Karten ins SRS-Deck einfügen, ohne Schwierigkeit zu verfälschen

Kurz gesagt

Füge neue Karten in kleinen, kontrollierten Portionen hinzu (5 bis 10 pro Sitzung), und erst nachdem jedes Wort einen echten ersten Abruftest außerhalb des regulären Plans bestanden hat. Wer Karten wahllos hinzufügt, ob zu viele auf einmal oder ohne ordentliche Kodierung, verfälscht die FSRS-Werte für Schwierigkeit (Difficulty) und Stabilität (Stability), die jedes künftige Intervall bestimmen. Das Ergebnis: Ein Deck, das leichte Items überprüft, schwere unterprüft und Review-Schulden schneller erzeugt, als du sie abarbeiten kannst. Wenn der Scheduler für dich arbeiten soll, schütze seinen ersten Datenpunkt.

Wie FSRS deine erste Bewertung nutzt, um jedes künftige Intervall zu formen

FSRS verfolgt drei Werte pro Karte: Schwierigkeit (D), Stabilität (S) und Abrufbarkeit (R). Zusammen bilden sie das DSR-Gedächtnismodell.¹ Stabilität ist die Anzahl Tage, bis die Abrufbarkeit auf 90 % fällt. Schwierigkeit (Skala 1 bis 10) bestimmt, wie stark die Stabilität nach einer erfolgreichen Wiederholung wächst. Abrufbarkeit ist die Wahrscheinlichkeit, das Item jetzt abrufen zu können. Eine vollständige Erklärung aller drei Komponenten findest du unter Wie verteiltes Wiederholen funktioniert.

Das entscheidende Detail: Deine allererste Bewertung einer neuen Karte initialisiert sowohl D als auch S. FSRS nutzt die erste Note (Nochmal, Schwer, Gut oder Einfach), um die Startschwierigkeit und den ersten Stabilitätswert festzulegen. Jede folgende Wiederholung aktualisiert diese Zahlen inkrementell. Ist der erste Datenpunkt falsch, driftet die gesamte Scheduling-Trajektorie von der Realität ab, weil alle künftigen D- und S-Berechnungen auf dem initialen Zustand aufbauen.

Warum unüberlegtes Hinzufügen dein Deck korrumpiert

Verfälschte Erstbewertungen durch Arbeitsgedächtnis-Echo

Wenn du ein brandneues Wort hinzufügst und Sekunden später wiederholst, ruft dein Gehirn nicht aus dem Langzeitgedächtnis ab. Es liest das sensorische Echo im Arbeitsgedächtnis, das innerhalb von 10 bis 18 Sekunden zerfällt, wenn Rehearsal blockiert ist.² Drückst du bei diesem Schein-Erfolg "Gut", weist FSRS eine moderate Schwierigkeit und eine lange initiale Stabilität zu. Wenn die Karte Tage später wiederkommt, ist das Echo verschwunden. Du scheiterst, FSRS erhöht die Schwierigkeit, und die Karte gerät in einen Überkorrektur-Kreislauf. Die Forschung hinter diesem Fehler erklärt Warum du neue Wörter nicht direkt ins Spaced Repetition legen solltest.

Wiederholtes Scheitern bläht Schwierigkeit dauerhaft auf

Der umgekehrte Pfad ist genauso schädlich. Du fügst ein Wort hinzu, das du nie kodiert hast, scheiterst dreimal in zehn Minuten, und jedes "Nochmal" schraubt die Schwierigkeit nach oben. FSRS interpretiert die Fehlschläge als Beleg dafür, dass das Item von Natur aus schwer ist. In Wirklichkeit war es nie bereit für Scheduling. Die Karte landet bei einem künstlich hohen D-Wert mit engen Intervallen, die bestehen bleiben, lange nachdem du das Wort tatsächlich gelernt hast. Ältere SM-2-Systeme nannten das "Ease Hell". FSRS mildert die schlimmsten Fälle, aber selbst FSRS kann sich nicht vollständig von einem Schwierigkeitswert erholen, der auf fehlender Kodierung statt echter Itemkomplexität basiert.

