Mit FSRS werden Spaced-Repetition-Systeme besser

• Spaced Repetition System, eine Lernmethode, die die Wiederholungsabstände für früher gelerntes Material vergrößert, ermöglicht mit geringem Zeitaufwand eine effektive Bildung von Langzeitgedächtnis
• Mit dem maschinenlernbasierten FSRS(Free Spaced Repetition Scheduler)-Algorithmus, der die Kartenplanung für jede Person optimiert, steigen Effizienz und Nutzerzufriedenheit im Vergleich zu bisherigen Methoden deutlich
• In den neuesten Versionen von Anki ist FSRS als Standard-Scheduler aktiviert, sodass die meisten Nutzer es bereits verwenden
• Im Vergleich zu Diensten wie WaniKani und Bunpro ist die Kombination aus Anki und FSRS bei Lerneffizienz und Flexibilität überlegen

---

Überblick über Spaced-Repetition-Systeme

• Spaced-Repetition-Systeme werden in vielen Bereichen eingesetzt, um Wissen zu erwerben und langfristig im Gedächtnis zu behalten
• Sie sind eine Lösung, die effektive Wiederholung innerhalb begrenzter Zeit ermöglicht, etwa im Schulunterricht oder beim Lernen als Hobby
• Informationen werden wiederholt in Form von Flashcards präsentiert, und die Wiederholungsabstände werden anhand der Reaktion der Nutzer angepasst
• Wer täglich 20 Minuten investiert, kann in einem Jahr leicht 3.650 Wörter auswendig lernen

Bisherige Planungsmethoden und ihre Grenzen

• In frühen Spaced-Repetition-Systemen wurde vor allem der SuperMemo-2-Algorithmus verwendet
• Dabei vergrößern sich die Wiederholungsabstände nach dem Muster „nach 1 Tag, bei richtiger Antwort nach 6 Tagen, bei erneut richtiger Antwort nach 15 Tagen, später nach 37,5 Tagen“
• Bei einer falschen Antwort wird der Abstand wieder auf 1 Tag zurückgesetzt, sodass man dieselbe Karte wiederholt in kurzen Intervallen sieht, was zu erheblicher Frustration führt
• Diese Methode basiert auf empirisch und willkürlich festgelegten Regeln und ist nicht für einzelne Wissenselemente optimiert
• Sie beruht auf der unrealistischen Annahme, dass die Vergessenskurve für alle Informationen gleich ist

FSRS: verbesserte maschinenlernbasierte Planung

• FSRS(Free Spaced Repetition Scheduler) optimiert auf Basis moderner Machine-Learning-Verfahren die Wiederholungsabstände individuell
• Es formuliert die Frage „Wann sinkt die Erinnerungswahrscheinlichkeit einer Karte auf 90 %?“ als Vorhersageproblem und berechnet so den genauen Wiederholungszeitpunkt
• Das FSRS-Modell bestimmt per Kurvenanpassung drei Funktionen: Schwierigkeit (1–10 je Karte), Stabilität (der Zeitraum, in dem die Erinnerungsrate von 100 % auf 90 % fällt) und Abrufwahrscheinlichkeit (die Erinnerungswahrscheinlichkeit nach einer bestimmten Anzahl von Tagen)
• Mithilfe von 21 Parametern werden die Kurven an umfangreiche Review-Daten angepasst; dabei werden die Parameter anhand des persönlichen Wiederholungsverlaufs neu justiert
• FSRS erlaubt es, eine gewünschte Ziel-Erinnerungsrate (z. B. 90 %) festzulegen und die daraus resultierende tägliche Lernlast und Anzahl zu simulieren
  • Wird beispielsweise eine Erinnerungsrate von 70 % eingestellt, sinkt die tägliche Wiederholungsmenge, während die Zahl der behaltenen Karten sogar steigt

