Retour au blog

2026-06-08

Comment optimiser la répétition espacée (guide de rétention FSRS)

Réglez la rétention FSRS entre 0,85 et 0,95 pour équilibrer charge de révision et mémorisation. Paramètres, auto-calibration et bonnes pratiques au quotidien.

La réponse courte

Réglez votre rétention souhaitée (desired retention) FSRS entre 0.85 et 0.95. Pour la plupart des apprenants, 0.90 (90 %) constitue le point de départ idéal : la charge quotidienne de révision reste gérable tout en garantissant une mémorisation réelle. Monter plus haut (par exemple 0.95) fait exploser le nombre de révisions pour un gain de mémoire marginal. Descendre trop bas (0.80 ou moins) réduit le temps quotidien mais provoque tellement d'oublis que vous finissez par réapprendre les mêmes cartes, ce qui alourdit la charge globale.1

Au-delà du choix d'un nombre, optimiser la répétition espacée implique de laisser FSRS calibrer ses paramètres sur votre mémoire, de noter honnêtement vos rappels, de contrôler le flux de nouvelles cartes et de réviser avec régularité. Cet article détaille ce que la rétention cible contrôle, comment choisir votre valeur et les habitudes qui permettent à FSRS de donner son plein potentiel.

Ce que signifie la « rétention souhaitée » dans FSRS

Dans FSRS, la rétention souhaitée (DR, desired retention) est la probabilité de rappel que vous visez au moment où une carte arrive dans votre file. Si vous réglez DR à 0.90, FSRS planifie chaque carte pour qu'au moment de sa présentation, vous ayez environ 90 % de chances de la rappeler. L'algorithme y parvient en ajustant les intervalles : une DR élevée produit des intervalles courts (révisions plus fréquentes), une DR basse produit des intervalles longs (moins de révisions, plus d'oubli).

Sous le capot, FSRS s'appuie sur le modèle DSR (Difficulté, Stabilité, Récupérabilité) pour suivre l'état de votre mémoire carte par carte.2 La Récupérabilité (R) est votre probabilité actuelle de rappel, qui décroît de façon exponentielle le long de la courbe de l'oubli, documentée par Ebbinghaus et confirmée par la recherche moderne.3 La Stabilité (S) correspond au temps (en jours) pour que R passe de 100 % à 90 %. La Difficulté (D) quantifie la complexité intrinsèque du contenu. Lorsque R tombe à votre valeur de rétention souhaitée, FSRS programme la révision. Pour une explication complète du modèle DSR, consultez comment fonctionne la répétition espacée.

Comment choisir la bonne cible de rétention

La zone optimale : 0.85 à 0.95

FSRS autorise des valeurs de 0.70 à 0.99, mais la plage utile est plus étroite. En dessous de 0.85, vous oubliez tellement de cartes que le coût du réapprentissage dépasse les économies de temps. Au-dessus de 0.95, les intervalles se raccourcissent si agressivement que votre file quotidienne peut doubler, voire tripler, pour seulement quelques points de rétention supplémentaires. La courbe de charge a une forme de U : un minimum existe quelque part au milieu, et il varie selon les individus.1

  • 0.90 (par défaut) : le point de départ recommandé. Équilibre entre charge et rappel solide. La plupart des utilisateurs devraient commencer ici.
  • 0.85 à 0.89 : adapté aux grands paquets ou aux personnes disposant de peu de temps, prêtes à tolérer quelques oublis de plus en échange de moins de révisions quotidiennes.
  • 0.91 à 0.95 : pour les contenus à enjeux élevés (examens médicaux, certifications professionnelles) où oublier même une petite fraction est coûteux. Attendez-vous à nettement plus de révisions par jour.

Utiliser la fonction « calcul de la rétention minimale recommandée »

FSRS intègre un optimiseur qui analyse votre historique de révisions et calcule la valeur de rétention qui minimise votre charge par rapport aux connaissances acquises. Dans Anki 24.04 et versions ultérieures, vous pouvez cliquer sur « Compute minimum recommended retention » après avoir optimisé vos paramètres. Cela vous donne un point de départ fondé sur vos données personnelles, pas une estimation au doigt mouillé.

Comment FSRS auto-calibre ses paramètres

Contrairement aux anciens algorithmes comme SM-2, FSRS ne repose pas sur des multiplicateurs fixes. Il utilise l'estimation par maximum de vraisemblance pour ajuster 19 paramètres internes (FSRS v5) à votre historique réel de révisions.2 L'optimiseur compare ses probabilités de rappel prédites à vos résultats observés. Si FSRS prédisait 90 % de rappel sur un lot et que vous en avez retenu 95 %, il recalibre ses poids pour que les prédictions futures soient plus justes.

Cette autocorrection distingue fondamentalement FSRS des planificateurs heuristiques. SM-2 utilise des facteurs de facilité statiques qui dérivent au fil du temps, un problème connu sous le nom d'« enfer de la facilité ». FSRS se réentraîne sur vos données : son modèle de votre mémoire s'améliore à chaque cycle d'optimisation. Vous pouvez relancer l'optimisation périodiquement (tous les quelques mois ou après plusieurs milliers de révisions) pour garder le modèle à jour.

