Adaptives Lernen: Wie Algorithmen dein Jura-Lernen steuern

Du wiederholst zum fünften Mal die Definition der Willenserklärung und hast die Voraussetzungen der Anfechtung seit acht Wochen nicht mehr angesehen. Dein Lernplan weiß nicht, was du schon kannst. Adaptives Lernen heißt: Ein System misst laufend deinen Wissensstand und entscheidet daraus, welche Inhalte du als Nächstes bekommst, wie schwer sie sind und wann sie wiederkommen. Der Effekt ist real, aber kleiner als die Werbung verspricht. Kontrollierte Studien zu intelligenten Tutorsystemen finden im Median 0,66 Standardabweichungen gegenüber konventionellem Unterricht.

Für Jura ist das eine gute und eine schlechte Nachricht. Karteikarten, Definitionen und Multiple-Choice-Aufgaben lassen sich hervorragend adaptiv steuern. Der Gutachtenstil nicht.

Auf einen Blick:

• Adaptiv heißt: Das System passt Inhalte, Schwierigkeit und Wiederholungsabstand automatisch an deine Antworten an. Personalisiert heißt nur, dass du selbst auswählst.
• Technisch stecken drei Bausteine dahinter: ein Modell von dir, ein Modell des Stoffs und eine Regel, die beides verbindet.
• Die belastbaren Effekte liegen bei 0,66 bis 0,76 Standardabweichungen. Blooms berühmte zwei Sigma wurden in 96 Tutoring-Studien kein einziges Mal erreicht.
• In Jura wirkt Adaptivität bei Definitionen, Schemata und Karteikarten. Bei Subsumtion und Gutachtenaufbau hört sie auf, weil das Examen keine Multiple-Choice-Prüfung ist.
• Lerndaten sind personenbezogene Daten. Ein Lernvorschlag ist aber in aller Regel keine automatisierte Entscheidung im Sinne von Art. 22 DSGVO.

Was bedeutet adaptives Lernen (Adaptive Learning)?

Adaptives Lernen ist ein Lernangebot, das sich während des Lernens selbst verändert. Das System beobachtet, was du richtig und falsch beantwortest, wie lange du brauchst und wie sicher du dir bist. Daraus leitet es die nächste Aufgabe ab. Kein Mensch greift dazwischen ein.

Der englische Begriff adaptive learning meint dasselbe und ist in der Forschungsliteratur der übliche. Im deutschsprachigen Raum wird er meist wörtlich übersetzt, gelegentlich auch als adaptives Lernsystem oder adaptive Lernplattform vermarktet.

Adaptiv, personalisiert, individualisiert: die Unterschiede

Die drei Begriffe werden im Marketing synonym benutzt, meinen aber verschiedene Dinge. Wer sie trennt, erkennt schnell, welche Software wirklich etwas kann.

Der Unterschied ist praktisch relevant. Eine App, in der du dir dein Kapitel selbst aussuchst, ist personalisiert. Adaptiv wird sie erst, wenn deine Antworten die nächste Auswahl verändern.

Adaptive Lernsysteme und adaptive Lernplattform

Adaptive Systeme laufen technisch meist auf einem Learning Management System, also auf der Software, mit der Hochschulen und Unternehmen Kurse, Inhalte und Fortschritt verwalten. Die Adaptivität ist eine Schicht darüber und entscheidet, welcher Baustein ausgespielt wird. Werbetexte sprechen dabei gern von Inhalten, die sich an die Bedürfnisse jedes Einzelnen anpassen. Gemeint sind damit die individuellen Bedürfnisse, geschätzt aus deinem Antwortverhalten. Mehr Persönliches steckt nicht dahinter.

