27 KiB

Raw Blame History

智能複習系統需求規格書 (SRS)

版本: 1.5 日期: 2025-09-25 項目: DramaLing 英語詞彙學習平台

1. 項目概述

1.1 業務目標

提升詞彙學習效率，通過科學的間隔重複算法，幫助學習者在最佳時機復習，達到長期記憶效果。

1.2 問題陳述

當前問題：

現有復習算法 (2^成功次數) 增長過快，僅需9次成功就達到365天間隔
學習者過早停止復習，導致詞彙遺忘
缺乏個人化調整，所有詞彙使用相同復習頻率
熟悉度計算不準確，無法反映真實學習進度

影響：

學習效率低下，重複學習已熟悉詞彙
困難詞彙復習不足，容易遺忘
學習者無法獲得準確的進度反饋

1.3 預期效益

學習效率提升 30%：更精準的復習時機
長期記憶率提升 40%：科學的間隔設計
用戶滿意度提升：個人化學習體驗
系統可擴展性：支援未來複雜學習策略

2. 用戶需求

2.1 目標用戶

主要用戶: 英語學習者（A1-C2各程度）
次要用戶: 教師、內容創建者

2.2 用戶故事 (User Stories)

US-001: 智能復習排程

作為學習者 我希望系統能根據我的學習表現智能安排復習時間以便我能在最佳時機復習，提高學習效率

驗收標準：

系統根據答題表現動態調整復習間隔
表現好的詞彙間隔延長，表現差的間隔縮短
新詞卡的第一次復習在合理時間內安排

US-002: 個人化學習路徑

作為不同程度的學習者 我希望復習頻率能根據我的程度和詞彙難度調整以便得到適合我程度的學習計畫

驗收標準：

A1學習者學習C1詞彙時復習頻率較高
C1學習者學習A1詞彙時復習頻率較低
系統能識別學習者程度並自動調整

US-003: 準確的進度反饋

作為學習者 我希望能看到準確的詞彙熟悉程度以便了解自己的真實學習進度

驗收標準：

熟悉程度反映真實記憶強度
進度顯示平滑增長，避免突然跳躍
能區分短期記憶和長期記憶

2.3 使用場景

場景1: 日常復習

學習者打開應用，查看今日復習列表
系統根據復習算法推薦到期詞彙
學習者完成復習，提供答題反饋
系統更新復習間隔和熟悉程度
學習者查看學習進度報告

場景2: 新詞學習

學習者新增詞彙到學習列表
系統設定初始復習間隔（1天）
隔天學習者進行第一次復習
根據表現調整後續復習計劃
系統追蹤學習軌跡

場景3: 逾期復習處理

學習者有詞卡預定在2025-09-20復習，但未及時完成
學習者在2025-09-25才進行復習（逾期5天）
系統檢測逾期天數，應用記憶衰減模型調整熟悉程度
學習者完成復習，系統應用中度逾期懲罰係數(0.75)
系統計算新間隔 = (原間隔 × 增長係數 × 表現係數) × 0.75
更新NextReviewDate和調整後的熟悉程度
記錄逾期統計數據，用於學習分析

3. 功能需求

3.1 核心功能模組

F-001: 間隔計算引擎

描述: 實作新的復習間隔計算算法

輸入：

當前間隔天數 (IntervalDays)
答題結果 (isCorrect: boolean)
信心程度 (confidenceLevel: 1-5, 翻卡題必須提供)
預定復習日期 (NextReviewDate)
實際復習日期 (ActualReviewDate)

處理邏輯：

步驟1: 計算逾期天數 = 實際復習日期 - 預定復習日期
步驟2: 應用記憶衰減調整熟悉程度
步驟3: 計算逾期懲罰係數
步驟4: 新間隔 = (當前間隔 × 增長係數 × 表現係數) × 逾期懲罰係數

增長係數:
- 1-7天: 1.8
- 8-30天: 1.4
- 31-90天: 1.2
- 91天以上: 1.1

表現係數:
- 翻卡題 (根據信心程度 1-5):
  * 信心程度 1: 0.5
  * 信心程度 2: 0.7
  * 信心程度 3: 0.9
  * 信心程度 4: 1.1
  * 信心程度 5: 1.4
- 客觀題: 1.1 (答對) / 0.6 (答錯)

