FSRS uitgelegd: hoe een algoritme voorspelt wanneer je vergeet

Gisteren voelde een flashcard vanzelfsprekend. Vandaag twijfel je. Volgende week kan het antwoord verdwenen zijn — of nog steeds onmiddellijk terugkomen. Een goede scheduler moet met die onzekerheid omgaan en niet aannemen dat elk goed antwoord dezelfde wachttijd verdient.

Kort samengevat: FSRS schat in hoe een herinnering verandert, voorspelt hoe groot de kans is dat je een kaart na een bepaalde tijd nog weet en kiest een herhalingsinterval voor een gewenste kans op herinnering. Een hoger doel betekent meestal eerdere herhalingen. De voorspelling is een model, geen belofte over je volgende antwoord.

Deze gids volgt die beslissing van de geheugenstatus tot aan de volgende herhalingsdatum. Wil je eerst een kortere introductie? Onze beginnersgids voor FSRS legt de basisbegrippen uit.

Waarom een geheugenmodel nodig is voor de timing van herhalingen

Vaste schema’s kunnen verschillende herinneringen niet onderscheiden

Een schema zoals “na één dag, drie dagen en daarna een week herhalen” is makkelijk te volgen. Het behandelt een vertrouwd woord en een verwarrende definitie echter hetzelfde. Zelfs als je vandaag beide antwoorden goed hebt, kan de kans dat je ze over een week nog weet sterk verschillen.

Het probleem is niet dat vaste schema’s nutteloos zijn. Ze geven structuur en spreiden momenten waarop je informatie uit je geheugen moet ophalen. Maar een groeiend deck bevat herinneringen in verschillende fasen. Herhaalde reviews van kaarten die stevig in je geheugen zitten, concurreren daardoor met kaarten die je echt moeilijk kunt terughalen.

Adaptieve planning gebruikt je antwoorden als bewijs

FSRS staat voor Free Spaced Repetition Scheduler. Het gebruikt de reviewgeschiedenis van een kaart, waaronder de verstreken tijd en je beoordelingen, om een geschatte geheugenstatus bij te werken. Daarna vertaalt het die schatting naar het volgende interval.

Het belangrijke onderscheid is dat tussen de status van een kaart bijwerken en de parameters van het model optimaliseren. Een review kan de kaart direct bijwerken met de huidige parameters. Parameters afstemmen op de verzamelde geschiedenis van een lerende is een apart proces dat sommige apps ondersteunen. FSRS gebruiken betekent dus niet automatisch dat een app persoonlijke optimalisatie uitvoert.

Ook werken niet alle oudere schedulers met vaste stappenladders. SM-2 past intervallen eveneens aan op basis van de kwaliteit van je antwoord. FSRS maakt een andere modelkeuze: het schat expliciet de stabiliteit van een herinnering en de kans op herinnering. Dat is de nuttige vergelijking, niet de bewering dat “oude algoritmes nooit aanpassen”.

Hoe FSRS je geheugen modelleert

Difficulty: hoe moeilijk de kaart voor jou is

Difficulty staat voor de geschatte uitdaging van een specifieke kaart voor een specifieke lerende. Een korte definitie kan moeilijk zijn als ze lijkt op drie andere definities. Een langer antwoord kan makkelijk zijn omdat je het idee erachter al begrijpt.

In FSRS helpt difficulty bepalen hoe stability na reviews verandert. Het is niet simpelweg een timer die zegt: “moeilijke kaart betekent morgen”. Twee moeilijke kaarten kunnen nog steeds heel verschillende intervallen krijgen als de ene herinnering veel stabieler is.

Stability: de tijdschaal waarop je vergeet

Stability heeft in het model een precieze betekenis: het aantal dagen tot de voorspelde kans op herinnering na een review tot 90% daalt. Een kaart met een stabiliteit van tien dagen heeft volgens het model dus na tien dagen een kans van 90% om herinnerd te worden, uitgaande van de aangenomen vergeetcurve.