Zu viele neue Karten überfordern die Kodierung

Selbst wenn jede einzelne Karte eine saubere Erstbewertung bekommt: Zu viele auf einmal schaffen ein anderes Problem. Forschung zu verteiltem Lernen zeigt konsistent, dass das Verteilen von Items über mehrere Sitzungen stärkere Retention erzeugt als Bündelung in einem Block.³ Füge 30 neue Wörter in einer Sitzung hinzu, und jedes bekommt weniger kognitive Aufmerksamkeit. Flashcard-Studien bestätigen dasselbe Muster: Lernende, die neue Karten über mehrere Sitzungen verteilen, behalten mehr als jene, die alles auf einmal laden.⁴

Dazu kommt ein kumulativer Review-Last-Effekt. Jede neue Karte erzeugt künftige Reviews auf einem exponentiellen Zeitplan. Zehn neue Karten heute bedeuten vielleicht 10 Reviews morgen, 15 in drei Tagen, 25 in einer Woche. Füge eine Woche lang jeden Tag 10 weitere Karten hinzu, und die Review-Warteschlange explodiert. Innerhalb von zwei Wochen überspringst du entweder Tage (was Spacing zunichte macht) oder verbringst so lange mit Reviews, dass du kein neues Material mehr hinzufügst. Mehr zu diesem und verwandten Fallstricken findest du unter Typische Spaced-Repetition-Fehler.

Neue Karten batchen, ohne deinen Zeitplan zu sprengen

Das Ziel: saubere Erstbewertungsdaten und tragbare Review-Last. Ein paar konkrete Regeln helfen:

1. Neue Karten nach tragbarer Review-Zeit festlegen, nicht nach Ehrgeiz. Eine gängige Faustregel: Tägliche Reviews (neu + fällig) sollten in das Zeitfenster passen, das du wirklich einhältst. Hast du 15 Minuten, sind 5 bis 10 neue Karten pro Tag nachhaltiger als 30.
2. Fällige Reviews zuerst, dann neue Karten. Fällige Items stehen am nächsten am Vergessen. Sie aufzuschieben, während du den Kick frischer Wörter jagst, lässt die Abrufbarkeit sinken und bündelt Fehlschläge. Reviews first, neue Karten second.
3. Neue Karten über mehrere Sitzungen verteilen. Hast du 40 Wörter für diese Woche, verteile sie auf 5 bis 7 Sitzungen statt alles am Montag zu laden. Das verteilt die Kodierungsarbeit und die resultierende Review-Schuld.³
4. Review-Warteschlange beobachten. Steigen die fälligen Karten über dein Tagesbudget, pausiere neue Karten, bis sich die Warteschlange stabilisiert. FSRS rettet dich nicht vor einem Deck, das deinen Kalender überwächst.

Der fehlende Schritt: Erwerb vor dem Scheduling

Batching löst das Volumenproblem, aber nicht das Datenqualitätsproblem. Selbst eine einzige neue Karte pro Tag verfälscht FSRS, wenn die erste Bewertung aus einem Arbeitsgedächtnis-Echo statt aus echtem Abruf stammt.

Die Lösung ist eine Vor-SRS-Erwerbsphase: eine kurze Pipeline zwischen Erstbegegnung und dem Moment, in dem die Karte den regulären Plan betritt. Effektiver Erwerb umfasst:

1. Sinnvolle Erstbegegnung. Das Wort im Kontext sehen, mit Bedeutung verknüpfen und produzieren (tippen oder aussprechen) statt nur passiv lesen. Produktion bei der Erstbegegnung stärkt die Kodierung.⁵
2. Kurze eingestreute Pause. Erledige eine unabhängige Aufgabe für 5 bis 10 Sekunden vor dem ersten blinden Test. Das leert das Arbeitsgedächtnis und erzwingt Abruf aus einer echten Spur, nicht aus dem Echo.⁶
3. Aktives Abrufen, kein Erkennen. Tippe das Wort anhand eines minimalen Hinweises. Multiple-Choice-Tests messen Erkennung und können falsche Assoziationen durch falsche Antwortoptionen kodieren.⁷
4. Übergang ins SRS mit Versuchshistorie. Erst nach einem erfolgreichen blinden Abruf sollte die Karte in die FSRS-Warteschlange gelangen. Übergib das vollständige Versuchsprotokoll (einschließlich Fehlversuchen) an den Scheduler, damit die initialen D- und S-Werte echte Schwierigkeit widerspiegeln.

