chemenu/kb/concepts/patterns/Forgetting.md

type, concept_type, tags, created, modified, related, sources, provenance, summary

type	concept_type	tags	created	modified	related	sources	provenance	summary
types/concept.md	pattern	memory retention decay ebbinghaus	2026-07-26	2026-08-29	part-of Memory Lifecycle see-also Confidence Scoring rests-on Consolidation Tiers	Source - LLM Wiki v2	sourced	Muster zur Wissensbindung, das selten abgerufene Fakten schrittweise zurückstuft, modelliert nach der Ebbinghausschen Vergessenskurve.

Forgetting

Typ: Pattern (Wissensspeicherungsverwaltung)

Definition

Forgetting ist der Mechanismus, durch den Fakten, die einmal wichtig waren, aber seit Monaten nicht aufgerufen oder verstärkt wurden, allmählich aus der Bedeutung im Wiki verschwinden. Dies implementiert eine Aufbewahrungskurve, die sich von Ebbinghaus' Vergessenskurve aus der kognitiven Psychologie inspiriert.

Dies ist eine Kernkomponente der Verwaltung des Memory Lifecycle und stellt sicher, dass das Wiki nicht zu einem lauten Friedhof veralteter Informationen wird.

Kernpunkte

Das Problem

Ohne Vergessen:

• Jedes Wissensstück wird für immer als gleich wichtig behandelt
• Alte, irrelevante Informationen verstopfen das Wiki
• Suchergebnisse werden mit veralteten Inhalten verunreinigt
• Das Wiki wird zu einer Rumpelkammer

Die Lösung

Allmähliche Herabstufung statt Löschung implementieren:

• Fakten werden nicht gelöscht (historischer Datensatz bleibt erhalten)
• Fakten werden in Suche und Synthese herabgestuft
• Herabstufung ist allmählich (nicht plötzlich)
• Unterschiedliche Verfallsraten für verschiedene Wissenstypen

Aufbewahrungskurve

Inspiriert von Ebbinghaus' Vergessenskurve:

Vertrauen/Priorität
  1.0 │              *
      │             *
      │            *
      │           *
  0.8 │          *
      │         *
      │        *
      │       *
  0.6 │      *
      │     *
      │    *
      │   *
  0.4 │  *
      │ *
      │*
  0.2 ┼───────────────────────────────── Zeit
      0   1m   3m   6m   1j   2j

Grundsatz: Jede Verstärkung (Zugriff, Bestätigung aus neuer Quelle) setzt die Kurve für diesen Fakt zurück.

Verfallsraten nach Wissenstyp

Wissenstyp	Verfallsrate	Begründung
Architekturentscheidungen	Sehr langsam (1% alle 6 Monate)	Langzeitwirkung, ändern sich selten
Systemkonfigurationen	Langsam (1% pro Monat)	Stabil, aber kann sich ändern
Bug-Berichte	Schnell (5% pro Monat)	Vorübergehend, oft behoben
Notizen aus Meetings	Schnell (5% pro Monat)	Zeitkritischer Kontext
Forschungsergebnisse	Mittel (2% pro Monat)	Kann veraltet werden
Best Practices	Sehr langsam (1% alle 3 Monate)	Im Laufe der Zeit bewährt

Implementierung

Zu verfolgene Metadaten:

last_accessed: YYYY-MM-DD
last_reinforced: YYYY-MM-DD  # Zugriff oder Bestätigung neuer Quelle
creation_date: YYYY-MM-DD
knowledge_type: [architecture|config|bug|meeting|research|best-practice]
current_priority: 0.XX  # 0.0-1.0

Verfallsberechnung:

months_since_reinforcement = (today - last_reinforced).months
decay_rate = get_decay_rate(knowledge_type)
priority = max(0.2, initial_priority - (months_since_reinforcement * decay_rate))

Verstärkungsauslöser:

• Seite wird aufgerufen/gelesen
• Neue Quelle bestätigt die Information
• Mensch verstärkt explizit
• Verwandte Information wird aufgerufen

Integration mit anderen Mechanismen

Mit Confidence Scoring:

• Vergessen beeinträchtigt Priorität in der Suche
• Vertrauens-Scoring beeinträchtigt Zuverlässigkeit des Fakts
• Beide funktionieren zusammen: niedrig-vertrauen, niedrig-priorität Fakten erscheinen zuletzt

Mit Consolidation Tiers:

• Höhere Tiers haben langsamere Verfallsraten
• Prozedurales Gedächtnis (Tier 4) kann keinen Verfall haben
• Arbeitsgedächtnis (Tier 1) hat schnellsten Verfall

Mit Supersession:

• Verdrängte Fakten verfallen sofort auf Mindestpriorität
• Aber werden zu historischen Referenzen bewahrt

Suchintegration

Fakten mit niedrigerer Priorität:

• Erscheinen später in Suchergebnissen
• Werden mit geringerer Wahrscheinlichkeit in die Synthese einbezogen
• Erfordern explizitere Abfragen zum Auftauchen
• Können unterhalb eines bestimmten Schwellenwerts verborgen sein (konfigurierbar)

Vorteile

• Relevanz: Benutzer sehen zuerst die wichtigsten Informationen
• Sauberkeit: Wiki wird nicht mit alten Informationen verstopft
• Erhaltung: Historische Informationen sind noch zugänglich
• Anpassungsfähigkeit: Wiki entwickelt sich mit sich ändernden Bedürfnissen
• Effizienz: Suche und Synthese sind effizienter

Wann zu verwenden

• Jedes Wiki, das im Laufe der Zeit wachsen soll
• Bereiche mit sich entwickelndem Wissen
• Situationen, in denen sich die Relevanz von Informationen ändert
• Große Wissensdatenbanken

Wann NICHT zu verwenden

• Kleine, statische Wikis
• Bereiche, in denen alle Informationen gleich wichtig sind
• Situationen, in denen historische Vollständigkeit entscheidend ist

Verwandte Concepts

• Supersession - Umgang mit veralteten Informationen
• LLM Wiki Pattern - Gesamtmuster

Siehe auch

• Event-Driven Automation (für automatisiertes Verstärkungstracking)
• Quality and Self-Correction (für verwandte Qualitätsmechanismen)

Beziehungen

• part-of: Memory Lifecycle
• see-also: Confidence Scoring
• rests-on: Consolidation Tiers