Dat betekent niet dat de herinnering op dag elf verdwijnt. Stability is ook niet hetzelfde als het gekozen herhalingsinterval. Bij dezelfde stabiliteit kan een scheduler een vroeger interval kiezen voor een hogere gewenste retentie. Een succesvolle herinnering verhoogt de geschatte stabiliteit vaak; een fout levert bewijs voor een andere update.

Retrievability: de geschatte kans dat je het nu weet

Retrievability is de kans dat je het antwoord op een bepaald moment kunt terughalen. Ze hangt af van de tijd sinds de vorige review en van de geschatte stabiliteit. Difficulty en stability beschrijven aspecten van de herinnering; retrievability beantwoordt de directe planningsvraag.

Denk aan twee woordenschatkaarten: de ene heeft een stabiliteit van twee dagen, de andere van twintig dagen. Na tien dagen hoeven hun kansen op herinnering niet vergelijkbaar te zijn, ook al had je beide antwoorden de vorige keer goed. Voor de eerste herinnering betekent dezelfde verstreken tijd een veel grotere uitdaging.

Deze definities komen uit de documentatie van het FSRS-algoritme. Ze beschrijven een voorspellend model van reviewresultaten, geen directe meting van wat er in je brein zit.

Van vergeetcurves naar herhalingsdata

Een uitgewerkt voorbeeld: één herinnering, drie doelen

Houd de stabiliteit op tien dagen en stel je voor dat er geen tussentijdse reviews zijn. Het model begint met een hoge kans op herinnering en voorspelt daarna een geleidelijke daling. De reviewdrempel is het punt waarop de curve je gewenste retentie bereikt.

In de illustratieve curve hieronder geeft een doel van 80% een interval van ongeveer 24 dagen. Bij 90% is het interval tien dagen. Bij 95% is het ongeveer 4,6 dagen. De geheugeninschatting is hetzelfde gebleven; alleen het aanvaardbare voorspelde risico op het moment van review is veranderd.

Dat verklaart ook een verrassend lang interval: het kan wijzen op een sterke geschatte herinnering, een lager doel, of beide. Een datum alleen vertelt je niet of de app een kaart moeilijk vindt. Daarvoor moet je de geheugeninschatting en de planningsinstellingen bekijken.

Verken de retentiedrempel

Verander het doel en kijk hoe de drempel langs dezelfde curve verschuift. De horizontale lijn staat voor de door jou gewenste kans op herinnering; waar die de curve snijdt, ligt het geschatte interval.

Verken FSRS-retentiedoelenIllustratieve demo

Gewenste herinneringskans

80%90%95%

Geschat herhaalmoment

10

dagen

90%

· Gewenste herinneringskans

Vaste stabiliteit van tien dagen; FSRS-4.5-curve. Geen opeenvolgende herhalingen of persoonlijke voorspelling.

Deze demonstratie gebruikt de gedocumenteerde FSRS-4.5-vergeetcurve, met een vaste stabiliteit van tien dagen, om één idee te isoleren. Ze simuleert geen herhaalde reviews, stemt geen persoonlijke parameters af en bootst het schema van een specifieke app niet na. Nieuwere FSRS-versies kunnen een andere curvevorm gebruiken. Echte apps kunnen intervallen afronden, kleine variaties in de planning toevoegen of leerstappen en intervalgrenzen toepassen.

Let erop dat een hoger doel de curve niet sterker maakt. Het verplaatst de review naar voren. Om de onderliggende herinnering te verbeteren heb je leren en ophalen nodig; het doel verandert alleen wanneer je van plan bent de herinnering opnieuw te controleren.

Wat er na een review verandert

Wanneer de volgende review plaatsvindt, krijgt de scheduler een nieuwe observatie: de verstreken tijd en je beoordeling. Hij werkt difficulty en stability bij en kiest vervolgens vanuit die nieuwe status het volgende interval. De volgende curve kan daardoor anders zijn dan de vorige.

Een goed antwoord na een lange pauze levert andere informatie op dan een onmiddellijke herhaling. Een fout is ook belangrijk: die vertelt het model dat het ophalen onder die omstandigheden niet lukte. Daarom kun je een schema met herhaalde reviews niet eerlijk weergeven door onze curve met vaste stabiliteit eindeloos door te trekken.

