Cómo optimizar la repetición espaciada (guía de retención FSRS)

La respuesta corta

Configura la retención deseada de FSRS entre 0.85 y 0.95. Para la mayoría de estudiantes, 0.90 (90%) es el punto de partida ideal: mantiene un volumen de repasos diarios razonable y, al mismo tiempo, garantiza que realmente recuerdes lo que estudias. Subir más allá (por ejemplo, a 0.95) dispara el número de repasos por apenas unas décimas de retención extra. Bajar de 0.80 ahorra tiempo a corto plazo, pero provoca tantos fallos que acabas reaprendiendo fichas, y la carga total a menudo sube en lugar de bajar.¹

Pero elegir un número no basta. Optimizar la repetición espaciada también implica dejar que FSRS auto-calibre sus parámetros con tu historial, calificarte con honestidad, controlar cuántas fichas nuevas añades y ser constante con los repasos. En este artículo verás qué controla el objetivo de retención, cómo elegir el tuyo y los hábitos que permiten a FSRS rendir al máximo.

---

Qué significa «retención deseada» en FSRS

En FSRS, la retención deseada (DR, por desired retention) es la probabilidad de recuerdo que quieres cuando una ficha llega a tu cola de repasos. Si fijas DR en 0.90, FSRS programa cada ficha para que, en el momento en que aparezca, tengas aproximadamente un 90% de probabilidad de recordarla. El algoritmo lo logra ajustando los intervalos: una DR más alta produce intervalos más cortos (más repasos) y una DR más baja produce intervalos más largos (menos repasos, más olvido).

Por dentro, FSRS utiliza el modelo DSR (Dificultad, Estabilidad, Recuperabilidad) para rastrear el estado de tu memoria en cada ficha.² La Recuperabilidad (R) es tu probabilidad actual de recuerdo, que decae exponencialmente a lo largo de la curva del olvido documentada por Ebbinghaus y replicada en estudios modernos.³ La Estabilidad (S) es el tiempo en días para que R baje del 100% al 90%. La Dificultad (D) refleja lo inherentemente difícil que es el material. Cuando R cae hasta tu retención deseada, FSRS programa el repaso. Para una explicación completa del modelo DSR, consulta cómo funciona la repetición espaciada.

Cómo elegir el objetivo de retención adecuado

El rango óptimo: 0.85 a 0.95

FSRS permite valores de 0.70 a 0.99, pero el rango práctico es más estrecho. Por debajo de 0.85, olvidas tantas fichas que el coste de reaprender supera al ahorro de los intervalos más largos. Por encima de 0.95, los intervalos se encogen tan agresivamente que tu cola diaria puede duplicarse o triplicarse a cambio de unos pocos puntos porcentuales extra de retención. La curva de carga tiene forma de U: el mínimo está en algún punto intermedio y varía según la persona.¹

• 0.90 (por defecto): El punto de partida recomendado. Buen equilibrio entre carga y recuerdo. La mayoría debería empezar aquí.
• 0.85 a 0.89: Adecuado para mazos grandes o estudiantes con poco tiempo que toleran algún fallo más a cambio de menos repasos diarios.
• 0.91 a 0.95: Apropiado para contenido de alto riesgo (exámenes médicos, certificaciones profesionales) donde olvidar incluso una fracción pequeña es costoso. Espera un aumento notable en los repasos diarios.

Usa la función «calcular retención mínima recomendada»

FSRS incluye un optimizador que analiza tu historial de repasos y calcula el valor de retención que minimiza tu carga respecto al conocimiento adquirido. En Anki 24.04 y versiones posteriores, puedes hacer clic en «Compute minimum recommended retention» tras optimizar los parámetros. Así obtienes un punto de partida basado en datos y personalizado para tu memoria, no una suposición.

Cómo auto-calibra FSRS sus parámetros

A diferencia de algoritmos más antiguos como SM-2, FSRS no depende de multiplicadores fijos. Utiliza Estimación de Máxima Verosimilitud para ajustar 19 parámetros internos (en FSRS v5) a tu historial real de repasos.² El optimizador compara sus probabilidades de recuerdo predichas con tus resultados reales. Si FSRS predijo que recordarías el 90% de un lote y en realidad recordaste el 95%, ajusta sus pesos para que las predicciones futuras sean más precisas.

Esta autocorrección es lo que diferencia a FSRS de los planificadores heurísticos. SM-2 usa factores de facilidad estáticos que se degradan con el tiempo, un problema conocido como «infierno de facilidad» (ease hell). FSRS se reentrena con tus datos, así que su modelo de tu memoria mejora con cada ciclo de optimización. Puedes re-optimizar periódicamente (cada pocos meses o después de unos miles de repasos) para mantener el modelo actualizado.

Qué controla realmente la retención deseada

Carga de repasos vs. olvido

La relación entre retención deseada y carga diaria no es lineal. Subir DR de 0.85 a 0.90 añade un número moderado de repasos. Subir de 0.90 a 0.95 puede casi duplicar tu carga, porque los intervalos se encogen exponencialmente a medida que te acercas a la retención perfecta. Mientras tanto, la ganancia real de conocimiento de 0.90 a 0.95 es relativamente pequeña en términos absolutos.¹

En el otro extremo, bajar DR por debajo de 0.80 es contraproducente. Fallas con tanta frecuencia que el algoritmo reinicia las fichas a intervalos cortos, y el coste de reaprender borra la mayor parte del tiempo que ahorraste. La investigación sobre espaciado confirma que existe un intervalo óptimo para cualquier periodo de retención: los huecos demasiado cortos desperdician esfuerzo y los demasiado largos provocan olvido excesivo.⁴⁵

Formación de memoria a largo plazo

Cada recuperación exitosa en un punto de baja recuperabilidad fortalece la estabilidad más que un recuerdo fácil con alta recuperabilidad.² Es el principio de «dificultad deseable» en la práctica. Un objetivo de retención bien elegido mantiene los repasos lo suficientemente difíciles para maximizar el fortalecimiento de la memoria por sesión, sin empujarte a espirales de fracaso que desmoralizan y desperdician tiempo.

