AI en SuperMemo: Pioneros en la repetición espaciada con LSTMs

Woman with a laptop

Nos complace anunciar nuestro último avance en investigación, El Modelo de repetición espaciada con LSTMs, creado en colaboración entre el equipo de SuperMemo y científicos de la Facultad de Matemáticas e Informática de la Universidad Adam Mickiewicz en Poznań. Explora el potencial de las redes neuronales Long Short-Term Memory (LSTM) en el ámbito de la repetición espaciada.

En SuperMemo, comenzamos la investigación en la optimización de la repetición asistida por computadora (spaced repetition) y publicamos la primera aplicación informática del mundo que utiliza este método. Hasta el día de hoy, cuenta con más de 30 años de historia y desarrollo. Nos enorgullece no solo haber iniciado la tendencia que ahora siguen todas las principales aplicaciones educativas, sino también presentar otro hito en el desarrollo de este método. Se trata del uso del aprendizaje automático para predecir de manera efectiva la retención de la memoria y proporcionar una guía de aprendizaje óptima.

Sobre nuestra investigación: AI en SuperMemo

En la investigación, realizamos una revisión exhaustiva de trabajos anteriores sobre el tema, probando y comparando diferentes métodos para seleccionar el más efectivo. Al aprovechar nuestros conocimientos expertos en repetición espaciada trabajados a lo largo de los años, así como los datos de aprendizaje masivo recopilados en el ecosistema www.SuperMemo.com, pudimos acelerar el proceso de aprendizaje de nuestro modelo LSTM, haciéndolo aún más efectivo. En cierto sentido, el algoritmo SuperMemo basado en aprendizaje automático es similar al algoritmo experto, pero utiliza diferentes métodos de optimización para alcanzar los mismos objetivos

Nuestro modelo LSTM está diseñado para predecir la probabilidad de recordar elementos particulares por parte de un usuario y planificar intervalos óptimos de revisión, minimizando en última instancia el tiempo dedicado a las revisiones y manteniendo un alto nivel de retención de conocimientos. Comparamos el modelo construido de esta manera con otros enfoques de aprendizaje automático, como la regresión logística, las redes neuronales feedforward o la regresión de semivida, y encontramos que nuestro modelo LSTM superó consistentemente a los demás. Esto demuestra el valor de las redes neuronales LSTM en el campo de la repetición espaciada y su capacidad para mejorar la efectividad de SuperMemo.

Al incorporar la teoría de la memoria a largo plazo en los modelos LSTM, podemos proporcionar una alternativa efectiva basada en ML a los métodos expertos hasta ahora imbatibles. Además, el algoritmo SuperMemo basado en aprendizaje automático está abierto a un mayor desarrollo, incluida la integración de múltiples nuevos parámetros. Por ejemplo, podemos incorporar aspectos como la hora del día, el ciclo de sueño, el nivel de estrés o fatiga, las dependencias de contenido o las correlaciones lingüísticas en el cálculo. Podemos investigar la influencia de estos parámetros en el aprendizaje, refinando y personalizando continuamente nuestros métodos.

Conferencia en Praga

Estamos emocionados de presentar este artículo en CSEDU, International Conference on Computer Supported Education, en Praga el 21 de abril de 2023. A medida que continuamos revolucionando el aprendizaje y el desarrollo personal, creemos que estos hallazgos contribuirán significativamente a la continua refinación y mejora de SuperMemo.

Nuestro viaje en perfeccionar algoritmos de repetición espaciada siempre ha sido sobre proporcionar la mejor experiencia de aprendizaje posible para usted. Con esta nueva investigación, nuestro objetivo es continuar nuestra tradición de innovación y excelencia, haciendo que SuperMemo sea aún más efectivo y adaptable a sus necesidades de aprendizaje.