Tuo figlio studia bene un argomento di storia il martedì sera. Il giovedì pomeriggio, due giorni dopo, ne ricorda forse il sessanta per cento. La domenica, il quaranta. Una settimana dopo, se non lo riprende, è sotto il trenta. È la curva dell'oblio: una delle scoperte più documentate della psicologia cognitiva, descritta per la prima volta dal tedesco Hermann Ebbinghaus nel 1885 e confermata da quasi un secolo e mezzo di ricerca successiva.
La buona notizia è che esiste un modo per battere questa curva senza studiare di più: studiare al momento giusto. Lo si chiama ripasso distanziato — spaced repetition — e dagli anni Sessanta è una delle tecniche di studio più validate scientificamente. La cattiva notizia è che farlo bene a mano è quasi impossibile: serve un algoritmo che, per ogni concetto, calcoli l'esatto momento prima che lo studente lo dimentichi, e proponga il ripasso poco prima di quella soglia.
L'algoritmo più avanzato oggi disponibile per fare esattamente questo si chiama FSRS-4.5 — Free Spaced Repetition Scheduler, versione 4.5. È open source, ha alle spalle anni di ricerca su milioni di sessioni reali, ed è il motore di scheduling che usiamo nel Supervisore AI di Metod·IA. In questo articolo ti raccontiamo come funziona e perché abbiamo scelto proprio lui.
La curva dell'oblio: il problema da risolvere
Ebbinghaus, alla fine dell'Ottocento, fece su sé stesso uno dei primi esperimenti sistematici di memoria: imparò liste di sillabe senza senso, le ripassò a intervalli diversi, misurò quanto ricordava nel tempo. Il risultato è la celebre curva esponenziale di decadimento della memoria: dopo poche ore si è dimenticata già metà dell'informazione, dopo qualche giorno la maggior parte è persa, e ciò che resta dipende moltissimo da quante volte si è rivisto il materiale e da quando.
Negli anni successivi la ricerca ha confermato e raffinato il modello. Il principio del distanziamento è oggi noto come spacing effect: distribuire lo studio su più sessioni intervallate produce ritenzione molto più alta dello studio massivo concentrato — anche a parità di tempo totale investito. Lo studio classico di Cepeda, Pashler e colleghi pubblicato nel 2008 su PNAS ha mostrato che esiste un intervallo "ottimale" tra ripassi, che dipende dalla distanza dell'esame finale: più lontano è il test, più lunghi devono essere gli intervalli.
Il problema pratico è che questo intervallo ottimale cambia per ogni concetto e per ogni studente. Una formula di matematica che tuo figlio padroneggia bene può essere ripassata anche fra venti giorni. Una regola di grammatica latina che fatica può essere già scivolata via dopo tre. Decidere a mano è impossibile su scala. Da qui la nascita degli algoritmi di scheduling.
Da SM-2 a FSRS-4.5: l'evoluzione degli algoritmi
Il primo algoritmo davvero efficace è stato SM-2, sviluppato da Piotr Wozniak nel 1987 per il software SuperMemo. La logica è semplice: a ogni ripasso, lo studente valuta quanto ha ricordato (da "non ricordo nulla" a "ricordo perfettamente"), e l'algoritmo allunga o accorcia l'intervallo prima del prossimo ripasso. SM-2 è stato per trentacinque anni il motore di SuperMemo, di Anki e della maggior parte delle app di flashcard.
Il limite di SM-2 è la sua ingenuità statistica: usa una formula fissa per calcolare quando "rivedere", senza imparare davvero dalla performance reale dello studente. Tendeva ad allungare troppo gli intervalli (provocando dimenticanze) o a tenerli troppo corti (sprecando tempo di studio). Negli anni Duemiladieci, una nuova generazione di ricercatori ha cominciato a usare il machine learning su grandi dataset di review — milioni di interazioni reali su Anki — per costruire algoritmi più accurati.
