En bref : Pendant 30 ans, SM-2 a été la référence absolue de la répétition espacée. Puis FSRS est arrivé et a tout changé. Voici ce que cette différence signifie concrètement pour tes sessions d'étude quotidiennes. Ce guide t'apporte le contexte pratique, les compromis et les prochaines étapes pour que tu puisses décider comment l'appliquer dans ton propre système d'apprentissage.
Ce qu'il faut retenir :
- Comment fonctionne SM-2
- En quoi FSRS fonctionne différemment
- Les chiffres : À quel point FSRS est-il meilleur ?
FSRS vs SM-2 : Pourquoi l'algorithme derrière ton appli de flashcards compte plus que tu ne le penses
Quand tu évalues une flashcard, il se passe quelque chose en arrière-plan auquel la plupart des gens ne pensent jamais : un algorithme décide du moment où tu reverras cette carte. Ce sera peut-être demain. Peut-être dans 47 jours. Si ce timing est bon, tu retiendras l'information avec un minimum d'effort. S'il est mauvais, soit tu perdras ton temps à réviser des cartes que tu connais déjà, soit tu oublieras celles dont tu avais le plus besoin.
Pendant la majeure partie de l'histoire moderne de la répétition espacée, cet algorithme était SM-2. Créé par Piotr Wozniak en 1987 pour SuperMemo, SM-2 est devenu le planificateur par défaut dans Anki et beaucoup d'autres applications de flashcards. Anki a intégré FSRS de manière native en 2023, même si de nombreuses collections utilisent toujours SM-2 tant que tu n'as pas activé FSRS dans les options de ton paquet. C'était une véritable révolution.
Puis, en 2022, un chercheur nommé Jarrett Ye a publié FSRS — le Free Spaced Repetition Scheduler — et le domaine n'a plus jamais été tout à fait le même.
Comment fonctionne SM-2
La logique de base de SM-2 est d'une simplicité élégante. Après avoir révisé une carte et évalué ta mémorisation, l'algorithme ajuste deux valeurs :
- Facteur de facilité (Ease Factor) — un multiplicateur propre à chaque carte qui détermine la vitesse à laquelle l'intervalle grandit
- Intervalle — le nombre de jours avant la prochaine révision
Le facteur de facilité par défaut commence à 2,5. Si tu évalues régulièrement une carte comme « Correct » (Good), l'intervalle grandit de manière exponentielle : 1 jour → 6 jours → 15 jours → 37 jours → 93 jours, et ainsi de suite. Si tu l'évalues comme « Difficile » (Hard) plusieurs fois, le facteur de facilité diminue — l'« enfer de la facilité » (ease hell), dans le jargon de la communauté Anki — et les intervalles ne grandissent plus jamais, t'enfermant dans un cycle sans fin où tu révises la même carte tous les deux ou trois jours.
Cette rigidité est la limite fondamentale de SM-2. Les intervalles sont calculés, pas prédits. L'algorithme n'a aucun modèle de la façon dont la mémoire humaine décline réellement. Il ne sait pas quand tu es sur le point d'oublier quelque chose — il applique simplement une formule en espérant que tout se passe bien.
En quoi FSRS fonctionne différemment
FSRS aborde la répétition espacée comme un problème de prédiction.
Plutôt que de se demander « Quel devrait être le prochain intervalle ? », FSRS se demande : « Quand la probabilité de se souvenir correctement de cette carte va-t-elle descendre sous mon taux de rétention cible (par exemple, 90 %) ? » C'est à ce moment précis qu'il faut planifier la prochaine révision — ni trop tôt (effort inutile), ni trop tard (oubli).
Pour faire cette prédiction, FSRS modélise trois variables pour chaque carte :
1. La difficulté (D)
Un score de 1 à 10 représentant la difficulté intrinsèque de cette information pour toi. Une carte sur un concept pour lequel tu as déjà des bases pourrait avoir une difficulté de 2. Un mot de vocabulaire étranger dans un alphabet inconnu pourrait être à 8,5.
2. La stabilité (S)
Mesurée en jours, la stabilité représente le temps pendant lequel on peut laisser une carte de côté avant que la probabilité de s'en souvenir ne passe de 100 % à 90 %. Une carte fraîchement apprise peut avoir une stabilité de 1 à 2 jours. Une carte bien révisée peut avoir une stabilité de plus de 300 jours, ce qui signifie que tu n'as besoin que d'une révision annuelle pour maintenir une rétention de 90 %.
3. La récupérabilité (R)
La probabilité actuelle — à cet instant précis — que tu te souviennes correctement de cette carte. Si R = 0,9, tu as 90 % de chances de bien y répondre. Si R = 0,3, tu l'as probablement déjà oubliée.
