Las tres estimaciones detrás de un repaso con FSRS

La ruta a casa puede seguir resultándote familiar después de unas vacaciones largas. Puede que un código de acceso nuevo no te venga a la mente después del fin de semana.

La misma persona conserva ambos recuerdos, pero un calendario útil los trataría de forma distinta. FSRS describe esas diferencias mediante difficulty, stability y retrievability, normalmente abreviadas como D, S y R.

La dificultad y la estabilidad describen el estado guardado de un elemento. La probabilidad de recordar se calcula a partir de la estabilidad, el tiempo desde el último repaso y los parámetros de la curva. Son estimaciones del modelo, no mediciones directas dentro del cerebro. Separar sus funciones ayuda a entender la próxima fecha.

La dificultad se refiere al elemento

Difficulty estima cuánto cuesta que la estabilidad de ese elemento aumente con los repasos. En FSRS está limitada al rango de 1 a 10.

No mide tu inteligencia ni la complejidad objetiva de una palabra. Una palabra común que confundes con otra puede ser difícil para ti. Una poco frecuente con una asociación memorable puede resultar más fácil. Son ejemplos, no una regla que diga que las palabras raras son más fáciles.

La estimación puede cambiar tras una nueva valoración. Permite representar diferencias persistentes entre elementos y, a la vez, revisar esas estimaciones.

La estabilidad describe una escala temporal

Stability se define como el intervalo en el que la probabilidad prevista de recordar alcanza el 90%. Si un elemento tiene una estabilidad de diez días, el modelo predice un 90% de probabilidad de recordarlo diez días después del repaso. Diez días es un ejemplo, no un intervalo recomendado para cada palabra nueva.

La definición da a la estabilidad una unidad de tiempo constante. Sigue siendo la misma aunque elijas otro objetivo de desired retention. La estabilidad no es automáticamente el siguiente intervalo: el objetivo también importa.

Después de un repaso, el modelo calcula una estabilidad nueva. El resultado depende del estado anterior, la valoración y las condiciones pertinentes del repaso. Recordar correctamente tras una pausa considerable puede justificar una estimación distinta de acertar justo después de ver la respuesta.

La probabilidad de recordar cambia con el tiempo

Retrievability es la probabilidad prevista de responder correctamente ahora. A medida que pasa tiempo desde el repaso, esa probabilidad disminuye según la curva del modelo. Con los mismos parámetros de curva, una estabilidad mayor hace más lenta la caída.

Entre repasos registrados, el tiempo puede cambiar la R calculada sin que se introduzca otra respuesta. Eso no significa que el sistema registre un fallo nuevo cada día. Calcula la probabilidad actual a partir del estado existente.

Es una predicción del rendimiento. Un 90% todavía admite un fallo. Tampoco promete resultados idénticos para distintos tipos de preguntas ni para todas las situaciones en las que necesites una palabra.

La referencia oficial del algoritmo ofrece las definiciones y fórmulas de estas estimaciones.

Estado guardado y dos cálculos. R se calcula, no se guarda de forma independiente. El próximo intervalo utiliza S, el objetivo y los parámetros de la curva.

El objetivo elige un punto de la curva

Desired retention es una preferencia de planificación. El modelo encuentra un intervalo que corresponde a esa probabilidad objetivo, sujeto a las reglas de la aplicación.

Un objetivo mayor suele acercar los repasos entre sí. Uno menor permite pausas más largas y más riesgo de olvidar. La guía de FSRS del manual de Anki explica por qué subir este valor aumenta también la carga de trabajo.

El objetivo y la estabilidad responden a preguntas distintas. La estabilidad describe la estimación actual del modelo para un elemento. Desired retention expresa con cuánto margen quieres programar su próximo repaso.

Con la misma estabilidad y parámetros de curva, un objetivo superior al 90% da un intervalo menor que la estabilidad. Cambiar el objetivo no redefine S. Esto describe el modelo, no promete los mismos controles en todas las aplicaciones.

Si una fecha te sorprende, separa las preguntas: ¿qué estima ahora el modelo y para qué objetivo programa? Ni la fecha ni un fallo aislado son un veredicto sobre tu capacidad.

Estas definiciones dan a FSRS un vocabulario útil. La versión del algoritmo determina cómo se actualizan exactamente las estimaciones. En FSRS-6 hay dos cambios que merecen especial atención.