クイックアンサー： 30年もの間、分散学習（間隔反復）のゴールドスタンダードであり続けたSM-2。そこにFSRSが登場し、すべてを塗り替えました。この違いが毎日の学習セッションに具体的にどう影響するのか。このガイドでは、あなた自身の学習システムにどう取り入れるかを判断できるように、実用的な背景、メリット・デメリット、そして次のステップについて分かりやすく解説します。
この記事のポイント：
- SM-2の仕組み
- FSRSはどう違うのか
- 数値で見る：FSRSはどれくらい優れている？
FSRS vs SM-2：単語帳アプリのアルゴリズムが想像以上に重要な理由
単語カード（フラッシュカード）を評価するとき、裏側では普段あまり意識されないことが起きています。それは、アルゴリズムが「そのカードを次にいつ提示するか」を決めているということです。明日かもしれないし、47日後かもしれません。このタイミングがバッチリ合えば、最小限の努力で記憶に定着させることができます。しかし、タイミングがズレてしまうと、すでに覚えているカードの復習に無駄な時間を費やすか、あるいは一番覚えておきたかったカードを忘れてしまうことになります。
近代の分散学習の歴史において、その大半で主役を務めてきたアルゴリズムがSM-2です。1987年にピョートル・ウォズニアック（Piotr Wozniak）氏がSuperMemoのために開発したSM-2は、Ankiをはじめとする多くの単語帳アプリのデフォルトのスケジューラーとなりました。Ankiは2023年にFSRSを標準搭載しましたが、デッキのオプションでFSRSを有効にするまでは、今でも多くのコレクションがSM-2で動いています。SM-2は、当時としてはまさに画期的なブレイクスルーでした。
そして2022年、研究者のJarrett Ye氏がFSRS（Free Spaced Repetition Scheduler）を発表し、この分野に革命を起こしました。
SM-2の仕組み
SM-2の核となるロジックは、驚くほどシンプルでエレガントです。カードを復習して記憶度を評価すると、アルゴリズムは次の2つの数値を調整します。
- Ease Factor（易しさ係数）：復習間隔をどれくらい急激に広げるかを決定する、カードごとの乗数
- Interval（学習間隔）：次の復習までの日数
デフォルトのEase Factorは2.5からスタートします。カードを継続して「正解（Good）」と評価すると、学習間隔は1日 → 6日 → 15日 → 37日 → 93日というように指数関数的に伸びていきます。しかし、何度も「難しい（Hard）」と評価すると、Ease Factorはどんどん低下していきます。これはAnkiコミュニティで「Ease Hell（易しさ地獄）」と呼ばれる現象で、学習間隔がまったく伸びなくなり、数日おきに同じカードを何度も復習させられる無限ループに陥ってしまいます。
この融通の利かなさこそが、SM-2の根本的な限界です。学習間隔はあくまで数式で「計算」されているだけであり、記憶の忘却がどのように起こるかを「予測」しているわけではありません。アルゴリズムは人間がいつ物事を忘れそうになっているかを知る由もなく、ただ公式を当てはめてうまくいけばいいなと願っているだけなのです。
How FSRS Works Differently
FSRSは、分散学習を「予測問題」として捉えます。
FSRSは「次の間隔を何日にするか？」と考えるのではなく、「このカードを正しく思い出すことができる確率が、目標とする定着率（例：90%）まで下がるのはいつか？」と問いかけます。その瞬間こそが、次の復習をスケジュールすべきタイミングなのです。早すぎれば時間の無駄になり、遅すぎれば忘れてしまいます。
この予測を行うため、FSRSはすべてのカードについて以下の3つの変数をモデル化します。
1. 難易度（Difficulty - D）
その情報があなたにとって本質的にどれくらい難しいかを1〜10のスコアで表します。すでに背景知識がある概念のカードなら難易度は「2」かもしれません。見たこともない文字で書かれた外国語の単語なら「8.5」になるかもしれません。
2. 安定度（Stability - S）
日数で測定され、記憶の想起率が100%から90%に低下するまでに、カードをどれくらい放置できるかを表します。新しく覚えたカードの安定度は1〜2日かもしれませんが、何度も復習したカードの安定度は300日以上になり、90%の想起率を維持するために必要な復習は年に1回だけで済むようになります。
3. 想起度（Retrievability - R）
「今この瞬間」に、そのカードを正しく思い出すことができる現在の確率です。R = 0.9であれば、90%の確率で正解できます。R = 0.3であれば、すでに忘れてしまっている可能性が高いでしょう。
