Esta página é uma tradução automática e pode conter imprecisões. A versão em inglês é a de referência. Ver a versão em inglês
Repetição espaçada (prática distribuída) significa voltar ao mesmo material várias vezes, com intervalos entre elas, em vez de estudar tudo de uma vez, para retê-lo por mais tempo.
Em vez de ler uma coisa dez vezes seguidas, você volta a ela no dia 1, no dia 3, uma semana depois, um mês depois. O intervalo em si é o mecanismo — é ele que muda quanto sobrevive.
Depois de um intervalo, você já esqueceu metade do item, e é essa dificuldade em recuperá-lo que fortalece a memória. A maratona de véspera parece melhor numa prova feita logo em seguida e pior numa prova feita semanas depois; o espaçamento desenha a curva oposta.
Na prática, isso exige um agendador que decida quando cada cartão volta. O SM-2 do Anki e o mais recente FSRS são os mais conhecidos.
Só trabalhos revisados por pares são citados aqui.
Ebbinghaus memorizou sílabas sem sentido usando a si mesmo como único participante e mediu quanto retinha ao longo do tempo. Essa é a curva do esquecimento, e é onde a ideia começa.
É também um autoexperimento com um único participante e com sílabas sem sentido. Nada garante que esses números se transfiram para o aprendizado de vocabulário real.
Cepeda et al. (2006) sintetizaram a literatura sobre prática distribuída em tarefas de evocação verbal e relatam que o estudo espaçado supera o estudo concentrado em retenção. Por ser uma revisão com síntese quantitativa, e não um único experimento, é evidência mais forte do que qualquer estudo isolado.
Cepeda et al. (2008) mostraram que o intervalo ideal não é uma constante: ele varia conforme a distância até o teste. Quanto mais tempo você precisa lembrar de algo, mais longos devem ser os intervalos.
🔴 Este é o ponto mais importante na prática. Não existe um único intervalo correto — que é exatamente por isso que um agendador existe.
Settles e Meeder (2016) treinaram um modelo de retenção (HLR) com os registros de revisão em larga escala do Duolingo, tratando a escolha do intervalo como um problema de aprendizado de máquina. É um dos pontos de referência do trabalho sobre agendadores desde então.
Afirmações feitas em nome da repetição espaçada que a evidência não sustenta.
O que Cepeda et al. (2008) mostraram é que o intervalo ideal depende do prazo de retenção com que você se importa. Uma tabela que você achou em algum lugar não tem motivo nenhum para coincidir com o seu objetivo.
Ebbinghaus trabalhou com um único participante e sílabas sem sentido. Levar “você esquece 42% em 20 minutos” direto para o vocabulário de língua estrangeira é um salto.
O que está estabelecido é a retenção de longo prazo. Não é um achado de que o tempo total de estudo diminui. Para uma prova na semana que vem, a maratona de véspera pode genuinamente vencer.
“O momento de revisão previsto estava certo” e “esta pessoa aprendeu mais” não são a mesma grandeza. O que publicamos é a primeira.
O LangDict usa repetição espaçada, e verificamos essa decisão medindo a precisão da previsão.
Se o intervalo ideal depende da situação, uma tabela fixa não pode ser a resposta — um modelo precisa decidir. No LangDict, o nosso próprio modelo Lexa define a próxima data de revisão.
O Lexa lê não apenas o cartão que está sendo previsto, mas o histórico de revisão dos outros cartões daquele usuário como contexto, o que permite que um único modelo compartilhado personalize sem uma fase de ajuste por usuário.
Publicamos a comparação com as configurações padrão do FSRS-7 em três benchmarks públicos (Anki / Duolingo / maimemo), junto com a métrica, a divisão dos dados e as pontuações. O que está sendo comparado é a precisão da previsão de retenção, não resultados de aprendizado.
Ver o LangDict →The Lexa research report →Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Leipzig: Duncker & Humblot.
Listamos apenas obras cujo autor, ano e veículo conferimos contra o original. No caso de artigos de periódicos, volume, número e páginas também foram conferidos no Crossref.
Last updated: July 2026