FSRS expliqué : comment l’algorithme prédit l’oubli

Hier, une carte mémoire te semblait évidente. Aujourd’hui, tu hésites. La semaine prochaine, elle pourrait avoir disparu de ta mémoire — ou te revenir immédiatement. Un bon planificateur doit composer avec cette incertitude, au lieu de considérer que chaque bonne réponse mérite le même délai.

En bref : FSRS estime l’évolution d’un souvenir, prédit la probabilité de rappeler une carte après un délai et choisit un intervalle de révision correspondant à une probabilité de rappel cible. Plus la cible est élevée, plus les révisions ont généralement lieu tôt. La prédiction est un modèle, pas une promesse sur ta prochaine réponse.

Ce guide suit cette décision, de l’état de la mémoire jusqu’à la date de révision. Si tu préfères commencer par une introduction plus courte, notre guide pour débuter avec FSRS explique le vocabulaire essentiel.

Pourquoi le moment de la révision nécessite un modèle de mémoire

Les calendriers fixes ne distinguent pas les souvenirs

Un calendrier comme « révise après un jour, puis trois jours, puis une semaine » est facile à suivre. Il traite pourtant de la même façon un mot familier et une définition confuse. Même si tu réponds correctement aux deux cartes aujourd’hui, leurs chances de résister une semaine peuvent être très différentes.

Le problème n’est pas que les calendriers fixes soient inutiles. Ils donnent une structure et répartissent les tentatives de récupération dans le temps. Mais un deck qui grandit contient des souvenirs à des stades différents, et les révisions répétées des cartes déjà solides rivalisent avec celles que tu as réellement du mal à récupérer.

La planification adaptative utilise tes réponses comme des indices

FSRS signifie Free Spaced Repetition Scheduler. Il utilise l’historique de révision d’une carte, notamment le temps écoulé et tes évaluations, pour mettre à jour un état estimé de la mémoire. Il transforme ensuite cette estimation en prochain intervalle.

La distinction importante est celle entre mettre à jour l’état d’une carte et optimiser les paramètres du modèle. Une révision peut mettre à jour la carte immédiatement avec les paramètres actuels. Ajuster les paramètres à partir de l’historique d’un apprenant est un processus distinct, pris en charge par certaines applications ; utiliser FSRS ne signifie donc pas automatiquement qu’une application effectue une optimisation personnalisée.

Les anciens planificateurs ne sont pas non plus tous de simples échelles fixes. SM-2 adapte aussi les intervalles en fonction de la qualité de la réponse. FSRS fait un choix de modélisation différent : il estime explicitement la stabilité de la mémoire et la probabilité de rappel. C’est cette différence qui est utile à comparer, plutôt que d’affirmer que « les anciens algorithmes ne s’adaptent jamais ».

Comment FSRS modélise ta mémoire

La difficulté : à quel point cette carte est difficile pour toi

La difficulté représente le degré de difficulté estimé d’une carte pour une personne donnée. Une définition courte peut être difficile si elle ressemble à trois autres définitions. Une réponse plus longue peut être facile parce que tu comprends déjà l’idée qu’elle exprime.

Dans FSRS, la difficulté aide à déterminer comment la stabilité évolue après les révisions. Ce n’est pas simplement un minuteur qui dirait « carte difficile = demain ». Deux cartes difficiles peuvent tout de même avoir des intervalles très différents si l’un des souvenirs est beaucoup plus stable.

La stabilité : l’échelle de temps de l’oubli

Dans le modèle, la stabilité a un sens précis : le nombre de jours avant que le rappel prédit tombe à 90 % après une révision. Une carte dont la stabilité est de dix jours a donc une probabilité modélisée de rappel de 90 % après dix jours, selon la courbe d’oubli retenue.

Cela ne signifie pas que le souvenir disparaît le onzième jour, ni que la stabilité est identique à l’intervalle de révision choisi. Avec la même stabilité, un planificateur peut choisir un intervalle plus court pour une rétention cible plus élevée. Un rappel réussi augmente souvent la stabilité estimée ; un échec fournit des indices pour une mise à jour différente.

