Lernkarten mit KI: Der Weg vom Text zum fertigen Quiz

Neun experimentelle Studien im K-12-Bereich, mehr als 30 experimentelle Studien mit Studierenden: Das Institute of Education Sciences (IES) bewertet den Einsatz von Quizzen zur Lernförderung mit starker Evidenz. Wer KI-generierte Lernkarten für den Unterricht erstellt, bewegt sich damit auf einem empirisch belastbaren Fundament. Die offene Frage ist nicht, ob Abrufübungen wirken, sondern wie der Workflow von der Textquelle bis zum importierten Kartensatz reproduzierbar und fehlerarm umgesetzt wird.

Dieser Leitfaden seziert genau diesen Workflow: Datenformat, Kartenstruktur, fachliche Validierung, Datenschutz und KI-Kompetenz. Im Zentrum stehen Anki als Standardzielsystem und ChatGPT im Lernmodus als gängiges KI-Tool für die Quiz-Erstellung. Die Bewertung am Ende liefert eine klare Go- oder No-Go-Entscheidung für den produktiven Einsatz.

Vom Unterrichtsmaterial zum strukturierten Datensatz: KI als Vorbereiter

Der erste Arbeitsschritt ist mechanisch, nicht kreativ. Eine Textquelle — Notizen, Folien, Arbeitsblätter, Buchauszug, PDF — wird in ein KI-System überführt, das daraus Fragen, Definitionen und Lückenstrukturen extrahiert. ChatGPT im Lernmodus akzeptiert nach Anbieterangaben hochgeladene Dateien und kann auf dieser Grundlage Übungsfragen, Quizaufgaben und Kartenentwürfe erzeugen. Eingeführt wurde dieser Modus am 29. Juli 2025.

Die technische Hürde liegt nicht im Upload selbst, sondern in der Begrenzung der Verarbeitungsmenge. Kontextfenster haben eine endliche Breite. Lange Dokumente werden gekürzt; Abschnitte können unberücksichtigt bleiben. Vor dem Upload steht daher eine Eingrenzung des Quellmaterials auf das, was tatsächlich geprüft werden soll. Ein 80-seitiges Skript vollständig durch ein Modell zu jagen, das nur einen Bruchteil des Kontexts verarbeitet, erzeugt Auslassungsfehler, die im späteren Kartenstapel unsichtbar bleiben.

Ohne präzise Quellenbegrenzung wird das KI-Output zum Zufallsprodukt: Was nicht im Kontextfenster liegt, existiert für das Modell nicht.

Ein belastbarer Prompt adressiert vier Parameter explizit:

• Kartenformat (Basic, Basic mit Rückseite, Cloze oder gemischt)
• Zielgruppe (Klassenstufe, Vorwissen, Fachbegriffsdichte)
• Schwierigkeitsgrad (Reproduktion, Anwendung, Transfer)
• Sprache und Notation (Fachterminologie korrekt, Formelschreibweise beibehalten)

Die Ausgabe eines Modells auf einen offenen Prompt wie „Erstelle Lernkarten zu diesem Text" liefert brauchbares Material, aber ohne Formatvorgabe variiert die Kartenstruktur von Durchlauf zu Durchlauf. Erst die Spezifikation im Prompt fixiert das Schema. Eine zweite Iteration mit dem gleichen Prompt und identischem Quelltext liefert kein deterministisches Ergebnis; das muss bei der späteren Validierung mitgedacht werden.

Didaktische Gestaltung: Warum Abrufübungen den Lernerfolg steigern

Die Evidenzbasis für Abrufübungen ist solide. Quizze wirken nicht als bloße Wiederholung, sondern als aktiver Abruf aus dem Gedächtnis. Dieser Mechanismus (retrieval practice) verbessert die Behaltensleistung messbar gegenüber reinem wiederholenden Lesen. Die IES-Handreichung verweist auf diese starke Evidenzbasis und macht sie zum Ausgangspunkt für jede Karteikartenstrategie.

Die zweite IES-Empfehlung betrifft die zeitliche Verteilung. Schlüsselbegriffe sollen mindestens zweimal aufgegriffen werden, mit Abständen von mehreren Wochen bis Monaten. Eine gängige Orientierung: Der Abstand zwischen zwei Lerngelegenheiten sollte nicht weniger als etwa 5 Prozent der gesamten Behaltensdauer betragen. Für eine Prüfung in acht Wochen bedeutet das eine Wiederholungssequenz, die nicht erst in der letzten Woche beginnt, sondern frühzeitig im Lernzeitraum verankert ist.