Je kunt het proces zien als een cyclus:

1. Probeer het antwoord op te halen voordat je het onthult.
2. Beoordeel het resultaat eerlijk.
3. Werk de geschatte geheugenstatus bij.
4. Kies het volgende interval voor de gewenste retentie.
5. Herhaal met de nieuwe informatie.

Een retentiedoel kiezen

Waarom 90% een gebruikelijk startpunt is

Desired retention is de kans waarop je wilt dat het model mikt wanneer een kaart aan een review toe is. Anki gebruikt standaard 90% en beschrijft dit als een balans tussen retentie en werklast. Het is een startpunt, geen wetenschappelijk universeel optimum voor elke lerende of taak. (Anki-dekinstellingen)

Een doel van 90% betekent niet dat je permanent een tiende van je kennis opgeeft. Kaarten hebben op elk moment verschillende leeftijden en een mislukte review wordt een kans om opnieuw te leren. Het doel garandeert ook niet dat precies negen van je volgende tien antwoorden goed zijn. Werkelijke resultaten schommelen en een onvolmaakt afgestemd model kan slecht gekalibreerd zijn voor jouw materiaal.

Kijk naar trends over voldoende reviews om een instelling te beoordelen. Een moeilijke middag, een paar pas geleerde kaarten of een gewijzigd deck zijn geen sterke basis om het model accuraat of onnauwkeurig te noemen.

Hogere doelen brengen een afweging in de werklast met zich mee

Een hoger doel verkort de intervallen voor dezelfde geheugenstatus. In de illustratie halveert het interval bij een verhoging van 90% naar 95% meer dan. Dat is een vergelijking van één theoretisch interval, geen bewering dat je totale reviewwerklast precies verdubbelt.

De werklast op lange termijn hangt ook af van nieuwe kaarten, fouten, veranderingen in stability, leerstappen en de tijd die je hebt om te studeren. De Anki-handleiding waarschuwt dat de werklast boven 90% snel toeneemt, vooral bij zeer hoge doelen. 99% kiezen omdat het bijna perfect klinkt, kan een schema opleveren dat je niet volhoudt.

Laat de gevolgen van vergeten je beslissing sturen. Langetermijntraining van woordenschat en een examen op korte termijn kunnen om verschillende prioriteiten vragen. Als de werklast onhaalbaar wordt, kijk dan naast de retentie-instelling ook naar minder nieuwe kaarten en een beter kaartontwerp. Een hoger doel kan geen extra uren aan je dag toevoegen.

FSRS versus SM-2

Verschillende manieren om het volgende interval te kiezen

Het oorspronkelijke SM-2-algoritme past een ease factor aan op basis van de antwoordkwaliteit en gebruikt die om intervallen na succesvolle herhalingen te laten groeien. Mislukte antwoorden starten de reeks opnieuw. Het algoritme past zich aan, maar kiest intervallen niet expliciet door een gewenste kans op herinnering op te lossen.

FSRS modelleert difficulty en stability, leidt retrievability af uit de verstreken tijd en kiest een interval rond een retentiedoel. Als een app die workflow ondersteunt, kunnen de parameters worden geoptimaliseerd aan de hand van reviewgeschiedenissen. Beide systemen zijn nog steeds afhankelijk van feedback uit reviews.

Wees voorzichtig met vergelijkingen tussen apps: een app die “op SM-2 gebaseerd” is, kan het algoritme flink hebben aangepast. Ook twee apps die FSRS gebruiken kunnen verschillen in versie, parameters, leerstappen, intervalgrenzen en reviewgedrag. Alleen de naam van het algoritme beschrijft niet de volledige gebruikerservaring.

Sterke punten en beperkingen in de praktijk

FSRS biedt een expliciete manier om na te denken over voorspelde herinnering en de afweging tussen retentie en timing. Daardoor is het makkelijker uit te leggen waarom een review gepland staat en hoe een doel de intervallen beïnvloedt. Het afstemmen van parameters kan een model bovendien aanpassen aan geregistreerde reviewpatronen.

