PDF 플래시카드 만들기: AI 자동 생성 완전 가이드

Q: PDF 플래시카드와 Anki 중 어느 것이 더 좋은가요?

AI를 활용한 Anki 는 강력한 조합이지만 전용 도구보다 설정이 복잡합니다. 전용 AI PDF 도구의 핵심 장점은 마찰 없는 가져오기입니다: 업로드, 생성, 복습. Anki의 장점은 더 큰 플러그인 생태계와 데스크톱 파워유저 기능입니다. 이미 Anki 생태계를 사용하고 있다면 PDF 가져오기를 위한 AI 애드온을 탐색해볼 가치가 있습니다. 새로 시작하거나 모바일 중심의 단순함을 원한다면 Flica 같은 도구가 설정 장벽을 완전히 없애줍니다.

TL;DR

PDF는 태생적으로 수동적인 매체입니다. 반복 읽기를 유도하지만 실제 기억 형성과는 거리가 멀죠. AI 플래시카드 생성기는 PDF에서 질문-답변 쌍을 자동으로 추출하고, 간격반복 알고리즘으로 복습을 스케줄링해 같은 자료를 2~5배 더 오래 기억하게 해줍니다. Flica는 이 과정 전체를 iOS·Android에서 2분 안에 완성합니다.

PDF가 있습니다. 밑줄도 쳤고, 두 번 읽었고, 여백에 메모도 가득합니다. 그런데 일주일이 지나면 내용이 사라집니다. 이건 개인의 문제가 아닙니다 — 수동적 읽기와 인간 기억이 상호작용하는 방식의 필연적인 결과입니다. 인지과학에 따르면 재인(정보를 보고 익숙하다고 느끼는 것)과 회상(기억에서 정보를 실제로 인출하는 것)은 근본적으로 다른 과정이며, 반복 읽기는 전자만 훈련시킵니다. 해결책 — PDF 내용을 플래시카드로 변환해 능동적 회상 연습을 하는 것 — 은 수십 년 전부터 알려져 있었습니다. 달라진 것은 그 실행 비용입니다.

빽빽한 80페이지짜리 교재 챕터를 수동으로 플래시카드화하는 데는 몇 시간이 걸렸습니다. AI 플래시카드 생성기는 이것을 몇 초로 압축했습니다. 하지만 모든 접근법이 동일하지는 않습니다. 추출 카드의 품질, 사용하는 복습 알고리즘, 실제 PDF(수식, 그림, 밀도 높은 전문 용어)를 얼마나 잘 처리하는지는 도구마다 크게 다릅니다. 이 가이드는 PDF 플래시카드가 효과적인 과학적 근거, AI 추출의 실제 작동 방식, 어떤 PDF가 가장 잘 변환되는지, 그리고 표면적 친숙함이 아닌 진짜 장기 기억을 만드는 학습 워크플로우까지 모두 다룹니다.

PDF가 진지한 학습자에게 함정이 되는 이유

PDF는 문서의 시각적 레이아웃을 보존하는 데 탁월하기 때문에 학술·업무 환경 전반에 퍼져 있습니다. 읽기에는 좋습니다. 하지만 학습에는 오히려 해롭습니다. 문제는 인지심리학자들이 유창성 착각이라고 부르는 현상입니다 — 친숙한 텍스트를 다시 읽는 용이함을 실제 지식으로 착각하는 경향입니다. 밑줄 가득한 PDF를 다시 읽을 때, 단어들이 친숙하게 느껴지고 눈이 부드럽게 흐르며 뇌는 이해했다는 자신감을 만들어냅니다. 그러나 그 느낌은 거짓입니다. 친숙함은 인출 가능성이 아닙니다. Roediger와 Karpicke(2006)의 연구는 자료를 다시 읽은 학생이 인출 연습을 한 학생보다 지연 시험에서 현저히 낮은 점수를 받았음을 보여줍니다 — 다시 읽은 학생이 더 잘 준비됐다고 느꼈음에도 불구하고.