Drei didaktische Konsequenzen für KI-generierte Kartenstapel:

• Selektion schlägt Volumen. Eine kurze, präzise Kartensammlung zu klar abgegrenzten Lernzielen schlägt einen breiten Stapel mit schwacher Begriffsbindung. Ein Stapel von 80 halluzinationsanfälligen Karten ist didaktisch wertlos.
• Schwierigkeitsstaffelung erfolgt bewusst. Reine Faktenkarten (einfache Cloze-Lücken) trainieren Reproduktion. Anwendungsfragen trainieren Transfer. Beides sollte im Stapel vertreten sein, in einem definierten Verhältnis — typischerweise mehr Reproduktions- als Transferkarten, aber nicht ausschließlich.
• Wiederholungsplanung gehört in das System. Anki und vergleichbare SRS-Tools übernehmen die Intervallberechnung. Die Karte selbst enthält nur die Abfrage, nicht den Wiederholungsplan.

KI-generierte Kartensammlungen verleiten dazu, das Datenvolumen zu maximieren. Didaktisch ist das Gegenteil richtig: Ein valider Stapel von 20 Karten mit klarer Lernzielbindung schlägt 80 unscharfe Karten in jedem Szenario.

Technische Umsetzung: KI-Output für Anki und andere Systeme formatieren

Anki ist im Bildungsbereich das verbreitetste Kartensystem mit Spaced Repetition. Die Importlogik verlangt strukturierte Klartextdateien. Wer den KI-Output direkt in Anki einspielen will, muss drei technische Parameter kennen.

Kartentypen und ihre Datenkonsequenzen

Bei Cloze-Karten erzeugen unterschiedliche Lückennummern wie c1 und c2 aus derselben Notiz getrennte Karten. Dieselbe Lückennummer auf mehreren Textstellen führt zu einer gemeinsamen Karte, die alle Lücken gleichzeitig abfragt. Verschachtelte Lückentexte werden seit Anki 2.1.56 unterstützt; in neueren Anki-Versionen ist die Verschachtelungstiefe auf drei Ebenen begrenzt. Darüber hinausgehende Konstruktionen werden vom Importer nicht aufgelöst.

Dateiformat und Zeichenkodierung

Der Importer akzeptiert Felder, die durch Komma, Semikolon oder Tabulator getrennt sind. Die Datei muss als Klartext vorliegen und UTF-8-kodiert sein. Umlaute, ß und sprachspezifische Sonderzeichen bleiben nur erhalten, wenn das Speicherformat stimmt. Excel-Speicherungen als XLSX oder CSV mit Windows-1252-Kodierung führen zu Zeichensalat im Kartentext. Vor dem Import in Anki ist das Speicherformat explizit zu kontrollieren.

Prompting für Importformat

Ein präziser Prompt reduziert die Nacharbeit im Editor erheblich. Die Anweisung kann als zusammenhängender Auftrag formuliert werden:

Erzeuge eine durch Tabulator getrennte Textdatei mit zwei Spalten: Spalte 1 enthält die Vorderseite (Frage), Spalte 2 die Rückseite (Antwort). Verwende UTF-8-Kodierung. Keine Zeilenumbrüche innerhalb einer Karte. Für Lückentexte verwende das Cloze-Format mit {{c1::Begriff::Hinweis}}. Maximal 20 Karten pro Ausgabe.

Das Ergebnis ist eine.txt-Datei, die Anki über „Datei importieren" einliest. Feldtrenner und Kodierung werden im Importdialog explizit gesetzt. Nach dem Import empfiehlt sich eine Sichtkontrolle der ersten 10 bis 20 Karten, weil Sonderzeichen und Formatierungsartefakte erst im gerenderten Kartentext sichtbar werden.

Wer das Importformat nicht im Prompt fixiert, schreibt die Karten zweimal: einmal durch das Modell und einmal von Hand in der Nachbearbeitung.

Alternative Zielsysteme

Neben Anki existieren weitere Kartensysteme mit unterschiedlicher Importlogik. Quizlet erwartet Klartextzeilen mit definierter Feldreihenfolge; Lernsysteme wie RemNote oder Obsidian mit Plugin-Integration verarbeiten Markdown-Strukturen direkt. Wer schulweite Standards einsetzt, sollte das Zielsystem vor dem Prompt-Design festlegen, nicht danach.

