Den här sidan är maskinöversatt och kan innehålla felaktigheter. Den engelska versionen gäller. Visa den engelska versionen
Spaced repetition (distribuerad inlärning) innebär att du återvänder till samma material flera gånger med mellanrum, i stället för att plugga in allt på en gång, för att behålla det längre.
I stället för att läsa något tio gånger i rad återvänder du till det dag ett, dag tre, en vecka senare, en månad senare. Mellanrummet är i sig mekanismen — det förändrar hur mycket som blir kvar.
Efter ett mellanrum har du halvt om halvt glömt bort det, och just svårigheten att plocka fram det är det som stärker minnet. Intensivplugg ser bättre ut på ett prov direkt efteråt och sämre på ett prov flera veckor senare; spridd repetition ritar den motsatta kurvan.
I praktiken kräver det här en schemaläggare som bestämmer när varje kort kommer tillbaka. Ankis SM-2 och nyare FSRS är de mest kända.
Här citeras endast forskning som genomgått peer review.
Ebbinghaus memorerade nonsensstavelser med sig själv som enda försöksperson och mätte hur mycket han behöll över tid. Det är glömskekurvan, och det är där idén börjar.
Det är samtidigt ett självexperiment med en enda deltagare och nonsensstavelser. Ingenting garanterar att siffrorna går att överföra till inlärning av verkliga ord.
Cepeda et al. (2006) sammanställde litteraturen om distribuerad inlärning för verbal återgivning och rapporterar att spridd inlärning slår samlad inlärning när det gäller behållning. Eftersom det är en översikt och kvantitativ syntes snarare än ett enskilt experiment är det starkare evidens än någon enskild studie.
Cepeda et al. (2008) visade att det optimala intervallet inte är en konstant: det skalar med hur långt bort provet ligger. Ju längre du behöver minnas något, desto längre bör intervallen vara.
🔴 Det här är den praktiskt viktigaste punkten. Det finns inget enda korrekt intervall — och det är precis därför en schemaläggare finns.
Settles och Meeder (2016) tränade en modell för minnesbehållning (HLR) på Duolingos storskaliga repetitionsloggar och behandlade valet av intervall som ett maskininlärningsproblem. Den är en av referenspunkterna för schemaläggarforskningen sedan dess.
Påståenden som görs i spaced repetitions namn men som evidensen inte stöder.
Det Cepeda et al. (2008) visade är att det optimala intervallet beror på hur länge du bryr dig om att minnas. En tabell du hittat någonstans har inget särskilt skäl att passa ditt mål.
Ebbinghaus körde på en enda försöksperson med nonsensstavelser. Att flytta ”du glömmer 42 % på 20 minuter” rakt över till ordinlärning i främmande språk är ett språng.
Det som är fastställt är långtidsbehållning. Det är inget resultat som säger att den totala studietiden minskar. Inför ett prov nästa vecka kan intensivplugg faktiskt vinna.
”Den predikterade repetitionstidpunkten stämde” och ”den här personen lärde sig mer” är inte samma storhet. Det vi publicerar är den första.
LangDict använder spaced repetition, och vi prövar det beslutet genom att mäta prediktionsprecision.
Om det optimala intervallet beror på situationen kan en fast tabell inte vara svaret — en modell måste avgöra. I LangDict bestämmer vår egen modell Lexa nästa repetitionsdatum.
Lexa läser inte bara kortet som ska predikteras utan även repetitionshistoriken för användarens andra kort som kontext, vilket låter en gemensam modell personalisera utan en anpassningsfas per användare.
Vi publicerar jämförelsen mot standardinställningarna i FSRS-7 på tre offentliga benchmarks (Anki / Duolingo / maimemo), tillsammans med måttet, datauppdelningen och poängen. Det som jämförs är precisionen i prediktion av minnesbehållning, inte inlärningsresultat.
Se LangDict →The Lexa research report →Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Leipzig: Duncker & Humblot.
Vi listar endast verk vars författare, år och publiceringsforum vi har kontrollerat mot originalet. För tidskriftsartiklar har även volym, nummer och sidor kontrollerats mot Crossref.
Last updated: July 2026