KI-Lernwerkzeuge: Notizen, Karteikarten & verteiltes Wiederholen aus eigenen Materialien

Studierende verbringen Stunden damit, Folien und Vorlesungen in Notizen und Karteikarten zu verwandeln, und die meisten wiederholen nie nach einem Plan, der zur Funktionsweise des Gedächtnisses passt. KI-Lernwerkzeuge führen eine Suche (Retrieval) über das eigene Material der Lernenden aus, erzeugen Notizen, Karten, Fragen und Audio-Zusammenfassungen mit Quellenangaben und planen Wiederholungen mit einem Gedächtnismodell wie FSRS. Typischer Nutzen: weniger Zeit für das Erstellen von Karten, mehr Zeit für aktives Abrufen. Stark im privaten Einsatz; meist von den Lernenden selbst getragen, außerhalb der Einrichtung.

Problem & Nutzen

• Heute: Lernende markieren, lesen erneut und schreiben Karten von Hand in Anki oder Quizlet. Das Erstellen der Karten ist der Engpass, und gleichförmige Wiederholungsintervalle verschwenden entweder Zeit oder lassen Inhalte verblassen.
• KI-Nutzen: (1) Umwandlung heterogenen Materials in Lernobjekte in Minuten; (2) Antworten und Fragen, die in den eigenen Quellen der Lernenden verankert sind, mit Seiten-/Zeitstempel-Angaben; (3) ein Planer, der die Erinnerungswahrscheinlichkeit je Karte schätzt und Wiederholungen so ordnet, dass eine Zielbehaltensrate erreicht wird.
• Evidenz: Verteiltes Abrufüben gehört zu den am besten belegten Lerntechniken in der kognitionswissenschaftlichen Literatur [1]. Anki hat FSRS als eingebaute Planer-Option übernommen, und das Projekt Open Spaced Repetition veröffentlicht Benchmark-Vergleiche mit älteren Planern im Stil von SM-2 [2][3]. Kontrollierte Studien zu KI-generierten Lernhilfen sind noch begrenzt; verlassen Sie sich nicht auf Lernzuwachs-Versprechen von Anbietern.
• Praxis: NotebookLM (Google), die KI-Funktionen von Quizlet und Anki mit FSRS werden von Studierenden breit genutzt [4][5].

Varianten

• Privat Studierende (Hauptfall): Vorlesungs-PDFs hochladen, Karten und Quizze auf dem Handy erhalten.
• Prüfungsvorbereitung / Zertifizierung: medizinische, juristische, IT- oder Berufsprüfungen, mit großen Stapeln und Fristen.
• Sprachlernende: Vokabelkarten aus eigener Lektüre und eigenem Audio, mit Sentence Mining (siehe EDU-011).
• Von der Einrichtung bereitgestellt: Die Hochschule lizenziert ein Werkzeug für Studierende; von Lehrenden kuratierte Kursquellen (Überschneidung mit EDU-001, EDU-004).
• Betriebliches Selbststudium: Beschäftigte wandeln Handbücher und Richtlinien in Wiederholungsstapel um (siehe EDU-006).
• Barrierefreiheit: Audio-Überblicke und vereinfachte Zusammenfassungen für Lernende mit Leseschwierigkeiten.

So funktioniert es

Upload (PDF/PPTX/Scans/Audio/Video/Web)
  -> Parsing: OCR + Layout, ASR für Aufzeichnungen (mit Zeitstempeln)
  -> Chunking + Embeddings -> privater Vektorindex je Lernende/Notizbuch
  -> Erzeugung (RAG): Notizen, Karten, Fragen, Audioskript  [jedes Element nennt seinen Chunk]
  -> Lernende prüfen/bearbeiten/löschen (Human-in-the-Loop)
  -> Planer: Gedächtnismodell (FSRS: Schwierigkeit, Stabilität, Abrufbarkeit) je Karte
  -> tägliche Wiederholungsliste -> Bewertungen protokolliert -> Parameter an die Lernenden angepasst