逾期懲罰係數:
- 準時 (0天): 1.0 (無懲罰)
- 輕度逾期 (1-3天): 0.9 (10%懲罰)
- 中度逾期 (4-7天): 0.75 (25%懲罰)
- 重度逾期 (8-30天): 0.5 (50%懲罰)
- 極度逾期 (>30天): 0.3 (70%懲罰)

輸入驗證規則：

// 必須驗證的邊界條件
if (intervalDays < 0 || intervalDays > 365)
    throw new ArgumentOutOfRangeException("間隔天數必須在 0-365 範圍內");

if (confidenceLevel.HasValue && (confidenceLevel < 1 || confidenceLevel > 5))
    throw new ArgumentOutOfRangeException("信心程度必須在 1-5 範圍內");

輸出：

新間隔天數 (1-365天)
下次復習日期
更新後的熟悉程度

F-002: 熟悉程度計算

描述: 重新設計熟悉程度計算邏輯

統一計算公式：

// 多因子熟悉程度計算公式（含邊界條件處理）
public static int CalculateMasteryLevel(int timesCorrect, int totalReviews, int currentInterval)
{
    // 輸入驗證
    if (timesCorrect < 0 || totalReviews < 0 || currentInterval < 0)
        throw new ArgumentException("參數不能為負數");

    if (timesCorrect > totalReviews)
        throw new ArgumentException("成功次數不能超過總複習次數");

    if (currentInterval > 365)
        throw new ArgumentException("間隔不能超過365天");

    // 邊界條件：無複習記錄時返回0
    if (totalReviews == 0)
        return 0;

    var successRate = (double)timesCorrect / totalReviews;
    var baseScore = Math.Min(timesCorrect * 8, 60);        // 成功次數分數 (最多60分)
    var intervalBonus = Math.Min(currentInterval / 365.0 * 25, 25);  // 間隔獎勵 (最多25分)
    var accuracyBonus = successRate * 15;                  // 準確率獎勵 (最多15分)

    return Math.Min(100, (int)Math.Round(baseScore + intervalBonus + accuracyBonus));
}

公式說明：

成功次數分數 (60%)：Math.Min(timesCorrect * 8, 60) - 反映學習次數
間隔獎勵 (25%)：Math.Min(currentInterval / 365.0 * 25, 25) - 反映記憶持久性
準確率獎勵 (15%)：successRate * 15 - 反映學習質量

業務規則：

新詞彙從0%開始
復習3次後約15-25%熟悉度
復習10次後約40-65%熟悉度
達到90天間隔時約50-70%熟悉度
達到365天間隔時約80-100%熟悉度

F-003: 復習排程系統

描述: 根據新算法生成每日復習列表

功能：

查詢到期詞彙 (NextReviewDate <= 今天)
按優先級排序 (過期天數、難度等)
支援每日復習上限設定
智能分散，避免同時大量到期

F-004: 錯誤處理與資料驗證

描述: 全面的輸入驗證和錯誤處理機制

驗證層級：

API層驗證：請求格式、必填欄位、資料類型
業務邏輯層驗證：業務規則、數值範圍、邏輯一致性
資料層驗證：資料庫約束、參照完整性

錯誤分類：

public enum ReviewErrorCode
{
    INVALID_INPUT = 4001,           // 輸入格式錯誤
    MISSING_REQUIRED_FIELD = 4002,  // 缺少必填欄位
    VALUE_OUT_OF_RANGE = 4003,      // 數值超出範圍
    DATA_INCONSISTENCY = 4004,      // 資料不一致
    FLASHCARD_NOT_FOUND = 4005,     // 詞卡不存在
    CALCULATION_ERROR = 5001        // 計算錯誤
}

錯誤回應格式：

{
  "success": false,
  "error": {
    "code": "VALUE_OUT_OF_RANGE",
    "message": "信心程度必須在 1-5 範圍內",
    "field": "confidenceLevel",
    "value": 6,
    "timestamp": "2025-09-25T10:30:00Z"
  }
}

F-005: 資料遷移與相容性

描述: 確保現有資料平滑遷移到新算法

遷移策略：

階段式部署：新舊算法並行運行
資料備份：遷移前完整備份
驗證機制：遷移後資料一致性檢查
回滾準備：快速回滾到舊版本

遷移腳本需求：

-- 為現有資料補充預設值
UPDATE Flashcards
SET TimesCorrect = COALESCE(TimesCorrect, 0),
    TotalReviews = COALESCE(TotalReviews, 0)
WHERE TimesCorrect IS NULL OR TotalReviews IS NULL;

