SM-2, FSRS oder Leitner? Die drei wichtigsten Algorithmen im Vergleich

Jedes Karteikarten-Programm trifft tausende kleine Entscheidungen für dich: Welche Karte kommt heute dran? Welche darf zwei Wochen schlafen? Hinter diesen Entscheidungen steckt ein Algorithmus, und es gibt im Wesentlichen drei, die in der freien Welt zählen, Leitner aus den 1970ern, SM-2 aus den späten 80ern und FSRS, das gerade die Anki-Community aufmischt. Welcher zu dir passt, hängt weniger von der Mathematik ab als davon, wie viele Karten du verwaltest und wie tief du in das Thema reingehen willst.

Leitner: Schuhkarton statt Software

Sebastian Leitner war ein Wissenschaftsjournalist, der 1972 ein Buch namens So lernt man lernen geschrieben hat. Sein System ist eigentlich nur eine Karteikiste mit fünf Fächern, aber konsequent gedacht. Jede neue Karte landet in Fach 1, das du täglich durchgehst. Was du gewusst hast, wandert in Fach 2 (alle zwei Tage), dann Fach 3 (wöchentlich), Fach 4 (alle zwei Wochen) und schließlich Fach 5 (monatlich). Was du nicht wusstest, fällt zurück in Fach 1. Mehr Logik braucht es nicht.

Der Charme liegt im Analogen: Du brauchst keinen Account, keine App, keinen Strom. Bei 100 bis 300 Karten, einer Schul-Vokabelkiste etwa, funktioniert das hervorragend. Sobald du aber 500 oder 1.000 Karten verwaltest, wird die Schachtel unhandlich, und du verbringst die Zeit mehr mit Sortieren als mit Lernen. Der zweite Haken: Eine Karte, die dir leicht von der Hand geht, muss trotzdem brav Fach für Fach durchwandern. Eine echte Anpassung an deine individuelle Stärke gibt es nicht.

SM-2: Wie Anki tickt

1987 veröffentlichte Piotr Woźniak den SuperMemo-2-Algorithmus, den er selbst über Jahre an seinem eigenen Wortschatz feingetunt hatte. Anki, Mochi, lernkarten-planer.de und die meisten anderen Programme bauen bis heute darauf auf, oft leicht modifiziert. Jede Karte trägt drei Werte mit sich: einen Easiness Factor (EF, Startwert 2.5, der angibt, wie locker dir die Karte fällt), das aktuelle Intervall in Tagen, und die Anzahl der Reviews. Nach jeder Wiederholung bewertest du auf einer Skala von 0 (totaler Blackout) bis 5 (perfekt). Die Mathematik dahinter sieht so aus:

// Neues Intervall
I(1) = 1 Tag
I(2) = 6 Tage
I(n) = I(n-1) × EF   für n ≥ 3

// Easiness Factor nach Bewertung q (0–5)
EF' = EF + (0.1 - (5-q)×(0.08 + (5-q)×0.02))
EF' = max(1.3, EF')  // Untergrenze

// Bei q < 3: zurück zu n=0, I=1

Konkret: Du siehst eine neue Karte zum ersten Mal, bewertest mit 4. Sie kommt morgen wieder. Diesmal bewertest du mit 5, EF steigt auf 2.6, das nächste Intervall ist 6 Tage. Eine Woche später läuft alles glatt: Das nächste Intervall liegt bei 16 Tagen, dann 41, dann 106. Nach gut einem Jahr siehst du die Karte vielleicht noch viermal. Das ist der ganze Trick: Was du wirklich kannst, kommt fast nie wieder; was du verhauen hast, ist morgen wieder da.

SM-2 ist seit über 35 Jahren bewährt, gut dokumentiert und für die allermeisten Lernkontexte mehr als ausreichend. Was er nicht ist: datengetrieben. Woźniak hat die Konstanten in der Formel im Wesentlichen an seinem eigenen Lernverhalten kalibriert. Manche Karten leiden unter sogenannten „Leaks", du vergisst sie häufiger, als das Modell vorhersagt, und der Algorithmus hat keinen Mechanismus, das individuell zu erkennen.

