FSRS ou SM-2 pour apprendre une langue ?

La réponse courte

FSRS (Free Spaced Repetition Scheduler) est un meilleur ordonnanceur que le classique SM-2 pour apprendre une langue, parce qu’il estime la probabilité de rappel de chaque carte, puis place la prochaine révision près du moment où vous êtes en train d’oublier. SM-2, lui, se contente surtout de multiplier les intervalles à l’aide d’une logique d’« ease factor ». Cela fonctionne, mais ce n’est pas un vrai modèle de probabilité de rappel carte par carte.

Dans les grands benchmarks sur des collections Anki, FSRS-6 affiche environ 4,37 % de RMSE (bins), contre environ 14,84 % pour Anki SM-2, ainsi qu’un taux de supériorité de 99,6 % (log loss plus faible pour presque tous les utilisateurs). Il faut lire ces chiffres comme une photographie datée du benchmark public Expertium, pas comme une constante gravée dans le marbre. ¹ Pour le vocabulaire et la grammaire, où la difficulté varie énormément, de meilleures prédictions veulent dire moins de révisions gaspillées sur les faux amis faciles, et moins d’oublis tardifs sur les conjugaisons qui résistent. Pour une vue d’ensemble du modèle de mémoire, voir comment fonctionne la répétition espacée, et pour les objectifs de rétention et les bons réglages, voir comment optimiser la répétition espacée.

Pourquoi SM-2 marche, mais reste limité

SM-2 (SuperMemo-2) est l’algorithme historique derrière le scheduling classique d’Anki et de nombreuses applis de flashcards. Après chaque révision, vous donnez une note. Le système met à jour un ease factor et multiplie l’intervalle précédent pour choisir la prochaine date. « Good » allonge l’intervalle, « Again » vous renvoie vers des répétitions courtes.

Le principe est simple, et étonnamment efficace. Mais il s’agit d’une pile d’heuristiques, pas d’un modèle de mémoire calibré. SM-2 ne maintient pas une probabilité explicite de rappel pour chaque carte. Il suppose qu’en multipliant les intervalles selon l’ease, on tombe à peu près sur un bon rythme pour un apprenant moyen. Quand la difficulté du contenu varie beaucoup, ou quand les notes sont bruitées, l’ease dérive. Certaines cartes restent coincées dans une sorte d’« enfer de petits intervalles », d’autres s’espacent trop et finissent par échouer quand vous les revoyez enfin.

Le benchmark Expertium rappelle aussi un point méthodologique important, SM-2 n’a pas été conçu pour produire des probabilités. Les benchmarks transforment donc ses intervalles en prédictions de rappel avec des hypothèses supplémentaires, afin de le comparer à des modèles modernes. ¹ Même avec cette conversion, SM-2 reste derrière les ordonnanceurs DSR bien calibrés en matière d’erreur de prédiction.

FSRS et le modèle DSR

FSRS suit trois variables d’état par élément, souvent appelées le modèle DSR :

• Difficulté (D) : à quel point l’élément est difficile pour vous.
• Stabilité (S) : la vitesse à laquelle la probabilité de rappel décroît, autrement dit, le nombre de jours avant que la récupérabilité n’atteigne un niveau de référence.
• Récupérabilité (R) : votre probabilité estimée de rappel maintenant.

Quand vous révisez, FSRS met à jour ces variables à partir de votre note, puis programme la prochaine apparition au moment où R devrait atteindre votre niveau de rétention cible, souvent autour de 90 %. Ye, Su et Cao (2022) formalisent l’ordonnancement en répétition espacée comme un problème d’optimisation du coût des révisions face à un modèle de mémoire entraîné sur de grands journaux d’apprentissage, plutôt que comme une simple suite de multiplicateurs fixes. ²

Cet article compare FSRS et SM-2 pour les apprenants en langue, il ne remplace pas un guide complet sur FSRS. Pour les définitions du DSR, la personnalisation par apprentissage automatique, et la raison pour laquelle un rappel réussi mais difficile augmente davantage la stabilité qu’un rappel facile, lisez comment fonctionne la répétition espacée. Pour choisir un objectif de rétention et éviter les erreurs de réglage les plus courantes, lisez comment optimiser la répétition espacée.

