復習間隔は試験日から逆算して決める——独学で回せる分散学習の設計手順

復習しているのに、模試になると前にやった範囲が抜けている——独学で最も多い詰まりは、復習の「量」ではなく「間隔の設計」にあります。分散学習（間隔をあけた復習）は、Dunlosky ら（2013）が10種類の学習法を比較したレビューで、練習テストと並んで最も汎用性の高い手法と評価されました（https://doi.org/10.1177/1529100612453266）。ところが独学者が参考にする「1日後・3日後・1週間後」という定番表は、その人の試験日がいつなのかを一切見ていません。この記事では、試験日から逆算して復習間隔を決め、独学で最後まで回し切るまでの手順を、出典を確認できた研究だけを根拠に組み立てます。

なぜ「1日後・3日後・1週間後」の定番表では設計にならないのか

定番表が外れるのは、最適な間隔が「いつテストされるか」に依存して動くからです。Cepeda ら（2008）は、最終テストまでの遅延が長くなるほど最適な間隔も長くなることを示しました。日付だけを固定した表は、試験日という最大の変数を最初から計算に入れていません。

この研究では、1,350人を超える参加者が事実の集合を学習し、最大3.5ヶ月の間隔をあけて復習を1回受け、さらに最大1年後の遅延で最終テストを受けました。間隔を広げると最終成績はまず上がり、その後ゆるやかに下がります（https://doi.org/10.1111/j.1467-9280.2008.02209.x）。「長ければ長いほどよい」でも「短いほど安全」でもない、という点が設計の出発点になります。

前提として、忘却曲線そのものの読み方にも注意が要ります。エビングハウスが測ったのは「何割覚えているか」ではなく、再学習にかかる手間がどれだけ節約されたかという節約率です。Murre と Dros（2015）は再現研究でこの指標を用い、忘却曲線は完全になめらかではなく24時間の地点から上向きに跳ねる可能性が高いと結論づけています（https://doi.org/10.1371/journal.pone.0120644）。指標の意味は忘却曲線の読み方で詳しく扱っています。

復習間隔は何を基準に決めればよいのか

基準は日数そのものではなく、試験日までの残り期間に対する比率です。Cepeda ら（2008）は、最適な間隔を遅延の比率で表すと、1週間後のテストでは約20〜40%、1年後のテストでは約5〜10%に下がると報告しました。残り期間が長いほど、比率としての間隔はむしろ小さくなります。

次の表は、原論文の報告値と、その間を埋めるための目安を区別して示したものです。

よく引用される「テストまでの期間の10〜20%」という数字は、この2つの報告値の中間をならした目安であって、誰にでも当てはまる最適値ではありません。教材の難易度、既習度、1回の復習の質によって動きます。間隔反復そのものの成り立ちは忘却曲線に基づく復習タイミングで扱っているので、この記事では日付の決め方に絞ります。実際、Cepeda ら（2009）は最大6ヶ月後までの遅延を扱った2つの実験で、最適な間隔をとると最終再生成績が最大150%改善する一方、間隔を増やしすぎると成績はゆるやかに低下すると報告しています（https://doi.org/10.1027/1618-3169.56.4.236）。

この効果自体の土台は厚く、Cepeda ら（2006）のメタ分析は184本の論文に含まれる317の実験から839件の評価を集約しています（https://doi.org/10.1037/0033-2909.132.3.354）。ただしメタ分析が示すのは効果の存在と、間隔と遅延が相互に作用するという構造であって、あなたの教材における最適な日数ではありません。

間隔は少しずつ広げるべきなのか

広げる「形」そのものにこだわる根拠は弱い、というのが実験結果です。Karpicke と Bauernschmidt（2011）は、拡張・等間隔・縮小の相対スケジュールを比較し、どれかが本質的に優れているという証拠は得られなかったと述べています。効いていたのは間隔の形ではなく、合計としての間隔の長さでした。

同じ実験では、間隔をまったくあけずに連続して再テストした条件に比べ、各テストの間に長い間隔をあけた条件が長期保持を200%改善しています（https://doi.org/10.1037/a0023436）。独学者にとっての含意は明快です。拡張間隔を1日単位で守れなかったことを気に病むより、合計の間隔を確保するほうが優先されます。

なお、SM-2 のような間隔反復アルゴリズムは SuperMemo 由来のヒューリスティック（経験則）であり、これらの実験から導かれた最適解ではありません。運用の道具として有用ですが、出力された日付を唯一の正解として扱わないことが前提になります。

独学で回すための復習間隔表の作成手順

必要な入力は、試験日・範囲の総量・1回の復習に使える時間の3つだけです。この3つが決まれば間隔は比率から機械的に決まり、1日あたりの復習量は範囲を間隔の日数で割れば出ます。紙のカレンダーでも成立し、専用ツールは前提ではありません。