FSRS: Der Daten-Newcomer

Der Free Spaced Repetition Scheduler entstand ab 2022 in einer Open-Source-Community rund um Anki. Die Idee: Statt einer per Hand abgestimmten Formel ein statistisches Modell, trainiert auf Millionen echter Review-Daten aus anonymen Anki-Dumps. FSRS arbeitet mit drei Größen pro Karte, Stability (Tage bis zum geschätzten Vergessen), Difficulty (wie inhärent schwer die Karte ist) und Retrievability (Wahrscheinlichkeit, dass du sie jetzt gerade abrufen könntest).

Du gibst FSRS dein gewünschtes Retention-Ziel mit, etwa 90 Prozent. Das Modell rechnet daraus für jede Karte den optimalen nächsten Reviewzeitpunkt. In Vergleichs-Studien braucht FSRS bei gleichem Retention-Niveau 20 bis 30 Prozent weniger Wiederholungen als SM-2, das ist echte Zeitersparnis, vor allem wenn du tausende aktive Karten verwaltest. Seit Anki 23.10 ist FSRS offizielle Alternative zum SM-2-Standard.

Der Preis: Ein bisschen mehr Setup-Aufwand, und das Modell wird erst nach rund 200 Reviews wirklich gut auf dich angepasst. Wer ein neues Deck startet und sich zum ersten Mal mit Spaced Repetition beschäftigt, ist mit SM-2 pragmatischer beraten, die Effizienz-Gewinne von FSRS spielen erst bei größeren, etablierten Decks ihre Stärke aus.

Welcher passt zu dir?

Dein Profil	Empfehlung
Schüler, <300 Karten, analog gewünscht	Leitner
Einsteiger, neues Deck, wenig Zeit fürs Setup	SM-2 (Anki-Default oder lernkarten-planer.de)
Sprachen-Lerner, 500–2.000 Karten	SM-2 reicht völlig
Medizin, Jura, >2.000 aktive Karten	FSRS, die Zeitersparnis zahlt sich aus
Bestehender Anki-Nutzer mit Review-Historie	FSRS (mit dem eingebauten Optimizer auf eigene Daten trainiert)

Wenn du bereits einen Anki-Deck mit SM-2 pflegst und neugierig auf FSRS bist: Anki hat seit 23.10 einen eingebauten Optimizer, der deine Review-Historie heranzieht, ein individuelles Modell trainiert und die Intervalle umstellt. Der Wechsel kostet keine Karten und dauert rund eine Viertelstunde Konfiguration. Verlierst du dabei nichts, dauert die Anpassungsphase ein paar Wochen, in denen einzelne Karten häufiger als gewohnt kommen können.

Ein Zahlenbeispiel: SM-2 gegen FSRS bei 3.000 Karten

Nehmen wir eine Medizinstudentin mit 3.000 aktiven Anatomie-Karten, die auf 90 Prozent Retention zielt. Unter SM-2 mit Standard-Einstellungen liegen die durchschnittlichen Intervalle zwischen den Reviews bei rund 15 bis 18 Tagen. FSRS optimiert auf der gleichen Datenbasis auf 20 bis 24 Tage. Das klingt unspektakulär, macht aber im Jahresverlauf rund 700 bis 900 Reviews weniger aus. Bei zwei Minuten pro Review sind das 25 bis 30 Stunden eingesparte Zeit, über das Studienjahr verteilt.

Leitner schneidet in diesem Szenario klar am schlechtesten ab: Mit physischer Kiste und fünf festen Fächern gibt es kein adaptives Intervall. Eine Karte in Fach 3 kommt immer nach sieben Tagen, egal ob sie für dich trivial oder knifflig ist. Bei 3.000 Karten wird die Sortierlogistik zum Hauptproblem, nicht mehr der Lerninhalt.

Was Bewertungs-Skalen wirklich bedeuten

SM-2 bewertet von 0 bis 5. FSRS in der Anki-Implementierung hat vier Stufen: Wieder, Schwer, Gut, Leicht. Viele Lernende nutzen nur die Extreme, also entweder „Gut" oder „Wieder", und lassen „Schwer" und „Leicht" links liegen. Das ist ein Fehler: Wer eine Karte mit Mühe abruft und trotzdem „Gut" klickt, signalisiert dem Algorithmus, dass das Intervall passen soll. Der Algorithmus hat keine Möglichkeit zu ahnen, dass du innerlich gezögert hast.

Eine sinnvolle Daumenregel: „Leicht" nur, wenn die Karte sofort und ohne jeden Zug kommt. „Gut" für korrekte Antwort mit normalem Tempo. „Schwer" für korrekte Antwort mit deutlichem Zögern oder nach Hilfserinnerung. „Wieder" für alles, was nicht vollständig korrekt war. Mit dieser Kalibrierung lernt der Algorithmus deutlich schneller.

