FSRS explicado: como o algoritmo prevê quando você vai esquecer

Ontem, um flashcard parecia óbvio. Hoje, você hesita. Na próxima semana, a resposta pode ter desaparecido — ou ainda vir imediatamente à mente. Um bom agendador precisa lidar com essa incerteza, em vez de presumir que toda resposta correta merece o mesmo intervalo.

Em resumo: o FSRS estima como uma memória muda, prevê a probabilidade de lembrar de um cartão depois de um intervalo e escolhe um intervalo de revisão para uma probabilidade de lembrança desejada. Metas mais altas geralmente significam revisões mais cedo. A previsão é um modelo, não uma promessa sobre a sua próxima resposta.

Este guia acompanha essa decisão desde o estado da memória até a data da revisão. Se você prefere uma introdução mais curta, nosso guia para iniciantes sobre FSRS explica o vocabulário básico.

Por que o momento da revisão precisa de um modelo de memória

Cronogramas fixos não distinguem memórias diferentes

Um cronograma como “revise depois de um dia, depois de três dias e então depois de uma semana” é fácil de seguir. Mas ele trata uma palavra familiar e uma definição confusa da mesma forma. Mesmo que as duas respostas estejam corretas hoje, a chance de sobreviverem a uma semana pode ser muito diferente.

O problema não é que cronogramas fixos sejam inúteis. Eles dão estrutura e distribuem as tentativas de recuperação ao longo do tempo. Porém, um baralho que cresce reúne memórias em estágios diferentes, e revisar repetidamente cartões seguros compete com os cartões que você realmente tem dificuldade para recuperar.

O agendamento adaptativo usa suas respostas como evidência

FSRS significa Free Spaced Repetition Scheduler, ou agendador livre de repetição espaçada. Ele usa o histórico de revisão de um cartão, incluindo o tempo transcorrido e as avaliações, para atualizar um estado estimado da memória. Depois, transforma essa estimativa no próximo intervalo.

A distinção importante é entre atualizar o estado de um cartão e otimizar os parâmetros do modelo. Uma revisão pode atualizar o cartão imediatamente usando os parâmetros atuais. Ajustar os parâmetros ao histórico acumulado de uma pessoa é um processo separado, oferecido por alguns aplicativos; usar FSRS não significa automaticamente que o aplicativo faça uma otimização personalizada.

Além disso, nem todos os agendadores antigos são escadas fixas. O SM-2 também adapta os intervalos usando a qualidade da resposta. O FSRS faz uma escolha diferente de modelagem: estima explicitamente a estabilidade da memória e a probabilidade de lembrança. Essa é a comparação útil, não a ideia de que “algoritmos antigos nunca se adaptam”.

Como o FSRS modela sua memória

Dificuldade: o quanto o cartão é difícil para você

Dificuldade representa o desafio estimado de um cartão específico para uma pessoa específica. Uma definição curta pode ser difícil se for parecida com outras três definições. Uma resposta mais longa pode ser fácil porque você já entende a ideia por trás dela.

No FSRS, a dificuldade ajuda a determinar como a estabilidade muda depois das revisões. Ela não é simplesmente um cronômetro que diz “cartão difícil = amanhã”. Dois cartões difíceis ainda podem ter intervalos muito diferentes se uma memória for bem mais estável do que a outra.

Estabilidade: a escala de tempo do esquecimento

Estabilidade tem um significado preciso no modelo: o número de dias até que a lembrança prevista caia para 90% depois de uma revisão. Portanto, um cartão com estabilidade de dez dias tem, no modelo, 90% de chance de ser lembrado depois de dez dias, sob a curva de esquecimento assumida.

Isso não significa que a memória desapareça no décimo primeiro dia, nem é a mesma coisa que o intervalo de revisão escolhido. Com a mesma estabilidade, um agendador pode escolher um intervalo mais curto para uma retenção desejada mais alta. Recuperar uma resposta com sucesso costuma aumentar a estabilidade estimada; uma falha fornece evidência para uma atualização diferente.

Recuperabilidade: a chance estimada de lembrar agora

Recuperabilidade é a probabilidade de lembrar a resposta em um determinado momento. Ela depende do tempo desde a revisão e da estabilidade estimada. Dificuldade e estabilidade descrevem aspectos da memória; a recuperabilidade responde à pergunta imediata do agendamento.

Imagine dois cartões de vocabulário: um tem estabilidade de dois dias, o outro de vinte dias. Depois de dez dias, eles não precisam ter probabilidades de lembrança parecidas, mesmo que você tenha respondido corretamente aos dois na última vez. O mesmo tempo transcorrido representa um desafio muito maior para a primeira memória.

Essas definições vêm da documentação do algoritmo FSRS. Elas descrevem um modelo preditivo dos resultados das revisões, não uma medição direta do que existe no seu cérebro.

Das curvas de esquecimento às datas de revisão

Um exemplo prático: uma memória, três metas

Mantenha a estabilidade em dez dias e imagine que não haja revisões no intervalo. O modelo começa com uma probabilidade alta de lembrança e prevê uma queda gradual. Um limite de revisão é o ponto em que essa curva chega à retenção desejada.

