FSRS-5 vs SM-2: aralıklı tekrar algoritmalarının teknik karşılaştırması
SM-2 mi FSRS-5 mi? Tam teknik karşılaştırma: hafıza modeli, ease hell, kişiselleştirme, Expertium 700M tekrar benchmark'ı. FSRS-5 tekrarları %25 azaltıyor.
1. SM-2 vs FSRS-5: 30 saniyede karar
SM-2 (Wozniak, 1987) 35 yıl boyunca aralıklı tekrara egemen oldu. FSRS-5 (Anderson & Ye, 2022-2024) onu neredeyse tüm ölçülebilir kriterlerde geçersiz kıldı.
SM-2 (SuperMemo, 1987)
Statik kurallara dayalı algoritma, global parametreler, sabit kolaylık faktörü.
- Global e-factor (kart başına dinamik model yok)
- Sabit kurallarla hesaplanan aralıklar
- Ease hell: geri dönüşü olmayan 1.3 e-factor tabanı
- Otomatik kişiselleştirme yok
- Benchmark'larda ±%15 hatırlama hassasiyeti
FSRS-5 (2022-2024)
Türevlenebilir sinir modeli, kart başına 3 parametre, geçmiş öğrenimi.
- Kart başına Stabilite + Zorluk + Geri Alınabilirlik
- Gerçek geçmişin üzerinde minimize edilmiş kayıp fonksiyonu
- Sıfır ease hell: stabilite dinamik olarak yeniden hesaplanıyor
- 1000+ tekrarda kişiselleştirilmiş optimizasyon
- Benchmark'larda ±%5.3 hatırlama hassasiyeti
Karar: FSRS-5, günlük tekrar sayısını aynı %90 hatırlama oranı için ~%25 azaltıyor. Hâlâ SM-2 kullanıyorsan, gereğinden fazla tekrar yapıyorsun.
2. SM-2 nasıl çalışır (ve neden tıkıyor)
Piotr Wozniak, SM-2'yi 1987'de kişisel bilgisayarların 640 KB RAM'e sahip olduğu bir bağlamda yayımladı. Algoritmanın hafif olması, elle hesaplanabilir olması ve ayrıntılı geçmiş olmadan çalışması gerekiyordu.
İlke basit: her kartın, 2.5'te başlayan bir e-factor (kolaylık faktörü) var. Her tekrarda yanıtını 0-5 arasında puanlıyorsun. Sonraki aralık şöyle hesaplanıyor:
-
- tekrar → 1 gün
-
- tekrar → 6 gün
- n. tekrar →
aralık(n-1) × e-factor
E-factor, notuna göre güncelleniyor: "zor" basarsan (not < 3) e-factor düşüyor. 1.3 tabanına ulaşırsa, kart ne kadar doğru tekrar edersen et sonsuza kadar birkaç günde bir geri dönüyor.
İşte ease hell bu. Anki topluluğunun, "zor" bir destenin e-factor 1.3'te takılı yüzlerce kartı biriktirdiği ve hiçbir zaman uzun aralıklara ilerlemeden tekrar oturumlarını dolduran bir olguyu tanımlamak için icat ettiği terim.
SM-2'nin başka bir yapısal kusuru daha var: parametreleri global. Algoritma, kişisel hafıza profilinden bağımsız olarak tüm kartlara aynı kuralları uyguluyor. Günde 500 kart tekrar eden bir tıp öğrencisi ve günde 20 kart tekrar eden bir lise öğrencisi, 1987'de Wozniak'ın aynı formüllerle hesapladığı aralıkları alıyor.
Hafızanın 3 temel değişkeni (DSR modeli)
FSRS, Averell & Heathcote (2011) tarafından formüle edilen ve Jarrett Ye (2022) tarafından uygulanan DSR modeline (Zorluk-Stabilite-Geri Alınabilirlik) dayanıyor:
- Stabilite (S): hafızanın kurtarma eşiğinin üzerinde kaldığı süre. Kararlı kart = uzun aralıklar mümkün.
- Zorluk (D): tekrar anından bağımsız, kartın içsel özelliği. Zamanla yavaşça değişir.
- Geri Alınabilirlik (R): son tekrardan bu yana geçen süre ve S'ye bağlı olarak şu anda kartı hatırlama olasılığı.
SM-2 bu üç kavramı açıkça uygulamıyor. E-factor, D'nin kaba bir yaklaşımı; aralıklar, S'nin bir yaklaşımı. R SM-2'de hiç yok.
3. FSRS-5 SM-2'yi neden geride bırakıyor: 4 teknik neden
1. Bilime dayalı hafıza modeli
FSRS-5, DSR modeline dayalı hafıza bozulma denklemlerini uyguluyor. Her kartın kendine özgü Stabilitesi, Zorluğu ve hassas biçimde hesaplanmış Geri Alınabilirliği var. SM-2, katı teorik temellerden yoksun kart başına tek e-factor kullanıyor.
2. Kişisel geçmişe göre kişiselleştirme
FSRS-5, 17 iç parametresini gradyan inişiyle kişisel geçmişinde optimize ediyor. Algoritma adeta hafızanın nasıl çalıştığını öğreniyor. SM-2 herkes için aynı sabitleri kullanıyor — 1987'de Wozniak tarafından tanımlandı.
3. Sıfır ease hell
FSRS-5'te Stabilite, gerçek sonucuna göre her tekrarda yeniden hesaplanıyor. Zor bir kart sonsuza kadar takılı kalmıyor: doğru öğrenirsen Stabilitesi artıyor ve aralığı uzuyor. SM-2'deki e-factor tabanı yok.
