Risposta rapida: Per 30 anni, SM-2 è stato il gold standard della ripetizione spaziata. Poi è arrivato FSRS e ha cambiato tutto. Ecco cosa significa davvero questa differenza per le tue sessioni di studio quotidiane. Questa guida ti offre il contesto pratico, i pro e i contro e i prossimi passi per decidere come applicarlo nel tuo sistema di studio.
Punti chiave:
- Come funziona SM-2
- In cosa FSRS si differenzia
- I numeri: quanto è migliore FSRS?
FSRS vs SM-2: Perché l'algoritmo dietro la tua app di flashcard conta più di quanto pensi
Quando valuti una flashcard, in background succede qualcosa a cui la maggior parte delle persone non pensa mai: un algoritmo decide quando rivedrai quella carta. Potrebbe essere domani. Potrebbe essere tra 47 giorni. Se azzecchi il tempismo, ricorderai le informazioni con il minimo sforzo. Se lo sbagli, sprecherai tempo a ripassare carte che conosci già, oppure dimenticherai quelle di cui avevi più bisogno.
Per la maggior parte della storia moderna della ripetizione spaziata, quell'algoritmo è stato SM-2. Creato da Piotr Wozniak nel 1987 per SuperMemo, SM-2 è diventato lo scheduler predefinito in Anki e in molte altre app di flashcard. Anki ha aggiunto FSRS nativo nel 2023, anche se molte collezioni utilizzano ancora SM-2 finché non si attiva FSRS nelle opzioni del mazzo. È stata una vera e propria svolta.
Poi, nel 2022, un ricercatore di nome Jarrett Ye ha pubblicato FSRS — il Free Spaced Repetition Scheduler — e il settore non è più stato lo stesso.
Come funziona SM-2
La logica di base di SM-2 è elegante nella sua semplicità. Dopo che hai ripassato una carta e valutato il tuo ricordo, l'algoritmo regola due valori:
- Ease Factor — un moltiplicatore per carta che determina con quanta aggressività cresce l'intervallo
- Interval — il numero di giorni prima del ripasso successivo
L'ease factor predefinito parte da 2.5. Se valuti costantemente una carta come "Buono", l'intervallo cresce in modo esponenziale: 1 giorno → 6 giorni → 15 giorni → 37 giorni → 93 giorni, e così via. Se la valuti come "Difficile" più volte, l'ease factor diminuisce — il cosiddetto "ease hell" (inferno della facilità), nel gergo della community di Anki — e gli intervalli non crescono mai, intrappolandoti in un ciclo infinito in cui ripassi la stessa carta ogni pochi giorni.
Questa rigidità è il limite fondamentale di SM-2. Gli intervalli vengono calcolati, non previsti. L'algoritmo non ha un modello di come decade effettivamente la memoria umana. Non sa quando stai per dimenticare qualcosa: applica semplicemente una formula e spera nel meglio.
In cosa FSRS si differenzia
FSRS affronta la ripetizione spaziata come un problema di previsione.
Invece di chiedersi "Quale dovrebbe essere il prossimo intervallo?", FSRS si chiede: "Quando la probabilità di ricordare correttamente questa carta scenderà al mio tasso di ritenzione target (ad es. il 90%)?". Quello è il momento ideale per programmare il ripasso successivo — non prima (sforzo sprecato), né dopo (informazione dimenticata).
Per formulare questa previsione, FSRS modella tre variabili per ogni carta:
1. Difficoltà (D)
Un punteggio da 1 a 10 che rappresenta quanto sia intrinsecamente difficile questa informazione per te. Una carta su un concetto di cui avevi già delle conoscenze pregresse potrebbe avere una difficoltà pari a 2. Un vocabolo in una lingua straniera con un alfabeto sconosciuto potrebbe essere valutato 8.5.
2. Stabilità (S)
Misurata in giorni, la stabilità rappresenta quanto tempo una carta può essere lasciata da parte prima che il ricordo scenda dal 100% al 90%. Una carta appena imparata potrebbe avere una stabilità di 1-2 giorni. Una carta ben ripassata potrebbe avere una stabilità di oltre 300 giorni, il che significa che ti basteranno ripassi annuali per mantenere il 90% di ritenzione.