-- 資料一致性修正
UPDATE Flashcards
SET TimesCorrect = TotalReviews
WHERE TimesCorrect > TotalReviews;

F-006: 監控指標與效果評估

描述: 定義明確的系統監控指標和學習效果評估標準

核心指標定義：

學習效率指標：

學習完成率 = 當日完成複習數 / 當日到期複習數 × 100%
平均復習時間 = 總復習時間 / 完成復習數
學習一致性 = 連續7天學習完成率均 > 80% 的比例

記憶效果指標：

短期記憶率 = 7天內再次復習的正確率
長期記憶率 = 30天後仍能正確回答的比例
記憶穩定性 = 間隔 > 30天的詞彙正確率

算法效能指標：

間隔適中性 = 復習間隔在 1-365天範圍內的比例
熟悉程度準確性 = 實際表現與預測熟悉程度的相關係數
算法響應時間 = 間隔計算平均耗時 (ms)

用戶體驗指標：

學習滿意度 = 用戶評分 (1-5分)
系統使用頻率 = 每週平均使用天數
學習目標達成率 = 達成個人學習目標的用戶比例

監控實現：

public class LearningMetrics
{
    // 實時計算學習完成率
    public decimal CalculateCompletionRate(DateTime date, int userId)
    {
        var due = GetDueFlashcardsCount(date, userId);
        var completed = GetCompletedReviewsCount(date, userId);
        return due > 0 ? (decimal)completed / due * 100 : 0;
    }

    // 計算長期記憶率
    public decimal CalculateLongTermRetention(int userId, int daysPast = 30)
    {
        var reviews = GetReviewsAfterDays(userId, daysPast);
        var correct = reviews.Count(r => r.IsCorrect);
        return reviews.Count > 0 ? (decimal)correct / reviews.Count * 100 : 0;
    }
}

F-007: 配置參數管理

描述: 將算法參數外部化，提升系統可維護性和可調優性

配置結構：

{
  "SpacedRepetition": {
    "GrowthFactors": {
      "ShortTerm": { "Days": "1-7", "Factor": 1.8 },
      "MediumTerm": { "Days": "8-30", "Factor": 1.4 },
      "LongTerm": { "Days": "31-90", "Factor": 1.2 },
      "VeryLongTerm": { "Days": "91+", "Factor": 1.1 }
    },
    "PerformanceFactors": {
      "Confidence": {
        "Level1": 0.5,
        "Level2": 0.7,
        "Level3": 0.9,
        "Level4": 1.1,
        "Level5": 1.4
      },
      "ObjectiveQuestions": {
        "Correct": 1.1,
        "Incorrect": 0.6
      }
    },
    "MasteryCalculation": {
      "BaseScoreWeight": 0.6,
      "IntervalBonusWeight": 0.25,
      "AccuracyBonusWeight": 0.15,
      "MaxInterval": 365
    }
  },
  "Monitoring": {
    "MetricsCalculationInterval": "1h",
    "RetentionTestDays": [7, 30, 90],
    "AlertThresholds": {
      "CompletionRateMin": 0.7,
      "ResponseTimeMax": 100
    }
  }
}

配置管理服務：

public class SpacedRepetitionConfig
{
    public GrowthFactors GrowthFactors { get; set; }
    public PerformanceFactors PerformanceFactors { get; set; }
    public MasteryCalculation MasteryCalculation { get; set; }
}

public interface IConfigurationService
{
    SpacedRepetitionConfig GetSpacedRepetitionConfig();
    void UpdateConfiguration(SpacedRepetitionConfig config);
    bool ValidateConfiguration(SpacedRepetitionConfig config);
}

配置熱更新：

支援運行時配置更新
配置變更記錄與版本控制
A/B測試配置支援

F-008: 逾期復習處理機制

描述: 處理用戶未按時復習詞卡的情況，實現記憶衰減模型和逾期懲罰機制

逾期定義：

逾期天數 = 當前日期 - 預定復習日期
逾期狀態 = 逾期天數 > 0

逾期分級：

- 準時復習: 0天 (無懲罰)
- 輕度逾期: 1-3天 (輕微懲罰)
- 中度逾期: 4-7天 (中等懲罰)
- 重度逾期: 8-30天 (重度懲罰)
- 極度逾期: 30天以上 (接近重學)

