FSRS explicado: cómo predice cuándo olvidarás

Ayer una tarjeta te parecía obvia. Hoy dudas. La semana que viene quizá la hayas olvidado… o quizá vuelva a tu mente de inmediato. Un buen planificador tiene que trabajar con esa incertidumbre, no asumir que toda respuesta correcta merece el mismo intervalo.

En resumen: FSRS estima cómo cambia un recuerdo, predice la probabilidad de recordar una tarjeta después de cierto intervalo y elige un plazo para alcanzar una probabilidad de recuerdo determinada. En general, los objetivos más altos implican repasos más tempranos. La predicción es un modelo, no una promesa sobre tu próxima respuesta.

Esta guía sigue ese proceso desde el estado de la memoria hasta la fecha del siguiente repaso. Si prefieres una introducción más breve, nuestra guía para principiantes sobre FSRS explica el vocabulario básico.

Por qué el momento del repaso necesita un modelo de memoria

Los calendarios fijos no distinguen entre recuerdos

Un calendario como «repasa al cabo de un día, luego de tres días y después de una semana» es fácil de seguir. Pero trata igual una palabra familiar y una definición confusa. Aunque hoy respondas bien a ambas, sus probabilidades de sobrevivir una semana pueden ser muy diferentes.

El problema no es que los calendarios fijos sean inútiles. Dan estructura y distribuyen los intentos de recuperación a lo largo del tiempo. Sin embargo, un mazo que crece contiene recuerdos en etapas distintas, y repasar una y otra vez las tarjetas seguras compite con las que de verdad te cuesta recuperar.

La programación adaptativa usa tus respuestas como evidencia

FSRS significa Free Spaced Repetition Scheduler. Utiliza el historial de repaso de una tarjeta, incluido el tiempo transcurrido y tus valoraciones, para actualizar una estimación del estado de tu memoria. Después convierte esa estimación en el siguiente intervalo.

Es importante distinguir entre actualizar el estado de una tarjeta y optimizar los parámetros del modelo. Un repaso puede actualizar la tarjeta de inmediato usando los parámetros actuales. Ajustar los parámetros a partir del historial acumulado del estudiante es un proceso distinto que algunas aplicaciones ofrecen; usar FSRS no significa automáticamente que la aplicación haga una optimización personalizada.

Tampoco todos los planificadores antiguos son escaleras rígidas. SM-2 también adapta los intervalos según la calidad de la respuesta. FSRS elige otro enfoque: estima de forma explícita la estabilidad de la memoria y la probabilidad de recuerdo. Esa es la comparación útil, no decir que «los algoritmos antiguos nunca se adaptan».

Cómo modela FSRS tu memoria

Dificultad: cuánto te cuesta una tarjeta

La dificultad representa el desafío estimado de una tarjeta concreta para un estudiante concreto. Una definición corta puede ser difícil si se parece a otras tres. Una respuesta más larga puede resultar fácil porque ya entiendes la idea que hay detrás.

En FSRS, la dificultad ayuda a determinar cómo cambia la estabilidad después de los repasos. No es simplemente un temporizador que diga «tarjeta difícil, repasar mañana». Dos tarjetas difíciles pueden tener intervalos muy distintos si una de las dos memorias es mucho más estable.

Estabilidad: la escala temporal del olvido

En el modelo, la estabilidad tiene un significado preciso: el número de días hasta que el recuerdo predicho desciende al 90 % después de un repaso. Por tanto, una tarjeta con diez días de estabilidad tiene una probabilidad modelada del 90 % de ser recordada al cabo de diez días, según la curva de olvido asumida.

Eso no significa que el recuerdo desaparezca el día once, ni es lo mismo que el intervalo de repaso elegido. Con la misma estabilidad, un planificador puede escoger un intervalo más corto si quieres una retención deseada más alta. Recuperar algo correctamente suele aumentar la estabilidad estimada; fallar proporciona evidencia para actualizarla de otra manera.