Ce que signifient vraiment les chiffres d’Expertium

Le benchmark public d’Expertium évalue des algorithmes de répétition espacée sur des milliers de collections Anki et des centaines de millions d’événements de révision, avec de l’ordre de 350 millions de révisions filtrées utilisées pour l’évaluation dans le texte de présentation. ¹ Pour les apprenants, trois notions comptent surtout :

1. RMSE (bins) mesure la calibration, c’est-à-dire à quel point la probabilité de rappel prédite est proche de la rétention observée dans des lots de révisions. Plus bas, c’est mieux. Les valeurs souvent citées pour FSRS-6 contre Anki SM-2 sont d’environ 4,37 % contre 14,84 %.
2. Log loss évalue la qualité de chaque probabilité prédite face au résultat binaire, oublié ou retenu. Plus bas, c’est mieux.
3. Superiority correspond à la part d’utilisateurs pour lesquels l’algorithme A a un log loss inférieur à l’algorithme B. FSRS-6, avec pondération par la récence, atteint 99,6 % de supériorité face à Anki SM-2 dans cette matrice.

Ces chiffres peuvent évoluer à mesure que les jeux de données, les filtres et les versions des algorithmes changent. Il faut donc les comprendre comme une preuve que les ordonnanceurs DSR modernes prédisent bien mieux le rappel que les heuristiques à la SM-2 sur de vrais historiques de révision, pas comme la promesse que votre deck personnel rétrécira d’un pourcentage fixe demain.

Pourquoi cela compte encore plus pour les langues

Les decks de langue ne sont pas uniformes. Un faux ami espagnol comme animal et une forme irrégulière du passé comme fue n’oublient pas selon la même courbe. La logique d’ease partagée de SM-2 sur-révise souvent les éléments faciles, et protège mal les éléments difficiles. Avec FSRS, la difficulté et la stabilité sont suivies carte par carte, donc les intervalles divergent naturellement, les mots solides s’espacent davantage, les points de grammaire fragiles restent plus proches.

Cela compte deux fois quand on pratique la production :

• Charge de révision : Sur-réviser du matériel déjà maîtrisé consomme le temps dont vous avez besoin pour écrire des phrases complètes. Sous-réviser les formes difficiles crée des échecs surprise au moment où vous essayez justement de produire.
• Signal honnête : La répétition espacée ne fonctionne que si chaque note correspond à une seule unité de mémoire. Si une phrase contient plusieurs mots dus et que vous ne stockez qu’un pass/fail pour toute la chaîne, n’importe quel ordonnanceur, FSRS ou SM-2, reçoit des étiquettes corrompues. L’évaluation concept par concept est l’autre moitié du sujet. Voir la notation mot par mot pour apprendre une langue.

En bref : FSRS améliore le quand de la question. L’attribution fine améliore le quoi. Les applications de langue qui combinent les deux peuvent intégrer vocabulaire et grammaire dans des phrases inédites, sans pénaliser les éléments déjà connus à cause d’une seule faute de frappe.

Ce que FSRS ne remplace pas

Un meilleur algorithme ne transforme pas des quiz de reconnaissance en fluidité réelle. FSRS planifie des événements de rappel, il n’invente pas le bon format d’exercice. Le QCM teste toujours surtout la reconnaissance. L’extraction de phrases statiques continue d’ancrer la mémoire à une seule chaîne. Et les invites ouvertes, sans contrainte forte, laissent souvent éviter exactement le concept qui devait être travaillé.

LinGoat utilise FSRS pour le timing des mots et des concepts de grammaire, puis génère des traductions de phrases natives vers la langue cible qui intègrent les éléments dus dans des phrases naturelles inédites, avec une évaluation concept par concept. C’est de la production active écrite, plus du SRS, pas un remplacement de la pratique orale. Le déroulé complet est expliqué dans la pédagogie complète de LinGoat.

Découvrez comment fonctionne LinGoat ou commencez à pratiquer.

Références

1. Expertium. Benchmark of spaced repetition algorithms. https://expertium.github.io/Benchmark.html (les chiffres RMSE et de supériorité sont cités comme une photographie publique datée, et peuvent changer lorsque le benchmark est mis à jour).
2. 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