La récupérabilité : la probabilité estimée de se souvenir maintenant

La récupérabilité est la probabilité de rappeler la réponse à un moment donné. Elle dépend du temps écoulé depuis la dernière révision et de la stabilité estimée. La difficulté et la stabilité décrivent des aspects du souvenir ; la récupérabilité répond à la question immédiate de planification.

Imagine deux cartes de vocabulaire : l’une a une stabilité de deux jours, l’autre de vingt jours. Après dix jours, leurs probabilités de rappel ne sont pas forcément comparables, même si tu as répondu correctement aux deux la dernière fois. Le même temps écoulé représente un défi bien plus important pour le premier souvenir.

Ces définitions viennent de la documentation de l’algorithme FSRS. Elles décrivent un modèle prédictif des résultats de révision, et non une mesure directe de ce que contient ton cerveau.

Des courbes d’oubli aux dates de révision

Un exemple détaillé : un souvenir, trois cibles

Garde une stabilité de dix jours et imagine qu’aucune révision intermédiaire n’a lieu. Le modèle commence avec une probabilité de rappel élevée et prédit une baisse progressive. Un seuil de révision correspond au point où cette courbe atteint ta rétention cible.

Pour la courbe illustrative ci-dessous, une cible de 80 % donne un intervalle d’environ 24 jours. À 90 %, l’intervalle est de dix jours. À 95 %, il est d’environ 4,6 jours. L’estimation de la mémoire est restée la même ; seul le niveau de risque prédit que tu acceptes au moment de la révision a changé.

Cela explique aussi un intervalle étonnamment long : il peut refléter un souvenir estimé solide, une cible plus basse, ou les deux. Une date seule ne dit pas si l’application considère la carte comme difficile. Pour l’interpréter, il faut connaître l’estimation de la mémoire et les paramètres de planification.

Explore le seuil de rétention

Modifie la cible et observe le seuil se déplacer sur la même courbe. La ligne horizontale représente la probabilité de rappel demandée ; son intersection avec la courbe donne l’intervalle approximatif.

Explore les objectifs de rétention FSRSDémonstration illustrative

Probabilité de rappel visée

80 %90 %95 %

Seuil de révision approximatif

10

jours

90 %

· Probabilité de rappel visée

Stabilité fixe de dix jours ; courbe FSRS-4.5. Sans révisions successives ni prévision personnelle.

Cette démonstration utilise la courbe d’oubli documentée de FSRS-4.5, avec une stabilité fixe de dix jours, afin d’isoler une seule idée. Elle ne simule pas des révisions répétées, n’ajuste pas de paramètres personnels et ne reproduit pas le calendrier d’une application précise. Les versions plus récentes de FSRS peuvent utiliser une courbe de forme différente, et les applications réelles peuvent arrondir les intervalles, ajouter une légère variation de planification ou appliquer des étapes d’apprentissage et des limites d’intervalle.

Remarque que sélectionner une cible plus élevée ne rend pas la courbe plus forte. Cela avance la révision. Pour améliorer le souvenir lui-même, il faut apprendre et récupérer l’information ; la cible ne fait que modifier le moment où tu prévois de le vérifier.

Ce qui change après une révision

Lorsque la prochaine révision a lieu, le planificateur reçoit une nouvelle observation : le temps écoulé et ton évaluation. Il met à jour la difficulté et la stabilité, puis choisit le prochain intervalle à partir de cet état actualisé. La courbe suivante peut donc être différente de celle que tu as vue auparavant.

Une bonne réponse après un délai important fournit une information différente de celle d’une répétition immédiate. Un échec compte aussi : il indique au modèle que le rappel n’a pas réussi dans ces conditions. C’est pourquoi un calendrier de révisions répétées ne peut pas être représenté honnêtement en prolongeant indéfiniment notre courbe à stabilité fixe.

Tu peux considérer le processus comme un cycle :

1. Essaie de rappeler la réponse avant de l’afficher.
2. Évalue honnêtement le résultat.
3. Mets à jour l’état estimé de la mémoire.
4. Choisis le prochain intervalle pour la rétention cible.
5. Recommence avec les nouvelles informations.

