Esta página es una traducción automática y puede contener imprecisiones. La versión en inglés es la de referencia. Ver la versión en inglés

¿Qué es la repetición espaciada?

La repetición espaciada (práctica distribuida) consiste en volver al mismo material varias veces dejando intervalos entre medias, en lugar de estudiarlo todo de una vez, para retenerlo durante más tiempo.

En qué consiste el método

En lugar de leer algo diez veces seguidas, vuelves a ello el día uno, el día tres, una semana después, un mes después. El intervalo en sí es el mecanismo: cambia cuánto sobrevive.

Después de un intervalo has olvidado a medias el material, y esa dificultad para recuperarlo es lo que fortalece el recuerdo. El atracón se ve mejor en un examen inmediato y peor en uno hecho semanas después; el espaciado dibuja la curva contraria.

En la práctica esto necesita un programador que decida cuándo vuelve cada tarjeta. El SM-2 de Anki y el más reciente FSRS son los más conocidos.


Qué muestra la investigación

Aquí solo se cita trabajo con revisión por pares.

El olvido sigue una curva a lo largo del tiempo (1885)

Ebbinghaus memorizó sílabas sin sentido usándose a sí mismo como único sujeto y midió cuánto retenía con el paso del tiempo. Esa es la curva del olvido, y ahí es donde empieza la idea.

También es un autoexperimento con un solo participante sobre sílabas sin sentido. Nada garantiza que esos números se trasladen al aprendizaje de vocabulario real.

El efecto de espaciamiento se sostiene a gran escala (2006)

Cepeda et al. (2006) sintetizaron la literatura sobre práctica distribuida en tareas de recuerdo verbal y reportan que el estudio espaciado supera al estudio masivo en retención. Al ser una revisión y una síntesis cuantitativa, y no un único experimento, es evidencia más fuerte que cualquier estudio aislado.

El mejor intervalo depende de cuándo te van a evaluar (2008)

Cepeda et al. (2008) mostraron que el intervalo óptimo no es una constante: escala con lo lejos que esté la evaluación. Cuanto más tiempo necesites recordar algo, más largos deberían ser los intervalos.

🔴 Este es el importante en la práctica. No existe un único intervalo correcto, y por eso existe un programador.

Aprender los intervalos a partir de los datos (2016)

Settles y Meeder (2016) entrenaron un modelo de retención (HLR) con los registros de repaso a gran escala de Duolingo, tratando la elección del intervalo como un problema de aprendizaje automático. Es uno de los puntos de referencia del trabajo posterior sobre programadores.


Lo que no está establecido

Afirmaciones hechas en nombre de la repetición espaciada que la evidencia no respalda.

Un calendario fijo como «día 1, día 3, día 7» no es óptimo por defecto

Lo que mostraron Cepeda et al. (2008) es que el intervalo óptimo depende del periodo de retención que te importa. Una tabla que encontraste en algún sitio no tiene ninguna razón particular para encajar con tu objetivo.

Las cifras concretas de la curva del olvido no se trasladan

Ebbinghaus trabajó con un solo sujeto y sílabas sin sentido. Llevar «olvidas el 42% en 20 minutos» directamente al vocabulario de una lengua extranjera es un salto.

La repetición espaciada no es una forma de aprender más rápido

Lo que está establecido es la retención a largo plazo. No es un hallazgo de que el tiempo total de estudio baje. Para un examen la semana que viene, el atracón puede ganar de verdad.

La precisión de un programador y los resultados de quien aprende son mediciones distintas

«El momento de repaso predicho fue correcto» y «esta persona aprendió más» no son la misma magnitud. Lo que nosotros publicamos es lo primero.


Cómo lo implementa mibuki

LangDict usa repetición espaciada, y comprobamos esa decisión midiendo la precisión de predicción.

Si el intervalo óptimo depende de la situación, una tabla fija no puede ser la respuesta: tiene que decidirlo un modelo. En LangDict, nuestro propio modelo Lexa fija la fecha del siguiente repaso.

Lexa lee no solo la tarjeta que se predice, sino el historial de repasos de las otras tarjetas de esa misma persona como contexto, lo que permite que un único modelo compartido personalice sin una fase de ajuste por usuario.

Publicamos la comparación frente a los ajustes por defecto de FSRS-7 en tres benchmarks públicos (Anki / Duolingo / maimemo), junto con la métrica, la partición y las puntuaciones. Lo que se compara es la precisión de predicción de la retención, no los resultados de aprendizaje.

Ver LangDict →The Lexa research report →

Last updated: July 2026