Consejos prácticos para optimizar tu repetición espaciada

1. Repasa con constancia

FSRS asume que repasas las fichas cerca de su fecha de vencimiento. Saltarse días hace que la recuperabilidad caiga muy por debajo de tu objetivo, lo que implica más fallos y más reaprendizaje. Sesiones diarias constantes, aunque sean cortas, mantienen las predicciones del planificador precisas y tu carga estable. Empollar el atraso de una semana en una sola sesión es práctica masiva, no repetición espaciada.⁴

2. Califica con honestidad

FSRS aprende de tus calificaciones. Si pulsas «Bien» cuando en realidad adivinaste o miraste la respuesta, el algoritmo sobreestima tu estabilidad y estira los intervalos demasiado. Fallarás la ficha más adelante y te preguntarás por qué no funciona. Califica según un recuerdo genuino: si necesitaste una pista o dudaste bastante, eso es «Difícil» u «Otra vez». Los datos honestos son la entrada más importante que puedes darle a cualquier algoritmo SRS. Consulta errores frecuentes en repetición espaciada para más detalles.

3. No sobrecargues fichas nuevas

Cada ficha nueva que introduces hoy se convierte en una corriente de repasos futuros. Añadir 30 o 50 fichas nuevas al día parece productivo en el momento, pero en semanas tu cola de pendientes explota. Fija tu límite diario de fichas nuevas según cuántos repasos totales (nuevos más pendientes) puedes sostener, no según cuántos ítems frescos quieres ver. Cuando el atraso crezca, pausa las fichas nuevas hasta que los pendientes se estabilicen.

4. Optimiza los parámetros periódicamente

Vuelve a ejecutar el optimizador de FSRS cada pocos meses o después de acumular un número significativo de repasos nuevos. Tus características de memoria cambian a medida que aprendes, y el algoritmo no puede adaptarse si nunca ve datos actualizados. En las apps que soportan FSRS, suele ser una operación de un clic en los ajustes del mazo o del planificador.

5. Adapta la retención a tus objetivos

No todos los mazos necesitan la misma retención deseada. El vocabulario para conversación diaria puede funcionar bien con 0.88. La terminología médica para exámenes de especialidad puede justificar 0.93. FSRS soporta objetivos de retención por preset, así que puedes ajustar el equilibrio para cada materia en lugar de forzar un solo número para todo.

Cómo usa LinGoat FSRS

LinGoat utiliza FSRS para programar los repasos de vocabulario y gramática dentro de su sistema de práctica con oraciones escritas. Cada palabra y punto gramatical que practicas se rastrea con el modelo DSR completo: Dificultad, Estabilidad y Recuperabilidad. Cuando una pieza de vocabulario está a punto de caer por debajo de tu umbral de retención, LinGoat la trae de vuelta en una oración nueva, para que practiques el recuerdo en contexto en lugar de repasar fichas aisladas.

Como LinGoat usa práctica basada en producción (escribes oraciones completas, no pulsas respuestas de opción múltiple), la señal de recuerdo es limpia: o produjiste la palabra correctamente o no. Eso le da a FSRS datos honestos sin el ruido que introducen los formatos de solo reconocimiento. Además, el vocabulario nuevo pasa por una fase de adquisición estructurada antes de entrar en el ciclo SRS, evitando el cuello de botella del primer repaso que corrompe los datos de programación temprana.

En resumen, LinGoat se encarga de todo: calibra la retención por ti, garantiza calificaciones honestas mediante producción escrita y prepara cada palabra con un sistema de escalado antes de pasarla a FSRS. Mira cómo funciona LinGoat o empieza a practicar para experimentar la repetición espaciada con FSRS de primera mano.

Referencias

1. Ye, J., Su, J., & Cao, Y. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 4381-4390. https://doi.org/10.1145/3534678.3539081
2. Su, J., Ye, J., Nie, L., Cao, Y., & Chen, Y. (2023). Optimizing Spaced Repetition Schedule by Capturing the Dynamics of Memory. IEEE Transactions on Knowledge and Data Engineering, 35(10), 10085-10097. https://doi.org/10.1109/TKDE.2023.3251721
3. Murre, J. M. J., & Dros, J. (2015). Replication and Analysis of Ebbinghaus' Forgetting Curve. PLOS ONE, 10(7), e0120644. https://doi.org/10.1371/journal.pone.0120644
4. Carpenter, S. K., Pan, S. C., & Butler, A. C. (2022). The science of effective learning with spacing and retrieval practice. Nature Reviews Psychology, 1, 496-511. https://doi.org/10.1038/s44159-022-00089-1
5. Cepeda, N. J., Vul, E., Rohrer, D., Wixted, J. T., & Pashler, H. (2008). Spacing effects in learning: A temporal ridgeline of optimal retention. Psychological Science, 19(11), 1095-1102. https://doi.org/10.1111/j.1467-9280.2008.02209.x