Abruf, Spacing und Interleaving

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Abruf, Spacing und Interleaving — die drei konkreten Lerntechniken, die Übung anstrengungsvoll machen und das Gelernte dadurch dauerhaft. Abrufübung verlangt von der lernenden Person, eine Antwort aus dem Gedächtnis zu produzieren, statt eine wiederzuerkennen; Spacing verteilt jene Übung über die Zeit, statt sie in einer Sitzung zu ballen; Interleaving mischt Problemtypen, statt sie zu blocken. Was sie eint, ist eine gemeinsame Signatur: jede senkt die Leistung während der Übung und hebt die Behaltensleistung danach — die Leistungs-Lern-Lücke in operationaler Form. Sie sind die Arbeitspferde der Kognitionspsychologie, und in der KI-gestützten Lernumgebung sind sie die spezifischen Verhaltensweisen, die generative KI am leichtesten auslöscht, denn ein LLM, das auf Abruf antwortet, entfernt den Abruf, plättet den Zeitplan und glättet die Mischung weg. Diese Seite ist die Seite der Techniken. Das Prinzip dahinter — Bjorks Kompromiss aus Anstrengung und Lernen, warum schwerere Übung dauerhafteres Lernen erzeugt — wird auf wünschenswerte Schwierigkeiten behandelt; diese Seite deckt ab, was jede Technik ist, was die Studien des Korpus gemessen haben, und wie KI sie umsetzt oder untergräbt.

Fragen zum Nachdenken

• Haben Sie schon einmal ein Kapitel so lange wiederholt, bis es vertraut wirkte, und es dann eine Woche später nicht erklären können? Was hat Ihnen das Wiederlesen tatsächlich gegeben?
• Abrufübung bedeutet, aus dem Gedächtnis zu antworten, bevor man prüft. Wenn ein KI-Assistent einen Tastenanschlag entfernt ist: Was müsste an Ihrer Lernroutine wahr sein, damit jener Abruf noch stattfindet?
• Systeme für verteilte Wiederholung planen Überprüfung in Intervallen, die eine lernende Person nicht wählen würde. Ist ein Plan, der sich falsch anfühlt, ein Feature oder ein Bug?
• Interleaving mischt Problemtypen und fühlt sich unordentlicher an als Blocken. Wenn der Korpus fast keine direkte KI-Evidenz zu Interleaving bietet: Wie zuversichtlich sollten Sie sein, es zu übernehmen — und auf welcher Basis würden Sie entscheiden?
• Akgun und Toker (2026) fanden, dass Lernende, die frei mit einer KI chatteten, am schlechtesten abschnitten, selbst nach dem besten Pretesting. Was fehlte der Bedingung freien Chattens, das die strukturierte hatte?
• Tsiligkiris (2026) fand, dass tieferes LLM-Befragen Aufgabenqualität verbesserte, aber nicht den Abruf. Was sagt Ihnen das darüber, Flüssigkeit als Beleg für Lernen zu nutzen?

Einführung

Abrufübung, Spacing und Interleaving werden üblicherweise zusammen gelehrt und zitiert, weil sie getrennt entdeckt wurden, sich aber gleich verhalten: jede opfert, wie gut Übung aussieht, im Tausch dafür, wie viel davon überlebt. In der Wissensbasis erscheinen sie als Instanzen des Prinzips der wünschenswerten Schwierigkeiten, aber sie sind auch unabhängig umsetzbar — ein Reviewender kann Intervalle planen, ein Tutor kann die Antwort zurückhalten, ein Curriculum kann Itemtypen mischen, ohne die zugrunde liegende Theorie heranzuziehen. Ihr operationaler Charakter ist der Grund, warum sie die natürliche Brücke zwischen Kognitionspsychologie und KI-Design sind, und warum die Studien unten eher zwei Ergebnismaße berichten als eines: Leistung während der Übung und Behaltensleistung nach einer Verzögerung.