Der Begriff kommt aus der betrieblichen Weiterbildung. Unternehmen setzen adaptive Technologien ein, um Compliance-Schulungen und Upskilling-Programme für Mitarbeitende abzukürzen: Wer den Stoff schon kann, überspringt ihn. Der Nutzen ist dort sofort in Geld messbar, und die Integration in vorhandene Systeme ist der eigentliche Kostenpunkt. Mitarbeiter bekommen maßgeschneiderte Lernziele und arbeiten im eigenen Tempo, was als Flexibilität beworben wird und oft schlicht heißt, dass niemand mehr einen Kurstermin organisiert. Deshalb sind die deutschen Suchergebnisse zu diesem Stichwort fast vollständig von Anbietern für Unternehmen belegt, und deshalb findest du als Studierender dort wenig Brauchbares. Die Lernpsychologie dahinter ist trotzdem dieselbe. Was in Unternehmensschulungen funktioniert, lässt sich nur nicht eins zu eins auf fünf Jahre Jurastudium übertragen.

Was adaptives Lernen nicht meint

Ein Fortschrittsbalken ist keine Adaptivität. Eine Statistik über deine Lernzeit auch nicht. Beides zeigt dir Daten, ändert aber nichts am Angebot.

Auch verbessert eine bloße Umstellung auf digitale Karten noch nichts an der Reihenfolge. Ebenso wenig gehört jede Form von künstliche Intelligenz dazu. Die klassischen adaptiven Verfahren stammen aus den Achtzigern und Neunzigern und kommen ohne neuronale Netze aus. Umgekehrt ist ein Sprachmodell, das dir auf Zuruf einen Text erklärt, noch nicht adaptiv: Es misst deinen Wissensstand nicht, es antwortet nur.

Ein einfacher Test für jede Lern-App: Ändert sich das Angebot, wenn du eine Frage falsch beantwortest? Bleibt alles gleich, ist die Anpassung Marketing.

Wie funktioniert adaptives Lernen? So entstehen Lernpfade und Lerninhalte

Jedes adaptive System besteht aus drei Teilen, egal ob es Vokabeln, Mathematik oder Definitionen ausspielt. Wer diese drei kennt, kann jede Lern-App in fünf Minuten einordnen.

Lernermodell, Domänenmodell und Adaptationslogik

Das Lernermodell ist die Schätzung des Systems darüber, was du kannst. Es besteht aus Wahrscheinlichkeiten, nicht aus Noten: für jedes Teilthema eine Zahl zwischen null und eins. Das Domänenmodell ist die Landkarte des Stoffs, also welche Themen es gibt und was worauf aufbaut. Die Adaptationslogik verbindet beides und entscheidet: Welche Aufgabe bringt jetzt den größten Zuwachs?

Bei Karteikarten-Systemen ist das Domänenmodell trivial, jede Karte ist ein eigenes Thema. Eine kontinuierliche Messung des Lernprozesses gibt es trotzdem, sie beginnen bei der ersten Antwort. Bei einem echten Tutorsystem hängt es zusammen: Wer die Willenserklärung nicht sicher hat, bekommt die Anfechtung noch nicht.

Knowledge Tracing: was das System über dich annimmt

Das Standardverfahren dahinter heißt Knowledge Tracing. Albert Corbett und John Anderson beschrieben es 1994 in User Modeling and User-Adapted Interaction. Ihr Bayesian Knowledge Tracing schätzt für jede Fertigkeit vier Größen: die Wahrscheinlichkeit, dass du sie schon vorher konntest, die Wahrscheinlichkeit, dass du sie bei dieser Übung lernst, die Wahrscheinlichkeit eines Flüchtigkeitsfehlers trotz Wissen, und die Wahrscheinlichkeit eines Glückstreffers ohne Wissen.

Die letzten beiden sind der eigentliche Trick. Ohne sie würde eine einzige falsche Antwort das ganze Modell umwerfen. Übrigens erklärt das auch, warum gute Systeme dich nach einem Fehler nicht sofort mit demselben Thema bombardieren: Ein Fehler kann Zufall sein.

Neuere Varianten arbeiten mit neuronalen Netzen (Deep Knowledge Tracing) und sagen die nächste Antwort aus der gesamten Antwortsequenz voraus. Sie sind genauer, aber schwerer nachzuvollziehen. Für die Lernenden heißt das: Man sieht am Ergebnis nicht mehr, warum eine Aufgabe kam.

