leef-Adaptionen: Was wir über Standard-FSRS hinaus tun

1. Density-Picker: Kartendichte an den Lernkontext anpassen

Wenn leef Karten aus einem PDF generiert, kannst du wählen, wie viele Karten pro Dokument entstehen: von rund 0 (Überblick) bis 0 (tiefe Abdeckung). Die meisten Lern-Apps machen das nicht, sondern liefern eine feste Menge. Warum entscheidet bei uns die Nutzer:in?

John Sweller's Cognitive-Load-Theorie (1988) trennt drei Arten von Belastung im Arbeitsgedächtnis: intrinsisch (durch das Material selbst), extraneous (durch schlechte Darstellung) und germane (produktiv genutzte Kapazität für tiefes Verarbeiten). Die kritische Erkenntnis: Das Arbeitsgedächtnis hat eine harte Kapazitätsgrenze. Wer zu viel auf einmal hineinpackt, verarbeitet nichts davon tief, auch wenn formal alles "drin" ist.

Konkret: Vor einer Klausur in zwei Wochen brauchst du dichte Abdeckung mit vielen Karten pro Konzept und Detail-Varianten. Beim ersten Lesen eines Forschungspapiers brauchst du eher Überblicks-Karten, die die Kernargumente abbilden. Beides hat seinen Platz; ein fester Wert wäre für den einen Fall zu wenig, für den anderen zu viel. Der Density-Picker ist unsere Implementierung des Cognitive-Load-Gedankens: Die Nutzer:in entscheidet, wie viel intrinsische Last in den Stapel kommt.

2. KI-Karten-Generierung mit Quality-Guardrails

Karten manuell zu schreiben ist gut. Und gleichzeitig der Schritt, an dem die meisten Lern-Vorhaben scheitern. Wer noch nichts vom Stoff weiß, weiß auch nicht, welche Fragen sich zu stellen lohnen. leef nutzt Claude, um aus einer PDF Q/A-Paare zu generieren, die du dann nur noch reviewst und ggf. korrigierst.

Das offensichtliche Risiko: Halluzinationen. Ein Modell, das eine Frage erfindet, deren Antwort im Originaltext gar nicht steht, vergiftet das Lernen. Du prägst dir Falsches ein. Unsere Antwort sind drei Guardrails.

• Source-Anchoring: Jede Karte wird mit dem Textpassagen-Ausschnitt verbunden, aus dem sie stammt. Du kannst beim Reviewen direkt vergleichen und siehst, ob die Karte mit der Quelle übereinstimmt.
• Konservatives Prompting: Das Modell wird instruiert, nur Fakten aus dem Text zu nutzen. Keine Welt-Wissen-Ergänzungen, keine Interpretationen, die nicht direkt belegt sind. Lieber eine knappere Karte als eine plausibel klingende, aber falsche.
• Human-in-the-loop-Review: Generierte Karten gehen NICHT direkt ins Deck. Du siehst sie zuerst und kannst editieren, akzeptieren oder verwerfen. Das ist eine bewusste Designentscheidung: KI ist hier Vorschlagsmaschine, nicht Autorität.

Das Ergebnis ist ein Kompromiss zwischen Autonomie und Sicherheit: schnell genug, dass du tatsächlich anfängst, geprüft genug, dass du nicht Falsches lernst.

3. Streak + Tree: Gewohnheits-Design ohne Sucht-Patterns

Gamification ist umstritten, und das zu Recht. Deterding et al. (2011) definierten den Begriff sauber als "Nutzung von Spiel-Design-Elementen in Nicht-Spiel-Kontexten" und unterschieden früh zwischen Gestaltungen, die intrinsische Motivation stützen, und solchen, die sie ersetzen. Letztere kennt jeder: Streaks, die zu Angst werden; Push-Notifications, die in den Schlaf ziehen; Belohnungs-Schemata, die das eigentliche Ziel verdrängen.

BJ Fogg's Behavior-Modell (B = MAP: Behavior happens when Motivation, Ability and a Prompt converge, 2009) gibt uns die Designgrundlage: Wir versuchen, die Ability zu maximieren (kurze Reviews, klares Tagesziel) und einen sinnvollen Prompt zu liefern (Tages-Reminder, aber kein Spam). Motivation wollen wir UNTERSTÜTZEN, nicht ERZWINGEN.

Konkret bei leef: Der Streak zeigt, wie viele Tage du am Stück gelernt hast, und der wachsende Baum visualisiert die Konstanz. Aber: Pro-Nutzer:innen bekommen eine Streak-Insurance, einen automatischen Freeze pro Woche. Warum? Weil der "All-or-Nothing"-Effekt der Hauptkiller von Lerngewohnheiten ist: Ein Tag verpasst, Streak weg, Motivation weg, Projekt tot. Das ist das Sucht-Muster, das wir explizit vermeiden wollen. Eine Krankheit, eine Reise, ein voller Tag, das soll dich nicht aus der Bahn werfen.

4. Mehrsprachigkeit: Encoding-Specificity in der Praxis

leef speichert Karten in derjenigen Sprache, in der sie generiert wurden. Englische Quelle → englische Karten; deutsche Quelle → deutsche Karten. Das klingt trivial, ist aber bewusst, und folgt direkt aus dem Encoding-Specificity-Prinzip (Tulving & Thomson 1973, siehe Kapitel 3).

Die häufige Alternative, alles ins Deutsche zu übersetzen, weil es "einfacher zu lernen" sei, bricht den Cue-Kontext, den du im Ernstfall brauchst. Wenn du dir den englischen Begriff "germane load" nur als deutsche Übersetzung "produktive Belastung" einprägst, sitzt der englische Begriff nicht. In der englischen Diskussion wirst du auf ihn warten, aber er kommt nicht. Der Cue stimmt nicht. Umgekehrt genauso: Englische Übersetzungen von deutscher Fachsprache schaden mehr als sie nützen, wenn du eigentlich auf Deutsch arbeiten willst.

Deshalb: leef akzeptiert Quellen in Deutsch und Englisch, generiert Karten in der Quellsprache, und der Review-Stapel mischt beides ohne Übersetzungs-Brücke. Du lernst englische Konzepte auf Englisch, deutsche auf Deutsch, und behältst beide, wo sie hingehören.

Was wir bewusst NICHT tun

Zur Vollständigkeit: Wir begrenzen Leaderboards auf den Challenge-Kontext (kein passiver Ranglisten-Druck im Alltag), verzichten auf nicht-pausierbare Streaks (siehe oben, all-or-nothing-Falle), auf Multi-Choice-Karten als Default (untergräbt Active Recall, Wiedererkennen ist NICHT Erinnern) und auf "Karten in 10 Sekunden"-Versprechen. Was wir versprechen können, ist Konsistenz: Wenn du regelmäßig kommst, halten wir die Forschungsergebnisse aus diesen vier Kapiteln in einem Tool zusammen, das wenig im Weg steht.

Quellen

• Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257-285. Originalformulierung der Cognitive-Load-Theorie.
• Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design elements to gamefulness: defining “gamification”. Proceedings of MindTrek '11, 9-15. Begriffsbestimmung und Framework für Gamification, inklusive Abgrenzung zu manipulativen Mustern.
• Fogg, B. J. (2009). A behavior model for persuasive design. Proceedings of Persuasive '09, 1-7. Das B = MAP-Modell: Motivation, Ability, Prompt als Voraussetzungen für Verhalten.
• Tulving, E., & Thomson, D. M. (1973). Encoding specificity and retrieval processes in episodic memory. Psychological Review, 80(5), 352-373. Querverweis aus Kapitel 3, Grundlage für die Sprach-Trennung.