Como o FSRS Funciona: O Algoritmo Moderno de Repetição Espaçada

A maioria das pessoas que usam aplicativos de flashcards não tem ideia do que acontece nos bastidores quando um algoritmo decide mostrar um cartão amanhã em vez de no próximo mês. Durante anos, a resposta dominante foi o SM-2, um algoritmo heurístico desenvolvido na década de 1980 que serviu razoavelmente bem a milhões de estudantes. O FSRS — o Free Spaced Repetition Scheduler — é uma abordagem mais recente e segue um caminho fundamentalmente diferente: em vez de usar regras fixas, ele constrói um modelo matemático de como a sua memória realmente funciona. Entender esse modelo explica por que os agendamentos do FSRS parecem mais precisos e por que tendem a exigir menos revisões para o mesmo nível de retenção. O FSRS é de código aberto e está em desenvolvimento ativo; você pode explorar o algoritmo FSRS no GitHub. Para conhecer toda a gama de tópicos sobre repetição espaçada, visite a coleção de artigos sobre repetição espaçada.

Os Três Componentes da Memória: D, S e R

O FSRS descreve cada porção de conhecimento que você está aprendendo usando três grandezas. Juntas, elas formam o que os pesquisadores chamam de modelo DSR.

Recuperabilidade (R)

A recuperabilidade é a probabilidade de você conseguir lembrar com sucesso de um item agora mesmo, neste exato momento. Ela começa em 1,0 (certeza) imediatamente após uma revisão e decai com o tempo, seguindo uma curva de esquecimento. Quando o algoritmo decide que é hora de mostrar um cartão, é porque a sua recuperabilidade caiu a um nível-alvo — normalmente em torno de 0,90, o que significa cerca de 90 % de chance de recordação. O objetivo é revisar pouco antes de você esquecer, não muito antes nem depois.

Estabilidade (S)

A estabilidade descreve a lentidão com que a sua recuperabilidade decai. Uma memória de alta estabilidade desaparece devagar; uma memória de baixa estabilidade desaparece rápido. Após cada revisão bem-sucedida, a sua estabilidade para aquele item aumenta, e é por isso que os intervalos de revisão podem crescer ao longo do tempo. O mesmo item revisado cinco vezes nos momentos certos terá uma estabilidade muito maior do que um item revisado cinco vezes em um único dia — o algoritmo captura essa diferença com precisão.

A estabilidade é a grandeza que mais diretamente corresponde ao sentido coloquial de "saber bem alguma coisa". Alta estabilidade significa que, mesmo que você pule uma revisão, a sua memória ainda estará em grande parte intacta semanas depois. Baixa estabilidade significa que perder uma única revisão pode reduzir substancialmente a sua probabilidade de recordação.

Dificuldade (D)

A dificuldade é uma estimativa da complexidade intrínseca de um item específico para você. Alguns fatos são simplesmente mais difíceis de lembrar do que outros, e isso varia de pessoa para pessoa. A dificuldade de um item afeta o quanto a estabilidade aumenta após uma revisão bem-sucedida: itens fáceis ganham mais estabilidade por revisão; itens difíceis ganham menos. A dificuldade não é fixa — ela é atualizada à medida que você avalia os cartões ao longo do tempo, de modo que um item que inicialmente parece difícil pode gradualmente ser reclassificado conforme a sua familiaridade aumenta.

Como o FSRS Prevê a Próxima Data de Revisão

Dados os valores atuais de D, S e R de um item, o FSRS consegue prever como a recuperabilidade mudará ao longo de qualquer intervalo de tempo futuro. Ele usa isso para responder a uma pergunta precisa: daqui a quantos dias a recuperabilidade cairá ao limiar-alvo?

Esse dia se torna a próxima revisão agendada. Nada mais, nada menos — sem multiplicadores fixos, sem médias populacionais, apenas uma previsão derivada do modelo para este item específico e este estudante específico.

Depois de concluir uma revisão e fornecer uma avaliação — De novo, Difícil, Bom ou Fácil — o FSRS atualiza os valores de D e S do item com base no que a sua resposta revela. Uma recordação fracassada (De novo) reinicia a estabilidade e aumenta ligeiramente a dificuldade. Uma recordação fácil e confiante (Fácil) produz um ganho de estabilidade maior do que uma lenta e trabalhosa (Difícil ou Bom). O próximo intervalo é então calculado do zero a partir dos parâmetros atualizados.

Adaptação: Por Que o FSRS Melhora com o Tempo

Uma das características mais significativas do FSRS é que seus parâmetros subjacentes podem ser calibrados de acordo com o seu histórico de revisões. O modelo contém um conjunto de pesos que controlam como a estabilidade evolui em diferentes situações. Esses pesos têm valores padrão derivados de dados de pesquisa em larga escala, mas também podem ser ajustados ao padrão real das suas revisões históricas.

