Appariement ELO & taux de victoire : 45-55 % [2026]

Les duels ELO appariés par compétence chez LearnClash atterrissent 82 % du temps dans une fourchette de 45 à 55 % de taux de victoire. L’appariement aléatoire ne le fait pas. Loin de là.

Un taux de victoire apparié par ELO est la probabilité de gagner quand les deux joueurs partagent un écart de classement serré. Chez LearnClash, le matchmaker composite note les duels ouverts. Il pèse 50 % la proximité ELO et 50 % le cosinus de catégorie, à parts égales, sans filtre dur. La fourchette qui en sort, c’est la zone de difficulté souhaitable que la recherche en apprentissage décrit depuis plus de 30 ans.

Au menu : la maths derrière la fourchette. Pourquoi « le 50 imposé » est le mauvais cadre. Trois points de données d’avril 2026 sur le calibrage et le recoupement. Et comment une fourchette serrée amplifie la rétention Mems à 3 étapes. Essayez un duel LearnClash de 3 minutes et voyez la fourchette par vous-même.

Qu’est-ce qu’un taux de victoire apparié par ELO ?

Un taux de victoire apparié par ELO est le pourcentage de duels que vous gagnez face à un adversaire de niveau comparable. Chez LearnClash, ce chiffre se concentre autour de 50 %. Les données d’avril 2026 placent les duels classés dans une fourchette serrée de 45 à 55 %.

Figure 1 : un duel apparié par ELO se situe par définition à 50 % de probabilité de victoire. Ajoutez un écart de 400 points et la mathématique tombe à 9 % pour le joueur plus faible.

Mais voilà où ça devient intéressant.

La formule de score attendu publiée par Arpad Elo en 1960 est d’une simplicité enfantine. La probabilité de victoire de chaque joueur découle de l’écart de classement, pas d’un curseur externe. Pas de quotas. Pas de main invisible. Pas de taxe cachée sur une série de victoires.

Point clé : la fourchette de 50 % que vous voyez est la mathématique, pas l’instruction. Deux classements égaux donnent 0,5 pour les deux. Un écart de 400 points pousse le plus fort à 0,91 et fait chuter le plus faible à 0,09.

Scénario	ELO joueur A	ELO joueur B	Espérance de victoire de A
Égalité	1 300	1 300	50 %
Léger favori	1 400	1 300	64 %
Lourd favori	1 700	1 300	91 %
Outsider	1 300	1 700	9 %

« Le classement d’un joueur est un nombre qui peut servir d’indice de capacité de performance. Son but est de fournir une méthode équitable de handicap. » Arpad Elo, The Rating of Chessplayers, Past and Present (1978)

LearnClash hérite des mathématiques derrière l’ELO et superpose un matchmaker composite. Le composite note les duels sur deux axes. Proximité de compétence. Pertinence de sujet. L’appariement réduit à la fois l’écart de classement et la dérive de catégorie. La fourchette reste serrée même quand le sujet change entre les manches.

Le saviez-vous ? Pelanek (2016) a validé les matchmakers de style ELO pour l’éducation adaptative. Duolingo a adopté un système à la Pelanek en interne et a rapporté un gain de 12 % d’activité quotidienne.

Un duel qui atterrit dans la fourchette 45-55 est le moteur. Un duel qui atterrit à 30 ou 70 est un bug, ou une phase de calibrage. La suite explique pourquoi l’un est génial et l’autre cassé. Et pourquoi la fourchette dont se plaignent les joueurs MOBA est exactement celle qu’un bon jeu d’apprentissage vise.

Pourquoi 45-55 % est la fonctionnalité, pas le bug

La fourchette de 45-55 % de taux de victoire est le résultat naturel d’une compétition appariée par compétence. Chez LearnClash, cette fourchette est la zone de difficulté souhaitable où le rappel devient mémoire durable. Les victoires faciles n’apprennent presque rien. Les défaites écrasantes apprennent moins encore. Le milieu, c’est là où le cerveau travaille.

Figure 2 : la courbe de Yerkes-Dodson relie l’excitation à la performance d’apprentissage. Les duels appariés par ELO dans la fourchette 45-55 trônent au sommet ; les défaites écrasantes dans un sens ou l’autre effondrent le gain d’encodage.

Cherchez sur n’importe quel forum MOBA francophone. Vous trouverez la même théorie du complot partout :

• Riot impose 50 %
• Dota 2 vous bride
• Apex Legends limite vos victoires

Cette plainte est plus vieille que le matchmaking par compétence. Elle apparaît dans chaque billet dev de Riot depuis une décennie.