Praktischer Einsatz von FSRS

• Anki hat FSRS ab Version 23.10, veröffentlicht im November 2023, als Standard-Scheduler übernommen
• Mit FSRS sinkt die tägliche Wiederholungsbelastung, und auch beim Wiederholen falsch beantworteter Karten steigt der Stress nicht stark an
• Mit den empfohlenen Einstellungen lässt sich das Gleichgewicht zwischen Lerneffizienz und Lernaufwand optimieren
• Als Open-Source-Projekt kann es in vielen Sprachen und Softwareumgebungen implementiert werden

Vergleich mit anderen Lerndiensten

• Bei Abo-Diensten wie WaniKani und Bunpro gibt es nur feste Intervalle ohne personalisierte Anpassung
  • Beispiel: 4 Stunden, 8 Stunden, 1 Tag, 2 Tage, 7 Tage ... als willkürlich festgelegte Wiederholungszyklen
• Bei falschen Karten wird nicht immer auf die niedrigste Stufe zurückgesetzt, oder es fehlt an maschinenlernbasierter Vorhersage, wodurch die Effizienz deutlich zurückbleibt
• Karten, deren festes Intervall abgelaufen ist, werden später nicht erneut gezeigt, was zu langfristigem Wissensverlust führt
• Dadurch summieren sich Stress und Ineffizienz für Lernende

Vorteile von Anki

• Die UI mag etwas unbequem sein, doch leistungsstarke Lernfunktionen, kontinuierliche Updates und umfangreiche Anpassbarkeit sind große Stärken
• In der Praxis bietet es Flexibilität für Lernende aus vielen Bereichen und auf unterschiedlichen Niveaustufen
• Es ist optimal für den langfristigen Wissensaufbau von den Grundlagen bis zum fortgeschrittenen Niveau
• Auf Basis direkter Nutzererfahrung hat es sich als effektives Lernwerkzeug etabliert

Mehr erfahren

• Für die Prinzipien von Spaced Repetition, die genaue Funktionsweise von FSRS und Implementierungsbeispiele siehe die folgenden Materialien
  • open-spaced-repetition/awesome-fsrs: Liste von FSRS-Implementierungen in verschiedenen Programmiersprachen und Softwareprojekten
  • open-spaced-repetition/srs-benchmark: Benchmark-Ergebnisse zum Vergleich von FSRS mit verschiedenen Algorithmen (z. B. SuperMemo-2, Duolingo-Algorithmus usw.)
    • Aktuell zeigt nur etwa ein auf dem OpenAI-Reptile-Algorithmus basierendes LSTM-Neuronales Netz konsistent bessere Leistung als FSRS

[GN⁺]