Vom starren Kapitel zum verzweigten Lernpfad

Klassische Skripte sind linear. Adaptive Lernpfade verzweigen sich stattdessen an Messpunkten: Nach einem Test entscheidet das System, ob du das Grundlagenkapitel überspringst, das Vertiefungskapitel bekommst oder eine Zwischenstufe. Solche Lernpfade sind der sichtbarste Teil der Adaptivität, weil die Lernenden sie direkt bemerken. Die flexible Reihenfolge ermöglicht es, vorhandene Kenntnisse zu überspringen, ohne den Zusammenhang zu verlieren.

Für Jura funktioniert das dort gut, wo der Stoff eine klare Reihenfolge hat. Der Allgemeine Teil des BGB ist so ein Fall: Rechtsgeschäftslehre vor Stellvertretung vor Anfechtung. Bei Streitständen wird es schwieriger, weil sie sich nicht in Niveaustufen sortieren lassen.

Wie Aufgaben nach Schwierigkeit ausgespielt werden

Die zweite Stellschraube ist der Schwierigkeitsgrad. Das Vorbild ist das computergestützte adaptive Testen, wie es etwa Sprachtests einsetzen: Nach einer richtigen Antwort kommt eine schwerere Frage, nach einer falschen eine leichtere. So kreist der Test in wenigen Aufgaben auf dein Niveau ein.

Im Lernbetrieb zählt etwas anderes: der Bereich, in dem du gerade noch Fehler machst. Robert Bjork nennt das wünschenswerte Erschwernisse: Aufgaben, die spürbar Mühe kosten, verankern das Wissen besser als solche, die dir leichtfallen. Ein gutes adaptives System hält dich deshalb bewusst leicht überfordert.

Die Algorithmen hinter adaptivem Lernen

Bei Karteikarten steckt die gesamte Adaptivität in einer einzigen Frage: Wann kommt diese Karte wieder? Drei Generationen von Algorithmen haben darauf geantwortet.

Vom Leitner-Kasten zu SM-2

Sebastian Leitner beschrieb 1972 den Karteikasten mit fünf Fächern. Richtig beantwortet heißt ein Fach nach hinten, falsch heißt zurück ins erste. Das Leitner-System ist adaptiv im Kern, aber grob: Alle Karten eines Fachs teilen denselben Abstand, egal wie schwer sie dir persönlich fallen.

Piotr Woźniak verfeinerte das ab 1987 zu SM-2. Jede Karte bekommt einen eigenen Easiness-Faktor, der mit jeder Bewertung steigt oder fällt und den nächsten Abstand multipliziert. Aus fünf festen Stufen werden damit individuelle Kurven pro Karte. SM-2 ist bis heute die Grundlage vieler Apps, weil es simpel und nachvollziehbar ist.

FSRS: Difficulty, Stability und Retrievability

Der aktuelle Stand heißt FSRS, Free Spaced Repetition Scheduler. Anki bietet ihn seit Version 23.10 an. Statt eines einzelnen Faktors modelliert FSRS das Gedächtnis mit drei Größen, und die lohnen sich zu verstehen:

Der praktische Unterschied: Du legst eine Wunsch-Behaltensquote fest, etwa 90 Prozent, und der Scheduler rechnet die Abstände dazu aus. Nach Angaben der Anki-Dokumentation braucht man mit FSRS weniger Wiederholungen als mit dem alten Verfahren, um dieselbe Behaltensquote zu erreichen. Auch verspätete Wiederholungen fließen in die Rechnung ein, statt verworfen zu werden.

Was der Vergleich der Scheduler wirklich misst

Das Projekt Open Spaced Repetition betreibt einen offenen Benchmark auf den Lerndaten von 10.000 Anki-Nutzern mit rund 727 Millionen Wiederholungen. Gemessen wird nicht, wer besser lernt, sondern wie genau ein Algorithmus vorhersagt, ob eine Karte erinnert wird. Die Kennzahl ist der mittlere Vorhersagefehler, kleiner ist besser.

