KI-Lernkarten: Wie Sie das Gelesene in Karten mit verteilter Wiederholung verwandeln

Warum Lernkarten funktionieren (wenn sie funktionieren)

Lernkarten sind keine Magie. Sie sind ein Übermittlungsmechanismus für zwei der zuverlässigsten Befunde der Gedächtniswissenschaft: den Testeffekt und den Verteilungseffekt. Nehmen Sie diese beiden Ideen weg, und eine Lernkarte ist nur eine Tatsache, die Sie zweimal aufgeschrieben haben.

Der Testeffekt, auch Abrufübung genannt, ist der Befund, dass das Herausholen von Informationen aus Ihrem Gedächtnis sie stärker festigt als das Wieder-Hineinlegen. Roediger und Karpicke (2006) führten das Experiment durch, das dies berühmt machte. Sie ließen Studierende eine Passage lernen und sie dann entweder erneut lernen oder einen Abruftest absolvieren. Bei einem Abschlusstest eine Woche später erinnerten sich die Studierenden, die das Abrufen des Materials geübt hatten, weit mehr als jene, die es einfach erneut gelesen hatten. Das erneute Lernen fühlte sich im Moment produktiver an. Das war es nicht.

Das ist der Kerngrund, warum eine Lernkarte funktioniert und ein Textmarker allein nicht. Wenn Sie eine Karte umdrehen und versuchen zu antworten, bevor Sie nachsehen, erzwingen Sie einen Abruf. Wenn Sie eine markierte Passage erneut lesen, erkennen Sie sie wieder und spüren ein angenehmes Summen der Vertrautheit, das wenig damit zu tun hat, ob Sie die Idee auf Abruf hervorbringen können.

Der Verteilungseffekt ist die zweite Säule. Hermann Ebbinghaus kartierte die Vergessenskurve 1885 und zeigte, dass wir neue Informationen zunächst schnell verlieren, dann langsamer. Die Lösung ist nicht, in einer Sitzung härter zu lernen. Es ist, Ihre Wiederholungen über die Zeit zu verteilen. Cepeda et al. (2006) zogen Jahrzehnte von Studien in einer Metaanalyse zusammen und bestätigten es: Verteiltes Üben erzeugt eine dramatisch bessere Langzeitbehaltensleistung als massiertes Üben. Etwas fünfmal in einer Nacht zu wiederholen ist nächsten Monat nahezu nutzlos. Es fünfmal über fünf Wochen zu wiederholen ist nahezu dauerhaft.

Setzen Sie die beiden zusammen, und Sie erhalten den Motor hinter jedem ernsthaften Lernkartensystem: Rufen Sie die Antwort ab und verteilen Sie die Abrufe in sich erweiternden Intervallen. Die Karte ist nur der Behälter. Wenn Sie die tiefere Version dieser Argumentation wollen, haben wir einen ganzen Beitrag über verteilte Wiederholung für Lesende geschrieben.

Das Aufwandsproblem, das KI gerade gelöst hat

Hier ist das schmutzige Geheimnis der Lernkarten: Die Wissenschaft ist geklärt, und fast niemand bleibt dabei. Der Grund ist selten die Motivation. Es ist der Aufwand.

Gute Karten von Hand zu erstellen ist langsame, fummelige Arbeit. Sie lesen ein Kapitel, entscheiden, was wichtig ist, formulieren es zu einer Frage um, schreiben eine saubere Antwort und wiederholen das fünfzigmal. Bei Karte zwanzig sind Sie erschöpft und Ihre Karten sind nachlässig geworden. Die meisten Menschen, die Anki ausprobieren, hören in den ersten zwei Wochen auf, und das Aufhören geschieht fast immer während des Kartenerstellens, nicht der Wiederholung. Die Wiederholungen sind leicht. Die Herstellung ist die Wand.

KI hat diese Wand eingerissen. Im Jahr 2026 kann eine Welle von KI-Lernkarten-Generatoren (RemNote, AnkiDecks, Quizlet AI und andere) ein PDF, eingefügte Notizen, ein Foto einer Lehrbuchseite per OCR oder ein YouTube-Video nehmen und in Sekunden einen Kartenstapel erzeugen. Viele planen Wiederholungen von Haus aus mit FSRS. Was früher eine Stunde dauerte, dauert nun so lange wie das Nachfüllen einer Tasse Kaffee.

