Wie man Multi-Concept-Satzreviews sinnvoll plant

Die Kurzantwort

Multi-Concept-Satzreviews sollten auf der Konzept-Ebene geplant werden, nicht auf der Satzebene. Packe so viele fällige Wörter und Grammatikpunkte wie möglich in einen natürlichen, neuen Satz, bewerte jedes Element einzeln und lass dann ein Planungssystem wie FSRS nur die Teile aktualisieren, die tatsächlich erinnert oder verfehlt wurden. Der Satz ist die Übungsform. Die Fälligkeitsliste und die Einzelbewertungen sorgen dafür, dass der Plan ehrlich bleibt.

Dieses Prinzip nennt man oft Concept Stacking: Mit einem einzigen Produktionsversuch erledigst du mehrere Reviews, ohne den ganzen Satz zu einer simplen Bestanden-oder-nicht-Bestanden-Karte zu machen. LinGoat baut Reviews genau so auf: Übersetzungsimpulse von der Zielsprache in die Ausgangssprache, die fällige Konzepte in neue Sätze packen, plus Wort-für-Wort-Bewertung, die FSRS mit Daten versorgt. Es ist Satztraining mit Spaced Repetition, kein Ersatz für echtes Sprechen.

Was Concept Stacking bedeutet

Beim Concept Stacking schaut die Review-Engine zuerst, welche Vokabeln und Grammatikpunkte heute fällig sind, und baut dann einen Satz, der möglichst viele davon enthält, ohne unnatürlich zu wirken. Statt fünf einzelner Karteikarten für fünf Wörter kann ein gut gebauter Satz eine Verbform, eine Präposition und mehrere Lemmata in einem einzigen Abrufversuch trainieren.

Das Ziel ist Effizienz ohne künstliche Sprachkompetenz. Du übst weiterhin echte Satzbildung, also Formenwahl, Kongruenz und Wortstellung unter Produktionsdruck. Nur verteilst du diesen Aufwand auf mehr fällige Elemente pro Minute. Einen praktischen Ablauf mit Prompt, Antwort, Bewertung und Neuterminierung findest du in wie man Satzbau mit Spaced Repetition trainiert.

Warum Sätze isolierte Wortreviews schlagen

Wörter leben nicht im luftleeren Raum. Ihre Bedeutung, Kollokationen und Nuancen verändern sich mit dem Satzumfeld. Nation beschreibt Wortschatzwissen als vielschichtig: Gezieltes Lernen kann Form-Bedeutungs-Verknüpfungen effizient aufbauen, während Begegnungen auf Satzebene das Gebrauchsverständnis stärken, das einfache Übersetzungs-Paare oft nicht liefern.¹

Wenn fällige Elemente in Sätze gepackt werden, bleibt dieser Kontextvorteil erhalten und gleichzeitig wird die Review-Schlange abgearbeitet. Du musst dich nicht zwischen „Kontext“ und „Spacing“ entscheiden. Du nutzt Kontext als Auslieferungsform für spaced Komponenten. Verwandte Evidenz zu dynamischem Satzpacking mit unabhängiger Planung pro Wort fassen wir in unserem Beitrag über sentence-based spaced repetition research zusammen. Dieser Artikel konzentriert sich auf die Planung selbst: Wie Stacking, Bewertung und FSRS zusammenspielen.

Neue Sätze statt alter Fundstücke

Stacking funktioniert nur, wenn sich der Satz verändert. Wenn du immer denselben gefundenen Beispielsatz wiederholst, kannst du durch Wiedererkennen der Zeichenkette bestehen, statt die Komponenten wirklich abzurufen. Forschung zur Enkodierspezifität zeigt, dass Abruf oft von Hinweisen abhängt, die schon beim Lernen vorhanden waren. Wenn diese Hinweise fehlen, kann das Erinnern scheitern, obwohl sich die Karte leicht anfühlte.²

Transfer-appropriate processing sagt im Grunde dasselbe aus der anderen Richtung: Übung, die der späteren Aufgabe ähnelt, also dem Erzeugen neuer Sätze, überträgt sich besser als Übung, die nur zur festen Karte passt.³ Ein gestapeltes Review sollte deshalb ein neuer Satz sein, mit denselben fälligen Konzepten, aber neuer Syntax und neuen Kollokationen. Warum statisches Mining SRS aushebelt, erklären wir ausführlicher in warum Sentence Mining scheitert.

Warum Packing nur mit feiner Bewertung funktioniert

Hier liegt die Schwachstelle, an der gestapelte Reviews oft scheitern. Angenommen, ein Satz enthält fünf fällige Konzepte und du verfehlst einen Artikel. Wenn der ganze Satz als „Nochmals“ zählt, werden vier korrekte Abrufe mitbestraft. Wenn der ganze Satz als „Gut“ zählt, kommt der Fehler nicht rechtzeitig wieder. In beiden Fällen bekommt der Scheduler nur Rauschen.