Der Testeffekt: Abrufübung schlägt Wiederlesen

Abrufübung — zu versuchen, Material abzurufen, statt es wiederzulesen — stärkt das Gedächtnis mehr als zusätzliches Lernen es tut, und der Korpus behandelt den Befund als so weit gesichert, dass man darauf aufbaut, statt ihn neu zu verhandeln. Der Scoping-Review zu Lernen-zu-lernen platziert Abrufübung in der Schicht Tools seines dreischichtigen Rahmenwerks (Dimensions of cognitive and metacognitive skill, Processes of self-regulation, Tools such as retrieval practice) und positioniert sie als konkreten, lehrbaren Bestandteil von Lernen-zu-lernen, der GenAI-Übervertrauen entgegenwirken und Handlungsfähigkeit der lernenden Person schützen soll.

Der informativste Test im Korpus ist eine Dissoziation. Tsiligkiris (2026) protokollierte 22 Graduierten die LLM-Interaktionen Prompt für Prompt während einer neuroökonomischen Fallaufgabe und trennte Tiefe (den Anteil erklärungssuchender „why/how/explain“-Prompts) von Volumen und Tempo. Tiefe sagte unabhängig bewertete Aufgabenqualität voraus (β = 6.27, p = .006), hatte aber eine Null-Assoziation mit unmittelbarem Abruf im Nachtest (β = −0.014, p = .728), wobei Abrufgewinne stattdessen von Basiswissen getrieben wurden. Die Lesart des Autors ist, dass Elaboration Verständnis treibt, während Abruf Konsolidierung treibt —, und dass Lernende bei LLM-gestütztem Studium ohne explizite Abrufanforderungen hohe Flüssigkeit erleben können, mit wenig Notwendigkeit, irgendetwas ungestützt abzurufen. Das ist ein Abrufübungsbefund, als Abwesenheit formuliert: der Mechanismus wurde nicht beansprucht, daher bewegte sich das Behaltensergebnismaß nicht.

Abrufübung ist kein universeller Hebel, und der Korpus sagt das auch. Rachatasumrit, Koedinger und Carvalho (2025) führten ein 2×2-Experiment mit 95 Teilnehmenden durch, das Wissensinhalt (wörtliche Fakten gegenüber generalisierbaren Fähigkeiten, Geometrie-Flächen-Material) mit Trainingsplan kreuzte. Sie fanden eine Inhalts-Behandlungs-Interaktion (β = 0.41, p = .038, d = 0.38): reines Übungstesten erzeugte höhere Lernzuwächse für Fakten, während beispielintegrierte Übung höhere Zuwächse für Fähigkeiten erzeugte. Die Autoren merken außerdem an, dass Abrufübungsgewinne häufig daran scheitern, sich auf unvertraute Probleme zu erstrecken. Abrufübung ist also am stärksten, wo das Ziel das Gedächtnis für spezifischen Inhalt ist, und sie muss mit ausgearbeiteten Beispielen gepaart werden, wo das Ziel eine generalisierbare Fähigkeit ist —, weshalb ihre KI-Designimplikation auch ist, dass intelligentes Tutoring das Verhältnis von Beispiel zu Übung an die jeweils gelernte Wissenskomponente anpassen sollte.

Dieselbe Logik läuft durch die Spickzettel-Studie: Chen, Sakhnini und Istead behandeln das Konstruieren eines Spickzettels als aktive, generative Lernstrategie (Auswahl, Verdichtung, Organisation) statt als Logistik und rahmen das Risiko des KI-Zeitalters darin, die Konstruktion des Artefakts auszulagern und jene metakognitive Einübung zu verlieren, die sein Bauen bot.

Spacing und verteilte Übung

Der Spacing-Effekt — dass dieselbe Gesamtübungsmenge dauerhafteres Lernen erzeugt, wenn sie über Sitzungen verteilt statt in einer geballt wird — ist die algorithmisch am meisten ausgebeutete der drei Techniken, und die angewandten Systeme des Korpus sind darum herum gebaut.