Die aktuelle FSRS-Generation liegt dort bei 0,0627, ältere Fassungen bei 0,0653 und 0,0838. Das klingt nach wenig, und in gewisser Weise ist es das auch. Wichtiger als die vierte Nachkommastelle ist, was der Benchmark nicht misst: ob deine Karten gut geschrieben sind. Ein perfekter Scheduler auf schlechten Karten bleibt schlecht.

Vorteile und Nutzen adaptiven Lernens: was die Studien zeigen

Die Vorteile von adaptivem Lernen werden in der Anbieterwerbung gern mit zwei Behauptungen zusammengefasst: höhere Lernmotivation und dramatisch bessere Ergebnisse. Die Forschungslage ist nüchterner und trotzdem gut genug, um den Aufwand zu rechtfertigen.

Intelligente Tutorsysteme in der Meta-Analyse

James Kulik und J. D. Fletcher werteten 2016 in der Review of Educational Research 50 kontrollierte Evaluationen intelligenter Tutorsysteme aus. Der Median-Effekt lag bei 0,66 Standardabweichungen gegenüber konventionellem Unterricht, was einem Sprung vom 50. auf das 75. Perzentil entspricht. Ein Studierender im Mittelfeld landet damit im oberen Viertel.

Kurt VanLehn kam 2011 im Educational Psychologist auf ein ähnliches Bild und stellte zusätzlich den Vergleich zum Menschen her: menschliche Tutoren d = 0,79, intelligente Tutorsysteme d = 0,76, einfache antwortprüfende Programme nur d = 0,3. Der Abstand zwischen Software und Mensch ist also klein. Der Abstand zwischen einem echten adaptiven System und einem bloßen Abfrage-Tool ist groß.

Der Zwei-Sigma-Mythos und was davon bleibt

Fast jede Präsentation zu adaptiven Systemen zitiert Benjamin Bloom und seine zwei Standardabweichungen aus dem Jahr 1984. Diese Zahl hält der Prüfung nicht stand. In einer Übersicht von 96 Tutoring-Studien erreichte keine einzige einen Zwei-Sigma-Effekt.

Die Ursachen sind gut dokumentiert. Blooms Ausgangsstudien maßen mit selbst gebauten, sehr engen Tests über wenige Wochen, und die Intervention enthielt neben dem Tutoring noch häufige Zwischentests mit Nachprüfung. Eine Meta-Analyse von Nickow, Oreopoulos und Quan aus dem Jahr 2020 kommt für Tutoring im Schnitt auf 0,37 Standardabweichungen, eine ältere von Cohen, Kulik und Kulik aus dem Jahr 1982 auf 0,33. Wer dir zwei Sigma verspricht, verkauft dir etwas.

Warum enge Tests größere Effekte zeigen

Ein Muster zieht sich durch alle diese Arbeiten: Wird mit einem Test gemessen, der genau die geübten Inhalte abfragt, fallen die Effekte etwa doppelt so groß aus wie bei einem breiten Standardtest. In der Meta-Analyse von 1982 standen 0,84 gegen 0,27 Standardabweichungen.

Für dich ist das die eigentlich wichtige Erkenntnis. Ein adaptives Karteikartensystem macht dich messbar besser darin, Karteikarten zu beantworten. Ob es dich besser darin macht, eine fünfstündige Klausur zu schreiben, misst keine dieser Studien. Diese Lücke schließt nur Falltraining.

Adaptives Lernen in Jura: Einsatz und Umsetzung in der Praxis

Der Jura-Stoff zerfällt in zwei Hälften, und nur eine davon lässt sich sinnvoll adaptiv steuern. Abfragbares Wissen auf der einen Seite, Methodenkompetenz auf der anderen. Der Einsatz adaptiver Werkzeuge lohnt sich in der ersten Hälfte, und dort lohnt er sich sehr. Die Umsetzung kostet dich einen Nachmittag.

