如何在词汇学习Web应用中实现基于掌握度的概率随机抽词功能

前置准备：给单词对象新增统计字段 #

先为每个单词的对象结构补充答题统计属性，用于后续计算抽词概率：

• correctCount：累计答对次数，初始值为0
• wrongCount：累计答错次数，初始值为0
• continuousCorrect：连续答对次数，初始值为0
• lastAnsweredAt：最后一次作答的时间戳，初始值为null

方案1：加权随机抽样（改造成本最低） #

核心逻辑是给每个单词计算权重，权重越高被抽到的概率越大，最低保留基础权重避免已掌握的单词完全不出现。
权重计算公式可以根据需求灵活调整，示例逻辑：未答过的单词权重最高，答错次数越多权重越高，答对次数越多权重越低。
代码实现参考：

// 计算单个单词的抽词权重
const getWordWeight = (word) => {
  // 从未作答过的单词权重最高
  if (word.correctCount === 0 && word.wrongCount === 0) return 5
  // 最低保留0.2的基础权重，避免已掌握单词完全不会被抽到
  return Math.max(0.2, (word.wrongCount + 1) / (word.correctCount + 1) * 2)
}

const newIndex = () => {
  // 生成所有单词的权重数组，计算总权重
  const weightList = words.map(getWordWeight)
  const totalWeight = weightList.reduce((sum, weight) => sum + weight, 0)
  // 生成0~总权重区间的随机数
  let randomValue = Math.random() * totalWeight
  // 匹配随机数落在的权重区间，返回对应单词索引
  for (let i = 0; i < words.length; i++) {
    randomValue -= weightList[i]
    if (randomValue <= 0) return i
  }
  return 0 // 异常场景兜底
}

该方案优势：原有业务逻辑几乎不需要改动，只需要替换抽词函数即可上线，权重参数可以随时调整适配不同的学习节奏。

方案2：简化版间隔重复逻辑（学习效果最优） #

参考记忆软件的间隔重复设计，根据用户的掌握程度调整单词下次出现的间隔，示例规则：

• 答错的单词：10分钟后再次出现
• 第一次答对：1天后再次出现
• 连续答对2次：3天后再次出现
• 连续答对3次：7天后再次出现
• 连续答对5次以上：30天后再次出现
  抽词时优先抽取已经到了复习时间的单词，剩余配额再从还没到复习时间的单词里做加权随机抽取，更符合艾宾浩斯记忆曲线规律，适合长期词汇学习使用。

方案3：熟练度分级池方案（逻辑最直观易维护） #

把所有单词按照掌握程度拆分到四个独立的池子里：

• 未学习池：从未作答过的单词
• 不熟练池：答错次数 ≥ 答对次数的单词
• 熟练池：答对次数比答错次数多2次及以上的单词
• 已掌握池：连续答对5次及以上的单词
  每次抽词时按固定比例从不同池子抽取：60%从不熟练池抽，25%从未学习池抽，10%从熟练池抽，5%从已掌握池抽。
  该方案逻辑非常直白，后续想要调整不同熟练度单词的出现频率，直接修改抽词比例即可，不需要调整复杂的权重计算公式。

通用注意事项 #

每次用户提交答题结果后，要及时更新对应单词的统计字段，保证抽词概率计算准确。以上三种方案都保留了随机性，不会出现固定的抽词顺序，避免用户靠位置记忆单词。

内容的提问来源于stack exchange，提问作者btm2424