Wie FSRS funktioniert: Der moderne Spaced-Repetition-Algorithmus

Die meisten Menschen, die Karteikarten-Apps verwenden, haben keine Vorstellung davon, was hinter den Kulissen geschieht, wenn ein Algorithmus entscheidet, ob er ihnen eine Karte morgen oder erst nächsten Monat zeigt. Jahrelang war SM-2 die vorherrschende Antwort, ein heuristischer Algorithmus aus den 1980er-Jahren, der Millionen von Lernenden recht gute Dienste geleistet hat. FSRS – der Free Spaced Repetition Scheduler – ist ein neuerer Ansatz, der einen grundlegend anderen Weg einschlägt: Statt feste Regeln zu verwenden, baut er ein mathematisches Modell davon auf, wie dein Gedächtnis tatsächlich funktioniert. Wenn man dieses Modell versteht, wird klar, warum sich FSRS-Zeitpläne präziser anfühlen und warum sie für dasselbe Behaltensniveau tendenziell weniger Wiederholungen erfordern. FSRS ist Open Source und wird aktiv weiterentwickelt; du kannst den FSRS-Algorithmus auf GitHub erkunden. Für die gesamte Bandbreite an Themen rund um verteiltes Wiederholen besuche die Artikelsammlung zu verteiltem Wiederholen.

Die drei Komponenten des Gedächtnisses: D, S und R

FSRS beschreibt jedes Wissenselement, das du lernst, mithilfe von drei Größen. Zusammen bilden sie das, was Forschende das DSR-Modell nennen.

Abrufbarkeit (R)

Die Abrufbarkeit ist die Wahrscheinlichkeit, dass du ein Element genau in diesem Moment erfolgreich abrufen kannst. Sie beginnt unmittelbar nach einer Wiederholung bei 1,0 (Sicherheit) und nimmt mit der Zeit entlang einer Vergessenskurve ab. Wenn der Algorithmus entscheidet, dass es Zeit ist, dir eine Karte zu zeigen, dann deshalb, weil deine Abrufbarkeit auf ein Zielniveau gesunken ist – typischerweise etwa 0,90, was einer Abrufwahrscheinlichkeit von rund 90 % entspricht. Das Ziel ist, kurz bevor du vergisst zu wiederholen, nicht deutlich davor und nicht danach.

Stabilität (S)

Die Stabilität beschreibt, wie langsam deine Abrufbarkeit abnimmt. Ein Gedächtnis mit hoher Stabilität verblasst langsam; eines mit niedriger Stabilität verblasst schnell. Nach jeder erfolgreichen Wiederholung steigt deine Stabilität für dieses Element, weshalb die Wiederholungsintervalle mit der Zeit wachsen können. Dasselbe Element, fünfmal zu den richtigen Zeitpunkten wiederholt, weist eine deutlich höhere Stabilität auf als ein Element, das fünfmal an einem einzigen Tag wiederholt wurde – der Algorithmus erfasst diesen Unterschied präzise.

Die Stabilität ist die Größe, die dem umgangssprachlichen Sinn von „etwas gut können" am unmittelbarsten entspricht. Hohe Stabilität bedeutet, dass dein Gedächtnis selbst dann noch weitgehend intakt ist, wenn du eine Wiederholung auslässt – auch Wochen später. Niedrige Stabilität bedeutet, dass das Verpassen einer einzigen Wiederholung deine Abrufwahrscheinlichkeit erheblich senken kann.

Schwierigkeit (D)

Die Schwierigkeit ist eine Schätzung der inhärenten Schwierigkeit eines bestimmten Elements für dich. Manche Fakten sind einfach schwerer zu merken als andere, und das ist von Person zu Person verschieden. Die Schwierigkeit eines Elements beeinflusst, wie stark die Stabilität nach einer erfolgreichen Wiederholung zunimmt: Leichte Elemente gewinnen pro Wiederholung mehr Stabilität; schwere Elemente gewinnen weniger. Die Schwierigkeit ist nicht festgelegt – sie wird aktualisiert, während du Karten im Laufe der Zeit bewertest, sodass ein Element, das zunächst schwierig erscheint, allmählich neu eingestuft werden kann, je vertrauter es dir wird.