Na curva ilustrativa abaixo, uma meta de 80% produz um intervalo de aproximadamente 24 dias. Com 90%, o intervalo é de dez dias. Com 95%, é de cerca de 4,6 dias. A estimativa da memória permaneceu igual; apenas o risco previsto aceitável no momento da revisão mudou.

Isso também explica um intervalo surpreendentemente longo: ele pode refletir uma memória estimada como forte, uma meta mais baixa ou os dois fatores. Uma data, sozinha, não informa se o aplicativo considera um cartão difícil. Para interpretá-la, você precisa da estimativa da memória e das configurações de agendamento.

Explore o limite de retenção

Mude a meta e observe o limite se deslocar pela mesma curva. A linha horizontal representa a probabilidade de lembrança que você solicitou; sua interseção com a curva dá o intervalo aproximado.

Explore as metas de retenção do FSRSDemonstração ilustrativa

Probabilidade de recordação desejada

80%90%95%

Limiar aproximado de revisão

10

dias

90%

· Probabilidade de recordação desejada

Estabilidade fixa de dez dias; curva FSRS-4.5. Sem revisões sucessivas nem previsão pessoal.

Esta demonstração usa a curva de esquecimento documentada do FSRS-4.5, com estabilidade fixa de dez dias, para isolar uma ideia. Ela não simula revisões repetidas, ajusta parâmetros pessoais nem reproduz o cronograma de um aplicativo específico. Versões mais novas do FSRS podem usar um formato diferente de curva, e aplicativos reais podem arredondar intervalos, acrescentar pequenas variações ao agendamento ou aplicar etapas de aprendizagem e limites de intervalo.

Observe que escolher uma meta mais alta não fortalece a curva. Isso antecipa a revisão. Melhorar a memória subjacente exige aprendizagem e recuperação; a meta apenas muda quando você planeja verificá-la novamente.

O que muda depois de uma revisão

Quando chega a próxima revisão, o agendador recebe outra observação: o tempo transcorrido e a sua avaliação. Ele atualiza a dificuldade e a estabilidade e então escolhe o próximo intervalo a partir do estado atualizado. Por isso, a curva seguinte pode ser diferente da que você viu antes.

Uma resposta correta depois de um intervalo considerável pode fornecer uma evidência diferente de uma repetição imediata. Uma falha também importa: ela informa ao modelo que a recuperação não teve sucesso nessas condições. É por isso que um cronograma de revisões repetidas não pode ser representado honestamente prolongando indefinidamente a nossa curva de estabilidade fixa.

Você pode pensar no processo como um ciclo:

1. Tente lembrar antes de revelar a resposta.
2. Avalie o resultado com honestidade.
3. Atualize o estado estimado da memória.
4. Escolha o próximo intervalo para a retenção desejada.
5. Repita com novas evidências.

Escolhendo uma meta de retenção

Por que 90% é um ponto de partida comum

Retenção desejada é a probabilidade que você quer que o modelo busque quando um cartão estiver vencido para revisão. O Anki usa 90% como padrão e descreve esse valor como um equilíbrio entre retenção e carga de trabalho. É um ponto de partida, não um ótimo científico universal para toda pessoa ou tarefa. (Opções de baralho do Anki)

Uma meta de 90% não significa que você sacrificará permanentemente um décimo do seu conhecimento. Os cartões têm idades diferentes a cada momento, e um cartão que falhou pode ser reaprendido. A meta também não garante que exatamente nove das suas próximas dez respostas estarão corretas. Os resultados reais oscilam, e um modelo ajustado de forma imperfeita pode não estar bem calibrado para o seu material.

Observe as tendências ao longo de revisões suficientes para avaliar uma configuração. Uma tarde difícil, alguns cartões recém-aprendidos ou um baralho que mudou são uma base fraca para declarar que o modelo está preciso ou impreciso.

Metas mais altas trazem uma troca com a carga de trabalho

Aumentar a meta encurta os intervalos para o mesmo estado de memória. Na ilustração, passar de 90% para 95% reduz o intervalo a menos da metade. Essa é uma comparação entre um intervalo teórico, não uma afirmação de que sua carga total de revisões dobrará exatamente.

A carga de longo prazo também depende de cartões novos, falhas, mudanças na estabilidade, etapas de aprendizagem e do tempo que você tem disponível para estudar. O manual do Anki alerta que a carga aumenta rapidamente acima de 90%, especialmente com metas muito altas. Escolher 99% porque parece quase perfeito pode produzir um cronograma impossível de sustentar.

Use a consequência do esquecimento para orientar a decisão. Praticar vocabulário no longo prazo e estudar para uma prova próxima podem justificar prioridades diferentes. Se a carga ficar inviável, considere reduzir a quantidade de cartões novos e melhorar o design dos cartões junto com a configuração de retenção. Aumentar uma meta não cria mais tempo no seu dia.

FSRS versus SM-2

Abordagens diferentes para o próximo intervalo

O algoritmo SM-2 original ajusta um fator de facilidade com base na qualidade da resposta e o usa para aumentar os intervalos após repetições bem-sucedidas. Respostas malsucedidas reiniciam a sequência de repetições. Ele se adapta, mas não escolhe explicitamente os intervalos resolvendo uma probabilidade de lembrança solicitada.

