐释放对你注意力的占用）。

你的总容量随着进步而增长。初学者可能舒适地处理10张活跃卡片；中级学习者可能是100张。系统自动管理这一切，在你负载高时限制引入新内容，在有空间时放开。结果是一个始终感觉可持续的学习节奏。

合理的难度设计

对对对！语料库中的每个项目都有一个难度分数，反映学习它的挑战程度。对于基础汉字，这些分数是根据专家教学判断和实际教学经验人工策划的。对于多字词和短语，难度从组成部分数学计算得出——更难的部分组成更难的整体，但关系不是简单的加法。

这创造了一个涌现式课程：单个汉字从最简单到最复杂排列。部首在你见过足够多汉字来识别模式后出现。词语和短语自然跟随其组成部分的难度。你永远不需要想接下来该学什么——难度阶梯内置于内容本身。