Wie ChatGPT, Git und Anki ein persönliches Lernsystem bilden
Mein Lernen mit Karteikarten begann lange vor Anki und generativer KI. Über viele Jahre war ich ein überzeugter haptischer Karteikartenlerner. Meine Papierkarten bewahrte ich in einem Holzkasten auf, den mein lieber, inzwischen verstorbener Schwiegervater Klaus Kühl eigens für mich angefertigt hatte. Er war Tischlermeister seines Fachs – und entsprechend sorgfältig war auch dieser Karteikasten gearbeitet. Für mich ist er deshalb bis heute mehr als ein bloßes Lernwerkzeug.
Methodisch orientierte ich mich über viele Jahre vor allem an Sebastian Leitners Buch So lernt man lernen: Angewandte Lernpsychologie – ein Weg zum Erfolg. Das Grundprinzip war ebenso einfach wie tragfähig: Wissen wird nicht durch wiederholtes Lesen dauerhaft verfügbar, sondern durch aktiven Abruf und zeitlich verteilte Wiederholung.
Mit der Zeit kamen weitere Gedächtnistechniken hinzu. Akronyme halfen mir beim Lernen von Listen. Folgen von Anfangsbuchstaben dienten als Gerüst für Passagen, die möglichst wortgetreu sitzen sollten. Gedächtnispaläste und vertraute Wegpunkte verbanden abstrakte Inhalte mit inneren Bildern. Alle diese Methoden ließen sich auf klassische Karteikarten übertragen.
Entscheidend für meinen Wechsel zu Anki war die Erkenntnis, dass sie sich auch digital erhalten ließen. Ich wechselte nicht zu Anki, weil meine bisherigen Lernmethoden versagt hatten, sondern weil ich sie dort wiederfand – ergänzt um automatische Wiederholungsplanung, Synchronisation und die Möglichkeit, je nach Situation mit Smartphone, Tablet oder Desktop zu lernen. Anki veränderte das Medium, nicht meine Lernprinzipien.
Später kam ChatGPT als neuer Lernpartner hinzu. Gerade bei Themen wie Softwarearchitektur, Python, Datenmodellierung oder Retrieval-Augmented Generation erlebe ich damit regelmäßig Aha-Momente. Ein zunächst sperriger Zusammenhang wird verständlich, eine Architekturentscheidung nachvollziehbar oder ein Fehlerbild plötzlich greifbar.
Nur: Verstanden ist noch nicht gelernt.
Einige Tage später fehlt oft genau der Begriff, die Entscheidungsregel oder das mentale Modell, das im Gespräch noch völlig einleuchtend erschien. Die Erklärung war hilfreich, aber flüchtig. Sie blieb Teil eines Dialogs und wurde nicht zu dauerhaft abrufbarem Wissen.
Aus dieser Beobachtung entstand KGM Learning: ein persönliches, technisch kontrolliertes Lernsystem, das KI-gestützte Wissensvermittlung mit einer versionierten Wissensbasis und aktivem Wiederholen verbindet. ChatGPT unterstützt beim Verstehen, Git bewahrt den geprüften Lernstand, und Anki trainiert den späteren Abruf.
Das Ziel ist nicht, möglichst viele KI-Antworten zu sammeln. Das Ziel ist, wichtiges Wissen so aufzubereiten, dass ich es in meinen Projekten langfristig sicher anwenden kann.
Der flüchtige Aha-Moment
Generative KI verändert den Zugang zu technischem Wissen grundlegend. Statt mich durch mehrere Dokumentationen und Suchergebnisse zu arbeiten, kann ich Rückfragen stellen, Beispiele verlangen und eine Erklärung an meinen Wissensstand anpassen lassen. Das ist ein gewaltiger Vorteil.
Es entsteht jedoch leicht eine Illusion: Weil sich eine Erklärung im Moment verständlich anfühlt, überschätze ich, wie gut ich den Inhalt später selbst reproduzieren kann. Wiedererkennen ist nicht dasselbe wie Erinnern. Eine Antwort noch einmal zu lesen, ist etwas anderes, als die zugrunde liegende Frage ohne Hilfe beantworten zu können.