Hacker-News-Kommentare

• Ich möchte hervorheben, dass ich der Gründer von Trane bin (https://github.com/trane-project/trane/). Trane kann Systeme wie Anki ersetzen und ist auf die meisten Bereiche anwendbar, in denen es eine klare Hierarchie zwischen untergeordneten technischen Elementen gibt, etwa Musik oder Vokabellernen. Ich denke, bestehende Systeme wie Anki und SuperMemo haben drei ungelöste Probleme. Erstens ist der auswendiglernzentrierte Ansatz problematisch. Ich wollte etwas, das sich auch auf Bereiche anwenden lässt, in denen nicht Gedächtnis, sondern kompetenzbasierte Bewertung nötig ist, etwa Musik. Zweitens erschwert das Fehlen von Hierarchieinformationen den Erwerb umfangreicher Fähigkeiten. Anki kann die Funktionen von Trane — Fortschrittsbegrenzung auf Basis von Abhängigkeiten zwischen Teilfertigkeiten und Kompetenzüberprüfung — nur schwer nachbilden. Drittens verlangen diese Systeme, dass man seine Übungsaufgaben selbst erstellt. Das kostet viel Zeit, und bei komplexen Fähigkeiten braucht man dafür Experten. Trane ist im Grunde fertig, und ich nutze es für mein Musikstudium. Da es keine UI gibt, verwende nur ich es, aber ich will nicht kostenlos arbeiten, also ist das eben so. Derzeit entwickle ich auf Basis von Trane einen Lese- und Schreiblern-Tutor. Wenn er fertig ist, können Schüler damit vom Alphabet bis zum Lese- und Schreibniveau der Universität auf Grundlage aktueller Forschung lernen. Ziel ist ein MVP noch dieses Jahr
• Ich habe viele Diskussionen und Weiterentwicklungen rund um SRS gesehen. Aber der Bereich, den ich sehen möchte und der wirklich wichtig ist, liegt zwischen Lesen/Verstehen und SRS. Es gibt kaum eigenständige Tools, mit denen man aus bestehenden Programmen wie Webbrowsern oder PDFs leicht Flashcards für populäre SRS wie Anki oder Mochi erzeugen kann. So etwas müsste so natürlich und reibungslos funktionieren wie eine OS-Integration; nötig ist eine Pipeline, die sich leicht an ein SRS übergeben lässt, nicht „noch eine separate App“. Ich brauche ein Mac-freundliches, unaufdringliches System dieser Art. Falls jemand so ein Tool kennt, sagt bitte Bescheid
  • Das Konzept „in bestehenden Programmen einfach Flashcards erstellen“ wird oft missverstanden. Mehr als die Hälfte des Werts von SRS entsteht beim Prozess, selbst die Konzepte auszuwählen, die zu Flashcards werden sollen, und dabei Ähnlichkeiten, Unterschiede und Eigenschaften zu erkunden. Das ist mühsam, hilft dem Verständnis aber enorm. Gerade weil diese Fähigkeit schwierig ist, nutzen viele Menschen SRS nicht richtig, spüren keinen Effekt und geben wieder auf. Ein weiteres Missverständnis ist, dass SRS nur zum stumpfen Auswendiglernen taugt. Tatsächlich kann man es bei guter Gestaltung sehr wohl auch zum Verständnis komplexer Themen verwenden
  • Ich habe eine Flashcard-App namens Fresh Cards gebaut, und Nutzer fragen mich gelegentlich nach einer Funktion, um Flashcards aus Webseiten oder PDFs zu importieren. Ehrlich gesagt weiß ich aber noch nicht, wie das funktionieren sollte. Sollte der Nutzer selbst markieren und dann auf „Als Karte erstellen“ klicken? Oder sollte die App den Text automatisch analysieren und eine Liste mit Fragen und Antworten vorschlagen? Es ist schwer zu entscheiden, nach welchen Kriterien etwas in Karten verwandelt werden soll und wie fein granular das sein muss. Gerade das Herausziehen einfacher Fakten wie Daten oder Namen ist bei manchen Inhalten wenig hilfreich. Letztlich ist das ein sehr offenes Problem, sodass es schwer sein dürfte, alle Bedürfnisse zufriedenzustellen
