기술과 연구

기술의 원리와 검증 근거

Unborrowed가 지식을 선별·연결하고 기억 상태를 계산하는 기술적 원리를 소개합니다. Chronira의 구현 구조, AI 분석과 기록 관리의 역할, 연구를 검토하고 개선에 반영하는 과정을 살펴볼 수 있습니다.

01SDK 구현·테스트

02제품 통합 설계

03실사용 검증 예정

지식 분석 · 판정

제품 통합 설계

중요한 지식이라는 판단에는 근거가 필요합니다.

기술의 원리

Chronira는 목표 관련성·실제 재사용·반복 노출 등 11종의 중요도 판단 근거와 출처를 관리합니다. 찬성·반대·불확실성을 함께 보존하고, 동일한 사건에서 나온 여러 신호는 하나의 맥락으로 묶어 평가합니다.

설계 및 연구 방향

Unborrowed의 분석 엔진은 AI가 제안한 개념을 의미 검색으로 기존 지식과 비교하고, 신규·동일·관련·선행·충돌·불확실성을 판정하도록 설계합니다. 출처와 맥락, 관계 검증 결과를 바탕으로 병합 여부를 결정합니다.

대표적인 중요도 근거

목표 관련성향후 활용망각의 영향스스로 익힐 필요명시적 피드백반복 노출

근거의 출처

사용자가 명시

자격시험 준비 등 직접 밝힌 목표

사용자가 밝힌 목표를 중요도 판단의 직접 근거로 연결합니다.

관찰·검증된 행동

개념을 반복 질문하거나 업무에서 재사용한 이력

발생 시점과 원본 출처를 보존하고, 동일 사건의 여러 신호를 함께 관리합니다.

AI가 추정

모델이 중요할 수 있다고 제안한 개념

AI가 제안한 중요도 판단을 추론 근거로 분리해 기록합니다.

Chronira에는 11종의 중요도 판단 근거와 출처·상충 근거·중복 사건을 구조화하는 모델이 구현돼 있습니다.

기억 모델 · 리마인드

SDK 구현·테스트

기억은 모델로 계산하고, 리마인드는 별도의 정책으로 결정합니다.

기술의 원리

Chronira는 FSRS-6(py-fsrs v6.3.2)을 기본 기억 모델로 사용합니다. 평가된 회상 이력에 따라 난이도 D(1~10)와 안정성 S(일)를 갱신하고, 경과 시간 t에 대한 회상 추정치 R을 계산합니다. 평가 결과를 갖춘 회상 기록을 등급 입력에 반영합니다.

설계 및 연구 방향

모델이 계산한 예정 시각과 실제 알림·제시 정책은 다릅니다. 사용자의 명시적 선택과 우선순위, 이용 가능한 시간, 한 번에 확인할 항목 수를 적용해 후보를 결정합니다.

기억 계산 결과 예시

FSRS-6 고정 테스트 이력으로 산출한 모델 계산 예시

FSRS-6

7D · 80.8%

첫 Good · S = 2.3065일6회 평가 골든 · S≈53.62691일 / D≈6.3575

R(t) = (1 + F × t / S)^−0.1542

t는 완료된 24시간 단위 정수일, S는 안정성(일), 감쇠 지수는 −0.1542입니다. R은 다음 확인 시점을 계획하는 데 사용하는 FSRS 모델의 회상 추정치입니다.

D · 난이도

평가 이력으로 갱신되는 상대적 난이도(1~10)

S · 안정성

모델상 R이 90%에 도달하는 기준 시간(일)

R · 회상 추정치

경과 시간에 따라 계산되는 스케줄링 지표

두 곡선은 FSRS-6의 고정 평가 이력으로 계산한 서로 다른 기억 안정성 예시를 비교합니다.

공개된 연구 자료

FSRS-6 · py-fsrs 6.3.2 Cepeda et al. (2006) · Distributed practice Karpicke & Roediger (2008) · Retrieval practice

이해 단서 · 질문·평가 정책

제품 통합 설계

‘이해한 것 같다’와 ‘도움 없이 기억했다’를 같은 근거로 처리하지 않습니다.

기술의 원리

같은 개념이라도 사용자가 어려워한 맥락, 새롭게 설명한 내용, 자기평가, 직접 회상한 결과는 서로 다른 증거입니다. Unborrowed는 이를 출처·발생 시각·도움 여부·평가 규칙과 함께 저장하고, 질문 후보의 내용과 난이도를 정하는 근거로 활용하도록 설계합니다.

설계 및 연구 방향

기억 계산에는 검증 조건을 충족한 회상 결과만 명시적인 등급 매핑을 거쳐 전달합니다. 자기평가, 재노출, AI의 이해 추정은 질문 선택을 위한 단서로 별도 관리합니다.

