En bref : Découvre comment l'algorithme FSRS (Free Spaced Repetition Scheduler) modélise la mémoire humaine pour te montrer la bonne carte exactement au bon moment. Ce guide t'apporte le contexte pratique, les compromis et les prochaines étapes pour que tu puisses décider comment l'appliquer dans ton propre système d'apprentissage.
Qu'est-ce que FSRS ?
Le Free Spaced Repetition Scheduler (FSRS) est un algorithme open source qui prédit le moment où tu es le plus susceptible d'oublier une information — et planifie une révision juste avant que cela ne se produise. Développé par Jarrett Ye et publié en 2022, FSRS est désormais le planificateur par défaut de nombreux outils de cartes mémoires sérieux, y compris Neurako.
FSRS repose sur le modèle DSR (Difficulté, Stabilité, Récupérabilité), qui représente la mémoire à l'aide de trois propriétés mesurables :
- Difficulté (D) : À quel point la carte est intrinsèquement difficile à mémoriser.
- Stabilité (S) : Combien de temps le souvenir va durer avant de descendre sous un taux de rétention cible.
- Récupérabilité (R) : La probabilité que tu puisses te souvenir de la carte à l'instant présent.
Pourquoi les apprenants s'intéressent-ils à FSRS ?
La plupart des gens ne s'intéressent pas aux algorithmes pour eux-mêmes. Ce qui les intéresse, ce sont les conséquences au quotidien :
- Moins de révisions inutiles. Tu passes moins de temps à revoir des cartes que tu connais déjà sur le bout des doigts.
- Des files d'attente plus prévisibles. Ta charge de travail est plus régulière, au lieu de fluctuer de manière imprévisible d'un jour à l'autre.
- Une configuration simplifiée. Dans Neurako, FSRS est activé par défaut. Avec les anciens systèmes, tu devais souvent comprendre et configurer le planificateur toi-même.
Si tu compares différents outils, voilà pourquoi FSRS est crucial. Ce n'est pas juste une amélioration technique. C'est ce qui fait qu'une habitude d'apprentissage par cartes mémoires reste tenable ou non après les premières semaines.
Pourquoi la répétition espacée fonctionne-t-elle ?
L'effet d'espacement — documenté pour la première fois par Hermann Ebbinghaus in 1885 — montre que les informations révisées à intervalles croissants sont bien mieux mémorisées que celles révisées à intervalles fixes ou regroupés (le fameux "bachotage").
L'idée intuitive : chaque fois que tu parviens à te souvenir de quelque chose, la mémoire se reconsolide et devient un peu plus durable. FSRS estime précisément ce gain de durabilité et utilise cette estimation pour planifier la prochaine révision.
Comment FSRS calcule ta prochaine révision
Lorsque tu évalues une carte (À revoir / Difficile / Bon / Facile), FSRS :
- Met à jour la Stabilité de la carte à l'aide d'une formule qui prend en compte sa difficulté actuelle et la facilité avec laquelle tu l'as récupérée.
- Définit la date de la prochaine révision pour que ta Récupérabilité attendue à cette date soit égale à ton objectif de rétention (90 % par défaut dans Neurako).
Cela signifie que les cartes difficiles sont révisées plus souvent, et les cartes faciles moins souvent — de manière totalement automatique, sans aucune intervention manuelle.
FSRS vs SM-2 (planification ancienne vs moderne)
| Propriété | SM-2 | FSRS |
|---|---|---|
| Modèle de mémoire | Intervalles empiriques | Modèle DSR explicite |
| Ajustement des paramètres | Fixe | Personnalisé par utilisateur |
| Précision | Bonne | Nettement supérieure (validée par les pairs) |
| Open source | Oui | Oui |
Une étude de 2022 comparant les algorithmes de répétition espacée a révélé que FSRS réduit jusqu'à 25 % le nombre de révisions nécessaires pour un même objectif de rétention.
Si tu souhaites une comparaison plus large, lis FSRS vs. SM-2. Si tu évalues des produits plutôt que des algorithmes, commence plutôt par Neurako comme alternative à Anki.
Comment Neurako utilise FSRS
Chaque carte mémoire dans Neurako stocke son état FSRS complet (stability, difficulty, due, reps, lapses). Après chaque révision, l'algorithme met à jour cet état côté serveur et planifie la prochaine révision. Tu peux d'ailleurs voir la stabilité de tes cartes sur la page Insights.
Le résultat : tu passes moins de temps à réviser des cartes que tu connais déjà bien, et plus de temps sur celles qui demandent de l'attention.
À quoi ressemble une semaine d'étude avec FSRS
Imagine deux apprenants avec le même paquet de 300 cartes :
- Le premier utilise un système d'intervalles rigides et revoit trop souvent des cartes familières.
- Le second utilise FSRS et révise ses cartes en fonction de leur probabilité réelle de récupération.
À la fin de la semaine, les deux obtiendront peut-être un taux de rétention similaire. Mais l'utilisateur de FSRS y parviendra généralement avec beaucoup moins d'efforts. Cette différence s'accumule avec le temps. C'est pourquoi les apprenants sérieux accordent de plus en plus d'importance au fait qu'une application utilise un système de planification moderne, et pas seulement qu'elle propose des cartes mémoires.
C'est encore plus vrai lorsque le paquet a été généré rapidement à partir de contenus réels. Si tu utilises un générateur de cartes mémoires par IA pour créer des cartes à partir de tes notes, photos ou cours, c'est le planificateur qui évite que cette création rapide ne se transforme en une montagne insurmontable de révisions en retard.
Tu veux voir ton taux de rétention ? Ouvre tes Insights d'apprentissage après une semaine d'étude régulière, ou crée ton premier paquet propulsé par FSRS dans Neurako.