{"id":161799,"date":"2000-05-20T07:00:00","date_gmt":"2000-05-20T07:00:00","guid":{"rendered":"https:\/\/www.supermemo.com\/?p=161799"},"modified":"2026-07-22T09:33:06","modified_gmt":"2026-07-22T09:33:06","slug":"les-aspects-theoriques-de-la-repetition-espacee-dans-le-processus-dapprentissage","status":"publish","type":"post","link":"https:\/\/www.supermemo.com\/fr\/blog\/les-aspects-theoriques-de-la-repetition-espacee-dans-le-processus-dapprentissage","title":{"rendered":"Les aspects th\u00e9oriques de la r\u00e9p\u00e9tition espac\u00e9e dans le processus d’apprentissage"},"content":{"rendered":"
\n

Piotr Wozniak, 1990-2000<\/p>\n\n

Ce texte est tir\u00e9 de P.A.Wozniak, Optimization of learning<\/em> : Simulation of the learning process conducted along the SuperMemo schedule<\/em> (1990) et a \u00e9t\u00e9 mis \u00e0 jour avec des chiffres r\u00e9vis\u00e9s (le texte original comportait des donn\u00e9es suppl\u00e9mentaires relatives au taux d’oubli, qui avait \u00e9t\u00e9 largement surestim\u00e9 en raison d’une erreur dans l’impl\u00e9mentation du mod\u00e8le de simulation)<\/p>\n\n

Important !<\/strong> Pour les contenus les plus r\u00e9cents sur la r\u00e9p\u00e9tition espac\u00e9e, consultez : \u00ab Theoretical aspects of spaced repetition in learning<\/a>. \u00bb<\/p>\n\n

Cet article devrait vous aider \u00e0 planifier votre apprentissage et \u00e0 mieux comprendre votre capacit\u00e9 d’apprentissage de nouvelles connaissances au cours d’une vie. La plupart des chiffres et formules ont \u00e9t\u00e9 d\u00e9riv\u00e9s th\u00e9oriquement. Cependant, au cours des dix derni\u00e8res ann\u00e9es, ces constructions th\u00e9oriques ont \u00e9t\u00e9 confirm\u00e9es \u00e0 de nombreuses reprises par des mesures pr\u00e9cises effectu\u00e9es lors de processus d’apprentissage r\u00e9els<\/p>\n\n

Un mod\u00e8le de simulation simple permet de pr\u00e9dire l’issue d’un processus d’apprentissage \u00e0 long terme bas\u00e9 sur la r\u00e9p\u00e9tition espac\u00e9e. La probabilit\u00e9 d’oubli \u00e0 chaque r\u00e9p\u00e9tition est d\u00e9termin\u00e9e par l’ indice d’oubli. En utilisant un algorithme de r\u00e9p\u00e9tition espac\u00e9e et une distribution r\u00e9elle de la difficult\u00e9 des \u00e9l\u00e9ments (distribution des facteurs A), il est possible de pr\u00e9dire le d\u00e9roulement de l’apprentissage sur de nombreuses ann\u00e9es gr\u00e2ce \u00e0 une simulation informatique (notez que vous pouvez ex\u00e9cuter une simulation similaire de votre propre processus d’apprentissage, bas\u00e9e sur vos donn\u00e9es r\u00e9elles, dans SuperMemo 98 et versions ult\u00e9rieures<\/strong> via Outils : Statistiques : Simulation<\/strong>)<\/p>\n\n

Le mod\u00e8le de simulation repose sur les hypoth\u00e8ses suivantes :<\/p>\n\n

    \n
  1. L’apprentissage suit un algorithme standard d’espacement des r\u00e9p\u00e9titions (par exemple l’algorithme SM-11)<\/li>\n\n\n\n
  2. Une distribution en forme de cloche des facteurs A est issue d’un syst\u00e8me de connaissances g\u00e9n\u00e9rique cr\u00e9\u00e9 avec SuperMemo<\/a><\/li>\n\n\n\n
  3. La matrice des facteurs optimaux est issue d’un syst\u00e8me de connaissances g\u00e9n\u00e9rique et ne change pas au cours du processus d’apprentissage<\/li>\n\n\n\n
  4. \u00c0 chaque r\u00e9p\u00e9tition, une portion donn\u00e9e d’\u00e9l\u00e9ments, d\u00e9termin\u00e9e par l’indice d’oubli, est consid\u00e9r\u00e9e comme oubli\u00e9e et r\u00e9int\u00e8gre le processus sans modification de leur facteur A<\/li>\n<\/ol>\n\n

    Les hypoth\u00e8ses ci-dessus permettent d’\u00e9liminer les probl\u00e8mes suivants, qui pourraient sinon compliquer l’estimation des r\u00e9sultats d’un processus d’apprentissage \u00e0 long terme :<\/p>\n\n

      \n
    1. La variabilit\u00e9 des aptitudes mn\u00e9motechniques individuelles peut \u00eatre enti\u00e8rement prise en compte par la distribution des facteurs A (point 2). Apr\u00e8s tout, un m\u00eame syst\u00e8me de connaissances utilis\u00e9 par un \u00e9tudiant dou\u00e9 pr\u00e9sentera une proportion plus \u00e9lev\u00e9e de facteurs A \u00e9lev\u00e9s<\/li>\n\n\n\n
    2. La variabilit\u00e9 de la difficult\u00e9 du mat\u00e9riel \u00e9tudi\u00e9, qui elle aussi peut \u00eatre enti\u00e8rement refl\u00e9t\u00e9e par la distribution des facteurs A (point 2)<\/li>\n\n\n\n
    3. La variabilit\u00e9 de la capacit\u00e9 mn\u00e9motechnique du cerveau r\u00e9sultant de l’entra\u00eenement, qui est neutralis\u00e9e par l’utilisation d’une distribution constante des facteurs A (point 2)<\/li>\n\n\n\n
    4. La variabilit\u00e9 de la capacit\u00e9 mn\u00e9motechnique du cerveau li\u00e9e au vieillissement, qui peut \u00eatre neutralis\u00e9e en utilisant une valeur constante de la matrice des facteurs optimaux (point 3). Une perte significative de m\u00e9moire li\u00e9e \u00e0 l’\u00e2ge ne s’observe qu’en cas de processus pathologique ou d’absence d’entra\u00eenement (Restak 1984). Sinon, la capacit\u00e9 mn\u00e9motechnique du cerveau a plut\u00f4t tendance \u00e0 augmenter avec l’\u00e2ge gr\u00e2ce \u00e0 l’entra\u00eenement !<\/li>\n<\/ol>\n\n

      Pour simplifier la description, dans les paragraphes suivants, j’utiliserai le terme mat\u00e9riel g\u00e9n\u00e9rique<\/strong>, d\u00e9signant un mat\u00e9riel d’apprentissage pr\u00e9sentant une distribution typique des facteurs A. Il est important de noter que ce terme refl\u00e8te aussi la capacit\u00e9 mn\u00e9motechnique de l’\u00e9tudiant. Cela s’explique par le fait que les bons \u00e9tudiants ont tendance \u00e0 pr\u00e9senter une plus grande proportion de facteurs A \u00e9lev\u00e9s dans leurs collections.<\/p>\n\n

      Voici un bref r\u00e9sum\u00e9 des conclusions que l’on peut tirer des exp\u00e9riences de simulation bas\u00e9es sur le mod\u00e8le pr\u00e9sent\u00e9 :<\/p>\n\n