Cómo funciona FSRS: el algoritmo moderno de repetición espaciada

La mayoría de las personas que usan aplicaciones de tarjetas de memoria no tienen idea de lo que ocurre entre bastidores cuando un algoritmo decide mostrarles una tarjeta mañana en lugar del mes que viene. Durante años, la respuesta dominante fue SM-2, un algoritmo heurístico desarrollado en los años ochenta que ha servido razonablemente bien a millones de estudiantes. FSRS — el Free Spaced Repetition Scheduler — es un enfoque más reciente y toma un camino fundamentalmente distinto: en lugar de usar reglas fijas, construye un modelo matemático de cómo funciona realmente tu memoria. Comprender ese modelo explica por qué la planificación de FSRS resulta más precisa y por qué tiende a requerir menos repasos para el mismo nivel de retención. FSRS es de código abierto y se desarrolla activamente; puedes explorar el algoritmo FSRS en GitHub. Para la gama completa de temas sobre repetición espaciada, visita la colección de artículos sobre repetición espaciada.

Los tres componentes de la memoria: D, S y R

FSRS describe cada pieza de conocimiento que estás aprendiendo usando tres magnitudes. Juntas forman lo que los investigadores llaman el modelo DSR.

Recuperabilidad (R)

La recuperabilidad es la probabilidad de que puedas recordar con éxito un elemento ahora mismo, en este preciso instante. Comienza en 1.0 (certeza) inmediatamente después de un repaso y decae con el tiempo siguiendo una curva del olvido. Cuando el algoritmo decide que es momento de mostrarte una tarjeta, es porque tu recuperabilidad ha descendido a un nivel objetivo — normalmente alrededor de 0,90, lo que significa aproximadamente un 90 % de probabilidad de recuerdo. El objetivo es repasar justo antes de olvidar, ni mucho antes ni después.

Estabilidad (S)

La estabilidad describe con qué lentitud decae tu recuperabilidad. Una memoria de alta estabilidad se desvanece despacio; una de baja estabilidad se desvanece rápido. Después de cada repaso exitoso, tu estabilidad para ese elemento aumenta, razón por la cual los intervalos de repaso pueden crecer con el tiempo. El mismo elemento repasado cinco veces en los momentos adecuados tendrá una estabilidad mucho mayor que un elemento repasado cinco veces en un solo día — el algoritmo capta esta diferencia con precisión.

La estabilidad es la magnitud que más directamente se corresponde con el sentido coloquial de "saber algo bien". Una alta estabilidad significa que, aunque te saltes un repaso, tu memoria seguirá estando en gran parte intacta semanas después. Una baja estabilidad significa que saltarse un solo repaso puede reducir sustancialmente tu probabilidad de recuerdo.

Dificultad (D)

La dificultad es una estimación de la dureza intrínseca de un elemento específico para ti. Algunos datos son simplemente más difíciles de recordar que otros, y eso varía según la persona. La dificultad de un elemento afecta cuánto aumenta la estabilidad tras un repaso exitoso: los elementos fáciles ganan más estabilidad por repaso; los difíciles ganan menos. La dificultad no es fija — se actualiza a medida que calificas las tarjetas con el tiempo, de modo que un elemento que al principio parece difícil puede reclasificarse gradualmente conforme crece tu familiaridad.

Cómo FSRS predice la siguiente fecha de repaso

Dados los valores actuales de D, S y R de un elemento, FSRS puede predecir cómo cambiará la recuperabilidad a lo largo de cualquier intervalo de tiempo futuro. Usa esto para responder a una pregunta precisa: ¿dentro de cuántos días la recuperabilidad descenderá hasta el umbral objetivo?

Ese día se convierte en el siguiente repaso programado. Nada más, nada menos — sin multiplicadores fijos, sin promedios de población, solo una predicción derivada del modelo para este elemento específico y este estudiante específico.

Tras completar un repaso y dar una calificación — Otra vez, Difícil, Bien o Fácil — FSRS actualiza los valores de D y S del elemento según lo que revela tu respuesta. Un recuerdo fallido (Otra vez) reinicia la estabilidad y aumenta ligeramente la dificultad. Un recuerdo fácil y seguro (Fácil) produce una mayor ganancia de estabilidad que uno lento y trabajoso (Difícil o Bien). El siguiente intervalo se calcula entonces de nuevo a partir de los parámetros actualizados.

Adaptación: por qué FSRS mejora con el tiempo

Una de las características más significativas de FSRS es que sus parámetros subyacentes pueden calibrarse según tu historial de repasos. El modelo contiene un conjunto de pesos que controlan cómo evoluciona la estabilidad en distintas situaciones. Estos pesos tienen valores predeterminados derivados de datos de investigación a gran escala, pero también pueden ajustarse al patrón real de tus repasos históricos.

