間隔反復を最適化する方法（FSRS 定着率ガイド）

結論から

FSRSの目標定着率（desired retention）は0.85〜0.95の間に設定するのが最適です。多くの学習者にとって0.90（90%）がちょうどいい出発点で、1日の復習量を無理なく抑えつつ、学んだ内容をしっかり定着させられます。0.95まで上げると、わずかな記憶改善のために復習回数が大幅に膨らみます。0.80以下に下げると、ラプス（復習失敗）が頻発し、再学習コストで結局トータル負荷が増えてしまうこともあります。¹

数値を決めるだけでなく、間隔反復を最適化するとは、FSRSのパラメータ自動調整を活かすこと、正直に評価すること、新規カード量を持続可能に保つこと、毎日コンスタントに復習することを意味します。この記事では、目標定着率が何をコントロールしているか、自分に合った値の選び方、そしてFSRSが最大限力を発揮するための習慣づくりを解説します。

---

FSRSにおける「目標定着率」とは

FSRSでは、目標定着率（desired retention, DR）はカードが復習キューに現れた瞬間に思い出せる確率を指します。DRを0.90に設定すると、FSRSは各カードを「キューに現れた時点で約90%の確率で想起できる」タイミングで出題するようスケジュールします。DRが高いほど間隔は短く（復習頻度が増える）、低いほど間隔は長く（復習回数が減り、忘却が増える）なります。

内部的には、FSRSはDSRモデル（Difficulty, Stability, Retrievability）で各カードの記憶状態を追跡しています。² Retrievability（R、想起率）は現時点で思い出せる確率で、エビングハウスが発見し現代研究でも再現されている忘却曲線に沿って指数関数的に低下します。³ Stability（S、安定性）はRが100%から90%に下がるまでの日数です。Difficulty（D、難易度）は教材の本質的な難しさを表します。Rが目標定着率まで低下したタイミングで、FSRSが復習をスケジュールします。DSRモデルの詳細は間隔反復の仕組みを参照してください。

目標定着率の選び方

0.85〜0.95のスイートスポット

FSRSでは0.70〜0.99の範囲で設定できますが、実用的な幅はもっと狭いです。0.85を下回ると、ラプスの再学習コストが短い間隔のメリットを上回ります。0.95を超えると、間隔が急激に縮まり、わずか数ポイントの定着率向上のために1日の復習量が2倍にも3倍にもなりかねません。負荷カーブはU字型で、最小点は学習者ごとに異なります。¹

• 0.90（デフォルト）： 推奨される出発点。負荷と記憶のバランスが良い。まずはここから始めましょう。
• 0.85〜0.89： デッキが大きい場合や時間に制約がある学習者向け。ラプスが少し増える代わりに、1日の復習回数を抑えられます。
• 0.91〜0.95： 高リスクな教材（医師国家試験、資格試験など）向け。忘却のコストが高い場面に適しています。復習量は目に見えて増えます。

「最小推奨定着率の計算」機能を使う

FSRSには、あなたの復習履歴を分析し、知識獲得に対する負荷を最小化する定着率を算出するオプティマイザが搭載されています。Anki 24.04以降では、パラメータ最適化後に「Compute minimum recommended retention」をクリックできます。推測ではなく、あなたの記憶特性に基づいたデータ駆動の出発点が得られます。

FSRSのパラメータ自動チューニング

SM-2のような旧アルゴリズムと異なり、FSRSは固定の乗数に頼りません。最尤推定（Maximum Likelihood Estimation）を用いて、あなたの実際の復習履歴に19個の内部パラメータ（FSRS v5時点）をフィットさせます。² オプティマイザは予測した想起確率と実際の結果を比較します。90%思い出せると予測したバッチを実際には95%思い出せていたなら、次回の予測がより正確になるよう重みを調整します。

この自己補正が、FSRSをヒューリスティック型スケジューラと根本的に分ける点です。SM-2は時間とともにドリフトする静的なease factorを使い、「Ease Hell」と呼ばれる問題を引き起こします。FSRSはデータから再学習するため、最適化サイクルを重ねるたびに記憶モデルが改善されます。数か月ごと、または数千件の新しい復習が蓄積したタイミングで再最適化すると、モデルを最新の状態に保てます。