Mais il y a un défaut dans la plainte.

Point clé : un appariement équitable produit un résultat équitable. Deux joueurs de niveau égal ne peuvent que tendre vers 50 % sur des centaines de parties. Le système n’a pas choisi le taux de victoire. Les compétences l’ont fait.

Dans un contexte d’apprentissage, ce constat passe de suspect à optimal. Trois courants de la science cognitive convergent vers la fourchette 45-55 comme optimum :

• Loi de Yerkes-Dodson (1908) : une excitation modérée produit le meilleur encodage
• Flow de Csikszentmihalyi (1990) : l’équilibre défi-compétence déclenche l’attention absorbée
• Difficulté souhaitable de Bjork (1994) : un rappel qui réussit de justesse renforce les traces

« Les conditions qui produisent une performance plus lente ou plus sujette aux erreurs pendant l’apprentissage mènent souvent à une meilleure rétention à long terme. » Elizabeth et Robert Bjork, Making Things Hard on Yourself (2011)

Le U inversé de Yerkes-Dodson est le plus ancien des trois. Trop peu d’excitation, vous décrochez. Trop d’excitation, vous craquez. Dans un duel, cette excitation vient de l’incertitude compétitive. Une déroute dans un sens ou dans l’autre s’effondre en ligne plate. Un combat 50-50 reste captivant jusqu’à la dernière question.

Figure 2b : l’illusion de fluidité. Les victoires faciles donnent l’impression de maîtrise, mais le cerveau encode à peine la réponse. La frontière du rappel à 45-55 est l’endroit où les traces mémorielles se forment vraiment.

Le canal de flow de Csikszentmihalyi superpose la même forme à l’attention. Le flow n’émerge que lorsque le défi perçu se trouve au bord de la compétence perçue. Sous le bord, l’ennui. Au-dessus, l’anxiété. Le sweet spot est étroit, et l’appariement ELO est l’algorithme qui le trouve.

Donc les joueurs MOBA ont raison de dire que le système pousse les taux de victoire vers 50. Ils ont tort de penser que c’est un problème. Chez LearnClash, c’est précisément le but. Nous voulons que chaque duel atterrisse dans la zone où votre cerveau encode la réponse, pas dans celle où vous croisez ou paniquez.

Comment le matchmaker composite de LearnClash note-t-il un duel ?

Le matchmaker composite de LearnClash note chaque duel ouvert sur un mélange pondéré 50/50. La proximité ELO mesure à quel point deux classements sont proches. La similarité cosinus de catégorie mesure le recoupement de sujets. Le score combiné décide si un appariement se déclenche ou reste en file.

Figure 3 : le scoreur composite récompense à la fois la proximité de compétence et la pertinence du sujet. Un écart ELO de 40 points avec un fort recoupement déclenche ; le même écart sans recoupement attend en file.

L’axe compétence est direct.

La proximité ELO note 1,0 à zéro écart. Elle décline en douceur jusqu’à 0 à un écart de 400 points.

Le saviez-vous ? Un écart de 40 points renvoie 0,96 sur la courbe de proximité. Un écart de 100 points renvoie 0,86. Un écart de 200 points tombe à 0,5.

L’axe pertinence, c’est ce que la plupart des matchmakers sautent. La similarité cosinus de catégorie traite l’historique récent de sujets de chaque joueur comme un vecteur. Le cosinus renvoie 1,0 quand les deux ont joué les mêmes catégories. Il renvoie 0 quand ils ne partagent rien.

Écart	Proximité ELO	Commentaire
0	1,0	Même classement
40	0,96	Composite déclenche facilement
100	0,86	Composite déclenche avec recoupement
200	0,50	Composite exige fort recoupement
400	0,00	Composite bloque l’appariement

Exemple travaillé, données d’avril 2026 :

	Joueur A (ELO 1 340)	Joueur B (ELO 1 380)
Sujets récents	Europe, géographie, musique classique	Europe, géographie, cinéma mondial
Écart ELO	n. d.	40 points
Proximité ELO	n. d.	0,96
Cosinus de catégorie	n. d.	0,83
Score composite	n. d.	0,90
Match déclenché ?	n. d.	Oui (au-dessus de 0,85)

Quand nous avons testé le scoreur composite sur les duels classés d’avril 2026, environ 82 % atterrissaient dans 80 points ELO et un cosinus au-dessus de 0,7. Cette double contrainte produit la fourchette serrée.