FSRS è il risultato di questo lavoro. È stato sviluppato da Jarrett Ye come progetto open source, ha attraversato diverse iterazioni (FSRS-4, FSRS-4.5, fino alle versioni più recenti FSRS-5 e FSRS-6), ed è oggi un'opzione integrata nativamente in Anki dal 2024. Diverse misurazioni indipendenti mostrano che FSRS predice la ritenzione futura con un errore significativamente più basso di SM-2: lo studente vede meno carte "facili" superflue e arriva a un livello di padronanza più alto a parità di minuti studiati.
Come funziona FSRS-4.5: il modello DSR
FSRS-4.5 si basa su un modello a tre variabili — il modello DSR — che descrive lo stato di memoria di ogni concetto:
- D — Difficulty (difficoltà). Quanto è intrinsecamente difficile per lo studente quel concetto. Va da 1 (facilissimo) a 10 (molto difficile). Si stabilizza dopo poche review.
- S — Stability (stabilità). Quanto a lungo lo studente riesce a tenere in memoria quel concetto senza ripassarlo. Se la stability è di 30 giorni, in 30 giorni la probabilità di ricordare scende a un valore-target (in genere il 90 per cento).
- R — Retrievability (ricuperabilità). La probabilità in tempo reale che, in questo istante, lo studente sappia rievocare il concetto. Decresce nel tempo secondo una curva esponenziale parametrica.
Su questo modello, FSRS-4.5 calibra diciannove parametri ottimizzati su grandi dataset di sessioni reali. Quando lo studente riprende un concetto e lo valuta come Again, Hard, Good o Easy, l'algoritmo aggiorna le tre variabili e calcola la nuova data ottimale di ripasso: il momento in cui la Retrievability scenderà esattamente al valore-target. Né prima — sarebbe ripasso superfluo — né dopo, dove il concetto rischia di essere dimenticato.
L'innovazione rispetto a SM-2 è che FSRS è un modello probabilistico calibrato, non una formula fissa. Sa stimare l'incertezza, sa quando ha bisogno di più dati per essere accurato, può essere ricalibrato su dati personali del singolo studente per migliorare ulteriormente. È la differenza tra un orologio meccanico e un GPS.
Applicazioni pratiche: dove si usa già
L'uso più diffuso di FSRS oggi è dentro Anki, la piattaforma di flashcard più usata al mondo dagli studenti universitari di medicina, lingue e materie ad alto carico mnemonico. Da quando Anki ha integrato FSRS come opzione, molti utenti hanno riportato riduzioni significative del numero di review giornaliere a parità di ritenzione, oppure ritenzione più alta a parità di review.
Altri sistemi che hanno integrato FSRS o algoritmi derivati includono RemNote, Mochi e diverse implementazioni custom in piattaforme di e-learning aziendale. Nel mondo dello spaced repetition serio, FSRS è oggi lo stato dell'arte open source, e il fatto che sia distribuito sotto licenza permissiva (MIT) significa che chiunque può integrarlo senza vincoli commerciali.
I casi d'uso pratici più forti restano quelli ad alta densità mnemonica: vocaboli di una lingua straniera, formule matematiche e fisiche, definizioni di termini tecnici, anatomia, date storiche. Ma l'algoritmo funziona in qualsiasi contesto in cui ci sia da consolidare informazione discreta nel tempo — e questo include gran parte del programma scolastico italiano.
Come Metod·IA integra FSRS-4.5
Nel backend di Metod·IA, FSRS-4.5 è il motore di scheduling unificato per tutti i materiali di ripasso che il sistema genera: flashcard, schede di poetica, formule, definizioni. Usiamo l'implementazione di riferimento py-fsrs, mantenuta dallo stesso progetto Open Spaced Repetition, con i diciannove parametri calibrati di default. Lo stato di ogni carta — difficoltà, stabilità, prossima data di ripasso — è memorizzato in modo persistente per ogni studente.
Tre cose concrete che vale la pena spiegare sui nostri criteri di integrazione.