Wie FSRS das nächste Wiederholungsdatum vorhersagt

Anhand der aktuellen Werte von D, S und R für ein Element kann FSRS vorhersagen, wie sich die Abrufbarkeit über jedes künftige Zeitintervall verändern wird. Damit beantwortet es eine präzise Frage: In wie vielen Tagen ab jetzt sinkt die Abrufbarkeit auf den Zielschwellenwert?

Dieser Tag wird zur nächsten geplanten Wiederholung. Nicht mehr und nicht weniger – keine festen Multiplikatoren, keine Bevölkerungsdurchschnitte, nur eine aus dem Modell abgeleitete Vorhersage für dieses spezifische Element und diesen spezifischen Lernenden.

Nachdem du eine Wiederholung abgeschlossen und eine Bewertung abgegeben hast – Nochmal, Schwer, Gut oder Leicht – aktualisiert FSRS die D- und S-Werte des Elements anhand dessen, was deine Reaktion offenbart. Ein gescheiterter Abruf (Nochmal) setzt die Stabilität zurück und erhöht die Schwierigkeit leicht. Ein leichter, sicherer Abruf (Leicht) erzeugt einen größeren Stabilitätsgewinn als ein langsamer, mühsamer (Schwer oder Gut). Das nächste Intervall wird dann frisch aus den aktualisierten Parametern berechnet.

Anpassung: Warum FSRS mit der Zeit besser wird

Eines der bedeutendsten Merkmale von FSRS ist, dass seine zugrunde liegenden Parameter auf deinen Wiederholungsverlauf kalibriert werden können. Das Modell enthält eine Reihe von Gewichten, die steuern, wie sich die Stabilität in verschiedenen Situationen entwickelt. Diese Gewichte haben Standardwerte, die aus umfangreichen Forschungsdaten abgeleitet sind, sie lassen sich aber auch an das tatsächliche Muster deines bisherigen Wiederholungsverlaufs anpassen.

Das bedeutet, dass FSRS lernen kann, dass du Dinge schneller vergisst als der Bevölkerungsdurchschnitt, oder dass deine als Schwer markierten Abrufe für dich tatsächlich recht stabil sind. Die resultierenden Zeitpläne werden auf einer tieferen Ebene personalisiert, als es ein System mit festen Regeln je erreichen kann.

Das unterscheidet sich konzeptionell davon, einfach einen Leichtigkeitsfaktor zu senken. Leichtigkeitsfaktoren in älteren Algorithmen sind kartenspezifische Anpassungen, die multiplikativ auf Intervalle angewendet werden. FSRS lernt die Form deiner Vergessenskurven aus Daten und leitet dann alle Intervalle von Grund auf neu aus dieser Form ab.

Die Rolle deiner Bewertungen

Deine Bewertungen sind das primäre Signal, das FSRS zur Aktualisierung der Gedächtnisschätzungen nutzt. Sie richtig zu treffen, ist entscheidend.

• Nochmal – du konntest die Antwort nicht abrufen. Die Stabilität wird auf nahezu null zurückgesetzt; die Karte erscheint sehr bald wieder.
• Schwer – du hast abgerufen, aber es war langsam oder erforderte erheblichen Aufwand. Die Stabilität steigt, aber weniger als eine Bewertung mit Gut erzeugen würde.
• Gut – korrekter Abruf mit normalem Aufwand. Das erwartete und häufigste Ergebnis.
• Leicht – sofortiger, müheloser Abruf. Die Stabilität steigt erheblich; das nächste Intervall springt weiter in die Zukunft.

Die zentrale Erkenntnis ist, dass es darauf ankommt, wie du abgerufen hast, nicht nur ob du abgerufen hast. Ein mit Mühe abgerufenes Gedächtnis ist weniger stabil als eines, das sofort abgerufen wurde, und FSRS modelliert diesen Unterschied. Ehrliche Bewertung ist daher nicht nur gute Praxis – sie ist die Datenpipeline, die das Modell genau hält.