Die Lernforschung beschreibt diesen Unterschied seit Langem. Untersuchungen zum sogenannten Testing Effect zeigen, dass der aktive Abruf von Wissen die langfristige Behaltensleistung stärker fördern kann als bloßes erneutes Lesen. Auch zeitlich verteilte Wiederholungen sind dem geballten Lernen häufig überlegen. KGM Learning setzt diese Prinzipien nicht als akademische Dekoration ein, sondern als praktische Konsequenz: Wichtige Erkenntnisse müssen wiederholt aktiv abgerufen werden.
Damit beginnt die eigentliche Arbeit erst nach der guten Erklärung.
Drei Ebenen mit klaren Aufgaben
KGM Learning trennt drei Aufgaben, die in einem reinen Chat leicht vermischt werden.
1. ChatGPT vermittelt und erklärt
Der Dialog ist der Lernraum. Hier kann ich Verständnisfragen stellen, falsche Annahmen offenlegen und konkrete Projektprobleme untersuchen. Die Lerneinheiten folgen dabei nicht dem Muster einer langen Theorievorlesung. Sie arbeiten mit Kontrollfragen, Mini-Aufgaben, Fehleranalysen und Transferfragen.
Entscheidend ist die Rückkopplung: Ich formuliere eine Antwort zunächst selbst. Anschließend wird sie bewertet, korrigiert und nachgeschärft. Dadurch zeigt sich nicht nur, ob eine Aussage richtig ist, sondern auch, ob mein Denkmodell trägt.
2. Das Git-Repository bewahrt die geprüfte Wissensbasis
Ein Chatverlauf ist kein verlässliches Facharchiv. Inhalte sind schwer zu überblicken, Entscheidungen verteilen sich über viele Nachrichten, und eine spätere Korrektur ersetzt nicht automatisch ältere Aussagen.
Deshalb besitzt KGM Learning ein eigenes Repository. Dort liegen Lernroadmap, abgeschlossene Lernblöcke, Wissensnotizen, Karteikarten, Generierungsregeln und technische Werkzeuge. Markdown dient als lesbares Quellformat, Git dokumentiert jede Änderung.
Das Repository ist die dauerhafte Quelle. Nicht die Erinnerung an ein Gespräch und auch nicht die zuletzt formulierte KI-Antwort.
3. Anki trainiert den aktiven Abruf
Anki übernimmt eine andere Aufgabe: Es bewahrt Wissen nicht nur auf, sondern legt es mir zu passenden Zeitpunkten erneut vor. Ich muss eine Frage beantworten, bevor ich die Lösung sehe. Das macht Wissenslücken sichtbar, die beim bloßen Lesen verborgen bleiben.
Die Karten lassen sich auf dem Desktop verwalten und auf Smartphone oder Tablet lernen. Ein Gerätewechsel erfordert lediglich eine saubere Synchronisation. Für meinen Alltag ist das ein wichtiger Punkt: Lernen muss dort funktionieren, wo gerade Zeit und ein geeignetes Gerät verfügbar sind.
KI ist Werkzeug, nicht Autorität
Ein dauerhaftes Wissenssystem darf KI-generierte Inhalte nicht ungeprüft übernehmen. Sprachmodelle können überzeugend formulieren und trotzdem falsch liegen. Sie können Randbedingungen übersehen, Begriffe vermischen oder aus einer plausiblen Annahme eine scheinbar sichere Aussage machen.
KGM Learning behandelt ChatGPT und Codex deshalb als Werkzeuge mit unterschiedlichen Aufgaben. ChatGPT unterstützt bei Didaktik, Analyse, Architektur und Reviews. Codex setzt freigegebene Änderungen im Repository um und führt Tests aus. Die Entscheidung über Inhalt, Scope und Abnahme bleibt bei mir.
Vor einer dauerhaften Übernahme steht damit eine kontrollierte Kette:
- Inhalt verstehen und hinterfragen,
- Antwort oder Lösung selbst formulieren,
- fachlich korrigieren und präzisieren,
- wichtige Erkenntnisse auswählen,
- erst danach dokumentieren oder als Karteikarte übernehmen.
Diese Rollenverteilung verhindert nicht jeden Fehler. Sie macht aber sichtbar, wer entscheidet und welche Aussage als geprüft gilt.
Gute Karteikarten entstehen nicht automatisch
Eine Karteikarte ist kein verkleinerter Fachartikel. Wenn eine Karte fünf Gedanken gleichzeitig abfragt, entsteht keine anspruchsvolle Karte, sondern eine unklare Prüfungssituation.