Das sind wirklich gute Nachrichten. Das, was die meisten Menschen zum Aufhören brachte, ist weg. Aber es gibt einen Haken, der den Kern dieses Artikels bildet: KI ist schnell im Erstellen von Karten und schlecht im Erstellen guter Karten. Sie hat den Aufwand beseitigt, der Sie vor einem schlimmeren Problem schützte. Ein Stapel von 200 mittelmäßigen Karten ist kein Gewinn gegenüber 30 handgemachten. Es ist oft ein Verlust, denn jede schlechte Karte kostet Wiederholungszeit und kann Ihnen die falsche Gewohnheit der Wiedererkennung statt des Abrufs beibringen.

Die neue Fähigkeit ist also nicht „Wie erstelle ich Karten." Das macht KI. Die neue Fähigkeit ist „Wie bringe ich KI dazu, gute Karten zu erstellen, und wie korrigiere ich die, die sie falsch macht."

FSRS vs. SM-2: Der Planer ist tatsächlich wichtig

Wenn Sie eine Karte wiederholen und die App entscheidet, wann sie sie als Nächstes zeigt, trifft ein Algorithmus diese Entscheidung. Rund zwei Jahrzehnte lang war die Voreinstellung in Anki und den meisten Werkzeugen zur verteilten Wiederholung SM-2, ein Algorithmus, den Piotr Wozniak Ende der 1980er Jahre für SuperMemo entwarf. Er funktioniert, und er ist einfach, aber er ist alt. Er behandelt jede Karte mit einem festen Satz von Multiplikatoren und lernt nicht wirklich die Form Ihres persönlichen Gedächtnisses.

FSRS, der Free Spaced Repetition Scheduler, ist der moderne Ersatz. Er ist quelloffen, forschungsgestützt und jetzt direkt in Anki integriert, wo Sie ihn in den Einstellungen aktivieren können. Statt starre Multiplikatoren anzuwenden, modelliert FSRS drei Dinge über jede Karte: wie abrufbar sie gerade ist, wie stabil die Erinnerung ist und wie schwierig die Karte speziell für Sie ist. Er plant die Wiederholung dann für den Moment, in dem vorhergesagt wird, dass Sie kurz vor dem Vergessen stehen, was genau dort ist, wo Abrufübung am meisten nützt.

Der praktische Nutzen ist, dass FSRS tendenziell weniger Wiederholungen für dieselbe Behaltensleistung zeigt, oder eine höhere Behaltensleistung für dieselbe Anzahl von Wiederholungen. Er lässt Sie außerdem eine Zielbehaltensrate festlegen (sagen wir 90 %) und optimiert Ihren Plan darauf hin, wobei er sich anpasst, während er Daten zu Ihrer tatsächlichen Leistung sammelt.

Wenn Sie Anki nutzen und FSRS nicht eingeschaltet haben, ist das die einzelne Änderung mit dem größten Hebel, die Sie heute vornehmen können. Es braucht einen einzigen Schalter. Der Planer wird keine schlechte Karte reparieren, aber er sorgt dafür, dass eine gute Karte Sie weniger Zeit kostet.

Wie KI-Lernkarten-Generatoren funktionieren

Unter der Haube folgen die meisten KI-Lernkarten-Werkzeuge derselben groben Pipeline, und sie zu kennen hilft Ihnen, die Ausgabe zu steuern.

Erstens, Einlesen. Das Werkzeug nimmt Ihre Quelle: ein PDF, eingefügten Text, einen per OCR verarbeiteten Screenshot oder ein YouTube-Transkript. Je sauberer die Quelle, desto besser die Karten. Müll rein, Müllkarten raus.

Zweitens, Konzeptextraktion. Ein Sprachmodell liest den Text und identifiziert, was wie eine abfragbare Tatsache, Definition oder Beziehung aussieht. Hier beginnt die Qualitätslotterie. Das Modell hat keine Ahnung, was Sie bereits wissen, was Ihre Prüfung abdeckt oder welcher Satz eine nebensächliche Bemerkung gegenüber einem tragenden Konzept ist. Es rät auf Basis der Textstruktur und oberflächlicher Auffälligkeit.