FSRS und der Lernkreislauf

FSRS glänzt am meisten, wenn es eng damit verzahnt ist, wie du Material aufnimmst und dich damit auseinandersetzt, nicht nur damit, wie du es wiederholst. Die Qualität der Wiederholungsplanung ist nur so gut wie die Qualität der geplanten Karteikarten. Aktives Erinnern während der anfänglichen Lesephase – innehalten, um Antworten selbst zu erzeugen, bevor man nachschaut – erzeugt besser kodierte Anfangsgedächtnisse, was FSRS einen stärkeren Ausgangspunkt verschafft.

Beim materialübergreifenden Lernen behandelt der Algorithmus jede Karte unabhängig, ungeachtet der Quelle, aus der sie stammt. Dadurch ist es möglich, Vokabeln aus einem Sprachlern-PDF, Kernkonzepte aus einer aufgezeichneten Vorlesung und Formeln aus einem Lehrbuch alle in einer einzigen Sitzung zu wiederholen, wobei jedes Element nach seiner eigenen Stabilität und Schwierigkeit geplant wird und nicht nach der Kategorie, zu der es gehört.

FSRS fragt nicht „Wie schwer ist dieses Thema?" – es fragt „Wie stabil ist dieses spezifische Gedächtnis bei diesem spezifischen Lernenden, genau jetzt?" Dieser Wechsel von Kategorien zu einzelnen Gedächtnisspuren ist es, was modellbasierte Planung von heuristischer Planung unterscheidet.

Was FSRS nicht leistet

Es lohnt sich, die Grenzen des Modells klar zu benennen. FSRS simuliert nicht die neurologischen Details der Gedächtniskonsolidierung. Es weiß nicht, ob dein Ermüdungsgrad oder deine Lernumgebung die Leistung an einem bestimmten Tag beeinflussen. Es garantiert kein Behalten – es zielt auf einen Wahrscheinlichkeitsschwellenwert, sodass ein gewisses Vergessen erwartet und akzeptabel ist.

Das Modell ist außerdem nur so gut wie deine Bewertungen. Wenn du Karten durchgängig als Leicht markierst, obwohl sie tatsächlich mühsam waren – vielleicht um die Anzahl der anstehenden Wiederholungen zu verringern – erzeugt der Algorithmus zu lange Intervalle, und dein tatsächliches Behalten fällt unter das Ziel. Die Vergessenskurve kümmert sich nicht um deine Vorlieben; sie reagiert nur auf ehrliche Eingaben.

Warum FSRS für ernsthafte Lernende wichtig ist

Der praktische Gewinn eines modellbasierten Ansatzes besteht in weniger Gesamtwiederholungen für dasselbe Behaltensziel. Da die Intervalle aus einer genauen Vorhersage abgeleitet werden, wann du vergessen wirst, statt aus einer konservativen Heuristik, polstert der Algorithmus die Zeitpläne nicht unnötig auf. Elemente, die für dich wirklich stabil sind, erhalten lange Intervalle. Elemente, die für dich wirklich fragil sind, erhalten kurze. Der Nettoeffekt über einen großen Stapel hinweg, über Monate des Lernens, kann erheblich sein: dasselbe Behaltensniveau, erreicht mit deutlich weniger Wiederholungszeit.

Für alle, die einen großen Stoffumfang lernen – eine Sprache, ein Fachgebiet, ein akademisches Fach – summiert sich diese Effizienz zu zurückgewonnenen Stunden und Wissen, das wirklich hängen bleibt, wenn es darauf ankommt.

Deine Beherrschungstrends und deine buchübergreifende Wiederholungswarteschlange sind im LearnBook-Dashboard sichtbar – ein Live-Bild davon, wie sich dein Gedächtnis über jede Quelle hinweg hält, die du gerade lernst, alles geplant vom selben oben beschriebenen FSRS-Modell.