[!info] related notes

• 掌握标准: 学习中的掌握
• 学习流程: 如何学习一个知识并达到掌握
• 主动提取: 主动提取
• 间隔复习: 学习中的间隔效应
• 笔记设计: 学习型知识笔记设计
• 学习地图: 学习与掌握 MOC
• Obsidian 展示: Dataview 插件指南, Obsidian 掌握度可视化与插件

Obsidian 学习追踪系统

目标

这套系统不追踪“我看过多少”，而追踪：

在没有提示、经过时间间隔、换一个场景后，我还能不能把知识取出来并使用。

因此学习系统至少分成三层：

Knowledge
→ 稳定知识节点

Evidence
→ 闭卷提取、解释、应用、迁移的实际表现

Tracking
→ mastery + 复习队列 + MOC/Bases 展示

Tracking 不能反过来替代 Evidence。

唯一正式掌握字段：mastery

Thought Forest 普通知识节点使用：

mastery: 1

取值 1–5，统一解释见 学习中的掌握。

简化为：

mastery	行为证据
1	认识主题，但还不能稳定闭卷说明
2	能回忆核心定义；机制、边界仍需要帮助
3	能闭卷解释并独立处理典型任务
4	延迟后仍能使用，并处理变体、辨别相邻概念
5	多次延迟检验后仍稳定，可组合进复杂真实问题并解释失败边界

关键规则：

mastery 表示能力证据，不表示主观自信。

不再使用“星级 = 掌握百分比”

旧模型常写：

3 星 = 60%
4 星 = 80%
5 星 = 100%

这种映射没有稳定学习含义。

“能回答 60% 的题”和“对一个概念掌握度 60%”不是同一测量。

因此：

• 不把 mastery 乘 20 变成百分比；
• 不根据“看起来熟”升 mastery；
• 不因为笔记读了很多遍升 mastery；
• 不因为“可以教别人”单独判定 mastery 5。

教学能力可以是证据，但仍要看延迟提取、边界、应用与迁移。

mastery 什么时候更新

推荐在产生新行为证据后更新，而不是每次打开笔记都评分。

升级

例如从 2 → 3，至少出现：

关闭资料
→ 自己解释核心模型
→ 做一个典型任务
→ 能指出一个常见误解 / 边界

从 3 → 4：

经过时间间隔
→ 仍能提取
→ 遇到新变体仍能选择正确模型
→ 能区分相邻概念

降级

如果延迟复习时：

• 无法回忆核心模型；
• 只能识别答案，不能主动生成；
• 典型任务连续失败；
• 相邻概念严重混淆；

应允许 mastery 下降。

Mastery 不是成就徽章，是当前证据状态。

学习笔记如何提供 Evidence

正在主动维护的 concept / synthesis / howto / debug 默认可以包含轻量学习层。

例如：

## 学习检查

1. 不看笔记定义 X。
2. 解释为什么 X 会这样工作。
3. X 在什么边界不成立？
4. X 与 Y 怎么区分？
5. 给一个新场景，判断是否应用 X。

Howto 更适合：

## 无提示执行检查

Debug 更适合：

## 迁移检查

完整设计见 学习型知识笔记设计。

一次复习应该怎么做

错误流程：

打开笔记
→ 从头读一遍
→ 很熟
→ mastery +1

推荐流程：

先不打开正文
→ 回答学习检查
→ 写 / 说出自己的模型
→ 做题或执行
→ 再打开笔记核对
→ 修正错误
→ 根据证据决定 mastery 是否变化

复习本身应尽可能成为 主动提取。

间隔不是固定 1-3-7-14-30

固定：

1 天
3 天
7 天
14 天
30 天

可以作为最初启发，但不是学习规律本身。

更稳的原则是：

提取非常轻松
→ 拉长间隔

能提取但较吃力
→ 小幅拉长

失败
→ 缩短下一次间隔并重新学习关键模型

目标保留期不同，合理间隔也不同。

详见 学习中的间隔效应。

SRS 插件负责什么

Spaced Repetition 一类插件适合负责：

• 到期队列；
• 卡片调度；
• 插件自己的复习历史；
• 下一次 review 时间。

这些属于调度层。

它不应该重新定义 mastery 的语义。

如果插件需要自己的 frontmatter 或注释格式，应把它视为 plugin-owned metadata，不把这些字段提升成 Thought Forest 的通用知识 schema。

