Memory models for spaced repetition systems

Spaced repetition systems (SRS) allow students to learn more in less time by reviewing cards. A card is a test, usually a question-answer pair, that is reviewed over multiple intervals of time. In each review, the card is marked as remembered or forgotten. SRS schedule reviews to minimize forgetting while being parsimonious with the student's time. In order to do that effectively, they rely on memory models. Memory models are computational models that predict the probability that the student will recall each card. The effectiveness of SRS has been repeatedly proven over the past three decades, but further improvement would be beneficial for scaling SRS to a larger number of students. Improving the accuracy of memory model predictions is certainly an important step in this direction. In this work, we present a framework for developing adaptive memory models for SRS and introduce two novel models, DASH[RNN] and R-17. We compare several adaptive memory models from a predictive perspective on two real-world spaced repetition datasets, one of which has been collected as part of this work. DASH[RNN] outperforms the state of the art, R-17 performs comparably well. The latter result hints at the performance of the proprietary SuperMemo Algorithm SM-17 as an adaptive memory model, of which R-17 is a neural network approximation.

Gli Spaced Repetition System (SRS) permettono agli studenti di imparare di più in meno tempo rivedendo delle carte. Una carta è un test, di solito una coppia domanda-risposta, che viene rivista a più intervalli di tempo. Ad ogni revisione la scheda è segnata come ricordata o dimenticata. Gli SRS programmano le revisioni in modo da minimizzare le dimenticanze, cercando allo stesso tempo di essere parsimoniosi con il tempo dello studente. Per fare questo in modo efficace, utilizzano dei memory model. I memory model sono modelli computazionali che prevedono la probabilità che lo studente si ricordi ciascuna carta. L'efficacia degli SRS è stata ripetutamente dimostrata negli ultimi tre decenni, ma migliorarla ulteriormente sarebbe utile per avvicinare un numero maggiore di studenti. Migliorare l'accuratezza delle previsioni dei memory model è certamente un passo importante in questa direzione. In questo lavoro presentiamo una struttura per lo sviluppo di memory model adattivi per SRS e introduciamo due nuovi modelli, DASH[RNN] e R-17. Confrontiamo diversi memory model adattivi da un punto di vista predittivo su due dataset di spaced repetition, uno dei quali è stato ottenuto in vista dell'eleborazione di questo lavoro. DASH[RNN] ottiene prestazioni migliori dello stato dell'arte. R-17 ottiene prestazioni comparabili allo stato dell'arte, quest'ultimo risultato suggerisce quali potrebbero essere le prestazioni dell'algoritmo proprietario SuperMemo Algorithm SM-17 come memory model adattivo, di cui R-17 è un'approssimazione sotto forma di rete neurale.