Für KGM Learning gelten deshalb verbindliche Qualitätsregeln. Eine Karte soll möglichst genau eine erwartete Antwort besitzen. Der Kartentyp richtet sich nach dem Lernziel:
- Verständnisfragen prüfen Begriffe und Zusammenhänge.
- Lückentexte eignen sich für präzise Fachbegriffe, Parameter und Beziehungen.
- Situationskarten verbinden ein Problem mit dem passenden Vorgehen oder Pattern.
- Code-Erkennung trainiert typische Strukturen und Fehlermuster.
- Listenkarten fragen klar abgegrenzte Mengen ab.
Hinzu kommen optionale Hilfen. Ein Teilhinweis kann die Richtung eingrenzen, eine Abrufhilfe lässt sich bei Bedarf einblenden, und ein Lernanker verbindet Inhalte beispielsweise mit einem Akronym. Diese Elemente dürfen die Antwort nicht verraten. Sie sollen den Abruf unterstützen, nicht ersetzen.
Auch hier gilt: Qualität vor Quantität. Nicht jede interessante Aussage verdient eine Karte. Übernommen werden vor allem Denkmodelle, Architekturprinzipien, Risiken und Entscheidungsregeln, die projektübergreifend wichtig bleiben.
Ein reproduzierbarer technischer Workflow
Die Karteikarten entstehen nicht direkt in Anki. Ihre fachliche Quelle sind Markdown-Dateien im Repository. Jede Karte besitzt eine dauerhafte KGM-ID, einen Kartentyp und kontrollierte Tags. Dadurch bleibt sie unabhängig von Ankis internen Datenstrukturen identifizierbar.
Ein eigener Validator prüft unter anderem:
- Dokument- und Feldstruktur,
- erlaubte Kartentypen,
- eindeutige IDs,
- bekannte Tags,
- korrekte Lückentextsyntax,
- unzulässige oder doppelte Felder,
- die festgelegte Feldreihenfolge.
Erst ein gültiger Gesamtbestand darf exportiert werden. Der Export erzeugt deterministisch eine TSV-Datei für Anki. Reguläre Karten und Cloze-Karten werden den passenden Notiztypen zugeordnet. Bestehende Notizen werden über die KGM-ID aktualisiert, statt als Duplikate neu angelegt zu werden.
Parser, Validierung, HTML-Aufbereitung, Export und Kommandozeile sind automatisiert getestet. Das klingt für ein persönliches Lernprojekt zunächst nach viel Technik. Der Aufwand verfolgt jedoch einen einfachen Zweck: Ich möchte mich darauf verlassen können, dass eine Änderung an 87 Karten nicht stillschweigend IDs, Tags oder Formatierungen beschädigt.
Technische Kontrolle ist hier kein Selbstzweck. Sie schützt die Lernarbeit.
Persönliche Gedächtnisorte statt erfundener Eselsbrücken
Mit Schema 3 erhielt KGM Learning ein optionales Feld für einen Locus – einen persönlichen Gedächtnisort. Eine Karte kann beispielsweise mit einem realen Wegpunkt aus einem vertrauten Gebäude verbunden werden. Der Ort erscheint auf der Vorderseite oberhalb der Frage und dient als zusätzlicher Abrufreiz.
Dabei gilt eine ungewöhnlich wichtige Regel: Die KI darf keine Loci erfinden.
Ein Gedächtnisort funktioniert gerade deshalb, weil ich ihn kenne und innerlich vor mir sehe. Ein von ChatGPT konstruierter Ort wäre nur eine weitere Information, die ich zuerst lernen müsste. Deshalb stammen Loci ausschließlich von mir. Das System übernimmt, validiert und exportiert sie, interpretiert sie aber nicht.
Aktive Loci müssen im gesamten Kartenbestand eindeutig sein. So bleibt ein Ort genau einer Karte zugeordnet. Varianten können bewusst unterschieden werden, doch auch diese Entscheidung liegt beim Lernenden.
Der Locus ersetzt weder eine gute Frage noch einen Lernanker. Er ist eine optionale zusätzliche Gedächtnisstütze – und wird nur dort eingesetzt, wo bereits eine echte persönliche Verbindung besteht.
Der produktive Pilot
Bevor das Locus-Feld in den gesamten Kartenbestand übernommen wurde, erprobte ich es mit zwei realen Karten aus meiner bestehenden Anki-Sammlung. Der selektive Import aktualisierte beide Notizen ohne Duplikate und bewahrte Lernhistorie und Fälligkeiten. Anschließend funktionierten Darstellung und Synchronisation auf dem Desktop ebenso wie auf AnkiDroid.