逾期懲罰係數算法：

public static double CalculateOverduePenalty(int overdueDays)
{
    if (overdueDays <= 0) return 1.0;           // 準時，無懲罰
    if (overdueDays <= 3) return 0.9;           // 輕度逾期，10%懲罰
    if (overdueDays <= 7) return 0.75;          // 中度逾期，25%懲罰
    if (overdueDays <= 30) return 0.5;          // 重度逾期，50%懲罰
    return 0.3;                                 // 極度逾期，70%懲罰
}

記憶衰減模型：

public static int CalculateMemoryDecay(int originalMastery, int overdueDays)
{
    if (overdueDays <= 0) return originalMastery;

    double decayFactor = Math.Pow(0.95, Math.Min(overdueDays, 30)); // 每天衰減5%
    int adjustedMastery = (int)(originalMastery * decayFactor);

    return Math.Max(adjustedMastery, 0); // 最低不低於0%
}

修正後的間隔計算公式：

新間隔 = (當前間隔 × 增長係數 × 表現係數) × 逾期懲罰係數

逾期處理流程：

計算逾期天數：當前日期 - NextReviewDate
記憶衰減調整：調整當前熟悉程度
懲罰係數應用：計算逾期懲罰係數
間隔重新計算：應用修正公式
數據更新：更新間隔、日期、熟悉程度

特殊處理規則：

極度逾期 (>30天)：熟悉程度降至原值的30%，間隔重置為較小值
連續逾期：連續多次逾期的詞卡，額外增加5%懲罰
首次復習：新詞卡的首次復習逾期，懲罰係數減半

逾期統計指標：

逾期率 = 逾期復習數 / 總到期復習數 × 100%
平均逾期天數 = 總逾期天數 / 逾期復習數
記憶保持率 = 逾期後正確率 / 準時復習正確率

3.2 API需求

API-001: 復習記錄API

POST /api/flashcards/{id}/review
Content-Type: application/json

{
  "isCorrect": boolean,
  "confidenceLevel": number,    // 1-5, 翻卡題必須提供
  "questionType": "flipcard" | "multiple_choice" | "fill_blank"
}

成功響應：

{
  "success": true,
  "data": {
    "newInterval": 15,
    "nextReviewDate": "2025-10-10",
    "masteryLevel": 65,
    "improvementTip": "表現優秀，繼續保持！"
  }
}

錯誤響應：

{
  "success": false,
  "error": {
    "code": "INVALID_INPUT",
    "message": "信心程度必須在 1-5 範圍內",
    "field": "confidenceLevel"
  }
}

輸入驗證規則：

isCorrect: 必填布林值
confidenceLevel: 翻卡題必填，範圍 1-5
questionType: 必填，限定枚舉值

API-002: 復習列表API

GET /api/flashcards/due?date=2025-09-25&limit=50

響應：

{
  "success": true,
  "data": {
    "dueFlashcards": [...],
    "totalCount": 23,
    "priority": "由優先級排序"
  }
}

API-003: 學習指標API

GET /api/metrics/learning?userId={id}&period=7d&metrics=completion,retention

響應：

{
  "success": true,
  "data": {
    "period": "7d",
    "metrics": {
      "completionRate": 85.5,
      "averageReviewTime": 45.2,
      "learningConsistency": 0.71,
      "shortTermRetention": 78.3,
      "longTermRetention": 65.8
    },
    "trends": {
      "completionRate": "+5.2%",
      "retention": "-2.1%"
    }
  }
}

API-004: 配置管理API

GET /api/config/spaced-repetition
PUT /api/config/spaced-repetition

取得配置響應：

{
  "success": true,
  "data": {
    "version": "1.4.0",
    "config": {
      "growthFactors": {
        "shortTerm": 1.8,
        "mediumTerm": 1.4,
        "longTerm": 1.2,
        "veryLongTerm": 1.1
      },
      "performanceFactors": {...},
      "lastModified": "2025-09-25T10:30:00Z",
      "modifiedBy": "admin"
    }
  }
}

更新配置請求：

{
  "config": {...},
  "reason": "調整短期復習間隔",
  "effectiveDate": "2025-09-26T00:00:00Z"
}