  • Ich denke, das macOS-Service-Modell passt sehr gut zu diesem Zweck. Services arbeiten kontextbezogen in vielen Apps und unterstützen die Integration zwischen Apps ohne gesonderte Entwicklung. Wenn man zum Beispiel Text markiert, rechtsklickt und im Service-Menü etwas wie „New SRS Card“ aufruft, könnte man sofort eine einfache Karte erzeugen. Wenn SRS-Apps solche Services eingebaut hätten, ließen sich Karten sehr schnell und bequem erstellen
  • Ich löse dieses Problem mit einem System-Prompt für ein LLM. Ich verstehe erst das Konzept in ChatGPT, bitte dann um die Erzeugung von Flashcards und kopiere sie anschließend in Mochi. Künftig dürfte sich die direkte Integration zum Hinzufügen von Karten zwischen LLMs und Mochi noch weiterentwickeln
  • Im Kontext des Sprachenlernens gibt es sehr gute Tools, mit denen man YouTube-/Netflix-Audiokarten oder Untertitel extrahieren und „minen“ kann. Einige davon sind Open Source und kostenlos, verursachen beim ersten Einsatz aber etwas Reibung. Bezahlte Lösungen sind etwas benutzerfreundlicher
• Ein Tipp, den ich für das Lernen mit LLMs empfehle: Baut ein MCP-Tool, das Gesprächsinhalte nach Themen als CSV in Google Drive speichert und mit Anki synchronisiert. Diese Methode war für meine LLM-Nutzung ein echter Gamechanger. Langfristig können LLMs dazu führen, dass man weniger selbst denkt, aber wenn man sie ohnehin nutzt, würde ich empfehlen, sie als Lernwerkzeug einzusetzen
  • Ich habe ein Python-Skript gebaut, das Karten auswählt, die in meinem Anki-Deck am nächsten Tag zur Wiederholung anstehen, und das LLM neue Sätze dazu generieren lässt. Ziel ist nicht nur, Karten immer wieder korrekt auswendig zu können, sondern auch die Worterkennung in neuen Kontexten zu verbessern. Ich hoffe, dass Lernen in unterschiedlichen Kontexten beim tatsächlichen Spracherwerb hilft
  • Ich würde gern einen Blogpost darüber sehen, wie genau du CSVs mit Anki-Karten synchronisierst und wie deine MCP-Implementierung aussieht, die LLM-Ergebnisse in CSV umwandelt
  • Der Voice Mode von ChatGPT 4o ist für grundlegendes Chinesischlernen wirklich eine revolutionäre Erfahrung. Es hilft enorm, zu Hause nach Namen von Gegenständen zu fragen, Beziehungen zwischen Wörtern zu erfragen, kurze Sätze zu bilden und Grammatik zu überprüfen. Es gibt noch kein MCP dafür, aber man kann sich die Gespräche in einem strukturierten Format zusammenfassen lassen
• Das Unangenehmste an Anki ist für mich das Datenmodell. Ich finde, man sollte „Notizsammlungen“ — ob selbst erstellt, per LLM erzeugt oder mit Freunden bzw. Schülern geteilt — hierarchisch verwalten und daraus dann auf Basis von Templates die eigentlichen zu lernenden Kartensätze ableiten. Es braucht eine Trennung der Ebenen: Wiederholungshistorie und Modell, Methoden zur Begrenzung der in bestimmten Situationen zu wiederholenden Karten (beim Schreiben von Chinesisch oder Japanisch braucht man Papier, also möchte man je nach Situation bestimmte Decks ausblenden) usw. In Anki ist das alles in einer einzigen Datenbank vermischt, und Import/Export/Teilen/Manipulation externer Daten ist ebenfalls sehr umständlich. Es frustriert mich jedes Mal, wenn ich meine Daten nicht frei manipulieren kann. Kennt jemand ein System ohne diese Probleme?
  • Mehrere Notizsammlungen und die Begrenzung von Karten pro Sitzung lassen sich in Anki mit Decks und Tags, Better Tags, Subdecks usw. völlig ausreichend umsetzen. Alle Decks sind als separate Dateien getrennt, und beim Spaced-Repetition-Modell gibt es mehrere Optionen wie FSRS. Export und Teilen sind dateibasiert (komprimierte Dateien) einfach, und für externe Bearbeitung gibt es viele Bibliotheken und Tools. Durch die Open-Source- und bibliotheksbasierte Struktur lassen sich Daten leicht extrahieren. Das ist ein Fall, in dem Unzufriedenheit mit bestehenden Systemen für mich durch Anki gelöst wurde