Choisir une cible de rétention

Pourquoi 90 % est un point de départ courant

La rétention souhaitée est la probabilité que le modèle vise au moment où une carte arrive à échéance. Anki utilise 90 % par défaut et présente cette valeur comme un équilibre entre rétention et charge de travail. C’est un point de départ, pas un optimum scientifique universel pour chaque apprenant ou chaque tâche. (Options des paquets Anki)

Une cible de 90 % ne signifie pas que tu sacrifies définitivement un dixième de tes connaissances. Les cartes ont des âges différents à chaque instant, et une révision échouée devient une occasion de réapprendre. La cible ne garantit pas non plus que neuf de tes dix prochaines réponses seront exactement correctes. Les résultats réels fluctuent, et un modèle imparfaitement ajusté peut être mal calibré pour ton contenu.

Observe les tendances sur un nombre suffisant de révisions pour évaluer un réglage. Un après-midi difficile, quelques cartes nouvellement apprises ou un deck modifié ne suffisent pas pour déclarer le modèle précis ou imprécis.

Les cibles élevées entraînent un compromis sur la charge de travail

Augmenter la cible raccourcit les intervalles pour un même état de mémoire. Dans l’illustration, passer de 90 % à 95 % réduit l’intervalle de plus de moitié. Il s’agit d’une comparaison entre deux intervalles théoriques, pas d’une affirmation selon laquelle ta charge totale de révision doublera exactement.

La charge à long terme dépend aussi des nouvelles cartes, des échecs, des changements de stabilité, des étapes d’apprentissage et du temps d’étude disponible. Le manuel d’Anki prévient que la charge augmente rapidement au-dessus de 90 %, surtout avec des cibles très élevées. Choisir 99 % parce que cette valeur semble presque parfaite peut produire un calendrier impossible à tenir.

Laisse les conséquences de l’oubli guider ta décision. Une pratique du vocabulaire sur le long terme et un examen proche peuvent justifier des priorités différentes. Si la charge devient ingérable, envisage de réduire le nombre de nouvelles cartes et d’améliorer leur conception en plus de modifier la cible de rétention. Augmenter une cible ne crée pas de temps supplémentaire dans ta journée.

FSRS contre SM-2

Des approches différentes du prochain intervalle

L’algorithme SM-2 original ajuste un facteur de facilité à partir de la qualité des réponses et l’utilise pour allonger les intervalles après les répétitions réussies. Les réponses échouées redémarrent la séquence de répétition. Il s’adapte, mais ne choisit pas explicitement les intervalles en résolvant le problème d’une probabilité de rappel demandée.

FSRS modélise la difficulté et la stabilité, déduit la récupérabilité au fil du temps écoulé et choisit un intervalle autour d’une cible de rétention. Ses paramètres peuvent être optimisés à partir des historiques de révision lorsqu’une application prend ce processus en charge. Les deux systèmes dépendent néanmoins des retours fournis pendant les révisions.

Sois prudent lorsque tu compares des applications : une application décrite comme « basée sur SM-2 » peut utiliser d’importantes modifications. De même, deux applications utilisant FSRS peuvent différer par leur version, leurs paramètres, leurs étapes d’apprentissage, leurs limites d’intervalle et leur comportement de révision. Le nom de l’algorithme ne suffit pas à décrire toute l’expérience utilisateur.

Forces et limites en pratique

FSRS offre une manière explicite de réfléchir au rappel prédit et au compromis entre rétention et moment de la révision. Il est donc plus facile d’expliquer pourquoi une carte arrive à échéance et comment une cible modifie les intervalles. L’ajustement des paramètres peut aussi adapter un modèle aux habitudes de révision enregistrées.

Ses limites restent concrètes. Un historique trop court ou trompeur, des évaluations incohérentes, des cartes ambiguës et le contenu appris en dehors de l’application peuvent tous rendre la prédiction plus difficile. Un modèle voit les indices enregistrés, pas chaque conversation, cours ou exercice qui a renforcé ta mémoire.