4. 非功能需求

4.1 性能需求

計算響應時間: < 100ms
復習列表載入: < 500ms
支援並發用戶: 1000+ 同時在線
資料庫查詢優化: 使用索引，避免全表掃描

4.2 可靠性需求

算法準確性: 100%正確計算間隔
資料一致性: 確保 IntervalDays 和 NextReviewDate 同步
錯誤處理: 優雅處理邊界條件和異常輸入

4.3 可用性需求

學習曲線: 新算法對用戶透明，無需額外學習
向後相容: 現有詞卡資料平滑遷移
配置靈活: 算法參數可調整

5. 驗收標準

5.1 功能驗收

AC-001: 算法正確性

新詞卡第一次答對間隔為2天
新詞卡第一次答錯間隔為1天
連續答對的詞彙間隔逐漸增長
答錯的詞彙間隔適度縮短
間隔永不超過365天
輸入負數時拋出適當異常
成功次數超過總次數時拋出異常
信心程度超出1-5範圍時拋出異常

AC-002: 熟悉程度準確性 (統一公式)

新詞彙熟悉程度為0%
totalReviews=0時熟悉程度為0%
復習3次（2次正確）熟悉程度約15-25%
復習10次（8次正確）熟悉程度約40-65%
達到90天間隔時熟悉程度約50-70%
準確率100%且達到365天間隔時熟悉程度約85-100%
邊界條件處理正確（無異常拋出）

AC-003: 系統整合

與現有 Flashcard 實體相容
API響應包含所有必要資訊
前端正確顯示新的熟悉程度

AC-004: 監控指標準確性

學習完成率計算正確 (±2% 誤差內)
長期記憶率追蹤 30天數據準確
指標API響應時間 < 200ms
指標數據每小時更新一次

AC-005: 配置管理功能

配置參數熱更新無需重啟服務
配置變更記錄完整保存
無效配置自動回滾到上一版本
配置API權限控制正確

AC-006: 逾期復習處理正確性

逾期天數計算準確 (日期差值正確)
逾期分級判斷正確 (1-3天輕度，4-7天中度等)
懲罰係數應用正確 (間隔相應縮短)
記憶衰減計算正確 (每天5%衰減率)
特殊情況處理正確 (首次復習、連續逾期等)
極度逾期重學邏輯正確 (熟悉程度大幅降低)
逾期統計指標計算準確

5.2 性能驗收

間隔計算 < 50ms
復習列表生成 < 200ms
1000個詞卡批次更新 < 5s

5.3 用戶體驗驗收

復習頻率感覺合理，不會太頻繁或太稀疏
學習進度顯示直觀
系統切換對用戶無感知

6. 技術約束

6.1 現有系統整合

資料庫相容: 必須使用現有 Flashcard 實體結構
API相容: 保持現有 API 介面不變
前端整合: 熟悉程度顯示邏輯需更新

6.2 實作限制

開發時間: 2-3個工作日
測試時間: 1個工作日
上線影響: 零停機時間部署

6.3 技術選擇

算法實作: C# 服務類別
資料儲存: SQLite 資料庫
配置管理: appsettings.json

7. 實作規劃

7.1 開發階段

階段1: 核心算法實作 (Day 1)

創建 SpacedRepetitionService 服務
實作間隔計算邏輯
單元測試覆蓋

階段2: API整合 (Day 2)

修改 FlashcardsController
更新復習相關端點
整合測試

階段3: 前端更新 (Day 3)

更新熟悉程度顯示
修改復習界面
端到端測試

7.2 測試策略

單元測試: 算法邏輯正確性
整合測試: API和資料庫整合
用戶測試: 實際學習場景驗證

7.3 部署計劃

階段式部署策略

Phase 1 (10% 用戶): 內部測試和算法驗證
Phase 2 (30% 用戶): 擴大測試範圍，收集指標數據
Phase 3 (100% 用戶): 全量部署新算法

配置管理部署

配置熱更新: 支援運行時參數調整
配置版本控制: 每次變更記錄版本和變更原因
自動回滾: 檢測到異常時自動恢復前一版本配置
監控告警: 配置變更後24小時內密切監控關鍵指標

監控指標

實時監控: 學習完成率、記憶率、響應時間
告警閾值: 完成率 < 70% 或響應時間 > 100ms 時觸發告警
數據收集: 每小時更新指標數據，生成每日/週報告

