FSRS vs SM-2: perché conta l'algoritmo di pianificazione

Se hai usato Anki, sei stato pianificato da SM-2. Se hai usato un sistema più recente con "pianificazione ottimizzata", potresti aver incontrato FSRS. Entrambi gli algoritmi servono allo stesso scopo — decidere quando mostrarti la prossima volta ciascuna flashcard — ma lo fanno in modi fondamentalmente diversi. La differenza conta più di quanto la maggior parte degli studenti immagini, perché il tuo algoritmo di pianificazione determina quanto tempo passi a ripassare, quanto bene trattieni davvero il materiale e come il sistema reagisce quando la tua memoria si comporta in modo inatteso. Per un quadro di tutte le opzioni di ripetizione dilazionata disponibili, sfoglia la raccolta di guide sulla ripetizione dilazionata.

SM-2: l'euristica classica

SM-2 è stato sviluppato da Piotr Wozniak negli anni Ottanta per SuperMemo ed è stato l'algoritmo di pianificazione predefinito in Anki sin dalla sua creazione. Il suo design riflette i vincoli della sua epoca: doveva essere abbastanza semplice da funzionare sui primi personal computer e abbastanza comprensibile perché gli utenti potessero capirlo manualmente.

SM-2 funziona grosso modo così. Ogni carta porta con sé un fattore di facilità — un moltiplicatore che parte da un valore predefinito (tipicamente 2,5) e si aggiusta in base alle tue valutazioni. Dopo i due passaggi iniziali di apprendimento (che usano intervalli brevi e fissi), il prossimo intervallo viene calcolato moltiplicando l'intervallo precedente per il fattore di facilità. Se valuti una carta come Hard, il fattore di facilità diminuisce, accorciando gli intervalli futuri. Se la valuti come Easy, aumenta leggermente, allungandoli. Una carta con cui fai ripetutamente fatica accumula gradualmente un fattore di facilità basso e viene ripassata più di frequente; una carta che azzecchi costantemente viene spinta più in là nel futuro.

Questo design funziona abbastanza bene da essere genuinamente utile — milioni di studenti hanno costruito una conoscenza sostanziale usando SM-2. Ma ha limitazioni strutturali che diventano evidenti quando studi su larga scala o analizzi le assunzioni di fondo.

Limitazioni chiave di SM-2

• Deriva del fattore di facilità. Una volta che un fattore di facilità diminuisce — tramite valutazioni Hard o Again — tende a restare basso. Le carte possono restare "intrappolate" in intervalli brevi anche dopo che lo studente ha chiaramente interiorizzato il materiale, portando a un eccesso di ripassi di memorie stabili.
• Nessun modello esplicito dell'oblio. SM-2 non prevede quando dimenticherai; applica un moltiplicatore euristico all'intervallo precedente. La pianificazione che ne risulta può allinearsi o meno al reale decadimento della memoria per una data carta e un dato studente.
• Assunzione di decadimento uniforme. L'algoritmo presuppone che tutte le carte decadano a ritmi simili, regolati solo dal fattore di facilità. Non ha alcun concetto di diversi livelli di stabilità derivanti dalla storia e dallo schema dei ripassi passati.
• Rigidità del cold-start. Ogni nuova carta parte con lo stesso fattore di facilità predefinito, a prescindere da come sono stati gestiti in passato contenuti simili. Il sistema non apprende i tuoi schemi tra una carta e l'altra.

FSRS: un modello della memoria, non un'euristica

FSRS — il Free Spaced Repetition Scheduler — parte da un punto di partenza diverso. Invece di definire regole su come dovrebbero cambiare gli intervalli, costruisce un modello matematico della memoria stessa e deriva gli intervalli da quel modello. L'algoritmo è open source e sottoposto a revisione tra pari; consulta il repository open source di FSRS per la specifica tecnica.

Come descritto più in dettaglio in Come funziona FSRS, il modello traccia tre grandezze per ogni carta: difficoltà (complessità intrinseca per questo studente), stabilità (con quanta lentezza decade la memoria) e recuperabilità (probabilità di ricordo riuscito in questo momento). Il prossimo ripasso è pianificato per il momento in cui si prevede che la recuperabilità raggiunga una soglia obiettivo — comunemente il 90 %.

Poiché il modello formula previsioni esplicite sulla probabilità di ricordo, può impostare intervalli lunghi quando la memoria è genuinamente stabile e brevi quando è fragile — decisioni che SM-2 può solo approssimare attraverso il suo meccanismo del fattore di facilità.

Confronto diretto

Proprietà	SM-2	FSRS
Meccanismo di base	Euristica del fattore di facilità applicata all'intervallo precedente	Modello della memoria che prevede la recuperabilità nel tempo
Derivazione dell'intervallo	Intervallo precedente × fattore di facilità	Tempo fino a quando la recuperabilità scende alla soglia obiettivo
Obiettivo di ritenzione	Implicito — nessuna probabilità di ritenzione esplicita	Esplicito — obiettivo configurabile (es. 90 %)
Adattamento per studente	Solo aggiustamenti del fattore di facilità per singola carta	I pesi del modello possono essere adattati alla cronologia individuale dei ripassi
Deriva del fattore di facilità	Sì — i fattori di facilità bassi tendono a persistere	Non applicabile — la stabilità sostituisce il fattore di facilità
Segnale di valutazione usato	Aggiusta il fattore di facilità e il moltiplicatore dell'intervallo	Aggiorna stabilità e difficoltà; ricalcola l'intervallo
Trasparenza	Regole semplici, facili da spiegare manualmente	Modello più complesso, ma previsioni esplicite di ritenzione
Efficienza dei ripassi	Buona per la maggior parte dei casi d'uso	In genere meno ripassi a parità di ritenzione

Perché l'algoritmo influisce sull'efficienza dei ripassi

La differenza di efficienza dei ripassi tra i due algoritmi si riconduce a quanto bene ciascuno traccia lo stato reale della tua memoria. SM-2 usa una variabile surrogata — il fattore di facilità e il suo accumularsi nei ripassi passati — che è correlata alla stabilità della memoria ma non la misura direttamente. Il risultato è una pianificazione ragionevole in media ma imprecisa per le singole carte.

