Questa pagina è una traduzione automatica e può contenere imprecisioni. Fa fede la versione inglese. Vedi la versione inglese
La ripetizione dilazionata (pratica distribuita) consiste nel tornare più volte sullo stesso materiale con degli intervalli in mezzo, invece di studiarlo tutto in una volta, per trattenerlo più a lungo.
Invece di leggere qualcosa dieci volte di fila, ci torni il primo giorno, il terzo giorno, una settimana dopo, un mese dopo. L'intervallo è di per sé il meccanismo — cambia quanto sopravvive.
Dopo un intervallo hai mezzo dimenticato l'elemento, e proprio quella fatica nel recuperarlo è ciò che rafforza il ricordo. Studiare tutto d'un fiato rende meglio a un test fatto subito e peggio a uno fatto settimane dopo; la dilazione disegna la curva opposta.
In pratica serve uno scheduler che decida quando ogni carta ritorna. SM-2 di Anki e il più recente FSRS sono i più noti.
Qui citiamo solo lavori sottoposti a revisione paritaria.
Ebbinghaus memorizzò sillabe senza senso usando se stesso come unico soggetto e misurò quanto ne tratteneva nel tempo. Questa è la curva dell'oblio, ed è da qui che parte l'idea.
È anche un auto-esperimento con un solo partecipante su sillabe senza senso. Nulla garantisce che quei numeri si trasferiscano allo studio di vocaboli reali.
Cepeda et al. (2006) hanno sintetizzato la letteratura sulla pratica distribuita per il richiamo verbale e riportano che lo studio dilazionato batte quello massivo sulla ritenzione. Trattandosi di una revisione e sintesi quantitativa e non di un singolo esperimento, è una prova più forte di qualunque studio isolato.
Cepeda et al. (2008) hanno mostrato che l'intervallo ottimale non è una costante: cresce con la distanza del test. Più a lungo hai bisogno di ricordare qualcosa, più lunghi devono essere gli intervalli.
🔴 Questo è il punto praticamente importante. Non esiste un unico intervallo corretto — ed è esattamente per questo che esiste uno scheduler.
Settles e Meeder (2016) hanno addestrato un modello di ritenzione (HLR) sui log di ripasso su larga scala di Duolingo, trattando la scelta dell'intervallo come un problema di machine learning. Da allora è uno dei punti di riferimento per il lavoro sugli scheduler.
Affermazioni fatte in nome della ripetizione dilazionata che le prove non sostengono.
Quello che Cepeda et al. (2008) hanno mostrato è che l'intervallo ottimale dipende dall'intervallo di ritenzione che ti interessa. Una tabella trovata da qualche parte non ha alcun motivo particolare per corrispondere al tuo obiettivo.
Ebbinghaus lavorò su un solo soggetto con sillabe senza senso. Portare «dimentichi il 42% in 20 minuti» pari pari sul lessico di una lingua straniera è un salto.
Ciò che è accertato è la ritenzione a lungo termine. Non è un risultato che dica che il tempo totale di studio diminuisce. Per un esame la settimana prossima, studiare tutto d'un fiato può davvero vincere.
«Il momento di ripasso previsto era giusto» e «questa persona ha imparato di più» non sono la stessa grandezza. Quello che pubblichiamo è il primo.
LangDict usa la ripetizione dilazionata, e verifichiamo quella decisione misurando l'accuratezza di previsione.
Se l'intervallo ottimale dipende dalla situazione, una tabella fissa non può essere la risposta — deve deciderlo un modello. In LangDict è il nostro modello Lexa a fissare la data del prossimo ripasso.
Lexa legge non solo la carta di cui sta facendo la previsione, ma anche lo storico dei ripassi delle altre carte di quell'utente come contesto: questo permette a un unico modello condiviso di personalizzare senza una fase di fitting per singolo utente.
Pubblichiamo il confronto con le impostazioni predefinite di FSRS-7 su tre benchmark pubblici (Anki / Duolingo / maimemo), insieme alla metrica, alla suddivisione dei dati e ai punteggi. Ciò che viene confrontato è l'accuratezza nella previsione della ritenzione, non i risultati di apprendimento.
Vedi LangDict →The Lexa research report →Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Leipzig: Duncker & Humblot.
Elenchiamo solo le opere di cui abbiamo verificato autore, anno e sede di pubblicazione sull'originale. Per gli articoli su rivista abbiamo controllato su Crossref anche volume, numero e pagine.
Last updated: July 2026