Drittens, Kartenformatierung. Das Modell verwandelt jedes extrahierte Konzept in eine Frage und Antwort oder einen Lückentext (ein Satz mit einem ausgeblendeten Wort, das Sie ausfüllen sollen). Viele Werkzeuge greifen stark auf Lückentexte zurück, weil es das am einfachsten automatisch aus jedem Satz zu erzeugende Format ist.

Viertens, Planung. Die Karten fallen in eine Engine zur verteilten Wiederholung, zunehmend FSRS, und der Wiederholungskreislauf beginnt.

Was Sie verinnerlichen sollten, ist, dass die Schritte zwei und drei dort liegen, wo KI am schwächsten ist. Extraktion ist eine Ermessensentscheidung über Wichtigkeit, und Formatierung ist ein Handwerk mit echten Regeln. Das Modell ist gewandt und schnell, aber Gewandtheit ist nicht dasselbe wie gute Didaktik. Diese Lücke ist die Qualitätsfalle.

Die Qualitätsfalle: Wie KI die Behaltensleistung ruiniert

KI-generierte Karten scheitern auf drei vorhersehbare Weisen. Sobald Sie sie benennen können, können Sie sie in Sekunden erkennen und korrigieren.

1. Wiedererkennung statt Abruf. Der häufigste Fehler. KI liebt es, Multiple-Choice-Fragen zu erzeugen oder Karten, bei denen die Antwort schon halb in der Frage steht. Wiedererkennung ist leichter, und sie fühlt sich an, als würden Sie das Material kennen, aber sie baut ein weit schwächeres Gedächtnis auf als freier Abruf. Wenn Sie die richtige Antwort aus vier Optionen auswählen, gleichen Sie vielleicht Muster ab, statt abzurufen. Eine Karte, die fragt „Welche davon ist die Hauptstadt Australiens?", trainiert ein viel flacheres Gedächtnis als „Was ist die Hauptstadt Australiens?". Freier Abruf erzwingt die vollständige Rekonstruktion; Wiedererkennung lässt Sie vom Haken.

2. Wissensabladen. KI wird bereitwillig einen ganzen Absatz auf eine Karte stopfen. „Erklären Sie die Ursachen, Folgen und den zeitlichen Verlauf der Französischen Revolution" ist keine Lernkarte. Es ist eine Aufsatzfrage. Wenn eine Karte zu viel verlangt, scheitern Sie aus den falschen Gründen daran (Sie hatten zwei von fünf Unterpunkten), der Planer wird verwirrt, ob Sie es wissen, und Sie fürchten die Wiederholung. Große Karten sind, woran Stapel sterben.

3. Lückentext-Überlastung. Weil Lückentexte für ein Modell trivial aus jedem Satz zu erzeugen sind, überproduzieren KI-Werkzeuge sie. Sie enden mit Sätzen, die von Lücken durchsetzt sind, oder mit Lückentexten, die aus dem Kontext erratbar sind, ohne dass ein echter Abruf stattfindet („Die {{Hauptstadt}} Frankreichs ist Paris"). Ein guter Lückentext verbirgt die eine Sache, die es wert ist, gewusst zu werden. Ein fauler Lückentext verbirgt ein Wort, das Sie ohnehin erraten würden.

Es gibt ein leiseres viertes Problem: KI-Karten können subtil falsch oder kontextentleert sein. Ein aus einem Kapitel herausgezogener Satz kann die Einschränkung verlieren, die ihn wahr machte. Sie werden es nicht bemerken, bis Sie die falsche Version auswendig gelernt haben. Genau deshalb brauchen KI-Karten einen menschlichen Durchgang, und deshalb hilft es, von Ihren eigenen Markierungen auszugehen: Sie haben den umgebenden Kontext bereits gelesen.

Die Regeln einer guten Karte

Die kanonische Anleitung hierzu geht der KI um Jahrzehnte voraus. Piotr Wozniak, der Schöpfer von SuperMemo, schrieb „Twenty rules of formulating knowledge", und sie bleibt die beste Checkliste für Kartenqualität, die je geschrieben wurde. Zwei Prinzipien leisten den Großteil der Arbeit.