Leitner physisch: wann es die beste Wahl bleibt

Es gibt Szenarien, in denen digitale Algorithmen keinen echten Vorteil haben, und manchmal sogar im Weg stehen. Wer mit Kindern im Grundschulalter lernt, profitiert vom Anfassen, Sortieren und physischen Anfeuern, wenn eine Karte ins letzte Fach wandert. Das ist Gamification ohne App, und sie funktioniert. Wer in Berufen arbeitet, in denen Bildschirmzeit ohnehin hoch ist (Programmieren, Design, Büroarbeit), empfindet analoge Review-Sessions oft als wirksame Abwechslung.

Leitner-Systeme funktionieren außerdem hervorragend als Gruppenformat: Lerngruppen können gemeinsam durch Fächer arbeiten, Karten laut vorlesen, diskutieren. Eine Anki-Session ist zwangsläufig ein Solo-Erlebnis. Das ist keine Wertung, nur ein Hinweis, dass der beste Algorithmus der ist, den du wirklich täglich nutzt.

Praktisch gedacht

Wer heute mit Karteikarten anfängt, tut gut daran, SM-2 in einer sauberen App (Anki, lernkarten-planer.de) zu nutzen und erst nach 200 bis 300 absolvierten Reviews zu entscheiden, ob FSRS einen Wechsel rechtfertigt. In dieser Anfangsphase sind Deck-Qualität und Konsequenz beim täglichen Review wichtiger als algorithmische Feinheiten. Der Algorithmus macht höchstens zehn Prozent des Lernerfolgs aus; die Qualität der Karten und die Regelmäßigkeit der Reviews machen die restlichen neunzig.

Was passiert bei sehr großen Decks mit vielen Leeches

Ein Problem, das SM-2 strukturell nicht löst: Karten, die du zwanzigmal falsch beantwortet hast, akkumulieren einen niedrigen Easiness Factor und kommen trotzdem immer wieder, nur sehr häufig. In einem Deck mit 5.000 Karten können so 300 bis 400 Leeches entstehen, die zusammen 30 Prozent der täglichen Review-Zeit fressen, obwohl sie inhaltlich häufig gar nicht wichtig sind.

FSRS hat dafür einen eleganteren Mechanismus: Die Difficulty-Komponente steigt bei wiederholten Fehlern, und das Modell kann intern zwischen „schwere Karte mit aktiver Lernkurve" und „Leech, der hoffnungslos ist" unterscheiden. In der Praxis heißt das, FSRS zeigt Leeches seltener, statt sie täglich auf den Tisch zu legen. Das ist bei großen Decks ein spürbarer Unterschied.

Bei beiden Algorithmen gilt die praktische Empfehlung: Karten, die nach zehn Reviews nie richtig beantwortet wurden, nicht weiter mitschleppen, sondern löschen, verstehen und neu schreiben. Kein Algorithmus der Welt kann schlechte Karten in gute verwandeln.

SM-2 in der Praxis: was die Standard-Einstellungen nicht zeigen

Die Default-Einstellungen von Anki (SM-2 mit Steps 1 min, 10 min, dann 1 Tag, 6 Tage) sind für Einsteiger oft zu aggressiv. Wer 20 neue Karten täglich lernt und die Steps nicht anpasst, erlebt nach vier Wochen einen Review-Peak, der 80 bis 100 Karten täglich erreichen kann. Das liegt nicht am Algorithmus selbst, sondern daran, dass die Initial-Steps sehr kurz sind und viele Karten schnell in die tägliche Review-Rotation rutschen.

Eine bewährte Anpassung für Einsteiger: Steps auf 15 min, 1 Tag, 3 Tage setzen, Graduating Interval auf 7 Tage, Easy Interval auf 15 Tage. Das verteilt den Review-Peak gleichmäßiger und verhindert, dass das System in Woche drei wie eine Flut wirkt. Wer das einmal eingestellt hat, profitiert für die gesamte Laufzeit seines Decks.

Quellen

• Piotr Woźniak: SuperMemo Method: SM-2 Algorithm (super-memory.com)
• FSRS-Team: Open-Source-Repo und Wiki auf GitHub
• Sebastian Leitner (1972): So lernt man lernen