{"id":161787,"date":"2000-05-20T07:00:00","date_gmt":"2000-05-20T07:00:00","guid":{"rendered":"https:\/\/www.supermemo.com\/?p=161787"},"modified":"2026-07-21T11:58:01","modified_gmt":"2026-07-21T11:58:01","slug":"theoretische-aspekte-von-spaced-repetition-im-lernprozess","status":"publish","type":"post","link":"https:\/\/www.supermemo.com\/de\/blog\/theoretische-aspekte-von-spaced-repetition-im-lernprozess","title":{"rendered":"Theoretische Aspekte von Spaced Repetition im Lernprozess"},"content":{"rendered":"
\n

Piotr Wozniak, 1990-2000<\/p>\n\n

Dieser Text wurde aus P.A.Wozniak, Optimization of learning<\/em> : Simulation of the learning process conducted along the SuperMemo schedule<\/em> (1990) abgeleitet und wurde mit \u00fcberarbeiteten Werten aktualisiert (der Originaltext enthielt zus\u00e4tzliche Abbildungen zur Vergessensrate, die aufgrund eines Fehlers in der Implementierung des Simulationsmodells deutlich \u00fcbersch\u00e4tzt worden war)<\/p>\n\n

Wichtig!<\/strong> Die neuesten Erkenntnisse zum verteilten Wiederholen finden Sie unter: „Theoretical aspects of spaced repetition in learning<\/a>.“<\/p>\n\n

Dieser Artikel soll Ihnen helfen, Ihr Lernen zu planen und Ihre lebenslange Lernkapazit\u00e4t f\u00fcr neue Inhalte besser zu verstehen. Die meisten Werte und Formeln wurden theoretisch hergeleitet. In den letzten zehn Jahren wurden diese theoretischen Konstrukte jedoch durch exakte Messungen w\u00e4hrend eines tats\u00e4chlichen Lernprozesses vielfach best\u00e4tigt<\/p>\n\n

Ein einfaches Simulationsmodell erm\u00f6glicht es, den Ausgang eines langfristigen, auf verteiltem Wiederholen basierenden Lernprozesses vorherzusagen. Die Wahrscheinlichkeit des Vergessens bei jeder Wiederholung wird durch den Vergessensindex bestimmt. Mithilfe eines Algorithmus f\u00fcr verteiltes Wiederholen und einer realen Verteilung der Elementschwierigkeit (A-Factor Distribution) l\u00e4sst sich der Verlauf des Lernens \u00fcber viele Jahre per Computersimulation vorhersagen (beachten Sie, dass Sie eine \u00e4hnliche Simulation Ihres eigenen Lernprozesses auf Basis Ihrer eigenen realen Lerndaten in SuperMemo 98 und sp\u00e4ter<\/strong> unter Tools : Statistics : Simulation<\/strong> durchf\u00fchren k\u00f6nnen)<\/p>\n\n

Das Simulationsmodell trifft folgende Annahmen:<\/p>\n\n

    \n
  1. Das Lernen folgt einem Standardalgorithmus f\u00fcr Wiederholungsabst\u00e4nde (z. B. Algorithm SM-11)<\/li>\n\n\n\n
  2. Eine glockenf\u00f6rmige Verteilung der A-Faktoren wird aus einem generischen Wissenssystem \u00fcbernommen, das mit SuperMemo<\/a> erstellt wurde<\/li>\n\n\n\n
  3. Die Matrix optimaler Faktoren stammt aus einem generischen Wissenssystem und \u00e4ndert sich im Verlauf des Lernprozesses nicht<\/li>\n\n\n\n
  4. Bei Wiederholungen wird ein durch den Vergessensindex bestimmter Anteil der Elemente als vergessen betrachtet und tritt ohne \u00c4nderung ihrer A-Faktoren erneut in den Prozess ein<\/li>\n<\/ol>\n\n

    Die obigen Annahmen beseitigen folgende Probleme, die andernfalls bei dem Versuch auftreten k\u00f6nnten, die Ergebnisse eines langfristigen Lernprozesses abzusch\u00e4tzen:<\/p>\n\n

      \n
    1. Die Variabilit\u00e4t individueller mnemonischer F\u00e4higkeiten kann vollst\u00e4ndig durch die Verteilung der A-Faktoren erfasst werden (Punkt 2). Schlie\u00dflich zeigt dasselbe Wissenssystem bei einem ge\u00fcbten Lernenden einen gr\u00f6\u00dferen Anteil h\u00f6herer A-Faktoren<\/li>\n\n\n\n
    2. Die Variabilit\u00e4t der Schwierigkeit des gelernten Materials, die sich wiederum vollst\u00e4ndig in der Verteilung der A-Faktoren widerspiegeln kann (Punkt 2)<\/li>\n\n\n\n
    3. Die Variabilit\u00e4t der mnemonischen Leistungsf\u00e4higkeit des Gehirns infolge von Training, die durch die Verwendung einer konstanten Verteilung der A-Faktoren ausgeglichen wird (Punkt 2)<\/li>\n\n\n\n
    4. Die Variabilit\u00e4t der mnemonischen Leistungsf\u00e4higkeit des Gehirns mit zunehmendem Alter, die durch die Verwendung eines konstanten Wertes der Matrix optimaler Faktoren ausgeglichen werden kann (Punkt 3). Ein deutlicher Ged\u00e4chtnisverlust im Alter ist nur infolge eines pathologischen Prozesses oder mangelnden Trainings zu beobachten (Restak 1984). Andernfalls d\u00fcrfte die mnemonische Leistungsf\u00e4higkeit des Gehirns durch Training mit zunehmendem Alter sogar steigen!<\/li>\n<\/ol>\n\n

      Der Einfachheit halber verwende ich in den folgenden Abschnitten den Begriff generisches Material<\/strong>, womit ein Lernmaterial mit einer typischen Verteilung der A-Faktoren gemeint ist. Es ist wichtig zu beachten, dass dieser Begriff auch die mnemonische Leistungsf\u00e4higkeit des Lernenden widerspiegelt. Das liegt daran, dass gute Lernende in ihren Sammlungen tendenziell einen gr\u00f6\u00dferen Anteil hoher A-Faktoren aufweisen.<\/p>\n\n

      Hier folgt eine kurze Zusammenfassung der Schlussfolgerungen, die sich aus Simulationsexperimenten auf Basis des besprochenen Modells ziehen lassen:<\/p>\n\n