Recuperabilidad: la probabilidad estimada de recordar ahora

La recuperabilidad es la probabilidad de recordar una respuesta en un momento determinado. Depende del tiempo transcurrido desde el repaso y de la estabilidad estimada. La dificultad y la estabilidad describen aspectos de la memoria; la recuperabilidad responde a la pregunta inmediata de programación.

Imagina dos tarjetas de vocabulario: una tiene dos días de estabilidad y la otra, veinte. Después de diez días, no tienen por qué presentar probabilidades de recuerdo parecidas, aunque la última vez respondieras bien a ambas. El mismo tiempo transcurrido supone un reto mucho mayor para el primer recuerdo.

Estas definiciones proceden de la documentación del algoritmo FSRS. Describen un modelo predictivo de los resultados de los repasos, no una medición directa de lo que contiene tu cerebro.

De las curvas de olvido a las fechas de repaso

Un ejemplo práctico: un recuerdo, tres objetivos

Mantén la estabilidad en diez días e imagina que no hay repasos intermedios. El modelo parte de una probabilidad de recuerdo alta y predice un descenso gradual. El umbral de repaso es el punto en el que la curva alcanza tu retención deseada.

En la curva ilustrativa de abajo, un objetivo del 80 % produce un intervalo de unos 24 días. Con un 90 %, el intervalo es de diez días. Con un 95 %, es de unos 4,6 días. La estimación de la memoria no ha cambiado; solo ha cambiado el riesgo predicho que estás dispuesto a aceptar antes de repasar.

Esto también explica un intervalo sorprendentemente largo: puede reflejar una memoria estimada como fuerte, un objetivo más bajo o ambas cosas. Una fecha por sí sola no indica si la aplicación considera difícil una tarjeta. Para interpretarla necesitas la estimación de la memoria y la configuración de programación.

Explora el umbral de retención

Cambia el objetivo y observa cómo se desplaza el umbral sobre la misma curva. La línea horizontal representa la probabilidad de recuerdo que solicitas; su intersección con la curva proporciona el intervalo aproximado.

Explora los objetivos de retención de FSRSDemostración ilustrativa

Probabilidad de recuerdo objetivo

80 %90 %95 %

Umbral aproximado de repaso

10

días

90 %

· Probabilidad de recuerdo objetivo

Estabilidad fija de diez días; curva de FSRS-4.5. Sin repasos sucesivos ni predicción personal.

Esta demostración utiliza la curva de olvido documentada de FSRS-4.5, con una estabilidad fija de diez días, para aislar una sola idea. No simula repasos repetidos, no ajusta parámetros personales ni reproduce el calendario de una aplicación concreta. Las versiones más recientes de FSRS pueden usar una forma de curva diferente, y las aplicaciones reales pueden redondear los intervalos, añadir pequeñas variaciones de programación o aplicar pasos de aprendizaje y límites de intervalo.

Observa que elegir un objetivo más alto no hace que la curva sea más fuerte. Adelanta el repaso. Para mejorar la memoria subyacente necesitas aprender y recuperar la información; el objetivo solo cambia cuándo planeas volver a comprobarla.

Qué cambia después de un repaso

Cuando llega el siguiente repaso, el planificador recibe otra observación: el tiempo transcurrido y tu valoración. Actualiza la dificultad y la estabilidad, y después elige el siguiente intervalo a partir del estado actualizado. Por eso la curva siguiente puede ser distinta de la anterior.

Una respuesta correcta después de un intervalo largo puede aportar una evidencia diferente de la de una repetición inmediata. Un fallo también importa: indica al modelo que no lograste recordar en esas condiciones. Por eso no sería honesto representar una secuencia de repasos repetidos extendiendo indefinidamente nuestra curva de estabilidad fija.

Puedes pensar en el proceso como un ciclo:

1. Intenta recordar antes de revelar la respuesta.
2. Valora el resultado con honestidad.
3. Actualiza el estado estimado de la memoria.
4. Elige el siguiente intervalo para la retención deseada.
5. Repite con la nueva evidencia.