Esto significa que FSRS puede aprender que tiendes a olvidar las cosas más rápido que el promedio de la población, o que tus recuerdos marcados como Difícil son en realidad bastante estables para ti. Las planificaciones resultantes se personalizan a un nivel más profundo del que puede lograr cualquier sistema de reglas fijas.

Esto es conceptualmente diferente de simplemente bajar un factor de facilidad. Los factores de facilidad en los algoritmos más antiguos son ajustes por tarjeta aplicados de forma multiplicativa a los intervalos. FSRS aprende la forma de tus curvas del olvido a partir de los datos y luego vuelve a derivar todos los intervalos desde principios fundamentales usando esa forma.

El papel de tus calificaciones

Tus calificaciones son la señal principal que FSRS utiliza para actualizar las estimaciones de memoria. Acertarlas importa.

• Otra vez — no pudiste recordar la respuesta. La estabilidad se reinicia casi a cero; la tarjeta reaparecerá muy pronto.
• Difícil — recordaste, pero fue lento o requirió un esfuerzo considerable. La estabilidad aumenta, pero menos de lo que produciría una calificación de Bien.
• Bien — recuerdo correcto con esfuerzo normal. El resultado esperado y más común.
• Fácil — recuerdo inmediato y sin esfuerzo. La estabilidad aumenta sustancialmente; el siguiente intervalo salta más lejos hacia el futuro.

La idea clave es que importa cómo recordaste, no solo si recordaste. Una memoria recuperada con esfuerzo es menos estable que una recuperada al instante, y FSRS modela esa diferencia. Por tanto, calificar con honestidad no es solo una buena práctica — es el canal de datos que mantiene preciso al modelo.

FSRS y el bucle de aprendizaje

FSRS brilla más cuando está integrado estrechamente con la forma en que consumes y te relacionas con el material, no solo con cómo lo repasas. La calidad de la planificación de repasos es tan buena como la calidad de las tarjetas que se planifican. El recuerdo activo durante la fase inicial de lectura — deteniéndote para generar respuestas antes de comprobar — produce memorias iniciales mejor codificadas, lo que le da a FSRS un punto de partida más sólido sobre el que trabajar.

Para el estudio entre materiales, el algoritmo trata cada tarjeta de forma independiente, sin importar de qué fuente provenga. Esto hace posible repasar vocabulario de un PDF de aprendizaje de idiomas, conceptos clave de una clase grabada y fórmulas de un libro de texto, todo en una misma sesión, con cada elemento planificado según su propia estabilidad y dificultad en lugar de la categoría a la que pertenece.

FSRS no pregunta "¿qué tan difícil es este tema?" — pregunta "¿qué tan estable es esta memoria específica en este estudiante específico, ahora mismo?" Ese cambio de las categorías a las trazas individuales de memoria es lo que separa la planificación basada en modelos de la planificación heurística.

Lo que FSRS no hace

Conviene ser claro sobre los límites del modelo. FSRS no simula los detalles neurológicos de la consolidación de la memoria. No sabe si tu nivel de fatiga o tu entorno de estudio afectarán al rendimiento en un día determinado. No garantiza la retención — apunta a un umbral de probabilidad, por lo que algo de olvido es esperable y aceptable.

El modelo también es tan bueno como tus calificaciones. Si marcas sistemáticamente tarjetas como Fácil cuando en realidad fueron trabajosas — quizás para reducir el número de repasos próximos — el algoritmo producirá intervalos demasiado largos y tu retención real caerá por debajo del objetivo. La curva del olvido no atiende a tus preferencias; solo responde a una entrada honesta.

Por qué FSRS importa para los estudiantes serios

El beneficio práctico de un enfoque basado en modelos es menos repasos totales para el mismo objetivo de retención. Como los intervalos se derivan de una predicción precisa de cuándo olvidarás, en lugar de una heurística conservadora, el algoritmo no infla las planificaciones innecesariamente. Los elementos que son genuinamente estables para ti obtienen intervalos largos. Los que son genuinamente frágiles obtienen intervalos cortos. El efecto neto a lo largo de un mazo grande durante meses de estudio puede ser sustancial: el mismo nivel de retención logrado con un tiempo de repaso significativamente menor.

Para cualquiera que estudie un gran cuerpo de material — un idioma, un dominio profesional, una materia académica — esa eficiencia se acumula en horas recuperadas y conocimiento que de verdad se afianza cuando importa.

Tus tendencias de dominio y tu cola de repaso entre libros son visibles en el panel de LearnBook — una imagen en vivo de cómo se sostiene tu memoria a través de cada fuente que estás estudiando, todo planificado por el mismo modelo FSRS descrito arriba.