3. Recuperabilità (R)
La probabilità corrente — proprio ora, in questo esatto momento — di riuscire a ricordare correttamente questa carta. Se R = 0.9, hai il 90% di probabilità di rispondere correttamente. Se R = 0.3, è probabile che tu l'abbia già dimenticata.
Quando valuti una carta, FSRS utilizza queste tre variabili più un set di pesi addestrabili (17-21 a seconda della versione di FSRS inclusa nella tua app) per calcolare un nuovo intervallo. Questi parametri non sono arbitrari: sono stati adattati a decine di migliaia di registri di ripasso reali di studenti in carne e ossa, per poi essere perfezionati tramite tecniche come la stima della massima verosimiglianza e la discesa stocastica del gradiente.
I numeri: quanto è migliore FSRS?
Le prove sono schiaccianti:
Il 20-30% di ripassi in meno a parità di ritenzione. Benchmark indipendenti che confrontano FSRS con SM-2 su mazzi di carte identici mostrano costantemente che gli utenti di FSRS ottengono la stessa ritenzione delle conoscenze con circa un quarto in meno di sessioni di ripasso. Per uno studente serio che fa 200 ripassi al giorno, significa risparmiare 50 ripassi — ogni singolo giorno.
Parametri personalizzati. FSRS include un ottimizzatore che analizza la tua cronologia di ripasso e regola i suoi 21 parametri per adattarsi alle tue curve di memoria personali. I parametri predefiniti sono già eccellenti (derivati da milioni di ripassi), mas un ottimizzatore personalizzato — disponibile dopo circa 1.000 ripassi — rende l'algoritmo ancora più accurato per i tuoi specifici schemi di apprendimento.
Niente "ease hell". Poiché FSRS non utilizza un ease factor fisso, non esiste una spirale discendente in cui le carte difficili rimangono intrappolate per sempre in intervalli brevi. La difficoltà viene ricalcolata continuamente in base alle tue effettive prestazioni di ricordo.
Target di ottimizzazione trasparente. Puoi impostare il tasso di ritenzione desiderato (predefinito: 90%) e FSRS ti indicherà il carico di lavoro giornaliero previsto per qualsiasi impostazione di ritenzione. Alcuni studenti scoprono che scendere dal 90% al 75-80% di ritenzione riduce drasticamente il carico di ripasso, pur garantendo un'eccellente memorizzazione a lungo termine del materiale più importante.
Impatto nel mondo reale: una giornata tipo
Immagina di studiare per un esame di certificazione professionale tra sei mesi, con un mazzo di 800 carte.
Con SM-2: Il numero dei tuoi ripassi giornalieri oscilla in modo imprevedibile. Alcuni giorni ripassi 50 carte, altri 200. Le carte che trovavi facili all'inizio continuano a presentarsi con la stessa frequenza di quelle difficili. Le carte con cui hai avuto difficoltà rimangono intrappolate in intervalli brevi. Entro il terzo mese, avrai trascorso una media di 90 minuti al giorno a ripassare — gran parte dei quali superflui.
Con FSRS: La tua coda giornaliera è più fluida e prevedibile. Le carte che hai padroneggiato si spostano verso intervalli mensili o annuali, liberando completamente la tua coda giornaliera. Le carte difficili ricevono ripassi più frequenti e con un tempismo preciso. Il tuo tempo di ripasso giornaliero si stabilizza intorno ai 45 minuti — a parità di ritenzione.
La differenza non sta solo nel tempo risparmiato, ma nella sostenibilità. Gli studenti che soffrono di "affaticamento da ripasso" con SM-2 spesso finiscono per abbandonare i propri mazzi. I programmi di ripasso basati su FSRS sono calibrati per rimanere entro la capacità quotidiana della tua memoria di lavoro.
Quando FSRS conta di più
Non tutti gli studenti hanno bisogno di ossessionarsi con la programmazione. Ma l'algoritmo conta moltissimo quando:
- il tuo mazzo durerà mesi o anni, non giorni
- stai studiando per medicina, lingue, l'esame di abilitazione forense o certificazioni
- il tuo problema più grande non è la motivazione, ma il sovraccarico di ripassi giornalieri
- vuoi generare rapidamente nuove carte senza creare una coda impossibile da gestire
Ecco perché la scelta dell'algoritmo diventa spesso una scelta di prodotto. Se vuoi confrontare le varie app disponibili, dai un'occhiata a le migliori app di flashcard nel 2026. Se stai decidendo nello specifico se abbandonare Anki, vedi la pagina di Neurako sull'alternativa ad Anki.