Memdora ist das klarste Beispiel für Spacing als Ingenieursproblem. Es fundiert Planung in der Ebbinghaus-Vergessenskurve, nennt die Zahl, dass etwa 70% neu gelernten Materials innerhalb von 24 Stunden ohne Überprüfung vergessen werden, und integriert FSRS-6, beschrieben als den aktuellen State-of-the-Art-Algorithmus für verteilte Wiederholung. Sein Argument ist, dass Planung allein nicht genügt: bestehende Werkzeuge reduzieren Karteikarten-Interaktion auf eine einzelne binäre Geste, „umdrehen und selbst bewerten“, was die Autoren ein verarmtes Modell nennen, das die kognitionswissenschaftliche Evidenz zu Abrufübung nicht ausbeutet. Memdoras Beitrag ist daher eine Taxonomie von 17 kognitiv fundierten Interaktionstypen über die Kategorien Language, By Heart und Exam hinweg, jeder abgebildet auf begutachtete Evidenz, die auf der Karte angezeigt wird, plus ein anstrengungsbasiertes Belohnungssystem, das tatsächliches kognitives Engagement kompensiert statt App-Präsenz, eine einheitliche Erzeugungspipeline, die Karten im Moment des Lesens erstellt, und eine Kursraumschicht, die Lernleistungen auf Ebene der einzelnen Karte berichtet.

Akgun und Toker (2026) liefern die stärkste experimentelle Evidenz des Korpus dazu, wie Spacing strukturiert wird. In einer randomisierten Studie mit drei Armen über 89 Studierende in einem angewandten Statistik-Kurs übten alle drei Gruppen in verteilten Sitzungen mit identischer Anzahl und Timing über sieben Wochen; nur die Interaktionsstruktur unterschied sich. Adaptiver verteilter Abruf (G1) erreichte den höchsten Nachtest-Score (M = 78.19) und die höchste beobachtete Übungsanstrengung (M = 0.85); fixierter verteilter Abruf (G2) folgte (M = 74.55, Anstrengung 0.74); lernendengesteuertes KI-Studium ohne erzwungenen Abruf kam bei beidem zuletzt (M = 67.28, Anstrengung 0.49). Der multivariate Effekt war signifikant (Wilks' Λ = .664, partielles η² = .185), wobei G1 bei der Behaltensleistung vor G3 lag mit d = 0.92 (p = .003). Das pädagogisch bedeutsame Detail ist, dass G1s Agent so konfiguriert war, dass er zurückhielt: antwortskontingente Sonden für Missverständnisse, Bitten um Elaboration nach oberflächlichen Antworten, Voranschreiten nur bei angemessenem konzeptuellem Engagement, und direkte Lösungen ausdrücklich aus seinen erlaubten Ausgaben ausgeschlossen. Die eigene Lesart der Autoren ist, dass Pretesting ein vorgeladener Katalysator ist statt eine eigenständige Intervention, deren Nutzen offenen KI-Zugang überlebt.

Ein randomisiertes Feldexperiment berichtet Verteilung über geballte Zeit als die wirksame Dosis: wöchentliche Mastery verfolgte abgeschlossene Tutoringswochen statt engagierte Minuten, wobei jede zusätzliche abgeschlossene Woche 2.00 Punkte von 55 hinzufügte (p = .018) (Yang, Van Alstyne und Dellarocas (2026)).

Zwei weitere Korpusbefunde schärfen, was Spacing leistet und noch nicht richtig leistet. Schuetze, Yan und Carvalho (2025) fitteten Knowledge-Tracing-Modelle an einen Datensatz zu sukzessivem Neulernen über sechs Sitzungen und fanden, dass BKT, BKT-mit-Vergessen und das Additive-Factors-Modell Lernentwicklungen reproduzieren, wenn sie retrospektiv gefittet sind (AUC 0.74–0.79), aber unter zeitbasierter Kreuzvalidierung der Art, die ein eingesetzter Tutor bräuchte, künftige Leistung um etwa 58%, 51% bzw. 47% überschätzen und den Spacing-Effekt nicht erfassen —, manchmal die entgegengesetzte Rangfolge über Spacing-Bedingungen hinweg vorhersagend. Mit anderen Worten: die Planungsentscheidungen adaptiver Systeme können auf Modellen beruhen, die genau jenen Effekt nicht repräsentieren, von dem Spacing abhängt. Und LLM-Modellierung von Lernenden und Langzeitgedächtnis benennt die Designlücke direkt: den meisten Tutoringsystemen fehlt longitudinales Gedächtnis, und wie ein solches Gedächtnis mit verteilter Wiederholung und Vergessenskurven interagieren sollte, bleibt offene Frage.