Ce que la rétention souhaitée affecte concrètement

Charge de révision contre oubli

La relation entre rétention souhaitée et charge quotidienne n'est pas linéaire. Passer de 0.85 à 0.90 ajoute un nombre modéré de révisions. Passer de 0.90 à 0.95 peut quasiment doubler votre charge, car les intervalles se raccourcissent de façon exponentielle à mesure que l'on approche de la rétention parfaite. En termes absolus, le gain de connaissance entre 0.90 et 0.95 reste relativement faible.1

À l'autre extrémité, descendre sous 0.80 est contre-productif. Les oublis deviennent si fréquents que l'algorithme doit remettre les cartes à courts intervalles, et le coût du réapprentissage efface la quasi-totalité du temps économisé. La recherche sur l'espacement confirme qu'il existe un intervalle optimal pour chaque rétention visée : trop court gaspille l'effort, trop long provoque un oubli excessif.45

Formation de la mémoire à long terme

Chaque rappel réussi à un point de récupérabilité faible renforce la stabilité davantage qu'un rappel facile à récupérabilité élevée.2 C'est le principe des « difficultés souhaitables » en pratique. Une cible de rétention bien choisie maintient les révisions juste assez difficiles pour maximiser le renforcement mémoriel par session, sans basculer dans des spirales d'échec qui démotivent et font perdre du temps.

Conseils pratiques pour optimiser votre répétition espacée

1. Révisez régulièrement

FSRS suppose que vous révisez les cartes à peu près au moment où elles arrivent à échéance. Sauter des jours fait chuter la récupérabilité bien en dessous de votre cible, ce qui signifie plus d'oublis et plus de réapprentissage. Des sessions quotidiennes courtes mais régulières maintiennent les prédictions du planificateur et stabilisent votre charge. Faire une semaine de retard d'un coup, c'est du bachotage, pas de la répétition espacée.4

2. Notez honnêtement

FSRS apprend de vos notes. Si vous appuyez sur « Bien » alors qu'en réalité vous avez deviné ou jeté un coup d'œil, l'algorithme surestime votre stabilité et allonge trop les intervalles. La carte reviendra trop tard et vous échouerez. Notez sur la base d'un vrai rappel : si vous avez eu besoin d'un indice ou longuement hésité, c'est « Difficile » ou « À revoir ». Des données honnêtes sont la ressource la plus précieuse que vous puissiez fournir à un algorithme SRS. Voir les erreurs courantes en répétition espacée pour approfondir ce point.

3. Ne surchargez pas les nouvelles cartes

Chaque nouvelle carte introduite aujourd'hui génère un flux de révisions futures. Ajouter 30 ou 50 cartes par jour semble productif sur le moment, mais en quelques semaines votre file explose. Fixez votre limite quotidienne de nouvelles cartes en fonction du nombre total de révisions (nouvelles + dues) que vous pouvez soutenir, pas du nombre de contenus frais que vous souhaitez voir. Lorsque votre retard grossit, suspendez les nouvelles cartes jusqu'à stabilisation.

4. Réoptimisez périodiquement

Relancez l'optimiseur FSRS tous les quelques mois ou après avoir accumulé un nombre significatif de nouvelles révisions. Vos caractéristiques mémorielles évoluent au fil de l'apprentissage et l'algorithme ne peut pas s'adapter s'il ne voit jamais de données à jour. Dans les applications compatibles FSRS, c'est généralement une opération en un clic dans les réglages du paquet.

5. Adaptez la rétention à vos objectifs

Tous les paquets n'ont pas besoin de la même rétention souhaitée. Le vocabulaire courant peut bien fonctionner à 0.88. La terminologie médicale pour un concours justifie plutôt 0.93. FSRS permet de définir une rétention par préréglage : vous pouvez ajuster le compromis pour chaque sujet au lieu de forcer un seul chiffre sur tout votre contenu.

Comment LinGoat utilise FSRS

LinGoat exploite FSRS pour planifier les révisions de vocabulaire et de grammaire au sein de son système de pratique par production écrite. Chaque mot et chaque point grammatique que vous pratiquez est suivi avec le modèle DSR complet : Difficulté, Stabilité et Récupérabilité. Lorsqu'un élément de vocabulaire est sur le point de passer sous votre seuil de rétention, LinGoat le réintroduit dans une nouvelle phrase, de sorte que vous pratiquez le rappel en contexte plutôt que de réviser des cartes isolées.

Parce que LinGoat repose sur la pratique par production (vous écrivez des phrases complètes, pas de QCM), le signal de rappel est propre : soit vous avez produit le mot correctement, soit non. Cela fournit à FSRS des données fiables, sans le bruit que les formats à reconnaissance seule introduisent. Le vocabulaire nouveau passe aussi par une phase d'acquisition structurée avant d'entrer dans le cycle SRS, évitant le goulot d'étranglement du premier tour qui corrompt les données de planification initiale.

Découvrez comment fonctionne LinGoat ou commencez à pratiquer pour expérimenter la révision de phrases pilotée par FSRS.

Références

  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