次の表は、試験まで3ヶ月の独学者が間隔表を作るときの手順と判断基準です。

10〜20%を機械的に当てはめると、試験まで6ヶ月なら初回の再訪はおよそ3〜4週間後、3ヶ月なら2週間前後、1ヶ月なら3〜6日後が出発点になります。ここから、再訪時に思い出せたかどうかで各単元の間隔を個別にずらしていく——これが設計の実体です。

単元が数百に増えると、「次に会う日」の管理は手作業では破綻します。メモハック（MemoryHack AI）は、教材を撮影して作った問題の正誤から次の復習日を割り当て、間隔表の維持そのものを肩代わりします。

1回の復習はどこまでやれば終わりにしてよいのか

終了条件は「読んだ」ではなく「思い出せた回数」で決めます。Rawson と Dunlosky（2011）は、概念を正答3回の基準まで想起し、その後に広く間隔をあけて3回再学習する配分を推奨しています（https://doi.org/10.1037/a0023956）。読み返した回数は、終了条件として使えません。

想起と再読の優劣は、時間の経過で入れ替わります。Roediger と Karpicke（2006）は、遅延をおいた最終テストでは事前にテストを受けた条件が再読を繰り返した条件を明確に上回った一方、再読を繰り返した学習者のほうが自信は高まったと報告しました（https://doi.org/10.1111/j.1467-9280.2006.01693.x）。手応えで判断すると、間隔をあけた想起は「効いていない」ように見えます。判断材料は、手応えではなく再訪日の正誤です。

予定が崩れた週の立て直し手順

崩れた週にやるべきことは、遅れた分の一括消化ではなく優先順位の付け替えです。分散学習の利得は間隔をあけた再訪から生まれるので、溜まった単元を1日でまとめて処理すると、その回は間隔ゼロの詰め込みに近づきます。遅れは「取り戻す」のではなく、間隔が伸びた状態として受け入れます。

次の表は、再訪が遅れた単元をどう扱うかの判断基準です。

残り期間が短い局面や、範囲を読み終えていない段階では、分散学習の前提そのものが崩れます。その判断は分散学習が効きにくい条件で詳しく扱っています。

よくある質問

復習間隔は何日おきが正解ですか

固定の正解日数はありません。Cepeda ら（2008）は、最適な間隔が最終テストまでの遅延に対する比率で変わり、1週間後のテストでは遅延の約20〜40%、1年後のテストでは約5〜10%に下がると報告しています。試験日までの残り日数の10〜20%を出発点にし、再訪時に思い出せたかどうかで単元ごとにずらすのが現実的です。

間隔は必ず広げていく必要がありますか

必要ありません。Karpicke と Bauernschmidt（2011）の実験では、拡張・等間隔・縮小のどの相対スケジュールが本質的に優れているかを支持する証拠は得られませんでした。同じ実験で効いていたのは合計としての間隔の長さです。等間隔でも、合計の間隔が確保できていれば設計として成立します。

忙しくて復習日を守れないときはどうすればよいですか

溜まった分を1日でまとめて処理するのは避けてください。まとめて処理すると、その回は間隔をあけない詰め込みに近づき、分散学習の利得が失われます。遅れが数日なら予定どおり1回だけ想起し、1週間以上遅れたときは、まず想起して誤答した単元だけを再学習してください。

アプリを使わないと分散学習はできませんか

紙のカレンダーでも成立します。必要な入力は試験日・範囲の総量・1回の復習に使える時間の3つで、間隔は残り日数からの比率で決まります。ただし単元数が増えると「次に会う日」の管理が手作業では破綻するため、その部分だけをツールに任せる判断はあり得ます。

参考文献

• Cepeda, N. J., Vul, E., Rohrer, D., Wixted, J. T., & Pashler, H. (2008). Spacing Effects in Learning: A Temporal Ridgeline of Optimal Retention. Psychological Science. https://doi.org/10.1111/j.1467-9280.2008.02209.x
• Cepeda, N. J., Coburn, N., Rohrer, D., Wixted, J. T., Mozer, M. C., & Pashler, H. (2009). Optimizing distributed practice: Theoretical analysis and practical implications. Experimental Psychology. https://doi.org/10.1027/1618-3169.56.4.236
• Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin. https://doi.org/10.1037/0033-2909.132.3.354
• Karpicke, J. D., & Bauernschmidt, A. (2011). Spaced retrieval: Absolute spacing enhances learning regardless of relative spacing. Journal of Experimental Psychology: Learning, Memory, and Cognition. https://doi.org/10.1037/a0023436
• Rawson, K. A., & Dunlosky, J. (2011). Optimizing schedules of retrieval practice for durable and efficient learning: How much is enough?. Journal of Experimental Psychology: General. https://doi.org/10.1037/a0023956
• Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science. https://doi.org/10.1111/j.1467-9280.2006.01693.x
• Murre, J. M. J., & Dros, J. (2015). Replication and Analysis of Ebbinghaus' Forgetting Curve. PLOS ONE. https://doi.org/10.1371/journal.pone.0120644
• Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving Students' Learning With Effective Learning Techniques: Promising Directions From Cognitive and Educational Psychology. Psychological Science in the Public Interest. https://doi.org/10.1177/1529100612453266