Il Supervisore AI orchestra il piano notturno. Ogni notte il sistema ricalcola, per ogni studente, l'elenco delle carte "in scadenza" — quelle la cui Retrievability sta scendendo sotto la soglia target — e le inserisce nel piano del giorno dopo, prima dei nuovi argomenti. Significa che tuo figlio, ogni volta che apre l'app, trova prima i ripassi nel momento giusto, e poi i contenuti nuovi.
I tutor disciplinari generano le carte automaticamente. Quando uno studente conclude una sessione con un tutor di matematica, italiano o storia, il sistema estrae automaticamente i concetti-chiave trattati e crea le carte di ripasso. Non è quindi tuo figlio a doversi costruire le flashcard a mano: lo fa il tutor mentre studia, e FSRS-4.5 le inserisce nel calendario.
Il rating non è un voto. Quando lo studente rivede una carta, valuta se la ricordava bene, con difficoltà, o se l'ha "persa". Quel rating non viene mai mostrato al genitore come voto. È un dato tecnico per l'algoritmo, non un giudizio sulla preparazione. È coerente con la nostra impostazione zero-PII e con la separazione tra metriche di processo (impegno, costanza, ripassi completati) e metriche di risultato (i voti, che restano della scuola).
Cosa significa per il tuo studente
In termini pratici, l'integrazione di FSRS-4.5 produce tre effetti misurabili.
Il primo è meno tempo sprecato sui concetti già padroneggiati. Se tuo figlio sa bene la regola del passé composé, non gli viene riproposta ogni due giorni. Se invece fatica con la regola dei verbi pronominali, la rivede più spesso. È una distribuzione automatica delle priorità che a mano non è realistica.
Il secondo è ritenzione più alta a parità di sforzo. Diversi studi sul testing effect di Roediger e Karpicke (2006) hanno documentato che il recupero distanziato produce ricordo a lungo termine significativamente migliore della rilettura passiva. Per uno studente delle superiori che deve arrivare alla maturità con un programma cumulativo di tre o quattro anni, è la differenza tra "ho ripassato tutto la settimana prima" e "ce l'ho dentro davvero".
Il terzo è coerenza con la curva dell'oblio individuale. Ogni studente dimentica con curve leggermente diverse — per età, per materia, per livello di interesse. FSRS-4.5 si adatta a queste differenze nel tempo, e il piano di ripasso che ne risulta è personalizzato sulla testa specifica di tuo figlio, non su un modello medio.
In sintesi
Il ripasso distanziato è una delle tecniche di studio più solide della psicologia cognitiva: ha cento quarant'anni di letteratura alle spalle, è confermato da centinaia di studi indipendenti, ed è il modo più efficiente conosciuto per battere la curva dell'oblio. FSRS-4.5 è oggi l'algoritmo open source più avanzato per metterlo in pratica, e Metod·IA lo integra come motore di scheduling per tutti i materiali di ripasso che il sistema genera.
Per tuo figlio, in pratica, significa che il sistema sa quando proporre il ripasso giusto, su quale concetto, prima che la memoria scivoli via. Non è magia: è un secolo e mezzo di ricerca sulla memoria, distillato in diciannove parametri calibrati e applicato silenziosamente, ogni notte, al suo piano di studio.
Scopri come funziona il Supervisore AI di Metod·IA — o leggi la nostra pagina dedicata ai genitori per capire come il ripasso distanziato si integra nel piano di studio di tuo figlio.
Fonti: Open Spaced Repetition — repository ufficiale di FSRS, mantenuto da Jarrett Ye; Cepeda, N. J., et al. (2008), "Spacing effects in learning", Psychological Science; Roediger, H. L., & Karpicke, J. D. (2006), "The power of testing memory", Perspectives on Psychological Science; Brown, P. C., Roediger, H. L., & McDaniel, M. A. (2014), Make It Stick: The Science of Successful Learning, Harvard University Press; documentazione Anki Manual; Ebbinghaus, H. (1885), Über das Gedächtnis.