Comment fonctionne FSRS : l'algorithme moderne de répétition espacée

La plupart des gens qui utilisent des applications de cartes mémoire n'ont aucune idée de ce qui se passe en coulisses lorsqu'un algorithme décide de leur présenter une carte demain plutôt que le mois prochain. Pendant des années, la réponse dominante a été SM-2, un algorithme heuristique développé dans les années 1980 qui a relativement bien servi des millions d'apprenants. FSRS — le Free Spaced Repetition Scheduler — est une approche plus récente, et elle emprunte une voie fondamentalement différente : au lieu d'utiliser des règles fixes, elle construit un modèle mathématique du fonctionnement réel de votre mémoire. Comprendre ce modèle explique pourquoi les plannings de FSRS semblent plus précis et pourquoi ils tendent à nécessiter moins de révisions pour un même niveau de rétention. FSRS est open source et activement développé ; vous pouvez explorer l'algorithme FSRS sur GitHub. Pour l'ensemble des sujets liés à la répétition espacée, consultez la collection d'articles répétition espacée.

Les trois composantes de la mémoire : D, S et R

FSRS décrit chaque élément de connaissance que vous apprenez à l'aide de trois grandeurs. Ensemble, elles forment ce que les chercheurs appellent le modèle DSR.

Récupérabilité (R)

La récupérabilité est la probabilité que vous puissiez vous rappeler avec succès un élément à l'instant même. Elle débute à 1,0 (certitude) immédiatement après une révision et décroît avec le temps en suivant une courbe de l'oubli. Lorsque l'algorithme décide qu'il est temps de vous présenter une carte, c'est parce que votre récupérabilité est descendue à un niveau cible — généralement autour de 0,90, soit environ 90 % de chances de rappel. L'objectif est de réviser juste avant d'oublier, ni bien avant, ni après.

Stabilité (S)

La stabilité décrit la lenteur à laquelle votre récupérabilité décroît. Une mémoire à forte stabilité s'estompe lentement ; une mémoire à faible stabilité s'estompe rapidement. Après chaque révision réussie, votre stabilité pour cet élément augmente, ce qui explique pourquoi les intervalles de révision peuvent s'allonger au fil du temps. Le même élément révisé cinq fois aux bons moments aura une stabilité bien plus élevée qu'un élément révisé cinq fois en une seule journée — l'algorithme saisit précisément cette différence.

La stabilité est la grandeur qui correspond le plus directement au sens courant de « bien savoir quelque chose ». Une stabilité élevée signifie que, même si vous sautez une révision, votre mémoire restera largement intacte des semaines plus tard. Une faible stabilité signifie qu'une seule révision manquée peut faire chuter considérablement votre probabilité de rappel.

Difficulté (D)

La difficulté est une estimation de la complexité intrinsèque d'un élément précis pour vous. Certains faits sont tout simplement plus difficiles à retenir que d'autres, et cela varie d'une personne à l'autre. La difficulté d'un élément influe sur l'augmentation de stabilité après une révision réussie : les éléments faciles gagnent davantage de stabilité par révision ; les éléments difficiles en gagnent moins. La difficulté n'est pas fixe — elle est mise à jour à mesure que vous évaluez les cartes au fil du temps, de sorte qu'un élément qui semble d'abord difficile peut progressivement être reclassé à mesure que votre familiarité grandit.

Comment FSRS prédit la prochaine date de révision

À partir des valeurs actuelles de D, S et R d'un élément, FSRS peut prédire comment la récupérabilité évoluera sur n'importe quel intervalle de temps futur. Il s'en sert pour répondre à une question précise : dans combien de jours la récupérabilité descendra-t-elle au seuil cible ?

Ce jour devient la prochaine révision planifiée. Rien de plus, rien de moins — pas de multiplicateurs fixes, pas de moyennes de population, juste une prédiction issue du modèle pour cet élément précis et cet apprenant précis.

Après avoir terminé une révision et fourni une évaluation — Encore, Difficile, Correct ou Facile — FSRS met à jour les valeurs D et S de l'élément en fonction de ce que révèle votre réponse. Un rappel échoué (Encore) réinitialise la stabilité et augmente légèrement la difficulté. Un rappel facile et assuré (Facile) produit un gain de stabilité plus important qu'un rappel lent et laborieux (Difficile ou Correct). L'intervalle suivant est ensuite recalculé à partir des paramètres mis à jour.

Adaptation : pourquoi FSRS s'améliore avec le temps

L'une des caractéristiques les plus marquantes de FSRS est que ses paramètres sous-jacents peuvent être calibrés sur votre historique de révisions. Le modèle contient un ensemble de poids qui régissent l'évolution de la stabilité dans différentes situations. Ces poids ont des valeurs par défaut dérivées de données de recherche à grande échelle, mais ils peuvent aussi être ajustés au schéma réel de vos révisions passées.