Das Prinzip der minimalen Information. Jede Karte sollte das kleinstmögliche Wissensstück abfragen. Nicht weil klein niedlich ist, sondern weil kleine Elemente leichter zu planen, leichter zu wiederholen und leichter zu behalten oder zu verwerfen sind. Wenn Sie eine große Karte halb wissen, kann der Algorithmus Ihnen nicht helfen. Wenn Sie einen Stapel kleiner Karten halb wissen, weiß der Algorithmus genau, welche drei zu drillen sind.

Atomarität. Eine Karte, eine Tatsache. Wenn Ihre Karte ein „und" in der Antwort hat, will sie wahrscheinlich zwei Karten sein. Atomare Karten lassen sich schnell wiederholen, scheitern sauber und geben dem Planer ein ehrliches Signal.

So sieht der Unterschied in der Praxis aus:

Ein paar weitere Regeln aus Wozniaks Liste, die es wert sind, beibehalten zu werden: Fragen Sie lieber nach der Sache als nach ihrer Beschreibung, vermeiden Sie Mengen und Aufzählungen (sie sind am schwersten abzurufen) und schreiben Sie Karten in Ihren eigenen Worten. Letzteres ist gerade bei KI wichtig. Eine im generischen Tonfall des Modells formulierte Karte ist schwerer zu verinnerlichen als eine, die so formuliert ist, wie Sie tatsächlich denken. Die Formulierung zu bearbeiten ist die halbe Wertschöpfung beim Kartenerstellen. Wenn Sie tiefer in die Abrufseite eintauchen wollen, lesen Sie unseren Beitrag über aktiven Abruf.

Ein konkreter Arbeitsablauf: Von der Markierung zur Wiederholung

Hier ist der Teil, der alles zusammenführt. Die schwierigste Frage bei Lernkarten ist nicht „Wie erstelle ich eine Karte." Es ist „Was verdient überhaupt eine Karte." KI kann das nicht für Sie beantworten, weil Wichtigkeit persönlich ist. Aber Sie haben es bereits beantwortet, jedes Mal, wenn Sie beim Lesen etwas markiert haben.

Das Markieren ist der Enkodierungsschritt. Das Erstellen von Karten ist der Abrufschritt. Sie als eine Pipeline zu behandeln löst das „Was karten"-Problem kostenlos.

Schritt 1: Markieren Sie, während Sie lesen. Während Sie einen Artikel, eine Abhandlung oder ein Buch lesen, markieren Sie die Passagen, die Ihnen tatsächlich wichtig sind, mit Glasps Web-Highlighter. Der Akt des Auswählens erzwingt eine bewertende Entscheidung, die selbst schon eine leichte Form der Enkodierung ist. Sie erstellen noch keine Karten. Sie entscheiden, was es wert ist, in Karten verwandelt zu werden.

Schritt 2: Exportieren und auswählen. Wenn Sie eine Quelle beenden, exportieren Sie Ihre Markierungen an einen Ort. Nun haben Sie eine kuratierte, persönliche Auswahlliste statt eines 40-seitigen PDFs. Das ist ein weit besserer Input für einen KI-Generator als das Rohdokument, weil Sie die Wichtigkeitsfilterung, die die KI nicht leisten kann, bereits vorgenommen haben.

Schritt 3: Atomare Karten erzeugen. Speisen Sie die Markierungen in Ihr Lernkarten-Werkzeug ein und bitten Sie um atomare Frage-und-Antwort-Karten, keine Lückentexte, kein Multiple Choice. Eine Anweisung, so einfach wie „verwandle jede Markierung in eine kurze Abruffrage mit einer einzeiligen Antwort; kein Multiple Choice; teile alles mit einem ‚und' auf", verbessert die Ausgabe dramatisch.

Schritt 4: Bearbeiten Sie schonungslos. Das ist nicht verhandelbar. Lesen Sie jede Karte. Löschen Sie die überflüssigen, teilen Sie die fetten, formulieren Sie in Ihren eigenen Worten um und entfernen Sie alle, die Wiedererkennung abfragen. Rechnen Sie damit, ein Drittel dessen wegzuwerfen, was die KI erzeugt hat. Das ist normal und gut.

Schritt 5: Mit FSRS planen und wiederholen. Werfen Sie die Überlebenden in einen FSRS-gestützten Planer und wiederholen Sie, wenn er es Ihnen sagt. Vertrauen Sie dem Timing. Der ganze Sinn ist, dass nicht Sie entscheiden, wann wiederholt wird; die Vergessenskurve tut es.