Qualitätssicherung: Die unverzichtbare Rolle der fachlichen Kontrolle

OpenAI weist im Hilfetext zum Lernmodus explizit darauf hin, dass das System Fehler machen kann und wichtige Informationen überprüft werden sollen. Diese Aussage ist keine juristische Absicherung, sondern eine operative Anweisung für die Kartenproduktion. Sie gilt für jede andere generative KI gleichermaßen.

Die Fehlertypen, die in KI-generierten Lernkarten auftreten, sind kategorisierbar:

• Faktische Halluzinationen. Das Modell erfindet Definitionen, Daten, Jahreszahlen oder Autorenzuordnungen, die im Quelltext nicht stehen.
• Kontextverlust. Eine korrekte Aussage im Quelltext wird in eine Frage umformuliert, die den Sachverhalt verzerrt, verkürzt oder aus dem Zusammenhang löst.
• Falsch gesetzte Lücken. Bei Cloze-Karten wird der falsche Begriff als Lücke markiert; die Antwort wird trivial oder mehrdeutig.
• Quellenverlust. Der Bezug zur Originalstelle geht verloren. Die Karte hängt im luftleeren Raum und ist im Zweifelsfall nicht überprüfbar.

Die Kontrollroutine ist kurz, aber disziplinpflichtig. Vier Prüfschritte, deren Umfang sich nach Stapelgröße, Fehlertoleranz und Einsatzkontext richtet:

1. Stichprobe ziehen. Eine substanzielle Auswahl der Karten gegen den Quelltext prüfen — nicht durch Überfliegen, sondern durch Lesen und Nachschlagen im Original. Faustregel: je größer der Stapel und je geringer die Fehlertoleranz, desto mehr Karten werden einzeln validiert. Eine fixe Prozentzahl ist dabei weniger wichtig als die Repräsentativität der Auswahl über alle Themenblöcke und Kartentypen.

2. Lösungsschlüssel validieren. Bei Quizkarten mit Mehrfachauswahl muss die richtige Antwort explizit im Quelltext stehen. Distraktoren müssen plausibel, aber eindeutig falsch sein.

3. Fachtermini abgleichen. Die Definition in der Karte muss mit der im Unterricht verwendeten übereinstimmen, nicht mit einer modellseitig halluzinierten Variante.

4. Quellenlink festhalten. Wo möglich, sollte die Karte auf eine konkrete Textstelle verweisen (Seite, Absatz), damit Lernende die Antwort im Skript nachschlagen können.

Karten, die diese Prüfung nicht bestehen, werden aussortiert oder umformuliert. Die KI ist Generator, nicht Validator. Wer den Validierungsschritt überspringt, verlagert die Qualitätskontrolle auf die Lernenden — und damit das Fehlerrisiko in die Klassenarbeit.

Rechtlicher Rahmen: Datenschutz und KI-Kompetenz im Schulalltag

Zwei Regelwerke sind beim produktiven Einsatz KI-generierter Lernkarten relevant: die Datenschutz-Grundverordnung (DSGVO) für personenbezogene Daten und die EU-Verordnung 2024/1689 (KI-Verordnung) für den Einsatz von KI-Systemen im Bildungsbereich.

Die KI-Verordnung formuliert in Artikel 4 eine Pflicht zur KI-Kompetenz: Anbieter und Betreiber müssen nach bestem Bemühen sicherstellen, dass Personen, die KI-Systeme in ihrem Auftrag nutzen, über ein ausreichendes Maß an KI-Kompetenz verfügen. Dabei sind Vorwissen, Ausbildung und Einsatzkontext zu berücksichtigen. Praktisch bedeutet das: Lehrkräfte, die KI-Tools im Unterricht einsetzen, sollten Funktionsweise, Grenzen und typische Fehlertypen dieser Systeme kennen — und diese Kompetenz nachvollziehbar dokumentieren, etwa über eine interne Fortbildung zu Halluzinationsrate, Kontextgrenzen und Datenschutz. Was genau als „ausreichend" gilt, hängt vom Einsatzkontext ab und ist derzeit nicht abschließend gerichtlich geklärt; pauschale Mindeststandards existieren weder in Form eines Pflichtzertifikats noch in Form einer festen Stundenzahl. Wer den eigenen Schul- oder Trägerstandard nicht kennt, sollte ihn vor dem produktiven Einsatz klären.