回滾準備

快速切換: 一鍵切換回舊算法 (< 5分鐘)
數據備份: 部署前完整備份所有學習數據
兼容性: 新舊算法數據結構完全兼容

8. 風險評估

8.1 技術風險

風險: 新算法可能影響現有學習進度
緩解: 平滑遷移策略，保持用戶體驗一致性

8.2 業務風險

風險: 用戶可能不適應新的復習頻率
緩解: 提供算法切換選項，漸進式推出

8.3 性能風險

風險: 複雜算法可能影響系統性能
緩解: 算法預計算，結果快取

9. 驗證和測試

9.1 測試用例

TC-001: 新詞卡復習測試

前置條件: 用戶新增詞卡 "entrepreneurship"
測試步驟:
1. 系統設定 IntervalDays = 1
2. 用戶第一次復習答對
3. 驗證新間隔 = 2天
4. 用戶第二次復習答錯
5. 驗證新間隔 = 約2-3天（不增長太多）

預期結果: 間隔計算符合算法邏輯

TC-002: 長期學習軌跡測試

前置條件: 模擬一個詞彙的15次復習
測試步驟:
1. 模擬連續答對的情況
2. 記錄每次間隔變化
3. 驗證熟悉程度增長曲線
4. 確認最終間隔不超過365天

預期結果: 學習軌跡符合預期，熟悉程度平滑增長

TC-003: 邊界條件測試

測試場景: 異常輸入處理
測試步驟:
1. 測試 totalReviews = 0 的情況
2. 測試 timesCorrect > totalReviews 的情況
3. 測試負數輸入
4. 測試信心等級超出範圍
5. 測試間隔超過365天

預期結果: 所有異常情況都能正確處理，返回適當錯誤訊息

TC-004: 信心等級映射測試

測試場景: 翻卡題信心等級處理
測試步驟:
1. 測試信心等級1-5的表現係數計算
2. 驗證間隔計算結果的合理性
3. 確認不同信心等級的學習軌跡差異

預期結果: 信心等級正確映射到表現係數，影響間隔計算

TC-005: 逾期復習處理測試

測試場景: 不同程度的逾期復習處理
測試步驟:
1. 輕度逾期測試 (預定9/23，實際9/26復習)
   - 逾期天數 = 3天
   - 懲罰係數 = 0.9
   - 驗證間隔縮短10%
2. 重度逾期測試 (預定9/15，實際9/25復習)
   - 逾期天數 = 10天
   - 懲罰係數 = 0.5
   - 驗證熟悉程度衰減和間隔大幅縮短
3. 極度逾期測試 (預定8/25，實際9/25復習)
   - 逾期天數 = 31天
   - 懲罰係數 = 0.3
   - 驗證接近重學狀態

預期結果: 逾期天數正確影響間隔計算和熟悉程度

TC-006: 記憶衰減模型測試

測試場景: 不同逾期天數的記憶衰減驗證
測試數據:
- 原始熟悉程度: 80%
- 逾期3天: 預期約73% (80% × 0.95³)
- 逾期7天: 預期約56% (80% × 0.95⁷)
- 逾期15天: 預期約38% (80% × 0.95¹⁵)
- 逾期30天: 預期約17% (80% × 0.95³⁰)

預期結果: 記憶衰減計算正確，符合指數衰減模型

TC-007: 逾期特殊情況測試

測試場景: 特殊逾期情況處理
測試步驟:
1. 新詞卡首次復習逾期 (懲罰係數減半)
2. 連續逾期詞卡處理 (額外5%懲罰)
3. 極度逾期後答錯處理 (雙重懲罰)
4. 逾期但表現優秀 (高信心等級) 的權衡

預期結果: 特殊規則正確應用，邏輯合理

9.2 性能基準

算法計算: 平均 < 10ms，P99 < 50ms
資料庫更新: 平均 < 20ms，P99 < 100ms
內存使用: 增加 < 10MB

10. 附錄

10.1 術語定義

間隔 (Interval): 兩次復習之間的天數
熟悉程度 (Mastery Level): 詞彙掌握程度百分比
增長係數: 間隔增長的倍數
表現係數: 根據答題表現的調整倍數