Definitionen, Schemata und Karteikarten

Definitionen sind der perfekte Fall: kurz, eindeutig richtig oder falsch, in großer Zahl, mit sehr unterschiedlicher persönlicher Schwierigkeit. Für solche Inhalte wurde Spaced Repetition entwickelt. Wie Spaced Repetition und Active Recall zusammenwirken, steht ausführlich in unserem Beitrag dazu; adaptiv wird die Sache erst durch den Algorithmus, der die Abstände pro Karte einzeln setzt.

Prüfungsschemata funktionieren ähnlich, brauchen aber eine Zusatzregel: Ein Schema wird als Ganzes abgefragt, nicht in Einzelteilen. Wer die fünf Prüfungspunkte auf fünf Karten verteilt, lernt fünf Fakten und keine Struktur.

Multiple-Choice-Aufgaben und Falltraining

Multiple-Choice-Aufgaben sind das zweite adaptive Feld, weil sie automatisch auswertbar sind und Schwierigkeitsstufen erlauben. Ob sich das Format für Jura überhaupt eignet, haben wir in unserem Beitrag zum Jura-Quiz geprüft. Kurzfassung: als Trainingsmittel ja, als Prüfungsersatz nein.

Beim Falltraining endet die Automatisierbarkeit. Eine Gutachtenlösung kennt keine eindeutig falsche Antwort. Es gibt eine besser und eine schlechter begründete. Adaptive Systeme können dir hier nur die passenden Fälle vorlegen, nicht deine Lösung bewerten.

In vier Schritten zu deinem eigenen adaptiven Lernplan

Du brauchst dafür keine teure Software und keine individuelle Beratung. Vier Schritte reichen für den Einsatz in digitalen Lernumgebungen, und du kannst sie diese Woche umsetzen:

• Trenne den Stoff: Alles mit einer eindeutigen Antwort kommt in ein Karteikartensystem, alles andere bleibt im Lernplan.
• Wähle einen Scheduler und folge ihm. Die Anpassung wirkt nur, wenn du die vorgeschlagenen Termine auch bedienst und nicht selbst umsortierst.
• Bewerte ehrlich. Wer sich alles auf leicht setzt, zerstört das Modell. Das System kennt nur, was du ihm sagst.
• Plane zwei feste Blöcke pro Tag: einen kurzen Wiederholungsblock am Morgen, einen Lernblock für Neues. Wie du das in einen ganzen Semesterplan einbaust, zeigt unser Leitfaden zum Jura-Lernplan.

Der Rest ist Geduld. Die Abstände wachsen erst nach einigen Wochen spürbar; vorher fühlt sich adaptives Wiederholen nach mehr Arbeit an als eine feste Liste. Wer in dieser Phase aufgibt, sieht den Nutzen nie.

Grenzen, Herausforderungen und die Zukunft adaptiven Lernens in Jura

Adaptive Systeme haben eine harte Obergrenze, und sie liegt genau dort, wo das Staatsexamen anfängt. Der Grund liegt in der Methode selbst und betrifft jede App gleichermaßen.

Gutachtenstil und Subsumtion lassen sich nicht adaptiv drillen

Die staatliche Pflichtfachprüfung verlangt nach § 5d Abs. 2 Satz 3 DRiG schriftliche und mündliche Leistungen; die Klausuren selbst regeln die Ausbildungs- und Prüfungsordnungen der Länder. Bewertet wird dort, ob du einen unbekannten Sachverhalt unter Normen ziehst und deine Wertung begründest. Kein adaptives System kann das messen: Es müsste dafür deine Argumentation bewerten, und das leistet bisher keine Software.

Adaptive Systeme festigen Wissen. Fähigkeiten gezielt aufzubauen, also Subsumtion, Aufbau und Argumentation, gehört ins Falltraining. Praktisch heißt das: Ein Algorithmus bringt dir die Voraussetzungen des § 823 Abs. 1 BGB zuverlässig ins Langzeitgedächtnis. Ob du erkennst, dass im Sachverhalt die Verkehrssicherungspflicht das eigentliche Problem ist, trainierst du nur an Fällen. Wer stundenlang Karten schiebt und nie schreibt, hat ein Abrufproblem in der Klausur, obwohl die App grün leuchtet.