Concept Stacking braucht deshalb granulare Zuordnung: Jedes Wort und jedes Grammatikkonzept in der Antwort wird für sich bewertet und dann auch für sich eingeplant. Nur so bleibt Packing effizient. Der Satz darf dicht sein, das Gedächtnismodell bleibt atomar. Für das Bewertungsargument allein siehe Wort-für-Wort-Bewertung beim Sprachenlernen.

FSRS plant Komponenten, nicht Sätze

Sobald die Bewertungen pro Konzept vorliegen, kann die Zeitsteuerung ihre Arbeit machen. FSRS, der Free Spaced Repetition Scheduler, modelliert jedes Element über Schwierigkeit, Stabilität und Abrufbarkeit, statt über einen einzelnen SM-2-Ease-Faktor.⁴ In großen Benchmarks mit Anki-Kollektionen sagt FSRS Erinnerungsleistung genauer vorher als SM-2. Dadurch liegen Intervalle näher an der Vergessenskurve, ohne unnötig oft zu wiederholen.⁵

In einer gestapelten Satzsession plant FSRS nicht „Satz #482“. Es plant die Lemmata und Grammatikregeln darin. Was du sicher abrufst, rückt weiter nach hinten. Was du verfehlst, kommt schneller wieder und kann beim nächsten Mal in einen anderen neuen Satz eingebaut werden. So verstärken sich Stacking und Scheduling gegenseitig, statt gegeneinander zu arbeiten.

Grenzen: Natürlichkeit und kognitive Belastung

Stacking hat Grenzen. Ein Satz, der mit allen fälligen Elementen vollgestopft ist, kann unnatürlich werden oder das Arbeitsgedächtnis überlasten. Forschung zur kognitiven Belastung warnt davor, dass Aufgaben mit vielen miteinander verknüpften Elementen, also neue Formen plus vollständige Syntax plus Produktion, die Kapazität überschreiten und eher Frust als Lernen erzeugen können.⁶

Gute Multi-Concept-Reviews optimieren daher unter zwei Bedingungen:

• Natürliche Formulierung: Fällige Konzepte nur dann bündeln, wenn sie in einen plausiblen Satz passen, den ein Lernender wirklich sagen oder schreiben könnte.
• Gut beherrschbare Verknüpfung: Lieber mehrere dichte, aber lesbare Sätze als einen unmöglichen Megasatz, besonders bei neueren Items, die noch in die volle Satzproduktion hineinwachsen.

Effizienz bedeutet also „mehr fällige Konzepte pro ehrlichem Abruf“, nicht „maximal viele Tokens pro Prompt“.

Wie LinGoat Multi-Concept-Reviews plant

LinGoat erzeugt Prompts in der Ausgangssprache, die aktuell fällige Vokabeln und Grammatik in neue Sätze der Zielsprache einbauen. Du formulierst den vollständigen Satz, jedes Konzept wird einzeln bewertet, und FSRS aktualisiert genau diese Komponenten. In der nächsten Session werden daraus wieder frische Sätze gebaut, je nachdem, was erneut fällig ist. Den kompletten Dreischritt aus Spaced Repetition, dynamischen Übungen und granularer Zuordnung erklären wir in LinGoats vollständiger Didaktik.

Sieh dir an, wie LinGoat funktioniert, oder starte direkt.

Literatur

1. Nation, I. S. P. (2001). Learning Vocabulary in Another Language. Cambridge University Press. https://doi.org/10.1017/CBO9781139524759
2. Tulving, E., & Thomson, D. M. (1973). Encoding specificity and retrieval processes in episodic memory. Psychological Review, 80(5), 352-373. https://doi.org/10.1037/h0027317
3. Morris, C. D., Bransford, J. D., & Franks, J. J. (1977). Levels of processing versus transfer appropriate processing. Journal of Verbal Learning and Verbal Behavior, 16(5), 519-533. https://doi.org/10.1016/S0022-5371(77)80016-9
4. Ye, J., Su, J., & Cao, Y. (2022). A stochastic shortest path algorithm for optimizing spaced repetition scheduling. In Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (pp. 4384-4394). https://doi.org/10.1145/3534678.3539081
5. Expertium. (2025). Benchmark of spaced repetition algorithms. https://expertium.github.io/Benchmark.html
6. Sweller, J. (2010). Element interactivity and intrinsic, extraneous, and germane cognitive load. Educational Psychology Review, 22(2), 123-138. https://doi.org/10.1007/s10648-010-9128-5