Dieselbe Pipeline funktioniert für andere Quellen. Ihre Kindle-Markierungen werden zu Karten aus den Büchern, die Sie tatsächlich gelesen haben, nicht zu einem generischen Stapel. Eine lange Vorlesung oder ein Vortrag wird zu einem kompakten Kartensatz, wenn Sie ihn durch YouTube Summary laufen lassen und die Kernaussagen karten statt des gesamten Transkripts. Und vor einer Wiederholungssitzung können Sie Glasps KI-Chat nutzen, um sich zu Ihren eigenen Markierungen abzufragen, was eine sanftere Form der Abrufübung mit niedrigerem Einsatz ist, die die Lücken aufdeckt, die es wert sind, in Karten verwandelt zu werden. Wir gehen den Kindle-Weg ausführlich durch in Kindle-KI-Lernkarten.

Ehrliche Vorbehalte: Worin Lernkarten schlecht sind

Lernkarten sind ein Werkzeug, keine Religion, und sie sind in manchen Dingen wirklich schlecht. So zu tun, als wäre es anders, ist, wie Menschen Monate verschwenden.

Lernkarten glänzen bei Fakten, Vokabeln, Definitionen, Formeln und einzelnen Beziehungen. Alles mit einer knackigen, überprüfbaren Antwort ist perfektes Kartenmaterial. Eine Sprache lernen, Anatomie auswendig lernen, einen Bestand an Terminologie im Kopf behalten: Genau dafür wurde verteilte Wiederholung gebaut.

Sie sind viel schwächer für tiefe konzeptionelle Synthese. Sie können sich nicht zum Verständnis dafür karten, warum ein historisches Ereignis geschah, oder wie drei Rahmenkonzepte zu einem Problem stehen, das Sie nie gesehen haben, oder worum es in einem Roman wirklich geht. Das erfordert das Verbinden von Ideen, das Argumentieren und das Schreiben. Eine Karte kann einen Baustein halten, aber sie kann nicht das Gebäude zusammensetzen. Wenn Ihr Fach überwiegend Synthese ist, sind Karten ein Nebendarsteller, nicht die Hauptrolle.

Der KI-Vorbehalt ist genauso wichtig. KI-Karten brauchen jedes Mal menschliche Bearbeitung. Das Modell ist ein schneller Erstentwerfer, kein Autor. Es weiß nicht, was Sie wissen, es kann Kontext entfernen und subtile Fehler einführen, und es greift standardmäßig zu Formaten, die das schwächste Gedächtnis aufbauen. Der fünfminütige Bearbeitungsdurchgang ist kein optionaler Feinschliff. Er ist, wo der Lernwert liegt.

Und Wiedererkennung ist nicht Abruf. Wenn Ihr Werkzeug immer wieder Multiple-Choice-Karten erzeugt, weil sie leicht automatisch zu generieren sind, ändern Sie die Einstellung oder wechseln Sie das Werkzeug. Ein Stapel, der sich leicht anfühlt, ist meist ein Stapel, der nicht funktioniert. Für das größere Bild der Behaltensleistung jenseits von Karten lesen Sie wie man sich merkt, was man liest.

Häufig gestellte Fragen

Sind KI-generierte Lernkarten so gut wie die, die ich selbst erstelle?

Nicht von Haus aus. KI ist schneller und beseitigt die Mühsal, die die meisten Menschen zum Aufhören bringt, aber sie neigt dazu, wiedererkennungslastige, überfüllte, lückentextlastige Karten zu erzeugen. Der erfolgreiche Ansatz ist hybrid: Lassen Sie KI aus Ihren eigenen Markierungen entwerfen und bearbeiten Sie dann schonungslos. Ein von Menschen bearbeiteter KI-Stapel schlägt sowohl einen reinen KI-Stapel als auch einen von Grund auf erstellten Stapel, den Sie nie fertiggestellt haben.

Sollte ich FSRS nutzen oder beim voreingestellten SM-2 bleiben?