Wenn der Algorithmus die falsche Karte für schwer hält

Jedes Lernermodell hängt an der Qualität dessen, was die Lernenden eingeben. Die empfindlichste Stelle ist die eigene Bewertung: Wer sich zu oft leicht gibt, verlängert die Abstände, bis der Stoff wieder weg ist. Schlecht geschnittene Karten wirken ähnlich, nur unsichtbar. Eine Karte mit drei Fragen bekommt eine einzige Bewertung, und die trifft dann auch die beiden Teile, die du konntest. Heikel wird es bei ähnlichen Definitionen. Zueignungsabsicht und Bereicherungsabsicht sind einzeln jederzeit abrufbar und werden im Paar trotzdem verwechselt. Das Modell sieht davon nichts, es sieht nur richtig oder falsch.

Keine dieser Schwächen behebt eine bessere Software. Sie entstehen beim Schreiben der Karten, also lange vor der Anpassung durch das System.

Adaptivität ist kein Lerntyp

Adaptive Systeme passen zwei Dinge an: den Zeitpunkt und die Schwierigkeit. Den Sinneskanal passen sie nicht an. Sie liefern dir also keine Bilder, weil du dich für einen visuellen Lerntyp hältst. Warum die Einteilung in Lerntypen ohnehin wenig hergibt, haben wir bei den Lerntypen im Jurastudium aufgeschrieben. Adaptivität arbeitet umgekehrt: Sie misst dein Verhalten und ordnet dich keiner Kategorie zu.

KI-Tutoren: was sich ändern könnte und was nicht

Adaptives Lernen, KI-Tutoren und Lernpfade werden inzwischen in einem Atemzug genannt. Der sichtbare Trend geht zu Sprachmodellen als Tutor. Sie können erklären, umformulieren und auf Rückfragen eingehen, und darin sind sie klassischen adaptiven Systemen weit voraus. Für die Zukunft adaptiven Lernens ist das die interessanteste Entwicklung.

Zwei Einschränkungen bleiben. Ein Sprachmodell erfindet Fundstellen und Streitstände, und im Recht ist ein plausibel klingender Fehler teurer als in fast jedem anderen Fach. Und es misst deinen Wissensstand nicht, solange niemand ein Lernermodell dahinterlegt. Belastbare Wirksamkeitsstudien zu KI-Tutoren im juristischen Studium gibt es bisher nicht. Solange das so ist, gehört jede Antwort gegengeprüft.

Datenschutz beim adaptiven Lernen

Adaptivität ist ohne Datensammlung nicht zu haben. Für ein juristisches Publikum lohnt der genaue Blick, zumal die Anbieter zu diesem Punkt meist schweigen.

Lerndaten sind personenbezogene Daten

Unter dem Stichwort Learning Analytics wertet die Hochschulforschung solche Daten seit Jahren aus. Antwortzeiten, Fehlerquoten und Bewertungen pro Karte sind personenbezogene Daten, sobald sie einem Konto zugeordnet sind. Ihre automatisierte Auswertung zur Bewertung von Leistung oder Verhalten ist Profiling im Sinne von Art. 4 Nr. 4 DSGVO. Das ist eine Einordnung und noch kein Mangel. Profiling ist erlaubt, es braucht eine Rechtsgrundlage nach Art. 6 DSGVO, in aller Regel die Erfüllung des Nutzungsvertrags.

Greift Art. 22 DSGVO bei automatischen Lernempfehlungen?

Der Wortlaut ist enger, als er oft zitiert wird. Art. 22 Abs. 1 DSGVO gibt dir das Recht, keiner ausschließlich automatisierten Entscheidung unterworfen zu werden, die dir gegenüber rechtliche Wirkung entfaltet oder dich in ähnlicher Weise erheblich beeinträchtigt. Ein Vorschlag, welche Karte du morgen wiederholen sollst, tut beides nicht. Für gewöhnliche Lern-Apps läuft die Vorschrift deshalb leer.