O FSRS modela dificuldade e estabilidade, deriva a recuperabilidade ao longo do tempo transcorrido e escolhe um intervalo em torno de uma meta de retenção. Seus parâmetros podem ser otimizados com base em históricos de revisão quando o aplicativo oferece esse fluxo. Os dois sistemas ainda dependem do feedback das revisões.

Tenha cuidado ao comparar aplicativos: um aplicativo descrito como “baseado em SM-2” pode usar modificações substanciais. Da mesma forma, dois aplicativos que usam FSRS podem diferir na versão, nos parâmetros, nas etapas de aprendizagem, nos limites de intervalo e no comportamento das revisões. O nome do algoritmo, sozinho, não especifica toda a experiência de uso.

Vantagens e limitações na prática

O FSRS oferece uma forma explícita de raciocinar sobre a lembrança prevista e a troca entre retenção e momento da revisão. Isso facilita explicar por que uma revisão está vencida e como uma meta afeta os intervalos. O ajuste de parâmetros também pode adaptar um modelo aos padrões de revisão registrados.

As limitações continuam sendo práticas. Um histórico escasso ou enganoso, avaliações inconsistentes, cartões ambíguos e conteúdos aprendidos fora do aplicativo podem dificultar a previsão. O modelo enxerga evidências registradas, não todas as conversas, aulas ou questões práticas que fortaleceram sua memória.

Não é preciso prometer uma redução fixa e percentual nas revisões para explicar o valor do FSRS. Uma previsão melhor pode ajudar a distribuir as revisões de forma mais útil; se isso melhorará sua carga e sua lembrança dependerá dos seus dados, configurações e hábitos.

Fazendo as revisões caberem na vida real

Dias corridos e cartões atrasados

Uma data de vencimento é uma recomendação baseada em um modelo, não uma data de expiração biológica. Se você perder a revisão, a lembrança prevista geralmente cairá mais, mas o cartão não será esquecido instantaneamente. Revise com honestidade quando voltar, para que o agendador tenha evidências sobre o que aconteceu depois do intervalo maior.

Reserve um horário realista para as revisões no calendário e reduza a entrada de cartões novos quando o acúmulo crescer. O calendário organiza o seu tempo; o agendador organiza os cartões individuais. São tarefas complementares, e usar FSRS não implica, por si só, uma integração com calendário.

SpaceRep usa FSRS para agendar revisões de flashcards e aplica um agendamento atento a prazos para baralhos de provas. Encare essas datas como apoio a uma rotina de estudos, mantendo também tempo para compreender e aplicar o conteúdo.

Prazos de provas mudam o problema de planejamento

Uma prova cria uma segunda restrição: você precisa ter uma lembrança útil em uma data específica, mesmo que um agendador de longo prazo colocasse a revisão mais tarde. Os aplicativos podem lidar com isso usando metas de retenção mais altas ou limites de intervalo, mas o comportamento depende da implementação.

Não gaste cada minuto disponível perseguindo uma estatística perfeita de flashcards. Explicações por escrito, questões variadas e exercícios cronometrados testam habilidades que um prompt curto de recuperação não consegue abranger. Nosso guia sobre maratona de estudos versus repetição espaçada antes de uma prova mostra como equilibrar a revisão com as exigências reais da avaliação.

Avaliações honestas e cartões claros melhoram as evidências

Se você não conseguiu lembrar a resposta, registre uma falha. No FSRS, “Difícil” descreve uma lembrança bem-sucedida, mas difícil; não deve virar um substituto educado para “De novo”. Caso contrário, o histórico indicará sucesso onde não houve nenhum.

Também verifique o próprio cartão. Há uma pergunta clara? Você consegue dizer se a resposta está certa? Ele testa compreensão ou apenas uma frase que parece familiar? Nosso guia para criar cartões de memória eficazes ajuda a corrigir prompts que tornam as avaliações pouco confiáveis.

Um bom agendamento começa com observações relevantes. Um cartão bem elaborado, uma tentativa real de recuperação e uma avaliação honesta dão ao modelo algo útil para analisar — e tornam a revisão proveitosa mesmo quando a previsão é imperfeita.

FAQ

Reter 90% significa esquecer 10% de tudo?

Não. É uma meta de probabilidade de lembrança no momento programado para a revisão, não uma cota permanente de conhecimento perdido. Cartões revisados mais recentemente podem ter uma lembrança prevista mais alta, e cartões que falharam podem ser reaprendidos.

O FSRS aprende meus parâmetros pessoais depois de cada revisão?

Não necessariamente. Cada revisão atualiza o estado de memória do cartão usando os parâmetros atuais. Otimizar os parâmetros a partir do seu histórico é um recurso separado e depende do aplicativo.

O FSRS pode garantir que vou lembrar de algo no dia da prova?

Não. Ele estima probabilidades a partir das evidências das revisões. Um agendamento atento a prazos pode ajudar no planejamento, mas a lembrança também depende da qualidade da aprendizagem, da tarefa da avaliação e das condições do dia.