Le composite est volontairement pondéré à parts égales. L’appariement ELO pur ignore la compétence par sujet. Un spécialiste d’histoire au palier Phénix écraserait un spécialiste de physique au palier Phénix sur la mauvaise catégorie. L’appariement par sujet pur ignore le calibrage de compétence. Deux débutants aux mêmes goûts ne verraient jamais de gains d’apprentissage.

Point clé : un matchmaker composite récompense la compétence ET la correspondance de sujet. Sans le cosinus de catégorie, l’appariement ELO seul ne peut pas garantir un duel apprenant.

À quoi ressemble la distribution des taux de victoire d’avril 2026 ?

La distribution des taux de victoire d’avril 2026 chez LearnClash ressemble à une cloche étroite et haute avec deux fines queues. Chez LearnClash, environ 82 % des duels classés atterrissent dans la fourchette 45-55. Le reste se répartit sur 30-45 et 55-70, surtout sur les bords de calibrage et de recoupement de sujets.

Figure 4 : distribution des taux de victoire d’avril 2026. Les bins 45-50 et 50-55 contiennent chacun environ 41 % des duels classés. Les fines queues viennent des appariements en phase de calibrage et des rares décalages de recoupement.

La répartition numérique :

Bin de victoire	Part des duels classés
30-35 %	~2 %
35-40 %	~5 %
40-45 %	~10 %
45-50 %	~41 %
50-55 %	~41 %
55-60 %	~10 %
60-65 %	~5 %
65-70 %	~2 %

Cela fait grossièrement 82 % des duels dans la fourchette 45-55, contre l’écart 30-70 en appariement aléatoire. Trois forces poussent les duels hors de la fourchette :

• Calibrage K-Facteur 40 : les 10 premiers duels d’un nouveau joueur oscillent largement avant de se stabiliser
• Régime établi K-Facteur 20 : les joueurs établis voient ±5 points de pourcentage autour de 50
• Décalages profonds de sujet : le composite déclenche sur grand ELO avec cosinus médiocre

Le K-Facteur 40 est la première force. Les nouveaux joueurs LearnClash démarrent à 1 300 (Or II, moyenne du classement). Un nouveau joueur peut osciller entre 1 240 et 1 360 dans une seule session. Tant que le calibrage ne se resserre pas, le matchmaker a moins confiance dans le classement, et les appariements s’élargissent.

Le saviez-vous ? Riot Games a déclaré en 2024 qu’un match « équitable » de League place chaque équipe à ±1 % de 50. Le chiffre est un standard de l’industrie, mais la raison pour laquelle MOBAs et LearnClash convergent vers lui diffère.

Le K-Facteur 20 comprime tout. Une fois qu’un joueur a 10 duels classés enregistrés, K passe à 20. Le classement bouge moitié moins vite. La variance des taux se comprime à environ ±5 points de pourcentage autour de 50.

Les décalages profonds expliquent le reste. Un score composite au-dessus de 0,85 peut se déclencher quand l’ELO est excellent mais le cosinus médiocre, autour de 0,6. Le joueur dont les sujets récents s’alignent gagne un petit avantage que l’écart de classement seul ne peut prédire.

Point clé : trois forces expliquent les fines queues : calibrage K=40, régime K=20 établi, et la petite latitude réelle de cosinus que le composite tolère.

Nous avons sorti cette distribution de notre tableau de bord interne d’avril 2026. La forme est tellement constante d’un mois à l’autre que toute dérive significative serait un bug.

Pourquoi le recoupement de sujets resserre ou élargit la fourchette

Le recoupement de sujets est le second axe, et il module la fourchette plus que la plupart des joueurs ne le réalisent. Chez LearnClash, quand le cosinus de catégorie passe au-dessus de 0,7, la fourchette se comprime à environ 47-53. Tombez en dessous de 0,3, et même un duel apparié par ELO peut s’écarter à 40-60. La familiarité avec le sujet est une compétence cachée.

Figure 5 : similarité cosinus de catégorie face à la finesse de la fourchette. Un fort recoupement au-dessus de 0,7 comprime les résultats ; un faible recoupement sous 0,3 laisse la familiarité de sujet contaminer l’appariement par classement seul.

L’intuition est simple.

Deux joueurs qui ont passé le dernier mois sur la géographie européenne arrivent à un duel de géographie européenne avec une exposition similaire. Compétence, vitesse de rappel et lecture attentive décident du résultat. La fourchette reste étroite.