• Verankerte Erzeugung: Das Retrieval beschränkt das Modell auf die hochgeladenen Quellen; Karten verweisen auf Folie/Seite zurück, damit Fehler geprüft werden können.
• Kartenqualität: Prompts folgen dem Prinzip „ein Fakt pro Karte“, Lückentext und Bildverdeckung für Diagramme. Abgleich auf Dubletten mit dem vorhandenen Stapel.
• Planer: FSRS ist ein quelloffenes Gedächtnismodell mit wenigen Parametern, die an den Wiederholungsverlauf einer Person angepasst werden (kein tiefes Netz nötig, läuft auf dem Gerät). Knowledge Tracing (z. B. tiefe oder bayessche Modelle) ist die Alternative für Forschung/Unternehmen.
• Audio: Skripterzeugung durch ein LLM plus TTS für Überblicke im Podcast-Stil.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Lernenden prüfen erzeugte Karten, bevor sie in den Stapel gelangen; beim Wiederholen entdeckte falsche Karten werden markiert und korrigiert.

Datenaufbereitung

Die Daten sind das eigene Material der Lernenden: Vorlesungsfolien, PDFs, Scans handschriftlicher Notizen, Lehrbuchkapitel, Vorlesungsaufzeichnungen und Webseiten. Sie liegen auf Laptops, Handys, Cloud-Laufwerken und der Lernplattform. Typische Lücken: gescannte oder fotografierte Notizen ohne Textebene, Aufzeichnungen mit schlechtem Ton, doppelte Versionen derselben Folien, gemischte Sprachen und urheberrechtlich geschütztes Material, das nicht in Werkzeuge Dritter hochgeladen werden darf. Für Einrichtungen: Vorlesungsmaterial, das über Plattformen verstreut ist, mit unklaren Lizenz- und Zugriffsrechten.

Schritte der Aufbereitung: - Sammeln Sie das Material in einem Ordner je Kurs mit klaren Namen, entfernen Sie Dubletten und veraltete Versionen. - Führen Sie OCR auf Scans und Fotos aus (PREP-006, DOC-014) und transkribieren Sie Vorlesungen (SPEECH-001). - Prüfen Sie vor dem Hochladen Urheberrecht und Datenschutz: keine personenbezogenen Daten Dritter und keine Prüfungsmaterialien in Cloud-Werkzeugen, einfache Klassifizierungsregeln siehe PREP-024. - Für Einrichtungen: Kuratieren Sie einen maßgeblichen Kurskorpus mit Metadaten (PREP-010, PREP-013). - Prüfen Sie die ersten erzeugten Karten stichprobenartig gegen die Quelle und löschen Sie schlechte.

Grober Aufwandsanteil: gering, etwa 5-15 Prozent für Einzelpersonen; Angebote von Einrichtungen brauchen mehr für Lizenzierung, Metadaten und Single Sign-on.

Umsetzungswege

Welcher Weg für wen

• Privat (Studierende, Selbstlernende): Weg A, weil ausgereifte Lern-Apps (Anki mit Add-ons, Werkzeuge im Stil von NotebookLM, Quizlet) wenig kosten und keine Einrichtung brauchen; wählen Sie für vertrauliches Material eine lokale Anwendung wie LM Studio oder Ollama.
• Öffentlicher Sektor (Hochschulen, Schulen, die Studierenden Werkzeuge anbieten): Weg B über Cloud-KI-Dienste in EU-Regionen oder souveräner Cloud, weil ein einrichtungsweites Angebot Login-Integration, Datenschutzverträge und EU-Hosting braucht.
• Entwickler: Weg C, weil FSRS, offene Embeddings und ein kleines lokales Modell eine selbst betriebene, datenschutzfreundliche App auf HW2 ergeben.