De beperkingen blijven praktisch. Een korte of misleidende geschiedenis, inconsistente beoordelingen, dubbelzinnige kaarten en materiaal dat je buiten de app hebt geleerd, kunnen voorspellingen allemaal moeilijker maken. Een model ziet geregistreerd bewijs, niet elk gesprek, college of oefenprobleem dat je geheugen heeft versterkt.

Je hoeft de waarde van FSRS niet uit te leggen met een belofte van een vast percentage minder reviews. Betere voorspellingen kunnen helpen om reviews nuttiger te verdelen; of dat je werklast en herinnering verbetert, hangt af van je gegevens, instellingen en gewoonten.

Reviews laten passen bij het echte leven

Drukke dagen en achterstallige kaarten

Een vervaldatum is een aanbeveling op basis van een model, geen biologische uiterste houdbaarheidsdatum. Als je een review mist, daalt de voorspelde kans op herinnering meestal verder, maar de kaart is niet onmiddellijk vergeten. Doe een eerlijke review wanneer je terugkomt, zodat de scheduler informatie krijgt over wat er na die langere pauze gebeurde.

Plan realistische reviewtijd in je agenda en voeg minder nieuwe kaarten toe wanneer de achterstand groeit. Een agendablok organiseert je tijd; de scheduler organiseert afzonderlijke kaarten. Dat zijn aanvullende taken. FSRS gebruiken betekent op zichzelf niet dat er een agenda-integratie is.

SpaceRep gebruikt FSRS om flashcardreviews te plannen en past deadlinebewuste planning toe voor examendecks. Gebruik die data als ondersteuning van je studieroutine, maar houd ook tijd over voor begrip en toepassing.

Examendata veranderen het planningsprobleem

Een examen voegt een tweede beperking toe: je moet op een bepaalde datum bruikbare kennis kunnen ophalen, zelfs als een langetermijnscheduler een review later zou plaatsen. Apps kunnen daarmee omgaan via hogere retentiedoelen of intervalgrenzen, maar de precieze werking verschilt per implementatie.

Besteed niet elke beschikbare minuut aan het najagen van een perfecte flashcardstatistiek. Geschreven uitleg, gemengde opgaven en oefenen onder tijdsdruk testen vaardigheden die een korte recallprompt niet kan afdekken. Onze gids over stampen versus gespreid leren voor een examen laat zien hoe je reviews afstemt op wat de toets werkelijk vraagt.

Eerlijke beoordelingen en duidelijke kaarten leveren beter bewijs op

Kon je het antwoord niet ophalen? Registreer dan een fout. In FSRS beschrijft “Hard” dat je het antwoord wel wist maar er moeite mee had; het mag geen beleefde vervanging worden voor “Again”. Anders suggereert je geschiedenis succes terwijl dat er niet was.

Controleer ook de kaart zelf. Staat er één duidelijke vraag? Kun je bepalen of je antwoord goed was? Test de kaart begrip, of alleen een zin die vertrouwd klinkt? Onze gids voor effectieve flashcards helpt je prompts te verbeteren die beoordelingen onbetrouwbaar maken.

Een goede planning begint met betekenisvolle observaties. Een goed ontworpen kaart, een echte poging om iets op te halen en een eerlijke beoordeling geven het model bruikbare informatie — en maken de review waardevol, ook wanneer de voorspelling niet perfect is.

FAQ

Betekent 90% retentie dat ik 10% van alles vergeet?

Nee. Het is een doel voor de kans op herinnering op het geplande reviewmoment, geen permanente hoeveelheid verloren kennis. Kaarten die recenter zijn herhaald kunnen een hogere voorspelde kans hebben, en kaarten die je fout had kunnen opnieuw worden geleerd.

Leert FSRS na elke review mijn persoonlijke parameters?

Niet per se. Elke review werkt de geheugenstatus van de kaart bij met de huidige parameters. Parameters optimaliseren op basis van je geschiedenis is een aparte functie en hangt af van de app.

Kan FSRS garanderen dat ik iets op de examendag weet?

Nee. Het schat kansen op basis van reviewinformatie. Deadlinebewuste planning kan helpen bij je voorbereiding, maar herinnering hangt ook af van de kwaliteit van het leren, de taak op de toets en de omstandigheden van die dag.