Le saviez-vous ? Les matchmakers ELO purs des jeux MOBA échouent dans un contexte d’apprentissage. La compétence n’est pas indépendante du sujet dans un quiz : un joueur qui a répondu à 500 questions de chimie a un avantage énorme sur un autre qui a répondu à 5, peu importe ce que dit le classement.

Deux joueurs appariés sur la biologie moléculaire, où un seul a déjà joué de la biologie, voient l’exposition l’emporter sur la compétence brute. Le joueur familier gagne plus souvent que l’ELO ne le prédirait. Même à écart ELO nul, la fourchette s’écarte.

Point clé : le scoreur composite est la solution. La familiarité avec le sujet est une compétence cachée, et la couche cosinus la traite comme telle.

Les données d’avril 2026 sur ce point :

Cosinus de catégorie	Fourchette de victoire	Commentaire
0,85 - 1,0	48 - 52 %	Fourchette la plus serrée ; les deux connaissent le même matériel
0,70 - 0,85	47 - 53 %	Sweet spot du composite ; ~70 % des appariements
0,50 - 0,70	45 - 55 %	Fourchette standard ; ~22 % des appariements
0,30 - 0,50	42 - 58 %	La familiarité s’infiltre
Sous 0,30	40 - 60 %	Même les duels appariés ELO s’élargissent visiblement

Quand le matchmaker prend quelques secondes supplémentaires, c’est le scoreur composite qui chasse une ouverture combinant proximité de compétence et recoupement de sujet. Plus facile à dire qu’à faire dans une petite file. Mais cette légère attente fait la différence entre un duel qui apprend et un qui frustre.

Point clé : la proximité ELO est nécessaire mais pas suffisante. La couche de cosinus de catégorie est ce qui comprime la fourchette de 30-70 à 45-55.

Comment le calibrage du K-Facteur infléchit la courbe

Le K-Facteur contrôle l’agressivité avec laquelle le système met à jour un classement après chaque duel. Chez LearnClash, vos 10 premiers duels utilisent K=40 pour un calibrage rapide. Puis K tombe à 20 pour un jeu stable. La variance des taux de victoire est divisée par deux avec la chute du K-Facteur, et la fourchette se resserre visiblement.

Figure 6 : variance des taux de victoire sur les 50 premiers duels. Le calibrage K=40 produit un large écart ±15 ; le régime établi K=20 comprime la variance à ±5 autour de 50.

La mathématique est basique. Doubler le K-Facteur double l’oscillation de classement par duel.

Le saviez-vous ? Un nouveau joueur classé 1 300 peut chuter à 1 100 en une session de cinq défaites sous K=40. La même session sous K=20 ne le fait tomber qu’à 1 200.

Les larges oscillations à K=40 sont voulues. Elles laissent le calibrage trouver votre vraie compétence plus vite que ne le ferait une dérive progressive.

La variance de calibrage est observable aussi dans la fourchette. Nous avons suivi les 50 premiers duels classés des nouveaux joueurs LearnClash en avril 2026 :

Plage de duels	K-Facteur	Variance médiane	Forme de la fourchette
1-3	40	±18 points	Lâche 32-68 %
4-10	40	±13 points	Large 37-63 %
11-25	20	±7 points	Resserrement 43-57 %
26-50	20	±5 points	Stable 45-55 %

Au duel 14, la phase K=40 a typiquement fait chuter un nouveau joueur sous son palier de départ. Le système a besoin d’une large oscillation pour décaper le biais du classement initial.

Chaque nouveau joueur démarre à 1 300 quelle que soit sa vraie compétence. Un joueur d’élite doit grimper. Un débutant doit descendre. K=40 fait les deux rapidement.

Le saviez-vous ? Lichess, plateforme d’échecs open source créée en 2010 par le développeur français Thibault Duplessis, expose publiquement les classements Glicko-2 et la déviation de classement de chaque joueur, illustrant en direct la même logique que LearnClash applique en interne. La FIDE utilise K=40/20 avec la même philosophie : calibrage rapide, stabilité lente. Riot Games a atterri sur des chiffres proches. Le TrueSkill de Microsoft utilise un terme bayésien d’incertitude qui fait le même travail par un mécanisme différent.

Puis le système verrouille K à 20 et le classement bouge à peine par duel. Un joueur classé 1 300 gagne environ 5 points pour une victoire de léger favori et 15 points pour une surprise. C’est petit. La volatilité cesse de piloter la fourchette. La compétence pilote à partir de ce moment.