Il n’est pas nécessaire de promettre un pourcentage fixe de réduction des révisions pour expliquer son intérêt. Une meilleure prédiction peut aider à répartir les révisions plus utilement ; l’effet sur ta charge et ton rappel dépend de tes données, de tes réglages et de tes habitudes.

Faire entrer les révisions dans la vraie vie

Les journées chargées et les cartes en retard

Une date d’échéance est une recommandation fondée sur un modèle, pas une date d’expiration biologique. Si tu la dépasses, le rappel prédit baisse généralement davantage, mais la carte ne devient pas instantanément oubliée. Révise honnêtement à ton retour afin que le planificateur dispose d’indices sur ce qui s’est passé après ce délai prolongé.

Réserve un temps réaliste aux révisions dans ton agenda et réduis l’ajout de nouvelles cartes quand le retard s’accumule. L’agenda organise ton temps ; le planificateur organise les cartes individuelles. Ce sont deux tâches complémentaires, et utiliser FSRS n’implique pas à lui seul une intégration avec un agenda.

SpaceRep utilise FSRS pour planifier les révisions de cartes mémoire et applique une planification tenant compte des échéances pour les decks consacrés aux examens. Considère ces dates comme un soutien à ta routine d’étude, tout en gardant du temps pour comprendre et mettre en pratique.

Les échéances d’examen changent le problème de planification

Un examen ajoute une deuxième contrainte : tu dois pouvoir rappeler utilement l’information à une date précise, même si un planificateur long terme placerait la révision plus tard. Les applications peuvent gérer cela avec des cibles de rétention plus élevées ou des limites d’intervalle, mais le comportement dépend de leur implémentation.

Ne consacre pas chaque minute disponible à la poursuite d’une statistique parfaite pour tes cartes. Les explications écrites, les problèmes mélangés et les entraînements chronométrés testent des compétences qu’une courte question de rappel ne peut pas couvrir. Notre guide sur le bachotage et la répétition espacée avant un examen montre comment équilibrer les révisions avec les exigences réelles de l’évaluation.

Des évaluations honnêtes et des cartes claires améliorent les données

Si tu n’as pas réussi à rappeler la réponse, signale un échec. Dans FSRS, « Difficile » décrit un rappel réussi mais laborieux ; ce bouton ne doit pas devenir un substitut poli à « Encore ». Sinon, l’historique donne l’impression d’une réussite qui n’a pas eu lieu.

Vérifie aussi la carte elle-même. Pose-t-elle une seule question claire ? Peux-tu déterminer si ta réponse est correcte ? Teste-t-elle une compréhension ou seulement une phrase qui te semble familière ? Notre guide pour créer des cartes mémoire efficaces t’aide à corriger les formulations qui rendent les évaluations peu fiables.

Une bonne planification commence par des observations pertinentes. Une carte bien conçue, une véritable tentative de récupération et une évaluation honnête donnent au modèle des informations utiles — et rendent la révision profitable même lorsque la prédiction est imparfaite.

FAQ

Une rétention de 90 % signifie-t-elle que j’oublierai 10 % de tout ?

Non. Il s’agit d’une probabilité de rappel cible au moment prévu pour la révision, pas d’un quota permanent de connaissances perdues. Les cartes révisées récemment peuvent avoir une probabilité de rappel plus élevée, et les cartes échouées peuvent être réapprises.

FSRS apprend-il mes paramètres personnels après chaque révision ?

Pas nécessairement. Chaque révision met à jour l’état de la mémoire de la carte avec les paramètres actuels. L’optimisation des paramètres à partir de ton historique est une fonctionnalité distincte, qui dépend de l’application.

FSRS peut-il garantir que je me souviendrai de quelque chose le jour de l’examen ?

Non. Il estime des probabilités à partir des données de révision. Une planification tenant compte des échéances peut t’aider à t’organiser, mais le rappel dépend aussi de la qualité de l’apprentissage, de la tâche évaluée et des conditions du jour.