FSRS의 원리: 현대적인 간격 반복 알고리즘

플래시카드 앱을 사용하는 대부분의 사람들은 알고리즘이 어떤 카드를 내일 보여줄지 다음 달에 보여줄지 결정할 때 그 이면에서 무슨 일이 일어나는지 전혀 알지 못합니다. 수년 동안 지배적인 답은 SM-2였습니다. 1980년대에 개발된 휴리스틱 알고리즘으로, 수백만 명의 학습자에게 꽤 잘 작동해 왔습니다. FSRS — Free Spaced Repetition Scheduler — 는 더 새로운 접근 방식이며, 근본적으로 다른 길을 택합니다. 고정된 규칙을 사용하는 대신, 당신의 기억이 실제로 어떻게 작동하는지를 수학적으로 모델링합니다. 이 모델을 이해하면 왜 FSRS의 일정이 더 정확하게 느껴지는지, 그리고 왜 같은 기억 유지 수준을 위해 더 적은 복습을 필요로 하는 경향이 있는지를 알 수 있습니다. FSRS는 오픈 소스이며 활발히 개발되고 있습니다. GitHub에서 FSRS 알고리즘을 살펴볼 수 있습니다. 간격 반복 학습의 전체 주제를 보려면 간격 반복 글 모음을 방문하세요.

기억의 세 가지 구성 요소: D, S, R

FSRS는 당신이 학습하고 있는 각 지식 조각을 세 가지 수치로 설명합니다. 이들이 함께 모여 연구자들이 DSR 모델이라고 부르는 것을 형성합니다.

인출 가능성(R)

인출 가능성(Retrievability)은 바로 지금, 이 정확한 순간에 어떤 항목을 성공적으로 떠올릴 수 있는 확률입니다. 복습 직후에는 1.0(확실함)에서 시작하여 망각 곡선을 따라 시간이 지나면서 감소합니다. 알고리즘이 카드를 보여줄 시점이라고 판단하는 것은 당신의 인출 가능성이 목표 수준 — 일반적으로 약 0.90, 즉 대략 90%의 회상 확률 — 으로 떨어졌기 때문입니다. 목표는 잊어버리기 직전에 복습하는 것이지, 훨씬 전이나 후가 아닙니다.

안정성(S)

안정성(Stability)은 당신의 인출 가능성이 얼마나 느리게 감소하는지를 설명합니다. 안정성이 높은 기억은 천천히 사라지고, 안정성이 낮은 기억은 빠르게 사라집니다. 성공적인 복습을 할 때마다 해당 항목의 안정성이 증가하며, 그래서 복습 간격이 시간이 지나면서 늘어날 수 있는 것입니다. 적절한 순간에 다섯 번 복습한 항목은 하루 안에 다섯 번 복습한 항목보다 훨씬 높은 안정성을 갖게 됩니다. 알고리즘은 이 차이를 정밀하게 포착합니다.

안정성은 "무언가를 잘 안다"는 일상적인 감각에 가장 직접적으로 대응하는 수치입니다. 높은 안정성은 복습을 건너뛰더라도 몇 주 후에도 기억이 대부분 온전하게 남아 있음을 의미합니다. 낮은 안정성은 복습 한 번을 놓치는 것만으로도 회상 확률이 상당히 떨어질 수 있음을 의미합니다.

난이도(D)

난이도(Difficulty)는 특정 항목이 당신에게 갖는 본질적인 어려움의 추정치입니다. 어떤 사실은 다른 것보다 기억하기가 더 어렵고, 이는 사람마다 다릅니다. 항목의 난이도는 성공적인 복습 후 안정성이 얼마나 증가하는지에 영향을 미칩니다. 쉬운 항목은 복습당 더 많은 안정성을 얻고, 어려운 항목은 더 적게 얻습니다. 난이도는 고정되어 있지 않습니다. 시간이 지나면서 카드를 평가함에 따라 갱신되므로, 처음에는 어려워 보였던 항목이 친숙도가 높아지면서 점차 재분류될 수 있습니다.