10.2 參考資料

Hermann Ebbinghaus 遺忘曲線理論
SuperMemo SM-2 算法
Anki 間隔重複實作

10.3 相關文檔

複習算法優化建議.md
複習算法完整設計方案.md
複習算法簡化說明.md

11. 修訂記錄

版本	日期	修改內容	修改者
1.0	2025-09-25	初始版本	系統分析師
1.1	2025-09-25	修正熟悉程度計算邏輯矛盾 - 統一F-002中的計算公式 - 更新AC-002驗收標準 - 添加詳細公式說明和權重分配	Claude AI
1.2	2025-09-25	基於驗證報告的全面優化 - 明確信心等級映射邏輯 (1-5 → 0.5-1.4) - 增強邊界條件處理和輸入驗證 - 添加 F-004 錯誤處理機制 - 添加 F-005 資料遷移策略 - 完善 API 錯誤響應格式 - 增強驗收標準覆蓋邊界條件 - 新增 TC-003/TC-004 測試用例	Claude AI
1.3	2025-09-25	簡化輸入參數 - 移除反應時間相關參數和驗證 - 簡化 API 請求格式 - 更新輸入驗證規則	Claude AI
1.4	2025-09-25	新增監控與配置管理 - 添加 F-006 監控指標與效果評估 - 添加 F-007 配置參數管理 - 新增 API-003 學習指標API - 新增 API-004 配置管理API - 完善部署計劃和監控策略 - 新增 AC-004/AC-005 驗收標準	Claude AI
1.5	2025-09-25	補充逾期復習處理機制 - 添加 F-008 逾期復習處理機制 - 設計記憶衰減模型和懲罰係數算法 - 修正間隔計算公式包含逾期處理 - 新增場景3逾期復習使用場景 - 新增 TC-005/TC-006/TC-007 逾期測試用例 - 新增 AC-006 逾期處理驗收標準 - 補充重要的負向測試案例覆蓋	Claude AI

審核: [待填入] 批准: [待填入] 簽署日期: [待填入]

27 KiB Raw Blame History Unescape Escape

智能複習系統需求規格書 (SRS)

1. 項目概述

1.1 業務目標

1.2 問題陳述

1.3 預期效益

2. 用戶需求

2.1 目標用戶

2.2 用戶故事 (User Stories)

US-001: 智能復習排程

US-002: 個人化學習路徑

US-003: 準確的進度反饋

2.3 使用場景

場景1: 日常復習

場景2: 新詞學習

場景3: 逾期復習處理

3. 功能需求

3.1 核心功能模組

F-001: 間隔計算引擎

F-002: 熟悉程度計算

F-003: 復習排程系統

F-004: 錯誤處理與資料驗證

F-005: 資料遷移與相容性

F-006: 監控指標與效果評估

F-007: 配置參數管理

F-008: 逾期復習處理機制

3.2 API需求

API-001: 復習記錄API

API-002: 復習列表API

API-003: 學習指標API

API-004: 配置管理API

4. 非功能需求

4.1 性能需求

4.2 可靠性需求

4.3 可用性需求

5. 驗收標準

5.1 功能驗收

AC-001: 算法正確性

AC-002: 熟悉程度準確性 (統一公式)

AC-003: 系統整合

AC-004: 監控指標準確性

AC-005: 配置管理功能

AC-006: 逾期復習處理正確性

5.2 性能驗收

5.3 用戶體驗驗收

6. 技術約束

6.1 現有系統整合

6.2 實作限制

6.3 技術選擇

7. 實作規劃

7.1 開發階段

階段1: 核心算法實作 (Day 1)

階段2: API整合 (Day 2)

階段3: 前端更新 (Day 3)

7.2 測試策略

7.3 部署計劃

階段式部署策略

配置管理部署

監控指標

回滾準備

8. 風險評估

8.1 技術風險

8.2 業務風險

8.3 性能風險

9. 驗證和測試

9.1 測試用例

TC-001: 新詞卡復習測試

TC-002: 長期學習軌跡測試

TC-003: 邊界條件測試

TC-004: 信心等級映射測試

TC-005: 逾期復習處理測試

TC-006: 記憶衰減模型測試

TC-007: 逾期特殊情況測試

9.2 性能基準

10. 附錄

10.1 術語定義

10.2 參考資料

10.3 相關文檔

11. 修訂記錄

27 KiB

Raw Blame History