Spaced Repetition optimieren (FSRS-Retentionsleitfaden)

Kurz gesagt

Stelle deine gewünschte FSRS-Retention (Desired Retention) auf einen Wert zwischen 0,85 und 0,95 ein. Für die meisten Lernenden ist 0,90 (90 %) der ideale Ausgangspunkt: Die tägliche Wiederholungslast bleibt überschaubar und du erinnerst dich tatsächlich an das Gelernte. Höhere Werte (z. B. 0,95) steigern das Wiederholungsvolumen drastisch bei nur geringem Erinnerungsvorteil. Niedrigere Werte (0,80 oder darunter) sparen kurzfristig Zeit, führen aber zu so vielen Aussetzern, dass du Karten erneut lernen musst, was den Gesamtaufwand oft sogar erhöht.¹

Über die reine Zahlenwahl hinaus bedeutet Optimierung, dass du FSRS seine Parameter automatisch an dein Gedächtnis anpassen lässt, ehrlich bewertest, die Zufuhr neuer Karten kontrollierst und regelmässig wiederholst. Dieser Artikel erklärt, was das Retentionsziel steuert, wie du deinen Wert wählst und welche Gewohnheiten FSRS optimal arbeiten lassen.

---

Was "gewünschte Retention" in FSRS bedeutet

In FSRS ist die gewünschte Retention (DR, Desired Retention) die Abrufwahrscheinlichkeit, die du anstrebst, wenn eine Karte fällig wird. Setzt du DR auf 0,90, plant FSRS jede Karte so, dass du zum Zeitpunkt der Wiederholung etwa 90 % Chance hast, sie zu erinnern. Der Algorithmus erreicht dies durch Anpassung der Intervalle: Höhere DR ergibt kürzere Intervalle (mehr Wiederholungen), niedrigere DR ergibt längere Intervalle (weniger Wiederholungen, mehr Vergessen).

Im Hintergrund nutzt FSRS das DSR-Modell (Difficulty, Stability, Retrievability), um den Gedächtniszustand jeder Karte zu verfolgen.² Die Abrufbarkeit (R) ist deine aktuelle Erinnerungswahrscheinlichkeit, die entlang der von Ebbinghaus dokumentierten und in modernen Studien bestätigten Vergessenskurve exponentiell abfällt.³ Die Stabilität (S) gibt an, wie viele Tage es dauert, bis R von 100 % auf 90 % sinkt. Die Schwierigkeit (D) erfasst, wie anspruchsvoll das Material an sich ist. Wenn R auf deinen gewünschten Retentionswert fällt, plant FSRS die Wiederholung. Eine ausführliche Erklärung des DSR-Modells findest du unter Wie Spaced Repetition funktioniert.

Das richtige Retentionsziel wählen

Der optimale Bereich: 0,85 bis 0,95

FSRS erlaubt Werte von 0,70 bis 0,99, aber der praktische Bereich ist enger. Unter 0,85 vergisst du so viele Karten, dass die Kosten des Neulernens die kürzeren Intervalle überwiegen. Über 0,95 schrumpfen die Intervalle so aggressiv, dass sich dein tägliches Wiederholungsvolumen für nur wenige Prozentpunkte mehr Retention verdoppeln oder verdreifachen kann. Die Arbeitslastkurve ist U-förmig: Das Minimum liegt irgendwo in der Mitte und variiert je nach Person.¹

• 0,90 (Standard): Der empfohlene Ausgangspunkt. Ausgewogene Arbeitslast bei starker Erinnerung. Die meisten sollten hier beginnen.
• 0,85 bis 0,89: Gut für grosse Decks oder zeitknappe Lernende, die einige Aussetzer mehr tolerieren, um weniger täglich zu wiederholen.
• 0,91 bis 0,95: Geeignet für High-Stakes-Material (medizinische Prüfungen, Berufszertifikate), bei dem selbst ein kleiner Anteil vergessener Inhalte teuer ist. Rechne mit merklich mehr Wiederholungen pro Tag.

Die Funktion "Minimale empfohlene Retention berechnen"

FSRS beinhaltet einen Optimierer, der deine Wiederholungshistorie analysiert und den Retentionswert berechnet, der deinen Aufwand im Verhältnis zum Wissensgewinn minimiert. Ab Anki 24.04 kannst du nach der Parameteroptimierung auf "Minimale empfohlene Retention berechnen" klicken. Das gibt dir einen datenbasierten, auf dein Gedächtnis zugeschnittenen Startwert statt einer Schätzung.