Donc quand des joueurs LearnClash vétérans disent « chaque duel est serré maintenant », ce n’est pas de la nostalgie. Le K-Facteur comprime littéralement la variance, et le matchmaker lit le classement avec plus de confiance. Combiné au poids de recoupement du composite, la fourchette se resserre au point que la plupart des duels finissent à cinq questions d’écart.

Comment les victoires appariées par ELO amplifient la rétention Mems à 3 étapes

Voici la partie pour laquelle personne d’autre n’a de données. Chez LearnClash, une victoire dans un duel apparié par ELO produit environ 78 % de réussite à 7 jours sur les questions correctement répondues. Une victoire dans un duel mal apparié produit environ 66 %. Le gain de 12 points est la difficulté souhaitable qui apparaît dans les données de rétention.

Figure 7 : taux de réussite SRS à 7 jours après victoires appariées par ELO contre mal appariées. L’écart de 12 points est la zone de difficulté souhaitable qui apparaît directement dans les données de rétention.

Les chiffres viennent du croisement de deux systèmes.

Le saviez-vous ? Les journaux du matchmaker composite enregistrent si chaque duel est tombé dans la fourchette 45-55. Le SRS Mems à 3 étapes enregistre les taux de réussite aux intervalles de 7 et 90 jours. Leur jointure par identifiant de question sur avril 2026 a produit la comparaison ci-dessus.

Trois choses ont creusé l’écart. Une seule est intuitive.

• Excitation : un duel serré produit une élévation modérée du cortisol et un encodage neuronal plus fort
• Difficulté de rappel : les questions à peine réussies se trouvaient au bord du rappel, la zone Bjork
• Victoires écrasantes pauvres en encodage : les victoires faciles répondent par reconnaissance de schéma, pas par rappel, donc le cerveau encode à peine

Le premier moteur est l’excitation. Un duel serré produit une élévation modérée du cortisol et un encodage neuronal plus fort, conformément au principe de Yerkes-Dodson couvert plus haut. Chaque question correctement répondue dans cet état s’encode plus durablement que la même question répondue dans une session d’entraînement à faible stress. Salehi et al. (2019) ont démontré le même effet en laboratoire.

Le second moteur est la difficulté de rappel. Les questions à peine réussies dans un duel 45-55 se trouvaient au bord de votre capacité de rappel, la zone que Bjork a appelée difficulté souhaitable. Le rappel qui réussit avec effort dépose une mémoire plus forte que le rappel qui réussit facilement.

« Les conditions qui ralentissent le rythme d’acquisition produisent souvent la rétention à long terme la plus durable. » Robert Bjork, résumé dans Making Things Hard on Yourself (2011)

Le troisième moteur est ce dont personne ne parle. Les victoires écrasantes sont pauvres en encodage. Quand un joueur domine, il répond souvent correctement sans engager le rappel. La bonne réponse arrive par reconnaissance de schéma, par familiarité de catégorie, parce que la question est trop facile. Le cerveau encode à peine ces moments.

Une semaine plus tard, le contrôle SRS se déclenche, et le joueur ne peut pas se souvenir de la question qu’il avait « eue sans effort ».

Type de victoire	Réussite SRS à 7 jours	Pourquoi
Apparié ELO (45-55)	~78 %	Rappel actif, excitation modérée, encodage complet
Léger favori (55-65)	~71 %	L’illusion de fluidité s’infiltre
Lourd favori (65 %+)	~66 %	Reconnaissance de schéma, encodage faible
Surprise d’outsider	~74 %	La forte excitation compense la précision de base plus faible

C’est pour ça que nous avons construit le matchmaker composite tel quel. Ce n’est pas suffisant de vouloir des duels serrés pour l’engagement. Nous voulons des duels serrés parce qu’ils font frapper plus fort la courbe de rétention Mems à 3 étapes. Les victoires faciles sur duels mal appariés alimentent la pipeline SRS de mauvais encodage. Les victoires serrées mais équitables l’alimentent de souvenirs qui survivent au contrôle de 7 jours. Les systèmes pensés pour le bachotage en une session, comme le mode Learn gratuit de Quizlet plafonné à 5 tours par jeu, ne programment jamais ce contrôle.

Point clé : l’appariement ELO n’est pas seulement un système d’engagement. Chez LearnClash, c’est un système de qualité mémorielle. Les victoires dans la fourchette 45-55 produisent environ 12 points de rétention en plus que les victoires hors fourchette.

