Kurz erklärt: SM-2-Algorithmus, mit Quelle, Einordnung, Abgrenzung zum Nachbarbegriff und praktischem Lernbezug.
SuperMemo 2 (1987), Grundlage von Ankis Legacy-Planung; ohne individuelles Gedächtnismodell.
Quelle: Woźniak, P. A. (1990). SuperMemo; Ye et al. 2022, ACM KDD
SM-2 ist eine Rechenvorschrift, kein Modell davon, wie Erinnern funktioniert.
SM-2 multipliziert das letzte Intervall mit einem Leichtigkeitsfaktor. Das ist einfach, robust und seit 1987 unverändert, und es funktioniert. Es hat nur keinen Begriff davon, wie wahrscheinlich du eine Karteikarte gerade erinnerst.
Genau das misst der Log-Loss: wie gut ein Modell den Ausgang der nächsten Wiederholung vorhersagt. Im offenen Vergleich der open-spaced-repetition-Gemeinschaft erreicht FSRS-6 einen Log-Loss von 0,3460 auf 349.923.850 Wiederholungen aus 9.999 Sammlungen (abgerufen am 5. September 2026); Log-Loss misst den Vorhersagefehler, kleiner ist besser, und eine Zeile für SM-2 führt diese Tabelle nicht. Die begutachtete Arbeit dahinter, Ye et al. 2022, berichtet 220 Millionen Verhaltensprotokolle und eine Verbesserung von 12,6 % gegenüber dem Stand der Technik. Beides sind Ergebnisse dieser Datensätze und keine pauschale Produktwirkung.
Praktisch heißt eine schlechtere Vorhersage: Termine liegen zu früh oder zu spät. Zu früh kostet Zeit, weil du wiederholst, was noch sitzt. Zu spät kostet Stabilität, weil du erst nach dem Vergessen wiederkommst.
Nein. SM-2 hat verteiltes Wiederholen praktisch nutzbar gemacht und trägt bis heute Ankis Legacy-Planung. Ein Zahlenvergleich mit FSRS-6 lässt sich aus dem offenen Vergleich derzeit nicht ziehen: Für SM-2 führt er keine Zeile.
Nein. Quanta plant nativ mit FSRS-6. SM-2 steht in diesem Glossar als Vergleichsbegriff, weil es die Grundlage vieler bekannter Karteikarten-Programme ist.
Wiederholungsplaner mit Gedächtnismodell je Karteikarte; Log-Loss 0,3460 im offenen Vergleich.
Klassisches 5-Boxen-System für Karteikarten (1972). FSRS-6 ersetzt die fixen Boxen durch individuelle Intervalle.
Cepeda et al. (2006, Psychological Bulletin 132(3), 354–380) zeigen in einer Metaanalyse von 317 Experimenten einen robusten Spacing-Effekt über viele Bedingungen, aber keinen universellen 2–3x-Faktor für jede Lernsituation.