Cómo elegir un objetivo de retención

Por qué el 90 % es un punto de partida habitual

La retención deseada es la probabilidad a la que quieres que apunte el modelo cuando una tarjeta debe repasarse. Anki usa el 90 % por defecto y lo describe como un equilibrio entre retención y carga de trabajo. Es un punto de partida, no un óptimo científico universal para todos los estudiantes o tareas. (Opciones de mazo de Anki)

Un objetivo del 90 % no significa que vayas a sacrificar permanentemente una décima parte de tus conocimientos. Las tarjetas tienen edades distintas en cada momento, y un repaso fallido se convierte en una oportunidad para volver a aprender. Tampoco garantiza que aciertes exactamente nueve de las diez respuestas siguientes. Los resultados reales fluctúan, y un modelo ajustado de forma imperfecta puede no estar bien calibrado para tu material.

Observa las tendencias a lo largo de suficientes repasos para valorar una configuración. Una tarde difícil, varias tarjetas recién aprendidas o un mazo que ha cambiado son una base débil para declarar que el modelo es preciso o impreciso.

Los objetivos más altos implican una contrapartida de trabajo

Aumentar el objetivo acorta los intervalos para el mismo estado de memoria. En la ilustración, pasar del 90 % al 95 % reduce el intervalo a menos de la mitad. Esa es una comparación entre dos intervalos teóricos, no una afirmación de que tu carga total de repasos vaya a duplicarse exactamente.

La carga de trabajo a largo plazo también depende de las tarjetas nuevas, los fallos, los cambios en la estabilidad, los pasos de aprendizaje y el tiempo que tengas disponible para estudiar. El manual de Anki advierte que la carga aumenta rápidamente por encima del 90 %, especialmente con objetivos muy altos. Elegir el 99 % porque suena casi perfecto puede producir un calendario imposible de mantener.

Deja que las consecuencias de olvidar orienten tu decisión. Practicar vocabulario a largo plazo y prepararte para un examen próximo pueden justificar prioridades diferentes. Si la carga se vuelve inmanejable, considera reducir las tarjetas nuevas y mejorar su diseño además de cambiar la retención. Aumentar un objetivo no crea más horas en tu día.

FSRS frente a SM-2

Distintos enfoques para elegir el siguiente intervalo

El algoritmo SM-2 original ajusta un factor de facilidad según la calidad de la respuesta y lo utiliza para aumentar los intervalos después de repeticiones correctas. Las respuestas fallidas reinician la secuencia de repeticiones. Es adaptativo, pero no selecciona explícitamente los intervalos resolviendo cuál alcanza una probabilidad de recuerdo solicitada.

FSRS modela la dificultad y la estabilidad, obtiene la recuperabilidad a lo largo del tiempo y elige un intervalo alrededor de un objetivo de retención. Sus parámetros pueden optimizarse a partir de historiales de repaso cuando una aplicación ofrece ese flujo de trabajo. Ambos sistemas siguen dependiendo de la información que proporcionan tus repasos.

Ten cuidado al comparar aplicaciones: una aplicación descrita como «basada en SM-2» puede incluir modificaciones importantes. Del mismo modo, dos aplicaciones que usan FSRS pueden diferir en la versión, los parámetros, los pasos de aprendizaje, los límites de intervalo y el comportamiento durante los repasos. El nombre del algoritmo, por sí solo, no define toda la experiencia de uso.

Ventajas y limitaciones en la práctica

FSRS ofrece una forma explícita de razonar sobre el recuerdo predicho y la relación entre retención y momento del repaso. Eso facilita explicar por qué toca repasar una tarjeta y cómo afecta un objetivo a los intervalos. Ajustar los parámetros también puede adaptar el modelo a los patrones de repaso registrados.

Sus limitaciones siguen siendo prácticas. Un historial escaso o engañoso, valoraciones poco constantes, tarjetas ambiguas y material aprendido fuera de la aplicación pueden dificultar la predicción. El modelo ve la evidencia registrada, no todas las conversaciones, clases o problemas prácticos que han fortalecido tu memoria.