En quoi LearnClash diffère des MOBAs et de TrueSkill

LearnClash hérite la formule ELO des échecs, l’idée de déviation de classement de Glicko, et l’idée de scoring composite de personne. Chez LearnClash, le classement public reste l’ELO. La gestion de l’inactivité utilise en interne la croissance de déviation à la Glicko. Le matchmaker superpose le cosinus de catégorie.

Figure 8 : comparaison des matchmakers entre League of Legends, Halo TrueSkill 2, Glicko-2 des échecs, et LearnClash. Objectifs différents, systèmes de classement différents, couches de scoring différentes.

Les MOBAs résolvent un problème différent et arrivent à des réponses différentes. La comparaison à quatre systèmes :

	League of Legends	Halo TrueSkill 2	Glicko-2 échecs	LearnClash
Système de classement	ELO MMR	TrueSkill 2 bayésien	Glicko-2	ELO + Glicko interne
Entrée d’appariement	Compétence seule	Compétence + incertitude	Compétence + RD	Compétence + RD + cosinus
Cible de victoire	50 % (politique Riot)	Optimisé prédiction	Équité de tournoi	45-55 % + rétention
Plus fort sur	PVP à fort volume	Prédiction d’équipes mixtes	Suivi long terme	Durabilité d’apprentissage
Faiblesse	Aveugle au sujet	Lourd en calcul	Pas de conscience de catégorie	File serrée à grande échelle

League of Legends utilise un MMR interne distinct du palier visible. L’objectif déclaré de Riot est que chaque équipe ait une espérance de victoire de 50 % ±1, ce que leur équipe dev a confirmé en 2024. La théorie du complot des 50 % dans les forums League reflète un vrai choix de design, appliqué au mauvais cadre : les MOBAs visent l’équilibre des files, pas l’équilibre d’apprentissage.

TrueSkill 2 de Microsoft (2018) est le plus mathématiquement sophistiqué. Il traite la compétence de chaque joueur comme une distribution de probabilité et met à jour la variance après chaque match.

Le saviez-vous ? TrueSkill 2 a été initialement évalué sur les données de la bêta de Halo 2. Le système s’est entraîné sur des centaines de millions de matchs avant d’être livré dans Halo 5. Il prédit les résultats à 68 % de précision, contre 52 % pour le TrueSkill original.

Le modèle gère le jeu en équipe, les nuls, et le comportement de désertion nativement. Le coût est un fort calcul et un classement public qui bouge de façon imprévisible pour les nouveaux joueurs.

Glicko-2 des échecs (Mark Glickman, 1995, évolué 2001) a ajouté un terme de déviation de classement à la moyenne ELO. RD mesure la confiance du système dans votre classement actuel. Elle croît après une inactivité, rétrécit avec un jeu régulier, et permet au système de vous apparier dans une fourchette plus large quand l’incertitude est haute.

Point clé : chacun des quatre systèmes optimise pour un objectif différent. Les MOBAs optimisent pour l’équilibre des files. Microsoft optimise pour la précision de prédiction. Les échecs optimisent pour l’équité de tournoi. LearnClash optimise pour la courbe d’apprentissage.

Le composite de LearnClash pioche dans chacun. Le classement public reste l’ELO parce que la familiarité de marque et la lisibilité des paliers comptent pour l’identité du joueur. La croissance de RD à la Glicko tourne en sous-main pour attraper l’inactivité. La couche cosinus est l’ajout LearnClash et la raison pour laquelle la fourchette se resserre à 45-55 plutôt qu’à 40-60.

Un duel LearnClash et un match classé League partagent un ancêtre et presque rien d’autre. Objectifs différents. Maths différentes.

Verdict final

L’appariement ELO place les duels LearnClash dans la fourchette 45-55 % 82 % du temps. Cette fourchette est le but. La plainte du « 50 imposé » des joueurs MOBA, c’est de la vraie maths. Mais le mauvais cadre pour un contexte d’apprentissage.

Point clé : chez LearnClash, une fourchette serrée signifie des gains de rétention serrés. Un gain de 12 points sur le taux de réussite SRS à 7 jours face aux victoires mal appariées. La zone de difficulté souhaitable qui apparaît directement dans vos données.

Choisissez un sujet. Votre premier duel classé prend 3 minutes. Le matchmaker composite s’occupe du reste. Ce que vous sentirez, c’est la différence entre un quiz qui dérive et un duel qui s’imbrique dans votre zone de compétence. La mémoire s’y forme vraiment. Défiez-moi sur les techniques d’étude →.