MOC / Bases 怎么展示 mastery

MOC 只负责导航，不拥有 mastery。

目标知识节点：

---
title: DNS over HTTPS
mastery: 3
---

MOC 可以通过 Bases / Dataview读取：

知识 | Description | Mastery

但禁止在 MOC 再维护：

DoH = 3
DoT = 2
DNSSEC = 4

第二份状态一定会漂移。

学习 Dashboard 应展示什么

优先展示能驱动行动的信息。

低 mastery 核心节点

示例 Dataview 思路：

TABLE mastery, description
FROM "z"
WHERE mastery AND mastery <= 2
SORT mastery ASC

mastery 3、需要迁移检验的节点

mastery 3 不意味着“完成”。

它意味着：

已能独立使用典型场景，下一步应寻找延迟提取和变体任务。

mastery 4–5

不需要每天重复阅读。

更适合：

• 更长间隔抽检；
• 在真实项目中自然使用；
• 遇到复杂变体时再更新证据。

不建议统计“平均 mastery”

例如：

JavaScript 平均掌握度 = 3.72

很容易产生虚假的精确感。

原因：

• 不同节点权重不同；
• mastery 是序数能力等级，不是等距百分比；
• MOC 下节点数量会改变平均值。

更有用的是：

mastery 1–2 的关键节点有哪些？
mastery 3 中哪些值得做迁移测试？
最近有哪些节点在延迟复习中失败？

Progress 与 Mastery 分开

Progress 回答：

计划内容完成了多少？

Mastery 回答：

能力达到哪个证据等级？

例如：

课程进度 80%
≠
知识掌握 4/5

两者可以同时展示，但不能互相换算。

学习习惯也与 Mastery 分开

学习时长、连续天数、完成笔记数属于行为过程指标。

它们可以帮助建立习惯，但不能证明掌握。

学习 30 天连续打卡
≠
mastery 5

最小日常工作流

新知识

建立/找到原子节点
→ 学习核心模型
→ 做首次闭卷提取
→ mastery 1/2

第一次独立使用

关闭资料
→ 解释 + 典型任务
→ 反馈纠错
→ 满足证据后 mastery 3

后续

间隔
→ 再提取
→ 新变体 / 相邻概念辨别
→ mastery 4

多次延迟 + 复杂组合
→ mastery 5

每周 Review

每周不需要“把所有笔记再读一次”。

优先：

1. SRS 到期项；
2. mastery 1–2 且近期重要的节点；
3. mastery 3 的迁移任务；
4. 最近实际工作中暴露错误的节点；
5. 长期没有被检验的关键 mastery 4–5。

系统最小化

真正必需的只有：

知识节点
+
mastery
+
学习检查
+
某种复习队列

Dataview、Bases、SRS、Ratings、Progress Bar 都是可选 UI / automation。

不要让“管理学习系统”比学习本身更耗时间。

常见错误

用熟悉感评分

“看着都认识”是 recognition，不是 retrieval。

用笔记数量衡量学习

知识库增长不等于能力增长。

固定间隔机械复习

如果每次都非常轻松，固定短间隔会浪费时间。

5 以后永不复习

mastery 5 是当前稳定能力证据，不是永久免疫遗忘。

给 MOC 设置 mastery

MOC 是导航结构，掌握属于实际知识节点。

无提示执行检查

不看正文完成：

1. 解释 mastery 1–5 每级依赖什么行为证据；
2. 说明为什么星级百分比模型不可靠；
3. 设计一次“先提取、再反馈”的复习；
4. 说明为什么固定 1/3/7/14/30 不是普遍最优计划；
5. 区分 progress、habit、mastery；
6. 创建一个 Dashboard，只显示真正能驱动下一步学习动作的信息；
7. 给一个 mastery 3 节点设计一次延迟迁移测试。