Lorsque tu évalues une carte, FSRS utilise ces trois variables ainsi qu'un ensemble de poids ajustables (entre 17 et 21 selon la version de FSRS intégrée à ton appli) pour calculer un nouvel intervalle. Ces paramètres ne sont pas arbitraires : ils ont été ajustés à partir de dizaines de milliers de historiques de révision réels d'apprenants, puis affinés à l'aide de techniques comme l'estimation du maximum de vraisemblance et la descente de gradient stochastique.
Les chiffres : À quel point FSRS est-il meilleur ?
Les preuves sont flagrantes :
20 à 30 % de révisions en moins pour la même rétention. Des benchmarks indépendants comparant FSRS à SM-2 sur des paquets de cartes identiques montrent systématiquement que les utilisateurs de FSRS obtiennent le même taux de rétention des connaissances avec environ un quart de sessions de révision en moins. Pour un étudiant sérieux qui fait 200 révisions par jour, cela représente 50 révisions économisées — chaque jour.
Des paramètres personnalisés. FSRS intègre un optimiseur qui analyse ton propre historique de révisions et ajuste ses 21 paramètres pour s'adapter à tes courbes de mémoire personnelles. Les paramètres par défaut sont déjà excellents (issus de millions de révisions), mais un optimiseur personnalisé — disponible après environ 1 000 révisions — rend l'algorithme encore plus précis pour tes habitudes d'apprentissage spécifiques.
Pas d'« enfer de la facilité ». Comme FSRS n'utilise pas de facteur de facilité fixe, il n'y a pas de spirale infernale où les cartes difficiles se retrouvent coincées indéfiniment dans des intervalles courts. La difficulté est recalculée en continu en fonction de tes performances réelles de mémorisation.
Un objectif d'optimisation transparent. Tu peux définir ton taux de rétention souhaité (par défaut : 90 %) et FSRS t'indiquera ta charge de travail quotidienne prévue pour n'importe quel niveau de rétention. Certains apprenants trouvent que passer de 90 % à 75-80 % de rétention réduit considérablement leur charge de révision tout en garantissant une excellente mémorisation à long terme des éléments les plus importants.
Impact concret : Une journée type
Imagine que tu prépares un examen de certification professionnelle dans six mois, avec un paquet de 800 cartes.
Avec SM-2 : Ton nombre de révisions quotidiennes fluctue de manière imprévisible. Certains jours, tu révises 50 cartes, d'autres jours 200. Des cartes que tu as trouvées faciles au début reviennent à la même fréquence que les cartes difficiles. Les cartes sur lesquelles tu as buté restent bloquées dans des intervalles courts. Au bout du troisième mois, tu passes en moyenne 90 minutes par jour à réviser — et une grande partie de ce temps est redondante.
Avec FSRS : Ta file d'attente quotidienne est plus fluide et prévisible. Les cartes que tu maîtrises s'éloignent vers des intervalles mensuels ou annuels, libérant complètement ta file d'attente quotidienne. Les cartes difficiles bénéficient de révisions plus fréquentes et planifiées au moment idéal. Ton temps de révision quotidien se stabilise autour de 45 minutes — pour le même résultat en matière de rétention.
La différence ne se limite pas au temps gagné. C'est une question de durabilité. Les étudiants qui souffrent de la « fatigue des révisions » avec SM-2 abandonnent souvent leurs paquets. Les plannings de révision basés sur FSRS sont calibrés pour rester dans les limites de la capacité quotidienne de ta mémoire de travail.
Quand FSRS est-il le plus important ?
Tous les apprenants n'ont pas besoin d'être obsédés par la planification. Mais l'algorithme devient crucial lorsque :
- ton paquet de cartes est destiné à durer des mois ou des années, pas seulement quelques jours
- tu étudies la médecine, les langues, le concours du barreau ou des certifications
- ton plus gros problème n'est pas la motivation, mais la surcharge de révisions quotidiennes
- tu veux générer de nouvelles cartes rapidement sans créer une file d'attente impossible à gérer
C'est pourquoi le choix de l'algorithme devient souvent un choix d'application. Si tu veux comparer différentes applis, va voir les meilleures applications de flashcards en 2026. Si tu te demandes spécifiquement si tu devrais quitter Anki, consulte la page de Neurako sur l'alternative à Anki.
FSRS dans la recherche académique
FSRS a suscité un vif intérêt dans le monde académique. Le développeur de l'algorithme, Jarrett Ye, a publié un article lors de la 28e conférence de l'ACM SIGKDD sur la découverte de connaissances et le forage de données (Knowledge Discovery and Data Mining) — l'un des rendez-vous les plus sélectifs de la recherche en apprentissage automatique — alors qu'il n'était encore qu'étudiant de premier cycle universitaire.
