Como os calendários de revisão aprenderam a se adaptar

Imagine que você separa cartões de papel em caixas. Depois de uma resposta certa, move o cartão para uma caixa que verifica com menos frequência. Depois de uma resposta errada, coloca o cartão em uma caixa que revisa mais vezes.

Você já fez o calendário reagir aos resultados. A resposta de hoje muda o que vai acontecer ao cartão mais tarde. Não precisa de um programa para essa ideia.

Mas a caixa guarda apenas um resumo aproximado. Dois cartões na mesma caixa recebem um tratamento parecido, mesmo que uma resposta venha facilmente e a outra exija bastante esforço. Neste exemplo, o agrupamento não registra essa diferença.

Guardar um histórico separado para cada cartão dá mais informação ao planejador. A mudança importante é o que a próxima decisão pode usar, não apenas trocar o papel por uma tela.

O que o SM-2 guardava

A descrição do SM-2 de Piotr Wozniak atribui a cada item um fator de facilidade e usa avaliações da qualidade da resposta. O fator ajuda a determinar o crescimento dos intervalos e pode mudar com a avaliação.

O cartão leva para decisões posteriores um valor que reflete respostas anteriores. Já não precisa seguir exatamente o mesmo caminho de todos os outros.

Continua sendo um sistema compacto de regras. O fator de facilidade não é, por si só, a probabilidade de lembrar o cartão hoje. Também não é a mesma grandeza que a dificuldade no FSRS. Nomes parecidos podem descrever coisas diferentes em algoritmos diferentes.

Por que o histórico importa

Imagine duas palavras com a mesma data para a próxima revisão. Uma foi lembrada corretamente muitas vezes. A outra não veio à memória em várias tentativas e foi aprendida de novo há pouco. É um exemplo, não um par de calendários calculados.

A data compartilhada esconde históricos diferentes. Olhar apenas para a data não mostra quais tentativas deram certo nem quanto tempo passou antes de cada uma.

O FSRS, Free Spaced Repetition Scheduler, guarda um estado estimado por meio da dificuldade e da estabilidade. Calcula a retrievability, a probabilidade estimada de recuperar a resposta agora, a partir da estabilidade, do tempo decorrido e dos parâmetros da curva. Não é um terceiro valor independente guardado ao lado dos outros dois.

São grandezas de um modelo, não medições diretas dentro do cérebro. Apoiam duas decisões relacionadas: estimar o acesso agora e escolher uma pausa para um objetivo de retenção.

Uma resposta precisa ter um significado consistente

No nível do algoritmo, o FSRS usa quatro avaliações:

• Again: a resposta não foi recuperada corretamente da memória.
• Hard: a recuperação deu certo, mas com bastante dificuldade.
• Good: uma resposta certa comum, com algum esforço.
• Easy: uma resposta certa que veio sem esforço.

O manual do Anki explica essas avaliações. São nomes de resultados transmitidos ao algoritmo, não uma promessa de que todo aplicativo com FSRS mostre quatro botões com esses rótulos.

A diferença entre Again e Hard importa. Se você não conseguiu lembrar a resposta, escolher Hard comunica um sucesso que não aconteceu. Mesmo que a resposta mostrada pareça familiar, esse reconhecimento não é a recuperação que a pergunta testava.

A distinção é prática, não moral. A avaliação descreve um encontro com um cartão, não sua disciplina ou capacidade. Ao avaliar a resposta, pergunte primeiro se você a recuperou da memória antes de vê-la e depois quanto esforço isso exigiu.

Uma previsão pode ser revista

Depois de uma resposta avaliada, o FSRS atualiza o estado estimado do item. Pode escolher um novo intervalo usando esse estado, os parâmetros do modelo e o objetivo de recuperação escolhido. Atualizar o estado de um cartão não é a mesma operação que ajustar os parâmetros do modelo ao histórico de revisões de uma pessoa.

Uma resposta certa depois de uma pausa longa traz informações sobre o acesso após esse intervalo. Uma resposta errada dá outra observação. Nenhuma revela uma hora exata de validade da lembrança, e uma falha não prova que todo o modelo está errado.

Esta história compara ideias de planejamento, sem afirmar que cada método mais novo descende diretamente do anterior. A pergunta prática comum é quanto a próxima data deve aprender com a última resposta.

No FSRS, entender a resposta começa por três termos: dificuldade, estabilidade e probabilidade atual de recuperar a resposta.