4. Kayıp fonksiyonuyla optimizasyon
FSRS-5, tahmin edilen geri alınabilirlik ile gözlemlenen sonuç (hatırlama/unutma) arasındaki farkı ölçen bir kayıp fonksiyonu minimize ediyor. Klasik makine öğrenimi yaklaşımı. SM-2, 37 yıl önce elle tanımlanmış if/then kurallarıyla parametrelerini düzeltiyor.
- nokta açıklamayı hak ediyor. SM-2 temelde kural tabanlı bir uzman sistem: not ≥ 4 ise e-factor'ü 0.1 artır. Not < 3 ise e-factor'ü (0.8 - 0.28 × q + 0.02 × q²) kadar azalt. Bu kurallar Wozniak tarafından kendi kişisel verileri üzerinde kalibre edildi.
FSRS-5 sorunu farklı ele alıyor: türevlenebilir bir ağ mimarisi tanımlıyor, milyonlarca anonim tekrar üzerinde eğitilmiş varsayılan parametrelerle başlıyor, sonra bunları kişisel verilerinde ince ayar yapıyor. FSRS'in zaman içinde iyileşirken SM-2'nin sabit kalmasının nedeni bu.
4. Expertium benchmark: 700 milyon tekrar
Expertium, 2023-2024'te 700 milyon anonimleştirilmiş Anki tekrarından oluşan veri seti üzerinde aralıklı tekrar algoritmalarının karşılaştırmalı analizini yayımladı. Şimdiye kadarki en güçlü kamuya açık benchmark bu.
Kullanılan metrikler:
- Log-loss: algoritma kartı hatırlayıp hatırlamayacağını ne kadar doğru tahmin ediyor
- RMSE (Kök Ortalama Kare Hata) tahmin edilen vs gözlemlenen hatırlama üzerinde
Benchmark'ın temel sonuçları:
| Algoritma | Log-loss | Hatırlama RMSE | |---|---|---| | SM-2 | 0.354 | %16.2 | | FSRS-4.5 | 0.298 | %6.1 | | FSRS-5 | 0.291 | %5.3 |
Bu pratikçe ne anlama geliyor: %90 hedef hatırlama oranını korumak için FSRS-5, doğru tekrarları doğru zamanda ±%5.3 hassasiyetle programlıyor. SM-2 ±%16.2 sapıyor. Bu hata, kolay kartlarda fazla sık tekrar (zaman kaybı) ve aralığı küçümsenmiş kartlarda unutma anlamına geliyor.
Expertium yazarı tekrar hacmine etkisini de hesapladı: optimize edilmiş FSRS-5 ile aynı %90 hatırlama oranı için günde ortalama ~%25 daha az tekrar gözlemleniyor. SM-2 altında günde 100 tekrar yapılan 2000 kartlık bir destede bu, her gün ~25 tekrar tasarrufu — yaklaşık 15 dakika.
Anki resmi olarak ne söylüyor
23.10 sürümünden itibaren Anki, FSRS'i varsayılan algoritma olarak öneriyor ve resmi belgelerinde şunu belirtiyor: "FSRS can improve memory efficiency, allowing you to remember more with fewer reviews." Yeni profillerde geçiş otomatik.
“Bu uygulama tekrarlarımda bana çok zaman kazandırıyor ve özellikle onları somut ve aktif hale getiriyor! Oluşturduğu kartlar özlü ama hiçbir şeyi atlamıyor, flashcard'lar yerinde.”
tinitoumasun, App Store FR · 5★ · Ocak 2026 (çevrildi)
5. Durumuna göre hangi algoritmayı seçmelisin?
Yanıt neredeyse her zaman FSRS-5. İşte gerçek istisnalar:
SM-2'yi tutuyorsun eğer:
- FSRS'i desteklemeyen eski yazılım kullanıyorsan (SuperMemo < v16 veya çok eski Anki eklentileri)
- Kesinlikle bozmak istemediğin yıllarca süren SM-2 tekrar geçmişine sahipsen — bu durumda kademeli geçiş yap
FSRS-5'e geçiyorsun eğer:
- Yeni deste oluşturuyorsan (2026'da SM-2 ile başlamanın hiçbir nedeni yok)
- Ease hell yaşıyorsan (e-factor 1.3'te takılı ilerlenemeyen kartlar)
- Tekrar oturumların beklenden uzun sürüyor ama belirgin ilerleme yok
- Kişisel hafıza profiline uyarlanmış aralıklar istiyorsan
Diane AI seçimi sana bırakmıyor: FSRS-5 yapılandırma gerektirmeden varsayılan olarak aktif. Parametre optimizasyonu tekrarlarına göre arka planda otomatik başlıyor. Uygulama kullanımı ile algoritma arasında seçim yapmak zorunda değilsin — her şey yönetiliyor.
Teorik temeller hakkında daha fazla bilgi için aralıklı tekrar kılavuzumuza, FSRS yöntemine ayrılmış sayfamıza veya hâlâ araçlar arasında kararsızsan Anki alternatiflerinin karşılaştırmasına göz at.
FSRS'in yanı sıra aktif geri çağırmanın neden gerçek farkı yarattığını anlamak için aktif geri çağırma kılavuzumuzu da oku.
6. Sıkça sorulan sorular
FSRS-5 ile daha akıllı tekrar yap
Diane AI varsayılan olarak FSRS-5 kullanıyor. Flashcard'larını saniyeler içinde oluştur ve algoritmanın tekrarlarını otomatik optimize etmesine izin ver.
Diane AI'yı ücretsiz dene