Isso significa que o FSRS pode aprender que você tende a esquecer as coisas mais rápido do que a média populacional, ou que as suas recordações marcadas como Difícil são, na verdade, bastante estáveis para você. Os agendamentos resultantes tornam-se personalizados em um nível mais profundo do que qualquer sistema de regras fixas consegue alcançar.

Isso é conceitualmente diferente de apenas reduzir um fator de facilidade. Os fatores de facilidade em algoritmos mais antigos são ajustes por cartão aplicados de forma multiplicativa aos intervalos. O FSRS aprende a forma das suas curvas de esquecimento a partir dos dados e, em seguida, re-deriva todos os intervalos a partir de princípios fundamentais usando essa forma.

O Papel das Suas Avaliações

As suas avaliações são o principal sinal que o FSRS usa para atualizar as estimativas de memória. Acertá-las importa.

• De novo — você não conseguiu lembrar da resposta. A estabilidade é reiniciada para perto de zero; o cartão reaparecerá muito em breve.
• Difícil — você lembrou, mas foi lento ou exigiu esforço considerável. A estabilidade aumenta, mas menos do que uma avaliação Bom produziria.
• Bom — recordação correta com esforço normal. O resultado esperado e mais comum.
• Fácil — recordação imediata e sem esforço. A estabilidade aumenta substancialmente; o próximo intervalo avança ainda mais para o futuro.

A percepção-chave é que como você lembrou importa, não apenas se você lembrou. Uma memória recuperada com esforço é menos estável do que uma recuperada instantaneamente, e o FSRS modela essa diferença. Avaliar com honestidade, portanto, não é apenas uma boa prática — é o canal de dados que mantém o modelo preciso.

O FSRS e o Ciclo de Aprendizagem

O FSRS brilha mais quando está fortemente integrado à forma como você consome e interage com o material, e não apenas como você o revisa. A qualidade do agendamento de revisões é tão boa quanto a qualidade dos flashcards que estão sendo agendados. A recordação ativa durante a fase inicial de leitura — pausar para gerar respostas antes de verificar — produz memórias iniciais mais bem codificadas, o que dá ao FSRS um ponto de partida mais forte para trabalhar.

Para o estudo entre materiais, o algoritmo trata cada cartão de forma independente, não importa de qual fonte ele veio. Isso torna possível revisar, em uma única sessão, o vocabulário de um PDF de aprendizado de idiomas, conceitos-chave de uma aula gravada e fórmulas de um livro didático, com cada item agendado de acordo com a sua própria estabilidade e dificuldade, em vez da categoria a que pertence.

O FSRS não pergunta "quão difícil é este tópico?" — ele pergunta "quão estável é esta memória específica neste estudante específico, agora mesmo?". Essa mudança de categorias para traços individuais de memória é o que separa o agendamento baseado em modelo do agendamento heurístico.

O Que o FSRS Não Faz

Vale a pena ser claro sobre os limites do modelo. O FSRS não simula os detalhes neurológicos da consolidação da memória. Ele não sabe se o seu nível de fadiga ou ambiente de estudo afetará o seu desempenho em determinado dia. Ele não garante a retenção — ele mira um limiar de probabilidade, de modo que algum esquecimento é esperado e aceitável.

O modelo também é tão bom quanto as suas avaliações. Se você marcar consistentemente os cartões como Fácil quando eles na verdade exigiram esforço — talvez para reduzir o número de revisões futuras — o algoritmo produzirá intervalos longos demais e a sua retenção real ficará abaixo do alvo. A curva do esquecimento não liga para as suas preferências; ela só responde a entradas honestas.

Por Que o FSRS Importa para Estudantes Sérios

O retorno prático de uma abordagem baseada em modelo é menos revisões totais para o mesmo alvo de retenção. Como os intervalos são derivados de uma previsão precisa de quando você vai esquecer, e não de uma heurística conservadora, o algoritmo não infla os agendamentos desnecessariamente. Itens que são genuinamente estáveis para você recebem intervalos longos. Itens que são genuinamente frágeis recebem intervalos curtos. O efeito líquido em um grande baralho ao longo de meses de estudo pode ser substancial: o mesmo nível de retenção alcançado com um tempo de revisão significativamente menor.

Para qualquer pessoa que estude um grande volume de material — um idioma, um domínio profissional, uma disciplina acadêmica — essa eficiência se acumula em horas recuperadas e conhecimento que realmente fica quando importa.

Suas tendências de domínio e a fila de revisão entre livros ficam visíveis no painel do LearnBook — um retrato ao vivo de como a sua memória está se sustentando em cada fonte que você está estudando, tudo agendado pelo mesmo modelo FSRS descrito acima.