Calculadora SM-2: próxima revisión SRS🌎

El E-Factor (factor de facilidad) es un número entre 1.3 y 2.5 que representa qué tan fácil es recordar una tarjeta. Empieza en 2.5 para todas las tarjetas nuevas en Anki y baja cada vez que la respondés mal o con dificultad. El mínimo es 1.3: aunque falles muchas veces, el algoritmo no permite que baje más para evitar intervalos de 0 días.

Para la 3ra repetición en adelante: Próximo intervalo = round(Intervalo actual × E-Factor). Las primeras dos repeticiones son fijas: 1 día (1ra) y 6 días (2da). El E-Factor se actualiza tras cada respuesta según tu calificación (0–5): Nuevo EF = EF + (0.1 − (5 − q) × (0.08 + (5 − q) × 0.02)). El EF nunca puede bajar de 1.3.

Si calificás con 'Again' (calidad < 3), el intervalo vuelve a 1 día y el EF se reduce. Con calidad 0, el EF baja aproximadamente 0.34 puntos. Una tarjeta con EF=2.5 fallada tres veces consecutivas quedaría cerca de EF=1.7 y aparecería con mucha mayor frecuencia.

Anki históricamente usó una variante modificada del SM-2, pero desde 2023 incorporó el algoritmo FSRS (Free Spaced Repetition Scheduler), que usa machine learning para predecir el olvido de forma más precisa. Esta calculadora implementa el SM-2 clásico, que sigue siendo el estándar de referencia para entender cómo funciona cualquier sistema SRS.

La recomendación general de la comunidad Anki es entre 10 y 20 tarjetas nuevas por día. Con 20 tarjetas nuevas y EF promedio de 2.1, en 3 meses podés acumular una cola de 100–150 repasos diarios. Para idiomas, aprender las 2.000 palabras más frecuentes de un idioma cubre el 80% del vocabulario cotidiano.

La escala SM-2: 0–1 = fallo total, 2 = fallo con pista, 3 = correcto con mucho esfuerzo, 4 = correcto con pequeña duda, 5 = perfecto e instantáneo. Para mantener el EF estable en el rango óptimo (2.1–2.3), necesitás calificar la mayoría de tus respuestas con 4. Calificar siempre con 5 infla los intervalos y aumenta el olvido.

SM-2 usa una multiplicación fija (intervalo × EF). FSRS, introducido en Anki 23.10, usa un modelo de machine learning entrenado con datos reales de revisión para predecir la fecha óptima de repaso, considerando estabilidad de memoria y recuperabilidad estimada. FSRS generalmente supera a SM-2 en eficiencia de retención, pero SM-2 es más simple de entender e implementar manualmente.

Totalmente. El algoritmo SM-2 es universal: se usa para medicina (fármacos, síntomas), derecho (artículos del código), historia, geografía y cualquier disciplina que requiera retención de datos. La única condición es que la unidad de conocimiento sea discreta y verificable (saber o no saber), que es exactamente lo que modelan las flashcards.

En SM-2 el intervalo mínimo es 1 día: el próximo repaso es al día siguiente como mínimo. El intervalo 0 no existe en el modelo clásico. Si una tarjeta se falla repetidamente en la misma sesión, se repite dentro de esa sesión (intervalo intra-sesión), pero para el cálculo del próximo día siempre se usa mínimo 1.