FSRS nella ricerca accademica
FSRS ha attirato una seria attenzione accademica. Lo sviluppatore dell'algoritmo, Jarrett Ye, ha pubblicato un articolo alla 28ª edizione della ACM SIGKDD Conference on Knowledge Discovery and Data Mining — una delle conferenze più competitive nella ricerca sul machine learning — quando era ancora uno studente universitario.
Un articolo di ricerca del 2025 (LECTOR) ha confrontato in modo indipendente FSRS con altri sei algoritmi di programmazione concorrenti su 100 studenti simulati nell'arco di 100 giorni. FSRS ha ottenuto un tasso di successo dell'apprendimento dell'89,6% — il secondo più alto tra tutti gli algoritmi testati, dietro solo a LECTOR (che richiede l'inferenza di un LLM per ogni ripasso, risultando molto più esoso in termini di risorse computazionali). Come algoritmo pratico ed eseguibile in locale, FSRS non ha rivali.
FSRS è stato implementato in Python, Go, Rust, TypeScript, Swift, Dart e una dozzina di altri linguaggi di programmazione, ed è ora utilizzato in Anki (nativo dalla versione 23.10 del 2023), RemNote e in un elenco crescente di applicazioni educative — inclusa Neurako.
Ad agosto 2026, la vera differenza non è più "questa app ha FSRS?", bensì se FSRS sia attivo per impostazione predefinita. Anki richiede ancora di attivare un'opzione nelle impostazioni del mazzo; molte collezioni di vecchia data utilizzano ancora SM-2. Neurako utilizza ts-fsrs come unico scheduler, quindi non c'è alcun passaggio di attivazione né alcuna modalità legacy da gestire.
Perché Neurako usa FSRS
Quando abbiamo creato il motore di ripetizione spaziata di Neurako, ci siamo posti una domanda: cosa offre agli studenti il miglior ritorno sul tempo investito?
La risposta è stata inequivocabile. La combinazione di solide basi nelle scienze cognitive, personalizzazione tramite machine learning e dati reali sulle prestazioni ha reso FSRS l'unica scelta logica.
Ogni ripasso che completi su Neurako alimenta il modello di memoria di FSRS. Ogni valutazione che dai — "Ripeti", "Difficile", "Buono" o "Facile" — non serve solo a programmare il ripasso successivo. Sta addestrando un modello personale di come il tuo cervello conserva le informazioni. Con il tempo, man mano che la tua cronologia di ripasso cresce, l'algoritmo diventa sempre più preciso per te in particolare.
Inoltre, mostriamo direttamente le tue analisi di ritenzione: puoi vedere il tuo tasso di ritenzione attuale, le carte totali memorizzate e le tendenze di ripasso giornaliere nella tua dashboard di Neurako. L'obiettivo non è farti studiare di più — è aiutarti a studiare di meno, ricordando di più.
Il risvolto pratico
FSRS vs. SM-2 non è solo un dibattito tecnico per i thread di Reddit. Determina se il tuo sistema di studio sembrerà più leggero o più pesante man mano che il tuo mazzo cresce.
Se crei le carte manualmente, una programmazione migliore è comunque importante. Se usi un generatore di flashcard AI per creare nuove carte da foto, testo e audio, conta ancora di più. Una generazione rapida è utile solo se il sistema di ripasso rimane sostenibile.
Dovrebbe importarti dell'algoritmo?
Per un uso occasionale delle flashcard — come imparare qualche decina di parole prima di un viaggio — l'algoritmo conta poco o nulla. Ma per progetti di apprendimento seri e a lungo termine — medicina, studio delle lingue, certificazioni professionali, preparazione ad esami di abilitazione — l'algoritmo è tutto.
La differenza tra SM-2 e FSRS, estrapolata su un anno di studio quotidiano, equivale potenzialmente a centinaia di ore. Ore che potresti dedicare a una comprensione più profonda, a esercizi pratici, al sonno o alla vita in generale.
L'algoritmo è invisibile quando funziona bene. Ti ritroverai semplicemente a ricordare cose che pensavi di aver dimenticato, con meno sforzo del previsto.
Questo è il funzionamento di FSRS. Ed è per questo che è il motore nel cuore di Neurako.
Riferimenti
- 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.