Die UNESCO-Leitlinie zu generativer KI in der Bildung, veröffentlicht am 7. September 2023, ergänzt den Rahmen um ethische und altersangemessene Anforderungen. Datenschutz wird ausdrücklich als Regelungs- und Prüfbereich benannt. Die Leitlinie ist nicht bindend, dient aber als Referenzrahmen für nationale und schulische KI-Policies.

Konkrete Konsequenzen für den Kartenworkflow:

• Personenbezogene Schülerdaten wie Namen, Noten, individuelle Förderpläne oder Leistungsprofile gehören nicht in Eingaben an externe KI-Dienste, sofern keine datenschutzrechtliche Freigabe vorliegt. Anonymisierte Inhalte (Textauszug ohne Personennennung) sind in der Regel unkritisch.
• Schulträger und Bundesland regeln verbindlich, welche KI-Dienste genutzt werden dürfen. Eine pauschale Freigabe durch die KI-Verordnung existiert nicht — die KI-VO verpflichtet zu Kompetenz und Sorgfalt, sie hebt bestehende Datenschutzregeln nicht auf.
• Verträge mit Anbietern (Auftragsverarbeitung nach DSGVO, Datenlokalisierung, Löschfristen, Trainingsdatenverwendung) sind vor produktivem Einsatz zu prüfen.
• Transparenz gegenüber Lernenden ist pädagogisch geboten: Schülerinnen und Schüler sollten wissen, wenn KI-generierte Materialien zum Einsatz kommen. Das stärkt die KI-Kompetenz der Lernenden selbst.

Die rechtliche Lage ist nicht durch KI-Einsatz an sich riskant, sondern durch ungeprüften Einsatz. Wer KI-Tools ohne Datenschutzfreigabe und ohne dokumentierte KI-Kompetenz nutzt, betritt eine Grauzone, die im Streitfall sowohl arbeitsrechtlich als auch datenschutzrechtlich zum Nachteil der Lehrkraft ausgelegt werden kann. Das ist kein hypothetisches Risiko — Aufsichtsbehörden prüfen Schulen zunehmend genau in diesem Bereich.

Machbarkeitsbewertung: Go / No-Go

Go, wenn alle Bedingungen erfüllt sind:

• Freigegebenes Quellmaterial liegt vor; die Lizenz erlaubt die Bearbeitung und Weitergabe an ein KI-System.
• Eine Importpipeline (KI-Output → Klartextdatei → Anki oder vergleichbares System) ist einmal eingerichtet und reproduzierbar dokumentiert.
• Fachliche Kontrolle ist in den Workflow integriert (Stichprobenregel, Quellenprüfung, Vier-Augen-Prinzip bei sensiblen Themen).
• Datenschutzfreigabe für das eingesetzte KI-System liegt vor; personenbezogene Daten werden nicht eingegeben.
• Die nutzende Lehrkraft erfüllt die KI-Kompetenz-Anforderungen aus Artikel 4 der EU-KI-Verordnung nachweislich.

No-Go, wenn mindestens einer dieser Punkte zutrifft:

• Schülerbezogene Daten fließen ohne datenschutzrechtliche Freigabe in externe KI-Dienste.
• Keine Zeit für fachliche Kontrolle ist eingeplant; das Karten-Output geht direkt in den Lernstapel.
• Quellmaterial stammt aus unklarer Quelle und kann nicht validiert werden.
• Die KI wird als Validator statt als Generator eingesetzt (Karten werden ohne Prüfung übernommen).
• Die KI-Kompetenz der nutzenden Personen ist nicht gegeben und wird auch nicht aufgebaut.

Der Workflow skaliert in einem klaren Rahmen: Eine typische Unterrichtseinheit zu einem klar abgegrenzten Thema liefert erfahrungsgemäß einen überschaubaren Stapel validierter Karten, der über mehrere Wochen als Abrufübung dienen kann. Die genaue Zahl hängt von Stoffdichte, Anzahl der Lernziele und verfügbarem Validierungsaufwand ab — eine universelle Mengenangabe wäre hier unredlich. Ohne Validierung produziert derselbe Workflow deutlich mehr Karten — von denen ein nicht bezifferbarer Anteil fehlerhaft ist. Die Differenz zwischen diesen beiden Zahlen ist kein technisches, sondern ein disziplinarisches Problem, das im Schulalltag gelöst werden muss. Tools liefern Rohmaterial; die Lehrkraft liefert die Qualität.