  • Alles, was du erwähnt hast, stimmt so nicht. Anki hat hervorragende Open-Source-Dokumentation. Wenn man programmieren kann, ist mit ChatGPT fast alles möglich, und ich betreibe auch oft Data Mining direkt auf der sqlite-Datenbank
  • Das Datenmodell von Anki hat viele ineffiziente Stellen. Es ist tatsächlich eine ziemlich provisorische Konstruktion, etwa mit JSON in einzelnen Tabellenzeilen, also eine etwas unbeholfene Struktur, die schrittweise gewachsen ist. Andererseits sind Templates und die Cloze-Deletion-Funktion (automatisches Erzeugen mehrerer Karten durch selektives Verbergen von Teilen) hervorragend, sodass ich diese Struktur inzwischen sogar zu schätzen weiß. Ich gestalte gerade das Schema von Fresh Cards neu, um Cloze Deletion und Templates einzuführen. In meiner App ist jede Karteneigenschaft in eigene Tabellen aufgeteilt. Dass Anki anfangs Synchronisation nur schwer unterstützen konnte, hängt auch mit diesem Schema zusammen
  • Das gilt zwar nur für das Sprachenlernen, aber eine Struktur wie bei meinem TheHardWay (https://thehardway.app), in der Flashcards mit Markdown-Notizen integriert sind, könnte eine gute Wahl sein
  • Wenn man zum Beispiel restaurantbezogene Wörter und flughafenbezogene Wörter in getrennte Gruppen aufteilt, kann der Nutzer sie natürlicher miteinander assoziieren
• Während meines Studiums habe ich Spaced Repetition auf folgende Weise genutzt. Ich habe die Schlüsselbegriffe, die ich auswendig lernen musste, vertikal in einem Word-Dokument angeordnet und als PDF gespeichert. Neben jedem Begriff im PDF habe ich ein Kommentarfeld (Wert) angelegt. Durch Anklicken des Kommentars konnte ich die Antwort sehen; je leichter ich richtig lag, desto weiter habe ich den Kommentar nach links verschoben, und wenn ich unsicher war, wieder nach rechts. Letztlich konnte ich so über die Position der Kommentarspalten die Wiederholungspriorität steuern. Es hatte viele Nachteile, passte aber gut zu mir, und damals gab es noch keinen ähnlichen Algorithmus in Anki, daher wäre meine Erfahrung heute vielleicht anders gewesen
  • Das klingt interessant, aber allein durch die Beschreibung kann ich es mir noch nicht richtig vorstellen. Ich würde gern eine Beispieldatei sehen, falls du eine hast
• Wenn du mit FSRS experimentieren willst: Open Spaced Repetition bietet offizielle Python-, Typescript- und Rust-Pakete an (mit Verweisen auf die jeweiligen GitHub-Links). ts-fsrs und rs-fsrs unterstützen FSRS 6, und py-fsrs soll es bald ebenfalls unterstützen. Außerdem bieten py-fsrs und fsrs-rs sogar die Optimierung des Modells anhand vergangener Wiederholungsverläufe
  • Ich nutze das Rust-Paket für das Eröffnungstraining bei Chessbook. Es ist sehr einfach zu verwenden, senkt die Belastung für Nutzer und erhöht zugleich die Behaltensquote. Das FSRS-System ist wirklich hervorragend
  • Ruby-Nutzer sollten sich den Fork des FSRS gem ansehen, der das Intervallproblem bei neuen Karten behebt (https://github.com/arvindang/rb-fsrs). Er wurde ursprünglich von der obigen Python-Version portiert
• Spaced Repetition ist seit 20 Jahren populär, aber kein Allheilmittel. Trotz Dutzender Apps und Tausender Vorträge geben am Ende viele Leute mittendrin auf, ähnlich wie bei Diäten oder Selbstoptimierungsroutinen. Ich habe einmal gedacht: „Wenn uns Bildung von Kindern wirklich wichtig wäre, müssten Google oder Apple ein Unlock-System herausbringen, bei dem man jede Woche Notecards schreiben und bestehen muss, um sein Handy zu entsperren.“ Natürlich müsste es Umgehungsfunktionen geben, und vermutlich würden es nur wenige wirklich installieren, aber meiner Meinung nach müsste es so alltäglich werden