Weg A — Kaufen (empfohlen)

• Quellenverankerte Notizbücher: NotebookLM (Google; Zusammenfassungen, Audio-Überblicke, Karteikarten, Quizze aus hochgeladenen Quellen).
• Karteikarten-Plattformen: Quizlet (Magic Notes, KI-Lernmodi), Anki (kostenlos, FSRS eingebaut, Desktop/Android/iOS; AnkiMobile kostenpflichtig), RemNote, Brainscape, Knowt, Mochi.
• Chat-Assistenten mit Datei-Upload und Lernmodi: ChatGPT-Lernmodus, Claude, Gemini Guided Learning; Mistral Le Chat (EU-Anbieter).
• EU-Optionen: Prüfen Sie den Anbieterstandort einzeln; Mistral (FR), DeepL Write zur Textpolitur (DE) und das quelloffene Anki (kein Konto nötig, lokale Daten) sind am EU-freundlichsten. Bevorzugen Sie bei Rollouts in Einrichtungen Werkzeuge mit AVV, Verarbeitung in der EU und ohne Training mit Nutzerinhalten.
• Wählen Sie A, wenn: eine Einzelperson oder kleine Gruppe Ergebnisse innerhalb von Tagen will.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Frontier-LLMs mit strukturierten Ausgaben für Karten-JSON (Claude, Gemini, GPT, Mistral Large über EU-Endpunkte/-Regionen); ASR-APIs der Whisper-Klasse, Mistral OCR oder Azure Document Intelligence für Scans.
• Stack: Embeddings + pgvector/Qdrant, Namensräume je Lernender, Zitatstellen, AnkiConnect oder .apkg-Export, damit die Lernenden Eigentümer ihrer Stapel bleiben.
• Planer: quelloffene FSRS-Implementierungen (py-fsrs, ts-fsrs, fsrs-rs) [3].
• Wählen Sie B, wenn: eine Hochschule, ein Verlag oder ein Startup ein gebrandetes, in ein LMS (Moodle, Canvas) integriertes Werkzeug will.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs wie Qwen3, Llama, Gemma oder Mistral über Ollama/vLLM; Embedding-Modelle wie bge-m3 oder multilingual-e5; faster-whisper / Whisper large-v3 für ASR; Docling oder Marker zum Parsen; Piper, Kokoro oder XTTS für TTS.
• Apps: Anki + FSRS-Add-ons, die ein lokales LLM aufrufen; Open Notebook (offene NotebookLM-Alternative), Wissensbasen von Open WebUI.
• Hardware: HW2 (eine 24-GB-GPU) genügt für einen Dienst im Campus-Maßstab mit einem quantisierten Modell von ca. 14-30B; ein Studierendenlaptop mit kleinem Modell (HW1) bewältigt Notizen und Karten für eine Einzelperson.
• Wählen Sie C, wenn: Daten die Einrichtung nicht verlassen dürfen oder die Lernenden vollständig lokal arbeiten wollen.

Weg D — Eigenes Training

Selten nötig. Feintuning lohnt sich für (a) einen Klassifikator für Kartenqualität oder Fragenschwierigkeit, trainiert auf Nutzerkorrekturen und Bewertungen, und (b) Gedächtnismodelle, die auf großen Wiederholungsprotokollen angepasst werden (die Parameter im FSRS-Stil sind bereits je Person). Es braucht Wiederholungsprotokolle vieler Lernender, was Fragen zu DSGVO und Einwilligung aufwirft.

Stand der Technik (2026)

• FSRS hat in der Praxis für viele Anki-Nutzer den älteren Standard SM-2 abgelöst und wird von seiner Community offen bewertet [2][3]. Gewinne gegenüber SM-2 werden als weniger Wiederholungen bei gleicher Behaltensrate berichtet, doch die Ergebnisse hängen vom Datensatz ab; prüfen Sie es an Ihren eigenen Daten.
• Modelle mit langem Kontext und multimodale Modelle lesen ganze Folienstapel und Aufzeichnungen; quellenverankerte Zitate sind bei Produkten im Stil von NotebookLM inzwischen Standard.
• Audio-Überblicke erzeugen gesprochene Zusammenfassungen mit mehreren Sprechern aus Quellen; nützlich für den Arbeitsweg, bei genauen Details aber schwächer.
• Grenzen und Fehlerbilder: halluzinierte oder zu stark vereinfachte Karten; fehlerhafte OCR von Formeln und Handschrift; Karten, die Wiedererkennen statt Verstehen prüfen; „Illusion des Wissens“, wenn Lernende KI-Zusammenfassungen passiv lesen, statt abzurufen; überlange Stapel, die Wiederholungsschulden erzeugen; Karten übernehmen Fehler der Quellfolien. Die Forschung warnt, dass das Auslagern an Chatbots das Lernen verringern kann, wenn es Anstrengung ersetzt [6].