FSRS가 다음 복습 날짜를 예측하는 방법

항목의 현재 D, S, R 값이 주어지면, FSRS는 미래의 어떤 시간 간격에 걸쳐 인출 가능성이 어떻게 변할지 예측할 수 있습니다. 이를 사용하여 정확한 질문에 답합니다. 지금으로부터 며칠 후에 인출 가능성이 목표 임계값으로 떨어질 것인가?

그날이 다음 예정된 복습일이 됩니다. 그 이상도 그 이하도 아닙니다. 고정된 배수도, 집단 평균도 없이, 오직 이 특정 항목과 이 특정 학습자를 위해 모델에서 도출된 예측만 있을 뿐입니다.

복습을 완료하고 평가 — Again, Hard, Good, Easy — 를 제공하면, FSRS는 당신의 응답이 드러내는 정보를 바탕으로 항목의 D와 S 값을 갱신합니다. 회상 실패(Again)는 안정성을 재설정하고 난이도를 약간 높입니다. 쉽고 확신에 찬 회상(Easy)은 느리고 힘든 회상(Hard 또는 Good)보다 더 큰 안정성 증가를 만들어냅니다. 그런 다음 갱신된 매개변수로부터 다음 간격이 새롭게 계산됩니다.

적응: FSRS가 시간이 지나면서 개선되는 이유

FSRS의 가장 중요한 특징 중 하나는 그 기반 매개변수가 당신의 복습 기록에 맞게 보정될 수 있다는 점입니다. 모델에는 다양한 상황에서 안정성이 어떻게 변화하는지를 제어하는 일련의 가중치가 들어 있습니다. 이 가중치들은 대규모 연구 데이터에서 도출된 기본값을 가지고 있지만, 당신의 실제 과거 복습 패턴에 맞춰 적합화될 수도 있습니다.

이는 FSRS가 당신이 집단 평균보다 더 빨리 잊어버리는 경향이 있다거나, Hard로 표시한 회상이 당신에게는 실제로 꽤 안정적이라는 것을 학습할 수 있음을 의미합니다. 그 결과로 만들어지는 일정은 어떤 고정 규칙 시스템도 달성할 수 없는 깊은 수준에서 개인화됩니다.

이는 단순히 ease factor를 낮추는 것과는 개념적으로 다릅니다. 오래된 알고리즘의 ease factor는 간격에 곱셈적으로 적용되는 카드별 조정값입니다. FSRS는 데이터로부터 당신의 망각 곡선 형태를 학습한 다음, 그 형태를 사용하여 모든 간격을 제1원리로부터 다시 도출합니다.

당신의 평가가 하는 역할

당신의 평가는 FSRS가 기억 추정치를 갱신하는 데 사용하는 주요 신호입니다. 이를 제대로 하는 것이 중요합니다.

• Again — 답을 떠올리지 못했습니다. 안정성은 거의 0으로 재설정되고, 카드는 곧 다시 나타납니다.
• Hard — 떠올리긴 했지만 느리거나 상당한 노력이 필요했습니다. 안정성은 증가하지만 Good 평가가 만들어내는 것보다는 적습니다.
• Good — 보통의 노력으로 올바르게 회상했습니다. 예상되는 가장 흔한 결과입니다.
• Easy — 즉각적이고 힘들이지 않은 회상입니다. 안정성이 상당히 증가하며, 다음 간격은 미래로 더 멀리 도약합니다.

핵심 통찰은 당신이 회상했는지 여부뿐만 아니라 어떻게 회상했는지가 중요하다는 점입니다. 노력을 들여 인출한 기억은 즉시 인출한 기억보다 덜 안정적이며, FSRS는 그 차이를 모델링합니다. 따라서 정직한 평가는 단지 좋은 습관일 뿐 아니라, 모델을 정확하게 유지하는 데이터 파이프라인입니다.