Anders sieht es aus, wenn ein System über Zulassung, Note oder Bestehen entscheidet. Ein adaptiver Einstufungstest, dessen Ergebnis über die Teilnahme an einem Kurs bestimmt, kann sehr wohl in den Anwendungsbereich von Art. 22 DSGVO fallen. Wo die Grenze verläuft, hängt an der Folge der Entscheidung, nicht an der Technik dahinter.

Worauf du bei einer Lernplattform achten solltest

Vier zusätzliche Fragen klären den größten Teil. Welche Daten werden über die reine Funktion hinaus erhoben, also gilt die Datenminimierung nach Art. 5 Abs. 1 lit. c DSGVO? Lässt sich der Lernverlauf löschen, ohne das Konto aufzugeben? Werden die Daten zur Weiterentwicklung von Modellen genutzt, und wenn ja, getrennt vom Konto? Und liegen die Server in der EU? Eine klare Antwort auf alle vier findest du selten, das Fehlen ist selbst eine Information.

Welche Jura-Tools wirklich adaptiv arbeiten

Die Werbeaussage adaptiv oder adaptive learning steht auf vielen Startseiten. Drei Werkzeuge lösen sie im deutschen Jura-Markt tatsächlich ein, mit unterschiedlichem Zuschnitt.

Anki mit FSRS

Anki ist die flexibelste Lösung und die mit dem stärksten Scheduler, kostenlos auf dem Desktop. Der Preis dafür ist Arbeit: Du schreibst jede Karte selbst, und die Qualität deiner Karten begrenzt alles Weitere. Wie du das Programm sinnvoll aufsetzt, steht in unserer Anleitung zum Einrichten von Anki für Jura, die fertigen Decks im Vergleich der Anki-Decks für Jura.

Jurafuchs und der SM2-Ansatz

Jurafuchs setzt nach eigener Auskunft auf einen Algorithmus, der im Wesentlichen auf Woźniaks Arbeiten und SM2 beruht. Du bewertest nach der Aufgabe mit leicht, gut oder hart, und der nächste Abstand verschiebt sich entsprechend, etwa von drei Tagen auf zehn, acht oder vier. Zusätzlich schlägt die App eine Bewertung aus deiner Lösungsquote vor, die du überschreiben kannst.

Jurahilfe.de: Karteikarten im FSRS-Wiederholungssystem

Auf jurahilfe.de laufen die Karteikarten über FSRS, lernpfadübergreifend über Zivilrecht, Strafrecht und öffentliches Recht. Jede Karte stammt aus einem Lernelement des Skripts und verlinkt dorthin zurück, sodass du bei einer Lücke nicht suchen musst. Weitere Anbieter und ihre Stärken vergleicht unser Überblick der besten Jura-Apps.

Fazit: für wen sich adaptives Lernen in Jura lohnt

Adaptives Lernen ist eine gut belegte Technik für einen klar umrissenen Teil deines Stoffs: alles, was eine eindeutige Antwort hat. Für Definitionen, Schemata und Grundwissen nimmt es dir die Entscheidung ab, wann du wiederholst, und das ist genau die Entscheidung, die die meisten von uns falsch treffen. Für Subsumtion, Argumentation und Klausurtaktik bleibt es wirkungslos.

Wenn du bisher nach Gefühl wiederholst, ist der Umstieg der größte einzelne Hebel in deinem Lernalltag. Der Einstieg kostet nichts: Der komplette BGB AT ist auf jurahilfe.de dauerhaft kostenlos und ohne Zeitlimit nutzbar, Skripten, Karteikarten und Multiple-Choice-Aufgaben eingeschlossen.

Weiterlesen

• Die Vergessenskurve nach Ebbinghaus: Warum Abstände überhaupt wirken, das lernpsychologische Fundament hinter jedem Scheduler.
• Falltraining und Abschlusstest: Der Teil des Lernens, den kein adaptiver Algorithmus übernimmt.
• Interaktive Skripten auf Stufe 1: Wie ein Text aussieht, der sich zwischen kompakt und ausführlich umschalten lässt.
• Zeitmanagement im Jurastudium: 15 Methoden für die Blöcke drumherum, wenn die Wiederholung erst einmal automatisch läuft.