Nutzt du Anki, kannst du das mit Learning- oder Intraday-Schritten annähern, bevor Karten in die reguläre Intervall-Warteschlange graduieren. Der Kern: Behandle die ersten Sekunden nach dem Sehen eines Worts nicht als gleichwertig mit einer Review nach 3 oder 30 Tagen. Eine ausführliche Anleitung zu Priming, kurzem eingestreutem Distraktor und blindem Abruf vor FSRS-Übernahme findest du unter Den First-Turn-Bottleneck beheben.

Wie LinGoat das automatisch handhabt

LinGoat baut sowohl Batch-Kontrolle als auch Vor-SRS-Erwerb in den Kern-Workflow ein, damit du beides nicht manuell steuern musst.

Neues Vokabular durchläuft ein dediziertes Laddering-System, bevor es den FSRS-Plan erreicht. Die Leiter hat drei Stufen: Priming (du tippst das Wort, während es sichtbar ist), einen eingestreuten Mikro-Puffer (5 bis 10 Sekunden unabhängige Übung, die das Arbeitsgedächtnis leert) und blindes aktives Abrufen (du produzierst das Wort anhand eines Übersetzungshinweises). Jeder Versuch, korrekt und inkorrekt, wird protokolliert. Wenn das Wort graduiert, initialisiert diese vollständige Telemetrie FSRS mit ehrlichen Schwierigkeits- und Stabilitätswerten, nicht mit Rauschen aus einem Zufallstreffer oder einer Kette von Fehlschlägen bei einem unkodierten Item.

Kartenfluss ist automatisch. LinGoat steuert, wie viele neue Wörter in die Leiter eintreten, basierend auf deiner aktuellen Review-Last und deinem Lerntempo. Du setzt nie manuell ein Limit für neue Karten pro Tag oder sorgst dich, die Warteschlange zu überfluten. Fällige Reviews haben immer Vorrang vor frischen Einführungen. Das Ergebnis: saubere Erstbewertungsdaten, tragbares Review-Volumen und ein Deck, das über Monate kalibriert bleibt.

LinGoat nutzt geschriebene Satzproduktion statt isolierter Karteikarten, sodass jede Review gleichzeitig Produktionsübung ist. Du tippst vollständige Sätze in deiner Zielsprache, bekommst Feedback auf Wort- und Grammatikebene, und jedes bewertete Element gelangt ins FSRS, wenn es bereit ist. Sieh dir an, wie LinGoat funktioniert, oder öffne die App, um es auszuprobieren.

Literatur

1. Ye, J. (2024). FSRS: The Algorithm. Open Spaced Repetition Wiki. https://github.com/open-spaced-repetition/awesome-fsrs/wiki/The-Algorithm
2. Peterson, L. R., & Peterson, M. J. (1959). Short-term retention of individual verbal items. Journal of Experimental Psychology, 58(3), 193-198. https://doi.org/10.1037/h0049234
3. Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin, 132(3), 354-380. https://doi.org/10.1037/0033-2909.132.3.354
4. Kornell, N. (2009). Optimising learning using flashcards: Spacing is more effective than cramming. Applied Cognitive Psychology, 23(9), 1297-1317. https://doi.org/10.1002/acp.1537
5. McDaniel, M. A., Howard, D. C., & Einstein, G. O. (2009). The read-recite-review study strategy: Effective and portable. Psychological Science, 20(4), 516-522. https://doi.org/10.1111/j.1467-9280.2009.02325.x
6. Karpicke, J. D., & Roediger, H. L. (2007). Expanding retrieval practice promotes short-term retention, but equally spaced retrieval enhances long-term retention. Journal of Experimental Psychology: Learning, Memory, and Cognition, 33(4), 704-719. https://doi.org/10.1037/0278-7393.33.4.704
7. Roediger, H. L., & Marsh, E. J. (2005). The positive and negative consequences of multiple-choice testing. Journal of Experimental Psychology: Learning, Memory, and Cognition, 31(5), 1155-1159. https://doi.org/10.1037/0278-7393.31.5.1155