PDF 반복 읽기는 재인을 훈련시키지 회상을 훈련시키지 않습니다 — 뇌는 이전에 본 텍스트를 보고 거짓 자신감 신호를 만들어냅니다
수동적 밑줄 긋기는 진전의 느낌을 주지만 능동적 인출이 만들어내는 기억 공고화를 촉발하지 않습니다
선형 구조는 정보를 능동적으로 재구성하는 대신 수동적으로 흡수하게 만듭니다 — 지속적인 기억 흔적을 구축하는 것은 전자입니다
피드백 메커니즘 없음: 반복 읽기만으로는 자료를 실제로 아는지, 단지 친숙한 것인지 구별할 수 없습니다
촘촘한 포맷(그림, 각주, 복잡한 표)이 주의를 더욱 분산시키면서 인코딩을 개선하지 못합니다

Bjork(1994)는 '바람직한 어려움'이라는 개념을 제시했습니다 — 인출을 더 어렵게 만드는 것(테스팅, 간격 두기, 교차)이 정보를 처리하기 쉽게 만드는 것보다 장기 기억 유지를 훨씬 더 향상시킨다는 반직관적 발견입니다. PDF는 쉬운 처리를 최적화합니다. 플래시카드는 바람직한 어려움을 최적화합니다.

수동 카드 제작 vs. AI 플래시카드 자동 생성

AI 도구가 등장하기 전, PDF를 플래시카드로 변환하는 유일한 방법은 수동 작업이었습니다. 섹션을 읽고, 무엇이 중요한지 결정하고, 질문을 만들고, 타이핑하고, 답을 쓰고, Anki 등의 도구에서 포맷을 잡고, 수백 페이지에 걸쳐 반복하는 것입니다. 교육적으로는 타당하지만 실용적으로는 가혹합니다. 100페이지 교재 챕터를 제대로 카드화하는 데 3~5시간이 걸립니다 — 대부분의 학생에게는 없는 시간입니다. AI 생성은 이 비용 편익 계산을 완전히 바꿉니다. 하지만 실제 트레이드오프가 있으며, 도구를 선택하기 전에 이해할 가치가 있습니다.

항목	수동 제작	AI 자동 생성
50페이지 처리 시간	2~4시간	2분 이내
카드 품질	높음 (인간 판단)	좋음~매우 좋음 (AI 품질에 따라)
개념 커버리지	선택적 (본인이 선택)	광범위 (AI가 핵심 개념 자동 추출)
질문 다양성	창의력에 따라 제한됨	Q&A, 빈칸 채우기, 정의 — 자동 다양화
놓친 개념	많음 (확증 편향)	적음 (체계적 추출)
시작 장벽	높음 (시간·노력)	거의 없음
최적 사용 사례	심화 집중 학습	전체 텍스트 빠른 커버리지

💡

최적 워크플로우는 두 방법을 결합합니다. AI 생성으로 전체 PDF의 광범위한 커버리지를 확보한 뒤, 가장 중요하거나 가장 어려운 개념에 대한 카드 5~10장을 수동으로 추가하세요. 포괄적 커버리지와 핵심 개념의 깊이를 동시에 얻을 수 있습니다.

AI가 PDF에서 플래시카드를 추출하는 방법

AI 추출이 실제로 어떻게 작동하는지 이해하면 강점과 한계를 예측하고 더 나은 결과를 얻을 수 있습니다. 현대 AI 플래시카드 생성기는 여러 단계를 거쳐 PDF를 처리합니다. 먼저 텍스트 추출 및 청킹: 원시 PDF 텍스트를 파싱해 의미적으로 일관된 세그먼트(보통 단락 또는 주제 단위 블록)로 분할합니다. 이 단계에서 품질이 낮은 PDF — 이미지만 있는 스캔본(OCR 없음), 고도로 포맷된 슬라이드, 핵심 텍스트가 삽입 이미지로 대체된 파일 — 가 문제를 일으키기 시작합니다. 다음으로 AI는 개념 식별을 수행합니다. 각 청크 내에서 학습할 가치가 있는 개체, 정의, 인과 관계, 프로세스, 사실적 주장을 식별합니다. 마지막으로 해당 개념에서 질문-답변 쌍을 생성합니다.