カードを評価すると、FSRSはこれら3つの変数と、調整可能な一連の重みパラメータ（アプリに搭載されているFSRSのバージョンに応じて17〜21個）を使って、新しい学習間隔を計算します。これらのパラメータは適当に決められたものではありません。実際の学習者による何万件ものリアルな復習履歴データに適合させ、最尤推定や確率的勾配降下法などの手法を用いて洗練されたものです。
数値で見る：FSRSはどれくらい優れている？
その効果を裏付ける確かなデータがあります。
同じ定着率を維持しながら、復習回数を20〜30%削減。 同一のカードデッキを使ってFSRSとSM-2を比較した第三者によるベンチマークでは、FSRSを使用するユーザーが、約4分の1も少ない復習回数で同じ知識定着率を達成できることが一貫して示されています。毎日200回の復習をしている熱心な学生なら、毎日50回分の復習を節約できることになります。
あなた専用にパーソナライズされたパラメータ。 FSRSには、あなた自身の復習履歴を分析し、21個のパラメータをあなたの記憶曲線に合わせて調整する「最適化機能（オプティマイザー）」が搭載されています。初期状態のパラメータだけでも十分に優れています（何百万もの復習履歴から算出されています）が、約1,000回復習した後にパーソナライズされた最適化を実行すると、あなたの具体的な学習パターンに合わせてアルゴリズムの精度がさらに向上します。
「Ease Hell（易しさ地獄）」からの解放。 FSRSは固定されたEase Factorを使用しないため、難しいカードが短い復習間隔に永久に閉じ込められてしまう悪循環が起こりません。難易度は、実際のあなたの記憶パフォーマンスに基づいて常に再計算されます。
明確な目標設定。 目標とする定着率（デフォルトは90%）を設定すると、FSRSはそれに応じた予想される1日の学習量を算出します。定着率の設定を90%から75〜80%に下げるだけで、最も重要な情報の長期記憶は維持したまま、毎日の復習の負担を劇的に減らすことができることに気づく学習者もいます。
実世界のインパクト：ある一日の違い
6ヶ月後に控えた専門資格の試験に向けて、800枚のカードデッキを使って勉強していると想像してみてください。
SM-2の場合： 毎日の復習カード数が予測できず激しく変動します。50枚の日もあれば、200枚の日もあります。初期に簡単だと感じたカードが、難しいカードと同じような頻度で何度も出題されます。苦手なカードは短い間隔から抜け出せなくなります。3ヶ月目に入る頃には、1日の復習時間が平均90分に達し、その多くが重複した無駄な復習になってしまいます。
FSRSの場合： 毎日の復習予定がよりスムーズで予測可能になります。マスターしたカードは数ヶ月、あるいは年単位の間隔へと遠ざかり、日々の復習キューから完全に消え去ります。難しいカードは、より高い頻度で正確なタイミングで出題されます。同じ知識定着効果を得ながら、1日の復習時間は約45分で安定します。
この違いは、単に時間だけの問題ではありません。それは「続けられるかどうか」です。SM-2による「復習疲れ」を経験した学生は、せっかく作ったデッキを挫折して放置してしまいがちです。FSRSを搭載した復習スケジュールは、あなたのワーキングメモリの1日の限界を超えないように緻密に調整されています。
FSRSが最も真価を発揮するとき
すべての学習者がスケジューリングに神経質になる必要はありません。しかし、以下のような場合には、どのアルゴリズムを使うかが極めて重要になります。
- デッキを数日ではなく、数ヶ月から数年にわたって使い続ける場合
- 医学、語学、司法試験、資格試験などの勉強をしている場合
- 最大の課題がモチベーションではなく、毎日の復習量の多さに圧倒されていることである場合
- 自分では消化しきれないほどの復習の山を作ることなく、新しいカードをどんどん追加したい場合
だからこそ、どのアルゴリズムを選ぶかが、どのアプリを選ぶかという選択に直結するのです。実際のアプリを比較したい場合は、2026年のベスト単語帳アプリをご覧ください。特にAnkiからの乗り換えを検討している場合は、NeurakoのAnkiオルタナティブ（代替候補）の解説ページを参考にしてください。
学術研究におけるFSRS
FSRSは学術界からも大きな注目を集めています。開発者のJarrett Ye氏は、学部生でありながら、機械学習研究において最も競争率の高いトップカンファレンスの一つである「第28回 ACM SIGKDD（データマイニングと知識発見に関する国際会議）」で論文を発表しました。
2025年の研究論文（LECTOR）では、100人のシミュレートされた学習者を対象に、100日間にわたりFSRSと他の6つの競合スケジューリングアルゴリズムを比較する独立したベンチマークが行われました。FSRSは89.6%の学習成功率を達成。これはテストされたアルゴリズムの中で2番目に高い数値であり、これより上だったのは、復習のたびにLLM（大規模言語モデル）の推論を必要とするため計算コストが極めて高い「LECTOR」だけでした。ローカルで動作する実用的なアルゴリズムとして、FSRSの右に出るものはありません。