Wie FSRS seine Parameter automatisch abstimmt

Anders als ältere Algorithmen wie SM-2 verlässt sich FSRS nicht auf feste Multiplikatoren. Es nutzt Maximum-Likelihood-Schätzung, um 19 interne Parameter (Stand FSRS v5) an deine tatsächliche Wiederholungshistorie anzupassen.² Der Optimierer vergleicht die vorhergesagten Abrufwahrscheinlichkeiten mit deinen realen Ergebnissen. Hat FSRS vorhergesagt, dass du 90 % einer Charge erinnerst, du aber 95 % geschafft hast, passt es seine Gewichte an, damit künftige Vorhersagen genauer sind.

Diese Selbstkorrektur unterscheidet FSRS grundlegend von heuristischen Planern. SM-2 verwendet statische Ease-Faktoren, die mit der Zeit driften, ein Problem bekannt als "Ease Hell". FSRS trainiert auf deinen Daten nach, sodass sein Modell deines Gedächtnisses mit jedem Optimierungszyklus besser wird. Du kannst regelmässig re-optimieren (alle paar Monate oder nach einigen tausend Wiederholungen), um das Modell aktuell zu halten.

Was die gewünschte Retention beeinflusst

Wiederholungslast vs. Vergessen

Der Zusammenhang zwischen gewünschter Retention und täglicher Arbeitslast ist nicht linear. DR von 0,85 auf 0,90 zu erhöhen fügt eine moderate Anzahl Wiederholungen hinzu. Von 0,90 auf 0,95 kann die Last fast verdoppeln, weil die Intervalle exponentiell schrumpfen, je näher man an perfekte Retention kommt. Dabei ist der tatsächliche Wissensgewinn von 0,90 auf 0,95 in absoluten Zahlen relativ gering.¹

Am anderen Ende geht DR unter 0,80 nach hinten los. Du vergisst so oft, dass der Algorithmus Karten auf kurze Intervalle zurücksetzen muss, und die Kosten des Neulernens vernichten die eingesparte Zeit. Forschung zum Spacing bestätigt, dass für jedes Retentionsintervall ein optimaler Abstand existiert: Zu kurze Abstände verschwenden Aufwand, zu lange verursachen übermässiges Vergessen.⁴⁵

Langzeit-Gedächtnisbildung

Jeder erfolgreiche Abruf bei niedriger Abrufbarkeit stärkt die Stabilität stärker als ein leichter Abruf bei hoher Abrufbarkeit.² Das ist das Prinzip der "wünschenswerten Schwierigkeit" in der Praxis. Ein gut gewähltes Retentionsziel hält Wiederholungen gerade schwer genug, um die Gedächtnisstärkung pro Sitzung zu maximieren, ohne dich in Misserfolgsspiralen zu treiben.

Praktische Tipps zur Optimierung deiner Spaced Repetition

1. Regelmässig wiederholen

FSRS geht davon aus, dass du Karten ungefähr dann wiederholst, wenn sie fällig sind. Tage zu überspringen lässt die Abrufbarkeit weit unter dein Ziel fallen, was mehr Aussetzer und mehr Neulernen bedeutet. Regelmässige tägliche Sitzungen, auch kurze, halten die Vorhersagen des Planers genau und deine Arbeitslast stabil. Eine Woche Rückstand an einem Tag abzuarbeiten ist massiertes Lernen, nicht Spaced Repetition.⁴

2. Ehrlich bewerten

FSRS lernt aus deinen Bewertungen. Drückst du "Gut", obwohl du geraten oder gespickt hast, überschätzt der Algorithmus deine Stabilität und dehnt die Intervalle zu weit. Du wirst die Karte später vergessen und dich fragen, warum es nicht funktioniert. Bewerte nach echtem Abruf: Brauchtest du einen Hinweis oder hast du deutlich gezögert, ist das "Schwer" oder "Nochmal". Ehrliche Daten sind der wichtigste Input für jeden SRS-Algorithmus. Mehr dazu unter häufige Spaced-Repetition-Fehler.

3. Neue Karten nicht überladen

Jede neue Karte, die du heute hinzufügst, wird zu einem Strom künftiger Wiederholungen. 30 oder 50 neue Karten pro Tag fühlen sich im Moment produktiv an, aber innerhalb weniger Wochen explodiert deine Fällig-Warteschlange. Setze dein Tageslimit für neue Karten danach, wie viele Gesamtwiederholungen (neu plus fällig) du tatsächlich bewältigen kannst, nicht nach der Menge frischer Inhalte, die du sehen möchtest. Wenn dein Rückstand wächst, pausiere neue Karten, bis sich die Fälligen stabilisieren.