청킹: PDF를 의미적으로 일관된 세그먼트로 분할 — 명확한 제목이 있는 잘 구조화된 PDF가 더 나은 청크를 만들어냄
개념 감지: AI가 정의, 핵심 용어, 인과 관계, 명명된 프로세스, 테스트할 가치가 있는 사실적 주장을 식별
질문 합성: 감지된 개념이 Q&A, 빈칸 채우기, 정의 프롬프트로 변환 — 다양성이 패턴 암기를 방지
중복 제거: 잘 설계된 시스템은 문서 전체에 동일 개념이 여러 번 나타날 때 중복 카드를 제거
신뢰도 점수: 일부 시스템은 모호하거나 그림에 의존하는 구절에서 나온 낮은 신뢰도 추출을 수동 검토를 위해 플래그 처리

AI는 기계 판독 가능한 텍스트, 명확한 섹션 구조, 명시적 정의가 있는 PDF에서 최고 성능을 발휘합니다. 스캔 이미지 PDF, 맥락이 이미지에 있는 그림 중심 슬라이드, 텍스트보다 표기법에 의미가 담긴 고도로 수학적인 내용에서는 성능이 떨어집니다.

어떤 PDF가 가장 잘 변환되는가

AI 추출 관점에서 모든 PDF가 동일하지 않습니다. 내용 유형, 포맷, 인코딩 품질이 모두 AI가 추출할 수 있는 유용한 카드 수와 정확도에 영향을 미칩니다. 미리 알면 현실적인 기대를 설정하고 필요한 경우 수정 조치를 취할 수 있습니다. 아래 표는 학생과 전문가가 자주 접하는 일반적인 PDF 유형에 따른 추출 품질을 정리합니다.

PDF 유형	AI 추출 품질	예상 카드 수	권장 접근
교재 챕터 (디지털 원본)	매우 우수	50페이지당 40~80장	그대로 업로드
강의 슬라이드 (텍스트 중심)	우수	50슬라이드당 20~40장	그대로 업로드
연구 논문 (산문 중심)	좋음	논문당 15~30장	초록·방법론 카드 검토
강의 슬라이드 (이미지 중심)	보통	50슬라이드당 10~20장	그림 기반 내용은 수동 보완
스캔 교재 (OCR 적용)	가변적	OCR 품질에 따라 다름	스캔 품질 낮으면 OCR 도구 먼저 실행
수학 증명·수식	제한적	낮음 — 산문 맥락만 추출	수식 카드는 수동으로 보완
법률·규정 문서	좋음	정의·조항 기준 높음	용어 밀도 높은 내용에 탁월

💡

텍스트가 거의 없는 이미지 중심 강의 슬라이드의 경우, 강의 노트나 스크립트를 슬라이드와 함께 붙여넣거나 통합 PDF로 업로드해 AI가 추출할 텍스트를 충분히 제공하세요. 발표자 노트가 있는 슬라이드 덱은 노트 없는 슬라이드만 있을 때보다 훨씬 좋은 카드를 만들어냅니다.

PDF 플래시카드와 FSRS 간격반복의 결합

PDF에서 플래시카드를 생성하는 것은 절반에 불과합니다. 나머지 절반 — 언제, 얼마나 자주 복습하느냐 — 이 정보가 장기 기억으로 이동할지, 며칠 만에 증발할지를 결정합니다. 여기서 간격반복, 구체적으로 FSRS 알고리즘이 이전 시스템인 SM-2 대비 의미 있는 진전을 보여줍니다. Dunlosky et al.(2013)은 학습 과학 연구 전체를 검토해 분산 연습(복습 간격 두기)을 '높은 유용성'을 가진 단 두 가지 학습 기법 중 하나로 꼽았습니다 — 나머지 하나는 연습 시험입니다. FSRS는 두 가지를 동시에 구현합니다. 모든 카드 복습은 연습 시험이며, 알고리즘은 해당 특정 카드에 대한 실제 측정된 망각 속도를 기반으로 다음 복습 시점을 스케줄링합니다.