FSRSは、Python、Go、Rust、TypeScript、Swift、Dartなど、十数種類のプログラミング言語で実装されており、現在ではAnki（2023年のバージョン23.10以降ネイティブ対応）、RemNote、そしてNeurakoを含む多くの最先端教育アプリに採用されています。
2026年8月の現在、実用面での違いは「アプリがFSRSに対応しているか」ではなく、「FSRSが最初からデフォルトで有効になっているか」に移っています。Ankiでは依然としてデッキのオプションで切り替える必要があり、昔から使われているコレクションの多くは未だにSM-2のままです。一方、Neurakoは最初から唯一のスケジューラーとしてts-fsrsを採用しているため、有効化の手間や古いレガシーモードに悩まされる心配は一切ありません。
NeurakoがFSRSを採用する理由
私たちがNeurakoの分散学習エンジンを構築したとき、問いかけた疑問はひとつだけでした。「どうすれば、学習者が費やした時間に対して最大の成果を得られるか？」
その答えは極めて明確でした。認知科学の裏付け、機械学習によるパーソナライズ、そして実世界での圧倒的なパフォーマンスデータを兼ね備えたFSRSこそが、唯一にして最高の選択肢だったのです。
Neurakoで復習を行うたびに、そのデータはFSRSが描くあなたの記憶モデルへとフィードバックされます。「もう一度（Again）」「難しい（Hard）」「正解（Good）」「簡単（Easy）」といったすべての評価は、単に次の復習日を決めるだけでなく、あなた専用の脳の記憶パターンをトレーニングしているのです。復習の履歴が積み重なるにつれて、アルゴリズムはあなた個人に合わせて劇的に精度を上げていきます。
また、Neurakoのダッシュボードでは、現在の定着率やマスターしたカードの総数、毎日の復習トレンドなどの分析データを直接確認することができます。私たちのゴールは、あなたにダラダラと長く勉強させることではありません。より短い時間で、より多くのことを覚えるお手伝いをすることです。
実用的なまとめ
FSRSとSM-2の比較は、単なるRedditのスレッドで交わされるマニアックな技術論争ではありません。それは、デッキが大きくなるにつれて、あなたの学習システムが「軽くなっていく」か、それとも「重荷になっていく」かを決定づける重要な問題なのです。
手動でカードを作成している場合でも、優れたスケジュール機能は重要です。もし、写真やテキスト、音声から自動でカードを作成できるAI単語帳ジェネレーターを使っているなら、なおさらその重要性は増します。カードをどれだけ高速に作れたとしても、復習システム自体が破綻してしまっては意味がないからです。
アルゴリズムを気にするべき？
旅行前に数10語程度の単語を覚えるといったカジュアルな用途なら、アルゴリズムはそれほど問題になりません。しかし、医学部での勉強、本格的な語学学習、国家資格の取得、司法試験の対策など、長期にわたる本格的な学習プロジェクトにおいては、アルゴリズムがすべてを左右します。
毎日の学習を1年間続けた場合、SM-2とFSRSの差は、累積で数百時間にも上る可能性があります。その時間を、さらに深い理解のための勉強や問題演習、あるいは睡眠、そして人生を豊かにする活動に充てることができるのです。
優れたアルゴリズムが機能しているとき、その存在を意識することはありません。ただ、以前なら忘れていたはずの知識を、思ったよりもはるかに少ない努力で思い出せている自分に気づくだけです。
それこそがFSRSの力です。そして、それこそがNeurakoの心臓部にこのエンジンを採用した理由です。
参考文献
- Ye, J. et al. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
- Wozniak, P. (1990). Optimization of learning. SuperMemo World.
- IntelliKernelAI. (2025). LECTOR: LLM-Enhanced Concept-based Test-Oriented Repetition for Adaptive Spaced Learning. arXiv:2508.03275.
- Open Spaced Repetition community. (2023). ABC of FSRS. GitHub Wiki: open-spaced-repetition/fsrs4anki.
- Denicola, D. (2025, May). Spaced Repetition Systems Have Gotten Way Better. domenic.me.
- RemNote Help Center. (2024). The FSRS Spaced Repetition Algorithm.
- PyPI. (2026). fsrs package — py-fsrs v6.3.1.