FSRS와 학습 루프

FSRS는 단지 자료를 복습하는 방식뿐 아니라, 자료를 소비하고 관여하는 방식과 긴밀하게 통합될 때 가장 빛을 발합니다. 복습 일정의 품질은 일정에 들어가는 플래시카드의 품질만큼만 좋을 수 있습니다. 초기 읽기 단계에서의 능동 회상 — 확인하기 전에 멈춰서 답을 생성하는 것 — 은 더 잘 부호화된 초기 기억을 만들어내며, 이는 FSRS에게 더 강력한 출발점을 제공합니다.

여러 자료에 걸친 학습의 경우, 알고리즘은 각 카드가 어떤 출처에서 왔는지와 관계없이 독립적으로 다룹니다. 덕분에 어학 학습용 PDF의 어휘, 녹화된 강의의 핵심 개념, 교과서의 공식을 모두 한 세션에서 복습하면서, 각 항목을 그것이 속한 범주가 아니라 각자의 안정성과 난이도에 따라 일정에 배치할 수 있습니다.

FSRS는 "이 주제는 얼마나 어려운가?"를 묻지 않습니다. 대신 "이 특정 기억은 이 특정 학습자에게 지금 얼마나 안정적인가?"를 묻습니다. 범주에서 개별 기억 흔적으로의 그 전환이 바로 모델 기반 일정 관리를 휴리스틱 일정 관리와 구분 짓는 것입니다.

FSRS가 하지 않는 것

모델의 한계를 명확히 짚어둘 가치가 있습니다. FSRS는 기억 응고화의 신경학적 세부 사항을 시뮬레이션하지 않습니다. 당신의 피로 수준이나 학습 환경이 특정 날의 수행에 영향을 미칠지 알지 못합니다. 기억 유지를 보장하지 않습니다. 확률 임계값을 목표로 하므로 어느 정도의 망각은 예상되며 허용됩니다.

또한 모델은 당신의 평가만큼만 좋습니다. 실제로는 힘들었던 카드를 — 어쩌면 다가올 복습 횟수를 줄이려고 — 꾸준히 Easy로 표시한다면, 알고리즘은 너무 긴 간격을 만들어내고 실제 기억 유지율은 목표 아래로 떨어질 것입니다. 망각 곡선은 당신의 선호를 신경 쓰지 않습니다. 오직 정직한 입력에만 반응합니다.

FSRS가 진지한 학습자에게 중요한 이유

모델 기반 접근 방식의 실질적인 이점은 같은 기억 유지 목표를 위해 전체 복습 횟수가 더 적다는 것입니다. 간격이 보수적인 휴리스틱이 아니라 당신이 언제 잊어버릴지에 대한 정확한 예측에서 도출되기 때문에, 알고리즘은 일정을 불필요하게 부풀리지 않습니다. 당신에게 진정으로 안정적인 항목은 긴 간격을 받습니다. 진정으로 취약한 항목은 짧은 간격을 받습니다. 큰 덱을 여러 달에 걸쳐 학습할 때의 순효과는 상당할 수 있습니다. 즉, 훨씬 적은 복습 시간으로 같은 기억 유지 수준을 달성합니다.

방대한 분량의 자료 — 언어, 전문 분야, 학문 과목 — 를 공부하는 누구에게나, 그 효율은 회복된 시간과 정작 중요할 때 실제로 남아 있는 지식으로 복리처럼 쌓입니다.

당신의 숙달도 추이와 책 간 복습 대기열은 LearnBook 대시보드에서 확인할 수 있습니다. 공부하는 모든 출처에 걸쳐 당신의 기억이 어떻게 유지되고 있는지를 보여주는 실시간 그림이며, 모두 위에서 설명한 동일한 FSRS 모델로 일정이 짜여 있습니다.