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack: RAG über private Dokumente (DOC-014, KNOW-018), Zusammenfassung (LANG-008), Transkription (SPEECH-001).
• Kombinationen: EDU-002 (Fragenerzeugung, Seite der Lehrenden), EDU-004 (Dialog-Tutor erklärt verfehlte Karten), EDU-005 (adaptive Pfade nutzen dieselben Erinnerungsschätzungen), EDU-011 (Sprachkarten), EDU-001 (von Lehrenden bereitgestellte Quellenpakete).
• Unterschiede: KNOW-018 speichert und ruft Wissen ab; dieser Anwendungsfall optimiert die Behaltensleistung durch Planung.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden; kostenlose Stufen existieren, bezahlte Tarife kosten typischerweise einige Euro pro Monat (aktuelle Preise prüfen).
• Weg B: 1-3 Monate für ein LMS-integriertes Produkt; Kosten getrieben durch Tokens für lange Dokumente und ASR-Minuten.
• Weg C: 1-2 Monate; ein GPU-Server plus Wartung.
• Kennzahlen: Zeit vom Upload bis zur ersten Wiederholungssitzung; Annahmequote der Karten (behalten vs. gelöscht); Quote sachlicher Fehler in einem Stichprobenaudit; Behaltensleistung (Anteil der Wiederholungen mit Bewertung „gut/leicht“), Wiederholungslast pro Tag, FSRS-Log-Loss / Kalibrierung; Prüfungsergebnisse (idealerweise im Vergleich mit einer Kontrollgruppe).

Menschen & Veränderung

Für den privaten Einsatz gibt es kaum Prozess: Die Lernenden entscheiden, prüfen Karten und besitzen die Daten. Für Einrichtungen beziehen Sie Leitung und Fachbereichsleitung (Zentrum für Lehren und Lernen) ein, um eine Richtlinie zu zulässigen Werkzeugen festzulegen, die IT für Login, Hosting und Integration in die Lernplattform, die oder den Datenschutzbeauftragten für die datenschutzrechtliche Grundlage und die Rechtsabteilung für Urheberrecht und Verträge. Studierende und Lehrende sind die eigentlichen Beteiligten: Fragen Sie Lehrende, ob ihre Folien verarbeitet werden dürfen, und beziehen Sie Studierendenvertretungen früh ein. Betriebsrat: im Allgemeinen nein, weil Studierende keine Beschäftigten sind und das Werkzeug keine Mitarbeitenden überwacht. Müssen Lehrende oder Mitarbeitende es nutzen oder überwachen, können §87 Abs. 1 Nr. 6 und §90 Abs. 1 Nr. 3 BetrVG (oder der Personalrat) greifen, prüfen Sie das also. Eine Datenschutz-Folgenabschätzung (DSFA) ist für ein schlichtes Lernwerkzeug ohne Profiling meist nicht nötig; fragen Sie die oder den Datenschutzbeauftragten, und schließen Sie mit dem Anbieter einen Auftragsverarbeitungsvertrag (AVV, Art. 28 DSGVO).

Fördern Sie KI-Kompetenz (Art. 4 der KI-Verordnung verlangt Fördermaßnahmen) mit einem kurzen Modul zum Prüfen erzeugter Karten, zu Halluzinationen und zu den ehrlichen Grenzen: Erzeugte Inhalte können falsch sein und ersetzen weder Lesen noch Üben. Pilotieren Sie mit einem freiwilligen Kurs, sammeln Sie Rückmeldungen zu Kartenfehlern und lassen Sie die Lernenden die Kontrolle behalten, indem sie jede Karte bearbeiten und löschen können. Typische Sorgen sind Täuschung und oberflächliches Lernen; begegnen Sie ihnen durch klare Kursregeln.