Cela signifie que FSRS peut apprendre que vous tendez à oublier les choses plus vite que la moyenne de la population, ou que vos rappels signalés comme Difficiles sont en réalité assez stables pour vous. Les plannings qui en résultent deviennent personnalisés à un niveau plus profond que ce que tout système à règles fixes peut atteindre.

C'est conceptuellement différent du simple fait d'abaisser un facteur de facilité. Les facteurs de facilité des algorithmes plus anciens sont des ajustements par carte appliqués de façon multiplicative aux intervalles. FSRS apprend la forme de vos courbes de l'oubli à partir des données, puis re-dérive tous les intervalles à partir de principes premiers en utilisant cette forme.

Le rôle de vos évaluations

Vos évaluations sont le signal principal que FSRS utilise pour mettre à jour ses estimations de mémoire. Les fournir correctement compte.

• Encore — vous n'avez pas pu vous rappeler la réponse. La stabilité est réinitialisée à près de zéro ; la carte réapparaîtra très bientôt.
• Difficile — vous vous êtes rappelé, mais c'était lent ou cela a demandé un effort important. La stabilité augmente, mais moins qu'avec une évaluation Correct.
• Correct — rappel exact avec un effort normal. Le résultat attendu et le plus courant.
• Facile — rappel immédiat et sans effort. La stabilité augmente fortement ; l'intervalle suivant bondit plus loin dans le futur.

L'idée clé est que la manière dont vous vous êtes rappelé compte, et pas seulement le fait de vous être rappelé. Une mémoire récupérée avec effort est moins stable qu'une mémoire récupérée instantanément, et FSRS modélise cette différence. Une évaluation honnête n'est donc pas seulement une bonne pratique — c'est le pipeline de données qui maintient la précision du modèle.

FSRS et la boucle d'apprentissage

FSRS brille le plus lorsqu'il est étroitement intégré à la manière dont vous consommez et vous engagez avec le contenu, et pas seulement à la manière dont vous le révisez. La qualité de la planification des révisions ne vaut que ce que vaut la qualité des cartes mémoire planifiées. Le rappel actif pendant la phase de lecture initiale — s'arrêter pour générer des réponses avant de vérifier — produit des mémoires initiales mieux encodées, ce qui donne à FSRS un meilleur point de départ.

Pour une étude transversale, l'algorithme traite chaque carte indépendamment, quelle que soit la source dont elle provient. Cela rend possible de réviser, dans une même session, du vocabulaire issu d'un PDF d'apprentissage des langues, des concepts clés d'un cours enregistré et des formules d'un manuel, chaque élément étant planifié selon sa propre stabilité et sa propre difficulté plutôt que selon la catégorie à laquelle il appartient.

FSRS ne demande pas « à quel point ce sujet est-il difficile ? » — il demande « à quel point cette mémoire précise est-elle stable chez cet apprenant précis, en ce moment ? » Ce passage des catégories aux traces mémorielles individuelles est ce qui distingue la planification fondée sur un modèle de la planification heuristique.

Ce que FSRS ne fait pas

Il vaut la peine d'être clair sur les limites du modèle. FSRS ne simule pas les détails neurologiques de la consolidation de la mémoire. Il ne sait pas si votre niveau de fatigue ou votre environnement d'étude affectera vos performances un jour donné. Il ne garantit pas la rétention — il vise un seuil de probabilité, donc un certain oubli est attendu et acceptable.

Le modèle ne vaut également que ce que valent vos évaluations. Si vous marquez systématiquement les cartes comme Faciles alors qu'elles ont en réalité demandé un effort — peut-être pour réduire le nombre de révisions à venir — l'algorithme produira des intervalles trop longs et votre rétention réelle tombera sous la cible. La courbe de l'oubli ne se soucie pas de vos préférences ; elle ne réagit qu'à une saisie honnête.

Pourquoi FSRS compte pour les apprenants sérieux

Le bénéfice pratique d'une approche fondée sur un modèle est un nombre total de révisions plus faible pour une même cible de rétention. Parce que les intervalles sont dérivés d'une prédiction précise du moment où vous oublierez, plutôt que d'une heuristique prudente, l'algorithme ne rallonge pas inutilement les plannings. Les éléments véritablement stables pour vous obtiennent de longs intervalles. Les éléments véritablement fragiles en obtiennent de courts. L'effet net sur un grand paquet de cartes après des mois d'étude peut être considérable : le même niveau de rétention atteint avec nettement moins de temps de révision.

Pour quiconque étudie un large corpus de contenu — une langue, un domaine professionnel, une matière académique — cette efficacité se cumule en heures récupérées et en connaissances qui tiennent réellement quand cela compte.

Vos tendances de maîtrise et votre file de révision inter-livres sont visibles dans le tableau de bord LearnBook — un aperçu en temps réel de la tenue de votre mémoire à travers chaque source que vous étudiez, le tout planifié par le même modèle FSRS décrit ci-dessus.