Der Pilot bestätigte eine einfache technische Regel: Kartendaten, Notiztypen, Templates und Styling bilden eine gemeinsame produktive Konfiguration. Änderungen daran sollten zunächst klein, kontrolliert und mit echten Daten geprüft werden. So entsteht Vertrauen, bevor eine Erweiterung für den gesamten Bestand freigegeben wird.
Warum Open Source für mich dazugehört
Bei meiner Entscheidung für Anki spielte nicht nur die Funktionalität eine Rolle. Die Desktop-Anwendung Anki und AnkiDroid werden als Open-Source-Projekte entwickelt. Damit nutze ich kein undurchsichtiges Lernsystem, dessen Zukunft allein von den Interessen eines einzelnen Anbieters abhängt. Quelloffene Software schafft zumindest die Möglichkeit, Funktionsweise und Weiterentwicklung nachzuvollziehen und sich als Gemeinschaft daran zu beteiligen.
Open Source bedeutet allerdings nicht, dass gute Software ohne Aufwand entsteht. Hinter Anki und AnkiDroid stehen Menschen, die entwickeln, testen, dokumentieren und die Infrastruktur betreiben. Solche Projekte verdienen Unterstützung. Derzeit profitiere ich vor allem als Anwender von dieser Arbeit. Perspektivisch kann ich mir gut vorstellen, dem Projekt darüber hinaus etwas zurückzugeben.
Was ich daraus gelernt habe
KGM Learning ist über mehrere Iterationen gewachsen. Dabei haben sich einige Grundsätze herauskristallisiert.
Erstens: Eine KI-Antwort ist ein guter Ausgangspunkt, aber kein dauerhafter Wissensbaustein.
Zweitens: Dokumentation und Lernen sind verschiedene Aufgaben. Das Repository hält fest, was fachlich gelten soll. Anki trainiert, ob ich es tatsächlich abrufen kann.
Drittens: Didaktische Qualität lässt sich technisch unterstützen. Ein Validator kann keine gute Frage erfinden, aber er kann Mehrdeutigkeiten, Strukturfehler und inkonsistente Metadaten sichtbar machen.
Viertens: Persönliche Lernhilfen müssen persönlich bleiben. Eine KI kann Strukturen bereitstellen, darf aber keine vermeintlich individuellen Gedächtnisorte konstruieren.
Fünftens: Ein Lernsystem muss alltagstauglich sein. Dass ich je nach Situation Smartphone oder Tablet verwenden kann, ist keine Nebensache. Regelmäßiges Lernen scheitert selten an fehlenden Funktionen, aber oft an unnötiger Reibung.
Fazit
Generative KI kann Wissen zugänglich machen, erklären und an individuelle Fragen anpassen. Dauerhaftes Lernen entsteht daraus jedoch nicht automatisch.
KGM Learning verbindet deshalb vier Dinge: verständliche KI-gestützte Vermittlung, fachliche Prüfung, eine versionierte Wissensbasis und aktiven Abruf mit verteilten Wiederholungen. Das Ergebnis ist kein Ordner voller Chatprotokolle, sondern ein kontrolliertes System, in dem Wissen erklärt, geprüft, bewahrt und trainiert wird.
Für mich liegt darin der eigentliche Wert: Die aufschlussreichen Lehrinhalte verschwinden nicht so schnell, wie sie generiert wurden. Sie werden Teil eines Wissensbestands, den ich in meinen Projekten wiederfinden, überprüfen und vor allem selbst abrufen kann.
Literatur und weiterführende Quellen
- Sebastian Leitner: So lernt man lernen: Angewandte Lernpsychologie – ein Weg zum Erfolg, Herder, verschiedene Auflagen.
- Henry L. Roediger III und Jeffrey D. Karpicke: Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention, Psychological Science, 2006.
- Nicholas J. Cepeda et al.: Distributed Practice in Verbal Recall Tasks: A Review and Quantitative Synthesis, Psychological Bulletin, 2006.
- Anki – offizielle Projektseite – Informationen zu Desktop-Anwendung, AnkiDroid und Projektfinanzierung.
- Anki-Handbuch – Dokumentation zu Notiztypen, Import, Synchronisation und Lernplanung.