판단·검증에서 확인할 점

관찰된 이해 단서

판별식의 원리를 묻거나 관련 개념을 설명한 대화

개념의 차이·응용을 묻는 질문 후보에 활용질문 후보를 고르는 이해 단서로 활용

사용자 자기평가

‘안다’ 또는 ‘모른다’라고 응답

재확인 우선순위 판단 근거로 별도 관리직접 회상과 구분해 후속 확인에 활용

검증된 독립 회상

힌트·정답 없이 답변하고 조건에 맞춰 평가

이전 평가 결과에 따라 후속 질문 후보 조정조건 충족 시 등급을 매핑해 Chronira에 전달

Unborrowed 서버 정책은 회상 평가의 적격성·정확성·FSRS 등급 매핑을 담당하도록 설계하며, Chronira는 전달받은 등급으로 기억 상태를 계산합니다.

공개된 연구 자료

Karpicke & Roediger (2008) · Retrieval practice

독립 구조 · 기록 무결성

제품 통합 설계

AI 모델이 바뀌어도 사용자의 지식 이력을 덮어쓰지 않습니다.

기술의 원리

언어 모델은 개념과 맥락을 해석하지만, 데이터의 영구적인 변경은 검증된 규칙과 서버 트랜잭션이 담당해야 합니다. AI 분석·의미 검색·관계 판정·기록 관리·Chronira 기억 계산의 책임을 분리합니다.

설계 및 연구 방향

AI가 구조화한 결과는 출처·중복·충돌 검증을 거쳐 기록에 반영하도록 설계합니다. 지식 버전과 평가 이벤트를 보존하며, Chronira의 기억 계산은 외부 AI API와 독립적으로 수행됩니다.

구성 요소의 책임

01AI 분석

개념·맥락·질문 후보

02의미 검색

판단·검증에서 확인할 점

03지식 검증

중복·관계·충돌 확인

04영구 기록

근거·출처·이벤트·버전

05Chronira

독립 기억 계산·계획

지식 식별자출처개념 관계이해 단서평가·기억 이력

Chronira는 FSRS-6의 21개 파라미터 계산 지문과 저장·복원 호환성을 검사합니다. 새 AI 모델은 분석 품질·비용·기록 호환성을 비교하며 단계적으로 도입할 계획입니다.

Chronira · 지속 가능한 연구개발

SDK 구현·테스트

연구를 수집하는 데서 끝내지 않고, 비교·검증한 뒤 도입합니다.

기술의 원리

Chronira는 특정 앱이나 AI 제공사와 독립적으로 작동하는 비공개 Python SDK입니다. 기억 모델·학습 근거·복습 정책·버전 관리를 별도로 시험할 수 있는 기반을 갖추고 있습니다.

설계 및 연구 방향

연구 동향 수집, 후보 심사, 격리 실행, 기준선 비교, 사람의 승인과 변경 보고를 구분합니다. 새로운 모델은 기존 계산 결과와 호환성을 검증한 뒤 도입 여부를 결정합니다.

연구 검토 단계

01동향 수집

PubMed·arXiv의 논문 메타데이터와 FSRS 버전 변화를 추적합니다.

02후보 심사

관련성·재현성·복잡도·범용성·호환성을 기준으로 후보와 이력을 검토합니다.

03독립 비교

격리된 테스트에서 고정 소스·입력을 재현하고 FSRS-5.1.3과 FSRS-6 참조 결과를 비교합니다.

04승인 검토

기록 호환성과 기존 모델 병행·복구, 사용권과 사람의 검토를 요구합니다.

05변경 보고

검증·승인 이력과 모델 버전을 기록하고, 기존 지식·기억 이력의 호환성과 전환 경로를 관리합니다.

기억 모델 비교

항목	FSRS-5.1.3	FSRS-6.3.2
기본 가중치	19개	21개
기억 곡선 감쇠 지수	−0.5	−0.1542
첫 Good 평가 후 S	3.173일	2.3065일
Chronira 적용	과거 모델 비교 테스트	기본 계산 모델

FSRS-5.1.3과 FSRS-6.3.2의 파라미터 구성과 첫 Good 평가 후 안정성 계산을 비교합니다.

검증과 개선의 세 영역

학술 기반

간격 학습과 인출 연습 연구를 기억 모델과 질문 설계의 출발점으로 활용합니다.

구현 검증

수식·참조 수치·호환성·실패 처리·패키지 테스트로 계산의 일관성을 확인합니다.

사용자 경험 연구

실사용 데이터를 바탕으로 회상 적합성, 질문 개인화, 관리 부담과 비용을 평가하고 개선할 계획입니다.

AI가 발전할수록 더 나은 분석 방법을 비교·도입하고, 개인의 지식과 기억 이력은 독립적으로 축적하는 기술을 발전시킵니다.

공개된 연구 자료

FSRS-6 · py-fsrs 6.3.2 Cepeda et al. (2006) · Distributed practice Karpicke & Roediger (2008) · Retrieval practice Settles & Meeder (2016) · Half-Life Regression (HLR)