No hace falta prometer una reducción fija del porcentaje de repasos para explicar su valor. Una predicción mejor puede ayudar a distribuir los repasos de forma más útil; que eso mejore tu carga de trabajo y tu recuerdo dependerá de tus datos, configuración y hábitos.

Cómo encajar los repasos en la vida real

Días ocupados y tarjetas atrasadas

Una fecha de vencimiento es una recomendación basada en un modelo, no una fecha de caducidad biológica. Si te retrasas, la recuperabilidad predicha normalmente sigue bajando, pero la tarjeta no se olvida de golpe. Cuando vuelvas, repásala con honestidad para que el planificador reciba información sobre lo que ocurrió después del intervalo más largo.

Reserva un tiempo realista para repasar en tu calendario y reduce la incorporación de tarjetas nuevas cuando se acumule una cola. El calendario organiza tu tiempo; el planificador organiza las tarjetas individuales. Son tareas complementarias, y usar FSRS no implica por sí mismo que exista una integración con el calendario.

SpaceRep utiliza FSRS para programar repasos de tarjetas y aplica una programación consciente de las fechas límite para los mazos de exámenes. Considera esas fechas una ayuda para organizar tu rutina de estudio, sin dejar de reservar tiempo para comprender y aplicar lo aprendido.

Las fechas de examen cambian el problema de planificación

Un examen impone una segunda restricción: necesitas recordar de forma útil en una fecha concreta, aunque un planificador a largo plazo colocaría el siguiente repaso más adelante. Las aplicaciones pueden abordarlo con objetivos de retención más altos o límites de intervalo, pero el comportamiento concreto depende de cada implementación.

No dediques todos tus minutos disponibles a perseguir una estadística perfecta en tus tarjetas. Las explicaciones escritas, los problemas variados y la práctica cronometrada entrenan habilidades que una pregunta breve de recuerdo no puede cubrir. Nuestra guía sobre empollar o repasar con tiempo antes de un examen muestra cómo equilibrar los repasos con las exigencias reales de la evaluación.

Las valoraciones honestas y las tarjetas claras mejoran la evidencia

Si no pudiste recordar la respuesta, indica un fallo. En FSRS, «Difícil» describe un recuerdo correcto pero costoso; no debería convertirse en un sustituto amable de «Otra vez». De lo contrario, el historial sugiere que acertaste cuando no fue así.

Revisa también la tarjeta. ¿Contiene una sola pregunta clara? ¿Puedes decidir si tu respuesta es correcta? ¿Evalúa comprensión o solo una frase que te resulta familiar? Nuestra guía para crear tarjetas de estudio eficaces te ayuda a corregir preguntas que hacen poco fiables tus valoraciones.

Una buena programación comienza con observaciones significativas. Una tarjeta bien diseñada, un intento real de recuperación y una valoración honesta dan al modelo algo útil con lo que trabajar, y hacen que el repaso merezca la pena incluso cuando la predicción no es perfecta.

FAQ

¿Retener el 90 % significa olvidar el 10 % de todo?

No. Es una probabilidad de recuerdo objetivo en el momento programado para el repaso, no una cuota permanente de conocimientos perdidos. Las tarjetas repasadas hace poco pueden tener una recuperabilidad predicha más alta, y las tarjetas fallidas se pueden volver a aprender.

¿FSRS aprende mis parámetros personales después de cada repaso?

No necesariamente. Cada repaso actualiza el estado de memoria de la tarjeta usando los parámetros actuales. Optimizar los parámetros a partir de tu historial es una función independiente y depende de la aplicación.

¿Puede FSRS garantizar que recordaré algo el día del examen?

No. Estima probabilidades a partir de la evidencia de tus repasos. La programación consciente de las fechas límite puede ayudarte a planificar, pero el recuerdo también depende de la calidad del aprendizaje, del tipo de evaluación y de las condiciones de ese día.