用电影和字幕背单词真正有价值的不是“边看剧边学”，而是把词汇从孤立卡片变成可检索、可复现、可测试的语境记忆

AH-0616推荐的是 tangshimin/MuJing（幕境）。原作者的核心体验是：把电影、美剧、字幕和文档变成词库，单词每次都带着原始画面和台词出现，再配合拼写、听写和弹幕复习。fileciteturn37file0L72-L86

截至2026-08-15，官方项目仍活跃，采用GPL-3.0，当前README支持Windows/macOS，包含MKV、字幕、PDF/TXT词库、视频片段、拼写、字幕抄写、听写、智能弹幕和词库关联。citeturn755177view1

但原帖里“想忘都难”“真就锁死了”只能保留为作者体验。

真正需要回答的是：

Context-rich Exposure ≠ Durable Learning。

1. 情境能提高可检索线索，但不自动等于记住

孤立词卡：

abandon = 放弃

信息很少。

在剧情里：

谁说的； 为什么说； 什么语气； 前后发生什么； 画面是什么；

会增加retrieval cues。

这确实可能帮助记忆。

但如果用户只是：

看见单词； 看见翻译； 继续播放；

仍然主要是识别。

真正学习需要：

Recognition； Recall； Production； Transfer。

所以系统不能只测：

“看到这个词觉得熟”。

还要测：

不给字幕能不能回忆； 听到能不能识别； 写作中能不能正确使用； 换一个新语境还能不能懂。

2. “真实语境”也可能有噪声

影视台词有：

口语缩写； 俚语； 角色口音； 故意不规范表达； 语境限定含义； 字幕翻译错误。

因此：

Authentic Context ≠ Canonical Usage。

学习系统最好区分：

原句； 词典核心义； 本句义； 词性； 搭配； 语域； 是否俚语。

否则用户可能记住一句很有画面的错误概括。

3. 字幕是学习材料，不一定是权威翻译

不同字幕版本可能：

意译； 漏译； 机器翻译； 粉丝翻译。

所以字幕中文不能成为单词唯一释义来源。

最好回到： 可靠词典； 学习词典； 原始英语语境。

4. 词库应该围绕“认识程度”动态变化

真正个性化词库不是：

从一部剧提取5000个词。

而是状态机：

UNKNOWN； RECOGNIZE； RECALL； PRODUCE； MASTERED； LAPSED。

每次学习行为更新状态。

Word List ≠ Learning State。

5. 视频片段最适合做Retrieval Cue

如果一个词忘了：

先尝试回忆； 再播放片段； 再看字幕； 最后看释义。

顺序很重要。

如果一开始就同时显示：

英文； 中文； 画面； 解释；

大脑几乎不需要主动提取。

所以可以设计：

Recall Before Reveal。

让系统先制造小难度，再给线索。

6. 弹幕复习也要防“熟悉感幻觉”

单词一直飘过屏幕：

用户会觉得非常熟。

但熟悉感容易被误认为掌握。

因此弹幕最好不是一直展示中文。

可以根据状态：

初期显示； 中期遮释义； 后期只在错误后提醒。

Repeated Exposure ≠ Retrieval Practice。

7. 学习必须有间隔和延迟测试

源项目强调在不同片段再次遇到单词。

这很有价值。

但系统化以后要记录：

First Seen； Last Seen； Successful Recall； Failed Recall； Next Review。

真正的记忆证据是：

隔几天还能回忆。

不是当天做完听写。

8. “看剧学习”不能把娱乐完全吞掉

如果用户每句话都暂停、每个词都查：

电影会变教材。

最后可能两边都失败：

剧看不下去； 学习也太累。

所以需要Mode：

Enjoyment； Learning； Review。

不同模式控制打断强度。

9. 视频、字幕和文档有版权边界

本地导入自己的合法材料，与：

批量下载付费影视； 分发字幕； 打包影视片段给别人； 商业课程公开播放；

是不同事情。

Local Processing ≠ Content Rights。

GPL只约束软件代码，不授权用户使用第三方电影、字幕和书籍。

10. 学习效果必须做真实V3

不要问：

“你觉得这种方法有趣吗？”

要比较：

同一组目标词：

传统词卡； 情境片段； 情境+主动回忆。

测：

Immediate Recall； 7-day Recall； Listening Recognition； Sentence Production； Time Spent。

这样才能知道哪一层真正带来学习增量。

11. 商业机会：Contextual Learning Evidence OS

把学习材料变成：

Source； Sentence； Clip； Meaning； State； Recall； Review； Production； Transfer。

对： 英语； 日语； 专业术语； 医学词汇； 法律词汇；

都适用。

收费点不是“海量影视词库”。

而是： 用户自己的材料； 状态跟踪； 复习计划； 真实掌握证据。

Stop Rule

如果系统：

只统计看过多少词； 一开始就把答案全展示； 字幕翻译直接当词典； 没有延迟回忆； 没有输出测试； 大量使用无授权影视材料； 把“看剧很爽”当学习效果；

就不要称为高效学习系统。

情境学习真正比孤立背词多出来的，不是娱乐感，而是一个词终于和声音、人物、动作、目的和句子绑在了一起；但只有当你离开那一幕还能把它叫回来，学习才真正发生。

12. 词频高不等于学习优先级高

一部剧里出现很多次的词，可能只是特定题材或角色口头禅。

所以词库优先级不应只按当前素材频率，还要结合：

General Frequency； User Goal； Domain Relevance； Known/Unknown State； Difficulty； Expected Reuse。

Source Frequency ≠ Learning Priority。

如果用户目标是考试、商务英语或技术阅读，素材词频必须服从目标，而不是反过来。

13. 语境复习还应保存“为什么这个例句值得留”

同一个单词可能有几十个片段。

真正有价值的例句通常具备：

含义清楚； 上下文足够； 发音可辨； 语法典型； 没有太多陌生词； 符合用户目标。

所以可以给Context做质量评分，而不是无限收藏。

这能减少另一个问题：

词库越来越大，复习时间却没有增加。

14. 学习系统要把“跳过”当成合法决策

不是提取出来的每个词都值得学。

专有名词、极低频词、角色口头禅、与目标无关的术语可以直接Skip。

真正个性化不是“收集更多”。

而是知道什么不进入长期复习队列。