Das Paradoxon des Vergessens
Die Architektur des menschlichen Gedächtnisses ist faszinierend und frustrierend zugleich. Während wir komplexe Muster erkennen, unterliegt unser Faktenwissen einem rapiden, unaufhaltsamen Zerfall. Dieser Prozess, oft als "Vergessen" stigmatisiert, ist neurobiologisch ein notwendiger Filtermechanismus.
Bereits 1885 quantifizierte Hermann Ebbinghaus diesen Prozess. Seine Forschung zeigte, dass Gedächtnisinhalte einem exponentiellen Zerfall unterliegen. Ohne aktive Wiederholung ist das Wissen verloren.
Abb 1: Visualisierung des exponentiellen Zerfalls & des Wiederherstellungseffekts
Die Antwort der Informatik auf dieses biologische Problem sind Algorithmen. Zwei Giganten dominieren dieses Feld: der historische Standard SM-2 und der moderne Herausforderer FSRS.
Das deterministische Paradigma: SM-2
Entwickelt 1987 von Piotr WoźniakSM-2 markierte den Übergang von analogen Karteikästen zu Computeralgorithmen. Es ist ein heuristisches System, das auf festen Regeln basiert.
Das Wissen wird in "Items" zerlegt. Jedem Item wird ein individueller Easiness Factor (EF) zugewiesen, der bestimmt, wie schnell die Intervalle wachsen.
Der Algorithmus
I(2) = 6 Tage
I(n) = I(n-1) * EF
Startwert EF = 2.5. Das Intervall wächst also standardmäßig um 150% pro erfolgreicher Wiederholung.
Das Problem: "Ease Hell"
SM-2 leidet unter einer mathematischen Starrheit. Wenn ein Nutzer eine Karte oft als "Schwer" markiert, sinkt der EF auf den Minimalwert von 1.3. Die Karte bleibt dauerhaft in einem Zustand langsamen Wachstums gefangen, selbst wenn der Nutzer den Inhalt später beherrscht. Dies führt zu einer massiven Akkumulation unnötiger Wiederholungen.
Der Paradigmenwechsel: FSRS
Free Spaced Repetition Scheduler (v5/v6)FSRS ersetzt starre Regeln durch Wahrscheinlichkeitsrechnung und maschinelles Lernen. Es basiert auf dem DSR-Modell, welches das Gedächtnis dreidimensional betrachtet.
Wie schwer ist die Info? FSRS trennt Schwierigkeit von Stabilität. Ein Fakt kann schwer sein (D=9), aber stabil sitzen.
Die Zeitspanne in Tagen, bis die Erinnerungswahrscheinlichkeit auf 90% fällt.
Die Wahrscheinlichkeit, es jetzt zu wissen. FSRS nutzt hierfür eine Potenzfunktion ("Power Law") statt exponentiellem Zerfall.
Die Mathematik der "Desirable Difficulty"
Formel zur Berechnung der Retrievability.
FSRS belohnt dich mathematisch für das Eingehen von Risiken. Wenn du eine Karte wiederholst, kurz bevor du sie vergessen hättest (niedriges R), ist der Gewinn an Stabilität am größten. Das System optimiert deinen Lernplan für maximale Effizienz.
Head-to-Head Vergleich
| Merkmal | SM-2 | FSRS (v5) |
|---|---|---|
| Modellbasis | Deterministische Heuristik | Stochastisches DSR-Modell |
| Adaptivität | Gering (nur EF) | Hoch (19+ trainierbare Parameter) |
| Effizienz | Standard | -20% bis -30% Lernaufwand |
| Kaltstart | Sofort perfekt | Benötigt Daten (~1000 Reviews) |
Daten basierend auf Benchmark-Studien des FSRS-20k Datensatzes.
Fazit & Empfehlung
Für High-Performer
Wenn du täglich >300 Karten lernst, ist FSRS Pflicht. Die 30% Zeitersparnis summieren sich auf über 150 Stunden pro Jahr.
Für Gelegenheitslerner
Bei <50 Karten pro Tag fällt der Effizienzvorteil kaum ins Gewicht. SM-2 funktioniert "out of the box" solide und ohne komplexe Konfiguration.
"SM-2 war der Dieselmotor des Spaced Repetition: robust, laut, aber zuverlässig. FSRS ist der moderne Elektromotor: effizienter, leiser, adaptiver."