  • Spaced Repetition fokussiert sich auf „Zeitoptimierung“, hilft aber nicht bei Selbstmanagement oder Motivation. Wenn Zeit der Engpass ist, ist es effizient, aber wenn Motivation oder Selbstkontrolle schwerfallen, kommt es leicht zum Burnout. Bei mir war es so, dass ich dank Anki GCSEs und A-Levels geschafft habe, danach aber stark ausgebrannt war und schließlich sogar ein Urlaubssemester nehmen musste. Am Ende war Anki sowohl der Motor meines Erfolgs als auch ein Anlass für eine Pause
  • Die Aussage „kein Allheilmittel“ ist ohne klare Definition des Maßstabs leer. So wie auch Diäten kein Allheilmittel sind, war SRS für mich nach über sechs Jahren Nutzung eine lebensverändernde Erfahrung
  • Menschen, die den Unterschied zwischen Auswendiglernen und Spracherwerb nicht verstehen, interessieren sich weniger für SRS. Wer das Ziel hat, Dinge auswendig zu lernen, ist begeistert, aber mein Ziel ist eigentlich die Lesefähigkeit in Spanisch und Französisch. Das wiederholte Training mit Wörtern und Beispielsätzen ist wie ein Gerüst auf einer Baustelle. Es wird nicht direkt für das Bauwerk verwendet, beschleunigt aber den gesamten Prozess enorm. Auswendiglernen und Spracherwerb sind keine getrennten Dinge, sondern stehen in einer unterstützenden Beziehung. Es wäre gut, wenn das besser vermittelt würde
  • Wer ein Allheilmittel erwartet, wird nur enttäuscht. Letztlich braucht es „Arbeit“. Es ist nur ein Werkzeug
  • SRS hat ein UX-Problem mit hoher Einstiegshürde. 1) Die Zeit für die Kartenerstellung 2) die Notwendigkeit der Selbstbewertung 3) die Struktur aus einem einzelnen Prompt und einer einzelnen Antwort 4) die Notwendigkeit selbstgesteuerten Lernens (Scaffolding, Verständnisstufen). Noch grundlegender ist, dass SRS bei „präzisen Fragen und Antworten“ hervorragend ist, aber bei Generalisierung schwach. Tatsächlich ist es beim Aufbau von Wissensgraphen schwach. Wenn man den Unterschied zwischen Abrufwissen (Auswendiglernen) und logischem Modellwissen betrachtet, funktioniert Auswendiglernen fast wie „Nachschlagen in einem Wörterbuch“, während logische Modelle (etwa mathematische Konzepte) viel komplexer sind. Befürworter von SRS behaupten zwar, auch logische Modelle beruhten letztlich auf dem Auswendiglernen einer „Menge von Fakten“, aber der praktische Wert von SRS liegt am Ende eher darin, mehr Nutzen als ein „gut geordnetes Notizbuch“ zu bieten. Zum Genie macht es einen jedoch noch lange nicht
• Nach fast zehn Jahren mit Anki denke ich, dass vor allem UI und Design verbessert werden müssen. Noch mehr als Algorithmusautomatisierung ist das eigentliche Problem, dass die reale Oberfläche auf viele neue Nutzer langweilig wirkt. Die starken Power-User-Funktionen sind gut, aber nicht intuitiv. Der Spacing-Effekt ist ein im menschlichen Lernen massiv unterschätzter Kernfaktor
  • Ich bin Maintainer von AnkiDroid. Wir arbeiten gerade an einem kompletten Redesign des Reviewers, das man in der Produktions-App unter „Entwickleroptionen“ ansehen kann. Mit dem Design bin ich nicht zufrieden, aber uns fehlen sehr viele Ressourcen. Wenn jemand Interesse an Android hat, freue ich mich über Kontakt
  • Ich liebe Anki, aber es ist das typische Produkt, das „von Ingenieuren entworfen“ wurde. Es ist unglaublich mächtig und tiefgehend, aber das Design ist klobig und unintuitiv. Für technikaffine HN-Leser mag es erlernbar sein, aber für typische Duolingo-Nutzer ist es schwer