目標定着率が実際に影響すること

復習負荷 vs. 忘却

目標定着率と1日の復習量の関係は線形ではありません。DRを0.85から0.90に上げると、復習数はそこそこ増えます。しかし0.90から0.95に上げると、完全な定着に近づくにつれ間隔が指数関数的に縮むため、復習量がほぼ倍増することがあります。一方で、0.90と0.95の知識量の差は絶対値としては小さいです。¹

逆に、DRを0.80以下に下げると裏目に出ます。ラプスが頻発し、アルゴリズムがカードを短い間隔にリセットするため、節約したはずの時間を再学習コストが帳消しにします。間隔に関する研究でも、与えられた保持期間には最適なギャップが存在し、短すぎても長すぎても効率が落ちることが確認されています。⁴⁵

長期記憶の形成

想起率が低い（忘れかけの）状態で正しく思い出せると、高い想起率で楽に思い出すよりもStability（安定性）が大きく伸びます。² これは「望ましい困難（desirable difficulty）」の原理そのものです。適切な定着率を設定すれば、各セッションで記憶強化を最大化しつつ、失敗が続いてモチベーションと時間を消耗するラインには踏み込まずに済みます。

間隔反復を最適化する5つのコツ

1. 毎日コンスタントに復習する

FSRSは、カードが期日付近で復習されることを前提に動きます。何日もサボると想起率が目標値を大きく下回り、ラプスと再学習が増えます。短くても毎日のセッションを続ければ、スケジューラの予測精度が保たれ、負荷も安定します。1週間分をまとめて片付けるのは集中学習（massed practice）であり、間隔反復ではありません。⁴

2. 正直に評価する

FSRSはあなたの評価から学習します。当て勘やチラ見で「Good」を押すと、アルゴリズムはStabilityを過大評価し間隔を伸ばしすぎます。後で失敗して「なぜ機能しないのか」と疑問に思うことになります。本当に思い出せたかどうかで評価しましょう。ヒントが必要だったり大きく迷ったりしたなら「Hard」か「Again」です。正直なデータこそ、あらゆるSRSアルゴリズムに与えられる最も重要な入力です。詳しくは間隔反復でよくある失敗を参照してください。

3. 新規カードを詰め込みすぎない

今日追加した新規カードはすべて、将来の復習ストリームになります。1日30枚、50枚と追加するとその瞬間は進んだ気がしますが、数週間後にdueキューが爆発します。新規カードの上限は、1日に処理できる合計復習数（新規＋due）から逆算して決めましょう。backlogが膨らんだら、dueが安定するまで新規追加を止めるのが鉄則です。

4. 定期的にパラメータを最適化する

数か月ごと、または相当数の新しい復習が蓄積したタイミングでFSRSオプティマイザを再実行しましょう。学習が進むにつれ記憶特性は変化しますが、更新データを与えないとアルゴリズムは適応できません。FSRSをサポートするアプリでは、通常デッキやスケジュール設定からワンクリックで実行可能です。

5. 目標に応じて定着率を使い分ける

すべてのデッキに同じ定着率が必要とは限りません。日常会話の語彙なら0.88で十分かもしれませんし、医師国家試験の用語なら0.93が妥当でしょう。FSRSはプリセットごとに定着率を設定できるため、科目ごとにトレードオフを調整できます。一律の数値をすべてに強いる必要はありません。

LinGoatはFSRSをどう活用しているか

LinGoat は、文章ベースの練習システムの中でFSRSを使い、語彙と文法の復習をスケジュールしています。練習する各単語・文法ポイントは完全なDSRモデル（Difficulty, Stability, Retrievability）で追跡されます。ある語彙が定着率の閾値を下回りそうになると、LinGoatはその語を新しい文の中で再登場させ、孤立したフラッシュカードではなく文脈の中で想起を練習できるようにします。

LinGoatはプロダクション（生成）ベースの練習を採用しています。四択ではなく全文を書いて答えるため、想起シグナルがクリーンで、認識だけの形式が混入させるノイズなしにFSRSへ正直なデータを渡せます。さらに新語はSRSサイクルに入る前に構造化された獲得フェーズを通るため、初期スケジューリングデータを汚染するFirst-Turn Bottleneckを回避できます。定着率のスケジューリング、正直な評価の確保、カード管理: これらの最適化をLinGoatが自動で処理するので、あなたは言語学習そのものに集中できます。

LinGoat の仕組みをご覧いただくか、アプリを開いてFSRS搭載の文章復習を体験してみてください。

参考文献

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