FSRS는 각 카드의 기억 안정성을 독립적으로 모델링합니다 — 항상 맞히는 카드는 더 길게 밀리고, 계속 틀리는 카드는 더 자주 나타납니다
SM-2와 달리 FSRS는 '안정성 증가'를 고려합니다 — 성공적 인출이 반복될수록 다음 망각 곡선이 더 완만해져 점점 덜 자주 복습해도 됩니다
AI 카드 생성 + FSRS 조합은 PDF 내용이 자동으로 변환, 정리, 스케줄링된다는 뜻 — 인지 부담이 그냥 나타나서 카드에 답하는 것으로만 줄어듭니다
효과적인 학습법 연구는 간격 두기와 인출 연습이 상호 강화됨을 일관되게 보여줍니다. 따로 쓸 때보다 함께 쓸 때 효과가 곱해집니다
200장짜리 PDF 덱의 일일 복습 시간은 초기 학습 단계 이후 보통 10~20분으로 안정화됩니다 — 장기 학습에도 지속 가능한 수준

Karpicke와 Roediger(2008)는 반복 인출 연습이 — 피드백 없이도 — 반복 학습보다 극적으로 더 나은 기억 유지를 만들어낸다는 것을 보여줬습니다. FSRS로 스케줄링된 플래시카드는 이 발견의 직접적인 대규모 구현입니다.

단계별: PDF 업로드부터 첫 복습 세션까지

Flica에서 이 워크플로우가 실제로 어떻게 작동하는지 설명합니다. AI가 완벽하다고 과장하지 않는 솔직한 설명입니다. PDF 추출 품질은 문서마다 다르며, 특히 새로운 PDF 유형의 첫 덱에서는 몇 가지 수동 조정이 필요할 수 있습니다.

1단계 — PDF 업로드: iOS 또는 Android에서 Flica를 열고 '+' 버튼을 탭한 뒤 'PDF 가져오기'를 선택합니다. 파일 앱, 클라우드 스토리지에서 직접 가져오거나 PDF 리더에서 공유할 수 있습니다.
2단계 — AI 생성 실행: Flica가 문서를 분석하고 플래시카드 세트를 생성합니다. 일반적인 50페이지 교재 챕터는 20~60초가 소요됩니다. 덱에 추가되기 전에 생성된 카드의 미리보기를 확인할 수 있습니다.
3단계 — 생성된 카드 검토 및 편집: 미리보기를 훑어봅니다. 중복되거나 사소한 카드는 삭제합니다. AI의 표현이 약간 어색한 카드는 편집합니다. AI가 놓친 그림, 수식, 개념에 대한 카드 5~10장을 수동으로 추가합니다. 대부분의 PDF에서 5~10분이 소요됩니다.
4단계 — FSRS 스케줄링 시작: 덱을 수락하면 Flica가 모든 새 카드를 FSRS 학습 큐에 배치합니다. 첫 번째 세션에서 카드를 소개하고, 알고리즘이 각 카드에 대한 기억 모델을 구축하기 시작합니다.
5단계 — 매일 복습: 매일 스케줄된 복습을 위해 돌아옵니다. Flica는 그날 예정된 카드만 보여줍니다 — 그 이상도, 그 이하도 아닙니다. 각 카드를 평가(다시 / 어려움 / 좋음 / 쉬움)하면 FSRS가 실시간으로 스케줄을 업데이트합니다.
6단계 — 반복: 추가 PDF 챕터나 논문을 처리하면서 새 덱으로 추가하거나 기존 덱에 병합합니다. Flica는 새 카드를 며칠에 걸쳐 분산시켜 한 번에 몰아서 나오지 않도록 복습 부담을 관리합니다.

💡

카드를 생성한 날, 가능하면 PDF를 업로드하고 몇 시간 이내에 첫 번째 복습 세션을 진행하세요. 자료가 아직 어느 정도 신선한 상태에서 초기 인코딩이 가장 강하게 이루어지며, FSRS의 첫 번째 간격은 이 초기 복습 성과를 기반으로 설정됩니다.

분야별 PDF 플래시카드 활용 사례

AI 추출과 FSRS 스케줄링의 조합은 광범위하게 적용 가능하지만, 특정 맥락에서 특히 빛을 발합니다. PDF 플래시카드가 어디서 가장 잘 작동하는지, 다양한 분야의 실무자들이 어떻게 활용하는지 이해하면 본인 상황에 맞는 가장 효과적인 워크플로우를 설계하는 데 도움이 됩니다. 분야를 관통하는 공통점은 하나입니다. 많은 양의 사실적·개념적 내용을 실제 고부담 상황에서 활용하기 위해 기억해야 하는 분야가 최적의 적용 대상입니다.