  • Das Editorfenster ist extrem unbequem. Dort besteht dringender Verbesserungsbedarf. Auch die Tabs im Hauptfenster verhalten sich nicht wie echte Tabs, und ein Modus mit nur zwei Buttons, „Again/Good“, sollte im Review-Bildschirm standardmäßig integriert sein. Schon mit Add-ons ist das populär und leicht umzusetzen
  • Ich habe über die Jahre viele Texte über Anki und SRS gelesen, es aber nie wirklich benutzt. Mich würde interessieren, ob es Lernbereiche gibt, die ihr besonders empfehlen würdet
  • Im Vergleich zu Duolingo ist es natürlich langweilig. Trotzdem benutze ich es seit Jahren. Ein wenig Gamification (Streaks, Soundeffekte usw.) als optionale Funktion wäre wohl gut
• Ich habe vor sechs Jahren einen Beitrag mit dem Titel „Why Anki Doesn’t Work for Me“ geschrieben (also vor den Algorithmusverbesserungen). Ich hatte mehrere Probleme mit Anki, aber der neue Algorithmus hat meinen Hauptkritikpunkt behoben, also plane ich, es noch einmal zu versuchen. Ich frage mich, ob die übrigen Probleme weiterhin Hürden sind
  • Ich bin während meiner A-Levels auf die FSRS-Erweiterung umgestiegen. Mit einem Google-Colab-Notebook habe ich sie sogar passend zu meinem Lernmuster individuell gefittet. Die Wiederholungsmenge hat sich halbiert, und das Timing der Wiederholungen ist besser verteilt, sodass es viel angenehmer geworden ist. Die Wirkung war gleich gut oder sogar besser. Ich empfehle dringend, es auszuprobieren
  • Ich hatte eine sehr ähnliche Erfahrung. Anki war zu sehr auf das Kurzzeitgedächtnis fixiert, und nach ein paar Tagen oder Wochen musste ich vieles fast von vorn lernen. Damals wurde Anki in fast allen SRS-Communities geradezu vergöttert, aber ich habe aufgegeben
  • WaniKani hat die beste SRS-UI, leidet aber wegen seines veralteten Algorithmus im Kern unter denselben Grenzen. Die Struktur „Wenn die letzte Wiederholung vorbei ist, muss man die Karte nie wieder sehen“ birgt immer das Risiko von Wissensverlust, und das macht mich unruhig
• Das Interessante an Spaced Repetition ist die Annahme, dass „bloßes Auswendiglernen“ in bestimmten Situationen eine viel wichtigere Rolle spielt, als die moderne Bildung heute annimmt. In Mathematik und Programmierung glaubt man oft, Verstehen sei wichtiger als Auswendiglernen, aber Spaced Repetition kann dazu einen Gegenpunkt setzen
  • Beim Übergang des Bildungssystems von der vorindustriellen Zeit zur Moderne fand ein Wandel von der memorierungszentrierten klassischen Bildung (Latein, Griechisch) hin zu „verständniszentriertem“ Lernen statt. Dieser Wandel war nötig, ist aber möglicherweise zu weit gegangen. Heute wird Auswendiglernen eher stärker abgewertet als nötig
  • Heutige Programmierung folgt dem Prinzip „Man kann es nachschlagen, wenn man es braucht“. Aber einiges muss man trotzdem auswendig können, etwa Programmiersprachen oder Muster. Praxis ist wie unstrukturiertes SRS, und in bestimmten Bereichen (z. B. Treiberentwicklung in C++) kann SRS sehr hilfreich sein
  • Wiederholt benutzte Operationen (etwa Multiplikation) müssen durch Auswendiglernen verinnerlicht werden, damit man sich auf das Lernen übergeordneter Konzepte konzentrieren kann. Diese Struktur ist ein Schlüssel zur Lerneffizienz
  • Auswendiglernen ist eine Voraussetzung für Verständnis. Was man sich nicht merken kann, kann man auch nicht verstehen
  • Der Unterschied zwischen Abrufwissen und logischem Modellwissen ist sehr interessant. LLMs liegen typischerweise näher an Ersterem und haben deshalb in Mathematik große Grenzen