Nutzen Sie FSRS. Es ist in Anki integriert, kostenlos und forschungsgestützt. Es modelliert Ihre persönliche Vergessenskurve und plant weniger, besser getimte Wiederholungen als SM-2, das feste Multiplikatoren aus den späten 1980ern verwendet. Das Umschalten ist ein einziger Schalter in den Einstellungen, und es stört Ihre vorhandenen Karten nicht. Der Planer kann keine schlechte Karte reparieren, aber er macht gute Karten günstiger in der Pflege.

Was ist an Lückentexten und Multiple Choice falsch?

Nichts, in Maßen. Das Problem ist die Übernutzung. KI überproduziert Lückentexte, weil sie trivial aus jedem Satz zu erzeugen sind, und viele enden aus dem Kontext erratbar, was bedeutet, dass kein echter Abruf stattfindet. Multiple Choice trainiert Wiedererkennung, die ein schwächeres Gedächtnis aufbaut als freier Abruf. Nutzen Sie Lückentexte, um die eine Sache zu verbergen, die es wert ist, gewusst zu werden, und bevorzugen Sie offene Abruffragen für alles, was Sie dauerhaft behalten wollen.

Wie viele Karten sollte eine Quelle hervorbringen?

Weniger, als Sie denken würden. Ein dichter Artikel könnte fünf bis fünfzehn wirklich nützliche Karten ergeben; das meiste, was Sie lesen, braucht überhaupt keine Karten. Genau deshalb hilft es, von Ihren Markierungen auszugehen: Sie haben bereits nach dem gefiltert, was wichtig ist. Wenn Ihr KI-Werkzeug 80 Karten aus einem Kapitel ausspuckt, ist das ein Warnsignal, kein Feature. Löschen Sie aggressiv.

Kann ich Karten aus Büchern und Videos erstellen, nicht nur aus Text, den ich einfüge?

Ja. Das ist der moderne Arbeitsablauf. Ihre Kindle-Markierungen werden zu Karten aus Büchern, die Sie tatsächlich gelesen haben, und YouTube Summary verwandelt ein langes Video in einen kurzen Satz von Kernaussagen, die Sie karten können. Das Erfassungswerkzeug leistet die Enkodierung; das Lernkarten-Werkzeug leistet den Abruf. Karten aus Ihren eigenen Markierungen statt aus Rohquellen zu ziehen ist das, was den Stapel persönlich und schlank hält.

Fazit: Erstellen Sie weniger, bessere Karten

KI hat die Ökonomie der Lernkarten verändert. Der Aufwand, der die meisten Menschen zum Aufhören brachte (die langsame, mühsame Herstellung von Karten), ist weg. Das ist ein echtes Geschenk, und Sie sollten es annehmen. Aber das Geschenk kommt mit einer Falle: Dieselbe Geschwindigkeit, die das Kartenerstellen mühelos macht, macht es auch mühelos, Ihren Stapel mit Karten zu überfluten, die Wiedererkennung statt Abruf aufbauen, zu viel auf eine Frage packen und Ihre Behaltensleistung leise nach unten ziehen, während es sich produktiv anfühlt.

Die Wissenschaft hat sich nicht geändert. Roediger und Karpickes Testeffekt, Ebbinghaus' Vergessenskurve, Cepedas Verteilungs-Metaanalyse und Wozniaks zwanzig Regeln gelten alle weiterhin. Rufen Sie ab, verteilen Sie und halten Sie jede Karte atomar. FSRS macht die Verteilung nahezu automatisch. Die Atomarität liegt bei Ihnen und bei einem fünfminütigen Bearbeitungsdurchgang über das, was die KI zurückgibt.

Das beste Rohmaterial für all das ist das, was Ihnen bereits wichtig genug war, um es zu markieren. Erfassen Sie es beim Lesen mit Glasps Web-Highlighter, exportieren Sie Ihre Markierungen, wenn Sie fertig sind, verwandeln Sie die, die wichtig sind, in atomare Karten und wiederholen Sie mit FSRS. Ziehen Sie aus Ihren Kindle-Markierungen und Ihren YouTube Summary-Kernaussagen, und nutzen Sie Glasps KI-Chat, um sich abzufragen und die Lücken zu finden, die es wert sind, in Karten verwandelt zu werden. Markieren Sie zuerst. Karten zweitens. Bearbeiten Sie immer. Dann lassen Sie die Vergessenskurve den Rest erledigen.