Une étude de recherche de 2025 (LECTOR) a comparé de manière indépendante FSRS à six algorithmes de planification concurrents auprès de 100 apprenants simulés sur une période de 100 jours. FSRS a obtenu un taux de réussite d'apprentissage de 89,6 % — le deuxième score le plus élevé parmi tous les algorithmes testés, juste derrière LECTOR (qui nécessite une inférence de grand modèle de langage pour chaque révision, ce qui le rend beaucoup plus coûteux en ressources informatiques). Pour un algorithme pratique utilisable en local, FSRS n'avait aucun équivalent.
FSRS a été implémenté en Python, Go, Rust, TypeScript, Swift, Dart et une douzaine d'autres langages de programmation. Il est aujourd'hui utilisé dans Anki (nativement depuis la version 23.10 en 2023), RemNote et une liste croissante d'applications éducatives — y compris Neurako.
En août 2026, la vraie distinction ne consiste plus à se demander « est-ce que cette appli intègre FSRS ? », mais plutôt si FSRS est activé par défaut. Anki nécessite toujours d'activer l'option dans les paramètres du paquet ; de nombreuses collections anciennes utilisent encore SM-2. Neurako utilise ts-fsrs comme unique planificateur, il n'y a donc aucune étape d'activation ni aucun mode hérité à gérer.
Pourquoi Neurako utilise FSRS
Quand nous avons conçu le moteur de répétition espacée de Neurako, nous nous sommes posé une seule question : qu'est-ce qui offre aux apprenants le meilleur retour sur le temps investi ?
La réponse était sans appel. L'association de FSRS entre bases scientifiques cognitives, personnalisation par apprentissage automatique et données de performance en situation réelle en faisait le seul choix logique.
Chaque révision que tu effectues dans Neurako alimente le modèle FSRS de ta mémoire. Chaque évaluation que tu donnes — « À revoir » (Again), « Difficile » (Hard), « Correct » (Good) ou « Facile » (Easy) — ne sert pas seulement à planifier la prochaine révision. Elle entraîne un modèle personnalisé de la façon dont ton cerveau retient l'information. Avec le temps, à mesure que ton historique de révisions s'enrichit, l'algorithme devient de plus en plus précis pour ton cas particulier.
Nous affichons également tes analyses de rétention directement : tu peux consulter ton taux de rétention actuel, le nombre total de cartes maîtrisées et tes tendances de révision quotidiennes sur ton tableau de bord Neurako. Le but n'est pas de te faire étudier plus — c'est de t'aider à étudier moins tout en retenant davantage.
Ce qu'il faut en retenir en pratique
FSRS vs SM-2 n'est pas seulement un débat technique pour les forums Reddit. Cet affrontement détermine si ton système d'étude va te sembler plus léger ou plus lourd à mesure que ton paquet de cartes s'agrandit.
Si tu crées tes cartes manuellement, une meilleure planification reste importante. Si tu utilises un générateur de flashcards IA pour créer de nouvelles cartes à partir de photos, de texte et d'audio, c'est encore plus crucial. Une génération rapide n'a d'intérêt que si le système de révision reste gérable sur la durée.
Devrais-tu te soucier de l'algorithme ?
Pour une utilisation occasionnelle des flashcards — comme apprendre quelques dizaines de mots avant un voyage —, l'algorithme n'a presque pas d'importance. Mais pour des projets d'apprentissage sérieux et à long terme — études de médecine, apprentissage d'une langue, certifications professionnelles, préparation au barreau —, l'algorithme est absolument capital.
La différence entre SM-2 and FSRS, extrapolée sur une année d'étude quotidienne, se compte potentiellement en centaines d'heures. Des heures que tu pourrais consacrer à une compréhension plus approfondie, à des exercices pratiques, au sommeil ou tout simplement à ta vie.
L'algorithme est invisible quand il fonctionne bien. Tu te surprends simplement à te souvenir de choses que tu pensais avoir oubliées, avec moins d'efforts que prévu.
C'est l'effet FSRS. Et c'est pour cela que c'est le moteur au cœur de Neurako.
Références
- Ye, J. et al. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
- Wozniak, P. (1990). Optimization of learning. SuperMemo World.
- IntelliKernelAI. (2025). LECTOR: LLM-Enhanced Concept-based Test-Oriented Repetition for Adaptive Spaced Learning. arXiv:2508.03275.
- Open Spaced Repetition community. (2023). ABC of FSRS. GitHub Wiki: open-spaced-repetition/fsrs4anki.
- Denicola, D. (2025, May). Spaced Repetition Systems Have Gotten Way Better. domenic.me.
- RemNote Help Center. (2024). The FSRS Spaced Repetition Algorithm.
- PyPI. (2026). fsrs package — py-fsrs v6.3.1.