FSRS, tracciando la stabilità in modo esplicito, può distinguere tra due situazioni che SM-2 tratta in modo simile: una carta con un fattore di facilità basso che hai consolidato di recente con una serie di ripassi Good, e una carta con un fattore di facilità basso che resta genuinamente fragile. SM-2 darà a entrambe più o meno lo stesso intervallo breve; FSRS darà alla carta consolidata un intervallo più lungo perché la sua stabilità è cresciuta.

Su un grande mazzo studiato per mesi, questa precisione si accumula. Le memorie stabili non vengono ripassate inutilmente; le memorie fragili vengono ripassate prima che scendano sotto la soglia di ritenzione. L'effetto netto è una coda di ripasso più piccola e meglio mirata, il che significa meno tempo speso a ripassare mantenendo la stessa — o più alta — ritenzione effettiva.

Compromessi e considerazioni pratiche

SM-2 non è privo di vantaggi. È estremamente trasparente: puoi leggere l'algoritmo in poche righe e capire esattamente cosa farà dopo. Ha decenni di validazione nel mondo reale. E per gli studenti con mazzi piccoli o tempi di studio brevi, la differenza di efficienza tra SM-2 e FSRS può essere in pratica trascurabile.

FSRS introduce maggiore complessità. Il modello ha parametri che richiedono valori predefiniti sensati — e, idealmente, una calibrazione sui tuoi dati. Richiede una disciplina di valutazione coerente, perché le valutazioni imprecise traggono in inganno un modello più di quanto traggano in inganno un'euristica. Per uno studente che valuta le carte con noncuranza o usa un approccio binario superato/non superato, il vantaggio di FSRS si riduce significativamente.

L'altra considerazione importante è cosa significhi "ritenzione" in ciascun sistema. SM-2 non ti dà un obiettivo di ritenzione da impostare; la ritenzione che ne risulta dipende dal fattore di facilità predefinito e da come valuti le carte. FSRS ti permette di scegliere il tuo obiettivo in modo esplicito — 70 %, 90 %, 95 % — e regola gli intervalli per mantenerlo. Obiettivi più alti significano intervalli più brevi e più ripassi; obiettivi più bassi significano intervalli più lunghi e maggiore oblio. Avere un controllo esplicito su questo compromesso è utile quando hai opinioni nette su quanto affidabile debba essere il tuo ricordo, ad esempio per una certificazione professionale rispetto a un apprendimento linguistico casuale.

Come scegliere tra i due

Se parti da zero e il tuo sistema di studio supporta FSRS, c'è poca ragione di usare SM-2. L'approccio basato su modello è più accurato, più adattabile e produce risultati migliori su larga scala. La curva di apprendimento per l'utente è minima — valuti comunque le carte allo stesso modo; è l'algoritmo a usare quelle valutazioni in modo più intelligente.

Se hai un mazzo SM-2 esistente con anni di cronologia di ripassi, migrare a FSRS può essere o meno semplice a seconda del tuo strumento. Alcuni sistemi possono stimare la stabilità FSRS dalla cronologia SM-2; altri ripartono da zero. Vale la pena verificare il percorso di migrazione prima di impegnarsi.

Per chiunque prenda sul serio il richiamo attivo come pratica a lungo termine, l'algoritmo conta sempre di più man mano che il mazzo cresce. Qualche centinaio di carte ripassate con noncuranza potrebbe non rivelare la differenza; decine di migliaia di carte studiate negli anni fanno sì che ogni guadagno di efficienza si accumuli in modo significativo.

Il miglior algoritmo di pianificazione è quello che userai davvero con costanza. Ma a parità di impegno, FSRS produce pianificazioni più accurate, un controllo della ritenzione più esplicito e una migliore efficienza su larga scala.

Gli algoritmi di pianificazione e il più ampio ciclo di apprendimento

Vale la pena ricordare che la pianificazione è una componente di un sistema di apprendimento, non l'intero sistema. La qualità delle flashcard che stai ripassando, il tuo coinvolgimento durante la lettura iniziale, la profondità di comprensione che porti a ogni tentativo di richiamo — questi fattori interagiscono con l'algoritmo di pianificazione per determinare i reali esiti di apprendimento. Una carta mediocre pianificata alla perfezione resta una carta mediocre.

Il valore di FSRS è che rimuove il collo di bottiglia della pianificazione. Una volta che l'algoritmo modella accuratamente la tua memoria e imposta gli intervalli in modo appropriato, le variabili rimanenti sono sotto il tuo controllo: come leggi, come generi le carte, con quanta onestà valuti e con quanta costanza ti presenti ai ripassi.

LearnBook usa FSRS in ogni fase — così, quando ripassi materiale da più fonti contemporaneamente, ogni carta nella coda tra libri porta con sé il proprio intervallo calibrato in modo indipendente anziché essere forzata su una pianificazione condivisa. Per vedere FSRS in azione all'interno del flusso di studio completo, leggi come vengono generate e pianificate le flashcard e i quiz.