Siehe GUIDE-006, GUIDE-007 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko, wenn Lernende es für das Selbststudium nutzen; KI-Kompetenz (Art. 4) gilt für Anbieter und Einrichtungen, die es einsetzen. Transparenz (Art. 50) gilt für synthetisches Audio. Es wird hochriskant (Anhang III, Bildung), wenn Ergebnisse genutzt werden, um Lernergebnisse zu bewerten, das Lernen für Zulassungs-/Bewertungsentscheidungen zu steuern oder Studierende auf Einrichtungsebene zu überwachen (siehe EDU-007, EDU-005). Emotionserkennung bei Studierenden ist verboten (Art. 5 Abs. 1 Buchst. f); sie ist nicht Teil dieses Anwendungsfalls und darf nicht ergänzt werden [7].
• DSGVO: Uploads enthalten oft personenbezogene Daten (Vorlesungsaufzeichnungen mit Stimmen anderer Studierender, Notizen mit Namen); Wiederholungsprotokolle sind Verhaltensdaten. Minderjährige: Einwilligung der Eltern / Altersgrenzen (Art. 8, nationales Alter 13-16); Bildungsplattformen für Kinder brauchen eine DSFA. Bevorzugen Sie Verarbeitung in der EU, AVV, kein Training mit Inhalten, Löschung auf Anfrage [8].
• Urheberrecht: Das Hochladen von Lehrbüchern oder lizenziertem Vorlesungsmaterial zu Diensten Dritter kann Lizenzen verletzen; für Vorlesungsaufzeichnungen kann die Einwilligung der Lehrenden nötig sein; die Schranken für Text und Data Mining (DSM-Richtlinie Art. 3/4) decken die Weitergabe erzeugter Stapel nicht ab.
• Akademische Integrität: Prüfen Sie die Regeln der Einrichtung zur KI-Nutzung; Zusammenfassungen ersetzen keine eigene Arbeit.
• Gegenmaßnahmen: Zitate anzeigen, Lernende Karten bearbeiten und melden lassen, einen rein lokalen Modus anbieten, befristete Aufbewahrung, Export in offenen Formaten (.apkg).

Erste Schritte

1. Wählen Sie einen Kurs, laden Sie dessen Folien und Vorlesungsnotizen in NotebookLM oder ein vergleichbares Werkzeug hoch; erzeugen Sie 30-50 Karten und löschen Sie schwache.
2. Importieren Sie sie in Anki mit aktiviertem FSRS, legen Sie eine Zielbehaltensrate (z. B. 90 %) und ein tägliches Wiederholungslimit fest.
3. Prüfen Sie 20 zufällige Karten gegen die Quelle auf Fehler; notieren Sie die Fehlerarten.
4. Für Einrichtungen: Führen Sie eine DSFA durch, wählen Sie einen in der EU gehosteten oder selbst betriebenen Weg und legen Sie zulässige Quellen fest (Lizenzprüfung).
5. Verfolgen Sie Kartenannahme, Tageslast und Prüfungsergebnisse ein Semester lang, bevor Sie skalieren.

Quellen

1. Dunlosky et al. — Improving Students' Learning With Effective Learning Techniques (Psychological Science in the Public Interest, 2013) — https://journals.sagepub.com/doi/10.1177/1529100612453266
2. Anki manual — FSRS — https://docs.ankiweb.net/deck-options.html#fsrs
3. Open Spaced Repetition — FSRS algorithm and implementations — https://github.com/open-spaced-repetition/fsrs4anki
4. Google — NotebookLM Help — https://notebooklm.google/
5. Quizlet — AI study tools (Magic Notes) — https://quizlet.com/features/magic-notes
6. OECD — Digital Education Outlook 2026 / Generative AI in education — https://www.oecd.org/en/topics/digital-education.html
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
9. Open Notebook (open-source NotebookLM alternative) — https://github.com/lfnovo/open-notebook