4. Parameter regelmässig optimieren

Führe den FSRS-Optimierer alle paar Monate oder nach einer grösseren Zahl neuer Wiederholungen erneut aus. Deine Gedächtniseigenschaften verändern sich beim Lernen, und der Algorithmus kann sich nicht anpassen, wenn er keine aktualisierten Daten sieht. In Apps mit FSRS-Unterstützung ist das meist ein Klick in den Deck- oder Planungseinstellungen.

5. Retention an deine Ziele anpassen

Nicht jedes Deck braucht die gleiche gewünschte Retention. Vokabeln für den Alltag funktionieren vielleicht gut bei 0,88. Medizinische Fachbegriffe für Prüfungen rechtfertigen möglicherweise 0,93. FSRS unterstützt Retentionsziele pro Preset, sodass du den Kompromiss für jedes Fach individuell anpassen kannst.

Wie LinGoat das alles für dich übernimmt

LinGoat ist so konzipiert, dass du über keinen der oben genannten Optimierungshebel nachdenken musst. Jeder in diesem Artikel beschriebene Aspekt wird automatisch gehandhabt:

• FSRS läuft im Hintergrund. Jedes Wort und jeder Grammatikpunkt, den du übst, wird mit dem vollständigen DSR-Modell (Difficulty, Stability, Retrievability) verfolgt. LinGoat setzt und pflegt dein Retentionsziel, damit du starken Abruf hast, ohne in Wiederholungen zu ertrinken.
• Ehrliche Bewertung ist eingebaut. Weil LinGoat auf produktionsbasiertem Üben aufbaut (du schreibst ganze Sätze statt Multiple-Choice-Antworten anzutippen), ist das Abrufsignal sauber: Entweder hast du das Wort korrekt produziert oder nicht. Es gibt keine Möglichkeit, deine Werte versehentlich durch Raten aufzublähen.
• Kartenzufuhr ist automatisch. LinGoat steuert, wie viele neue Wörter in deine Lernwarteschlange kommen, basierend auf deiner aktuellen Wiederholungslast und deinem Tempo. Du stellst nie manuell ein Tageslimit für neue Karten ein und musst dir keine Sorgen machen, den Plan zu überlasten. Fällige Wiederholungen haben immer Vorrang vor neuen Einführungen.
• Laddering löst das First-Turn-Problem. Bevor ein Wort jemals in den FSRS-Hauptplan eintritt, durchläuft es LinGoats dediziertes Laddering-System: Priming (du tippst das Wort, während es sichtbar ist), ein kurzer eingeschobener Distraktor, der das Arbeitsgedächtnis leert, und blinder aktiver Abruf. Dadurch ist der erste Datenpunkt, den FSRS sieht, echte Erinnerung und kein Glückstreffer aus einem sensorischen Echo. Ohne diesen Schritt sind frühe Planungsdaten nur Rauschen. Lies das vollständige Design in Das First-Turn-Bottleneck beheben oder erfahre unter Warum du neue Wörter nicht direkt ins SRS stecken solltest, welche Wissenschaft dahintersteckt.

Das Ergebnis: Du setzt dich hin, übst Sätze in deiner Zielsprache, und LinGoat kümmert sich im Hintergrund um Retentions-Tuning, Bewertungsintegrität, Kartentempo und Erstbegegnungs-Encoding. Schau dir an, wie LinGoat funktioniert, oder starte direkt.

Referenzen

1. Ye, J., Su, J., & Cao, Y. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 4381-4390. https://doi.org/10.1145/3534678.3539081
2. Su, J., Ye, J., Nie, L., Cao, Y., & Chen, Y. (2023). Optimizing Spaced Repetition Schedule by Capturing the Dynamics of Memory. IEEE Transactions on Knowledge and Data Engineering, 35(10), 10085-10097. https://doi.org/10.1109/TKDE.2023.3251721
3. Murre, J. M. J., & Dros, J. (2015). Replication and Analysis of Ebbinghaus' Forgetting Curve. PLOS ONE, 10(7), e0120644. https://doi.org/10.1371/journal.pone.0120644
4. Carpenter, S. K., Pan, S. C., & Butler, A. C. (2022). The science of effective learning with spacing and retrieval practice. Nature Reviews Psychology, 1, 496-511. https://doi.org/10.1038/s44159-022-00089-1
5. Cepeda, N. J., Vul, E., Rohrer, D., Wixted, J. T., & Pashler, H. (2008). Spacing effects in learning: A temporal ridgeline of optimal retention. Psychological Science, 19(11), 1095-1102. https://doi.org/10.1111/j.1467-9280.2008.02209.x