의대·간호대생: 해부학 챕터, 약리학 표, 병태생리학 노트 업로드. AI는 구조화된 의학 산문에서 약물 기전 Q&A 쌍과 질환-증상 관계를 추출하는 데 탁월합니다. 전용 플래시카드 앱과 FSRS는 이 때문에 의학 교육의 표준이 되었습니다.
법학대학원생·사법시험 수험생: 판례 PDF, 법령 텍스트, 이론 요약본. AI가 정의, 법적 테스트, 사건 판결을 효율적으로 추출합니다. 방대한 자료량과 긴 기억 지평(몇 년 뒤 시험)은 간격반복을 필수로 만듭니다.
어학 학습자: 문법 참고 자료, PDF 형식의 단어장, 교재 노트. FSRS의 장기 간격 스케줄링은 간격 없이는 빠르게 떨어지는 언어 기억 유지에 특히 유용합니다.
대학원생·연구자: 문헌 검토 PDF, 방법론 챕터, 학회 논문 모음. AI로 생성된 핵심 발견과 방법론 카드가 방대한 독서 목록에 걸쳐 검색·테스트 가능한 지식 베이스를 만들어줍니다.
전문 자격증 수험생: CFA, CPA, CISSP, PMP 등의 시험 준비 자료는 PDF 중심인 경우가 많습니다. 시험 날짜 마감은 FSRS의 부하 분산 기능(목표 날짜 전에 모든 내용이 복습되도록 분산)의 이상적인 사용 사례입니다.

FAQ

PDF에서 플래시카드를 만드는 가장 좋은 도구는 무엇인가요?

최고의 도구는 고품질 AI 추출과 강력한 간격반복 알고리즘을 결합합니다. 평가할 핵심 요소: AI가 본인의 특정 PDF 유형(교재, 슬라이드, 연구 논문)을 잘 처리하는가? 구형 SM-2가 아닌 FSRS 같은 현대적 알고리즘을 사용하는가? 생성된 카드를 쉽게 편집할 수 있는가? Flica는 세 가지를 모두 지원하며 iOS와 Android에서 실행됩니다. 플래시카드 앱 비교는 전체 리뷰를 참고하세요.

스캔한 PDF도 플래시카드로 변환할 수 있나요?

네, 하지만 중요한 전제가 있습니다. 이미지만 있는(OCR 레이어 없는) 스캔 PDF는 AI가 텍스트를 읽을 수 없어 결과가 좋지 않습니다. 검색 가능한 텍스트가 없는 스캔본이라면 먼저 무료 OCR 도구(Adobe Acrobat, Tesseract, Google 드라이브 내장 OCR)로 처리한 뒤 텍스트 판독 가능 PDF를 업로드하세요. PDF에서 텍스트를 선택하고 복사할 수 있다면 이미 OCR 레이어가 있는 것으로 잘 작동합니다.

AI가 PDF에서 플래시카드를 몇 장이나 생성하나요?

PDF 유형과 분량에 따라 크게 다릅니다. 잘 구조화된 50페이지 교재 챕터는 보통 40~80장을 만들어냅니다. 20페이지 연구 논문은 보통 15~30장입니다. 강의 슬라이드 덱은 텍스트 밀도에 따라 크게 다릅니다. 이미지 중심 덱은 더 적은 카드를 만들어냅니다. 그림 기반이나 수식 내용에 대해서는 수동 카드로 보완할 수 있습니다.

PDF 플래시카드와 Anki 중 어느 것이 더 좋은가요?

AI를 활용한 Anki는 강력한 조합이지만 전용 도구보다 설정이 복잡합니다. 전용 AI PDF 도구의 핵심 장점은 마찰 없는 가져오기입니다: 업로드, 생성, 복습. Anki의 장점은 더 큰 플러그인 생태계와 데스크톱 파워유저 기능입니다. 이미 Anki 생태계를 사용하고 있다면 PDF 가져오기를 위한 AI 애드온을 탐색해볼 가치가 있습니다. 새로 시작하거나 모바일 중심의 단순함을 원한다면 Flica 같은 도구가 설정 장벽을 완전히 없애줍니다.

AI가 PDF의 중요한 개념을 놓치지 않을까요?

