Anlass war ein Grilling am 10.08.2026, in dem vier Schwächen der App benannt wurden. Nur eines davon hat die Prüfung unverändert überstanden.
Die Sorge „verdecktes Abrufen ist wertlos“ ist widerlegt — verdeckter Abruf erzeugt denselben Testeffekt wie offener (η²p = .41 vs. .24). 'kilma' verschenkt nicht den Lerngewinn, sondern die Messung. Bestätigt bleibt: produktives Wortwissen zerfällt weit schneller (58,5 % → 25,1 % gegen 60,1 % → 39,4 %).
Der einzige direkte Kopf-an-Kopf-Test — glossierter Beispielsatz gegen nacktes Wortpaar über zehn Testformate — fand keinen signifikanten Unterschied. Kontext trägt erst ab ≥ 10 Kontexten pro Wort: bei 178 Vokabeln rund 1.780 Sätze. Übrig bleibt ein schmaler, gut belegter Rest: Kollokationen als eigenes Lernziel.
Dashboards zeigen über 38 Studien keinen Leistungseffekt, substanzielle Effekte nur auf Beteiligung. Der richtige erste Leser des ReviewLog ist deshalb nicht der Lernende, sondern der Entwickler. Das ist der einzige zeitkritische Punkt der ganzen Recherche.
Die Evidenz stützt weder „baue Spielmechanik ein“ noch „Spielmechanik schadet“. Sie stützt eine andere Trennlinie: informierend vs. kontrollierend, und im Material zielführend vs. zielabführend. Beide Effektrichtungen sind klein. Kein Defizit mit einer Lösung, sondern eine Designhaltung mit zwei Leitplanken.
Alle Kandidaten auf einer gemeinsamen Effektstärken-Achse — soweit überhaupt ein d oder g existiert. Wo keines berichtet wurde, steht das dort, statt eine Zahl zu erfinden. Zeile aufklappen für Vorbehalte, Aufwand und Quellen.
Nur d und Hedges' g stehen auf der Achse. η², Prozentwerte und Log Loss sind andere Maße und werden im Klartext genannt.
Keine Kandidaten für diese Filterkombination.
Diese Liste ist eine echte Sequenz: Ganz oben steht, was verloren geht, wenn es nicht jetzt passiert. gradeCard überschreibt den Vorzustand in derselben Transaktion, in der es die Log-Zeile schreibt — jede heute unvollständig protokollierte Antwort fehlt für immer.
ReviewLog instrumentierenjetztprevPhase, prevIntervalDays, prevDueAt, prevEase, revealMs, autoRevealed, undoneAt statt delete, sessionId — eine Migration. Der Vorzustand wird sonst mit derselben Transaktion überschrieben.note konsequent füllenlaufend, ab sofortGrößter belegter Einzelhebel der ganzen Recherche bei technisch null Aufwand — Kollokation, Abgrenzung, Register, „sagt man nur zu …“. d 0,32 → 0,49 bzw. 0,46 → 0,99.Jede Landkarte synthetisiert mehrere Quellen und benennt Widersprüche, statt sie zu glätten. Sie sind die Ebene, auf der die Kandidaten oben stehen.
| Prinzip | Kernaussage | Leitzahl | Defizit |
|---|---|---|---|
| Retrieval Practice | Der Testeffekt ist real und mittelgroß, aber ein Produkt seiner Bedingungen: Feedback verdoppelt ihn fast, 18 % aller Effektstärken sind negativ. | g = 0,50 [0,42; 0,58] | trägt alles |
| Spacing | Dass Verteilen hilft, ist erledigt. Ob Intervalle expandierend oder gleichmäßig wachsen, ist meta-analytisch unentschieden — 'kilma's konkrete Werte sind schlicht unerforscht. | g = 0,74 Muster: 0,034 | — |
| Interleaving | Bei Wörtern kehrt sich der Effekt um. Die Autoren nennen Fremdsprachen ausdrücklich: nicht empfohlen. | g = −0,39 [−0,64; −0,14] | — |
| Generation Effect | Selbst erzeugen schlägt lesen, und der Vorteil wächst mit dem Behaltensintervall. Produktives Wortwissen zerfällt weit schneller als rezeptives. | d = 0,40 > 1 Tag: 0,64 | ① |
| Desirable Difficulties | Auch scheiternde Abrufversuche zahlen sich aus — sofern korrektives Feedback folgt. Lernende erkennen den Nutzen nicht. | d = 1,49 Kornell Exp. 4 | ① |
| Metakognition / JOL | Ein Urteil bei sichtbarer Antwort misst Zusammengehörigkeit, nicht Abrufbarkeit. Selbst mit Musterlösung gaben Lernende 44 % klar falscher Antworten Punkte. | g = 0,93 verzögerte JOL | ① |
| Feedback | Der Informationsgehalt entscheidet, nicht dass überhaupt Feedback kommt. Der Kanal ist egal — computergestützt ist nicht schwächer als menschlich. | 0,05 → 0,32 → 0,49 KR / KCR / EF | ③ ④ |
| Kontext vs. Wortpaar | Wortfokussiertes Pauken liefert pro Wort ein Vielfaches von beiläufigem Input; ein einzelner Beispielsatz bringt nichts. | 60 % vs. 9–18 % keine d-Werte | ② |
| Elaboration & Mnemonik | Eine anspruchsvollere Aufgabe schlägt eine längere. Keyword-Mnemonik bleibt umstritten — 1,62 unter Studienbedingungen gegen „low utility“. | d+ = 0,50 Selbstbezug | ② |
| Cognitive Load & Dual Coding | Bilder sind nicht der Wirkfaktor — die erzwungene Entscheidung ist es. Eine zweite Modalität bringt 0,46 sofort, 0,28 verzögert; eine dritte nichts. | g = 0,46 → 0,28 | ② ④ |
| Seductive Details | Irrelevanter Zusatzinhalt schadet — aber je besser die Methode, desto kleiner der Effekt: 0,30–0,48 (2012) → −0,37 (2020) → −0,16 (2026). | g = −0,16 beste Meta | ④ |
| Gamification & Adherence | Die Trennlinie verläuft nicht bei „Spielelement ja/nein“, sondern bei informierend vs. kontrollierend. Zu Abbruchquoten gibt es keine Meta-Analyse. | d = +0,33 / −0,28…−0,40 | ④ |
| SRL & Lernanalytik | Sichtbarer Fortschritt steigert verlässlich die Aktivität, nicht die Leistung. Feedback wirkt schlechter, je mehr es zur Person statt zur Aufgabe zeigt. | d = 0,41 > ⅓ negativ | ③ |
Sie werden hier benannt, nicht aufgelöst. Wer eine der betroffenen Entscheidungen trifft, trägt den Widerspruch mit.