놓칩니다 — 어떤 AI 추출도 일부 개념을 놓칩니다. 특히 명시적 산문 서술보다 그림, 수식, 또는 암시적 맥락에 의존하는 것들이 그렇습니다. 실용적인 해결책은 생성 후 5~10분간 수동 검토를 하는 것입니다. 중복 카드를 삭제하고, AI가 건너뛴 중요한 내용에 대한 카드를 추가하세요. 대부분의 사용자는 AI가 수동으로 카드화했을 내용의 75~90%를 커버한다는 것을 발견하며, 나머지 갭은 관리 가능한 수준입니다.

간격반복으로 PDF 플래시카드를 복습하는 데 얼마나 걸리나요?

새 덱의 초기 학습(첫 1~2주)은 하루에 더 많은 시간이 필요합니다 — 100장짜리 덱은 새 카드를 소개하면서 보통 하루 20~40분이 걸립니다. 덱이 초기 단계를 넘으면 대부분의 덱 규모에서 일일 유지 시간이 10~20분으로 줄어듭니다. FSRS 알고리즘이 잘 아는 카드를 더 긴 간격으로 밀고 어려운 카드를 더 자주 유지해 이것을 자동으로 처리합니다.

AI로 생성한 플래시카드 덱을 친구와 공유할 수 있나요?

앱에 따라 다릅니다. 일부 도구는 덱 공유나 표준 형식(예: Anki 호환 .apkg) 내보내기를 지원합니다. AI 생성 덱 공유는 스터디 그룹에서 흔한 사용 사례입니다. 한 명이 PDF를 업로드하고 덱을 생성하면 그룹 전체가 같은 카드로 복습하는 방식입니다. 구체적인 공유 기능은 사용하는 앱을 확인하세요. Flica는 이 워크플로우를 위한 협업 덱 기능을 개발 중입니다.

다시 읽기를 멈추고, 인출을 시작하세요

연구는 명확합니다. PDF 반복 읽기는 생산적인 느낌을 주지만 표면적 친숙함을 만들 뿐, 지속적인 지식을 만들지 않습니다. 간격반복 플래시카드를 통한 능동적 인출은 시험, 임상 현장, 실제 적용 상황에서 버텨내는 종류의 기억을 만들어냅니다. 실용적 장벽 — PDF를 고품질 플래시카드 덱으로 수동 변환하는 데 필요한 몇 시간 — 은 AI 생성으로 사라졌습니다. 남은 것은 진정한 단순함의 워크플로우입니다. PDF를 업로드하고, 생성된 카드를 검토하고, 매일 스케줄된 복습을 위해 돌아오는 것.

Flica는 이 워크플로우를 데스크톱 없이 iOS·Android에서 구현합니다. PDF를 업로드하고, AI로 플래시카드를 생성하고, 2분 안에 첫 FSRS 스케줄 복습 세션을 시작하세요. 알고리즘이 스케줄링을 담당하고, 당신은 학습에 집중합니다. 교재, 강의 슬라이드, 연구 논문, 자격증 자료 어떤 PDF로든 공부하고 있다면 — 반복 읽기에 안주할 이유가 더 이상 없습니다. App Store 또는 Google Play에서 Flica를 다운로드하고 오늘 다음 PDF를 스터디 덱으로 변환하세요.

PDF를 2분 안에 플래시카드로 — AI가 알아서 만들어줍니다

Flica는 PDF·YouTube 동영상·노트에서 AI 플래시카드를 생성하고, FSRS로 복습을 스케줄링해 딱 맞는 간격으로 공부하게 해줍니다. iOS·Android 지원. 시작에 구독 불필요.

App Store Google Play

AI Flashcard Creation

Flashcard Maker with Pictures

Printable Flashcard Templates

Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255.
Karpicke, J. D., & Roediger, H. L. (2008). The critical importance of retrieval for learning. Science, 319(5865), 966–968.
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students' learning with effective learning techniques. Psychological Science in the Public Interest, 14(1), 4–58.
Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. In J. Metcalfe & A. Shimamura (Eds.), Metacognition: Knowing about Knowing (pp. 185–205). MIT Press.
Kornell, N., & Bjork, R. A. (2008). Learning concepts and categories: Is spacing the 'enemy of induction'? Psychological Science, 19(6), 585–592.
Ye, T., Kim, J., & Gershman, S. J. (2022). A new algorithm for spaced repetition based on free-recall performance. Proceedings of the Annual Conference of the Cognitive Science Society.