Was der Korpus noch nicht zeigt

Keines der angewandten Systeme hat eigene Behaltensleistungsevidenz erzeugt: der Memdora-Artikel berichtet verbesserte Behaltensleistung gegenüber traditionellen Werkzeugen für verteilte Wiederholung, beschreibt aber keine Studie mit verzögertem Intervall hinter jener Behauptung, und der bilinguale Vorlesungsbegleiter — der Karteikarten automatisch erzeugt, um jene Autorenschaftskosten zu entfernen, die evidenzbasierte Abruf- und verteilte Übung blockieren, während er Planung auf eine binäre „weiß ich / lerne noch“-Bewertung vereinfacht statt die abgestuften SM-2- und FSRS-Algorithmen zu nutzen —, stellt schlicht fest, dass keine Studie zu Lernleistungen durchgeführt wurde, nur ein vorregistriertes Protokoll. Die Planungsmaschinerie ist besser belegt als das Lernen, das sie erzeugen soll.

Interleaving

Interleaving — Problem- oder Itemtypen innerhalb einer Übungssitzung zu mischen, statt sie nach Typ zu blocken — ist die am schwächsten belegte der drei Techniken in diesem Korpus, und das sollte gesagt statt aufgepolstert werden. Interleaving erscheint auf wünschenswerte Schwierigkeiten nur als eine Instanz in einer Liste anstrengungsvoller Bedingungen, und keine Studie in der Wissensbasis testet eine Interleaving-Manipulation gegenüber einer geblockten Kontrolle.

Was der Korpus enthält, ist benachbart und sorgfältig zu unterscheiden. Simulation der Aufgabenauswahl durch Lernende modelliert Interleaving und Blocken als zwei von acht Kandidatenstrategien der lernenden Person in einer Mastery-Learning-Simulation, neben Stärken-Targeting, Schwächen-Targeting und ergebnisinformierten Regeln. Der Befund dort betrifft eher die Wahlarchitektur als das Gedächtnis: manche Strategien der lernenden Person verzögern systematisch das Voranschreiten durch Überübung, und Aufgabenauswahl-Randbedingungen reparierten die Fehlanpassungen, während Interleaving, Blocken, Stärken- und Schwächen-Targeting auf gleichbleibendem Überübungsniveau blieben. Das ist Evidenz dafür, dass Interleaving ein wählbares Verhalten ist, das ein System aufnehmen oder beschränken kann —, nicht Evidenz dafür, dass Interleaving die Behaltensleistung verbessert. Die verbleibenden Erwähnungen im Korpus sind unverwandte Bedeutungen des Worts (verschachtelte Agentenstadien in KnowLoop; verschachtelte visuell-textliche Lösungstrajektorien in einem Geometrie-Benchmark), und sie sollten nicht als Interleaving-Evidenz gezählt werden.

Die Aufnahme von Interleaving hier beruht daher auf derselben Theoriefamilie wie die der beiden anderen Techniken und auf seinem Status in der Literatur der Kognitionspsychologie, nicht auf einer Studie in dieser Wissensbasis. Behandeln Sie es als den offenen Slot.

Wie KI diese Techniken umsetzt und untergräbt

Umsetzung. KIs verteidigungsfähigster Beitrag ist Planung und Erzeugung, jene Teile dieser Techniken, die mühsam statt pädagogisch interessant sind. Adaptive Planung ist in Memdora über FSRS-6 und in Knowledge-Tracing-Architekturen umgesetzt, die Mastery über die Zeit schätzen; adaptives Pretesting ist durch Akguns und Tokers antwortskontingenten Agenten umgesetzt, der Signale der Leistung aus Vorsitzungen liest, um konzeptuelle Tiefe in schwächeren Bereichen zu heben und gleichzeitig Herausforderung in stärkeren aufrechtzuerhalten; automatische Erzeugung von Karteikarten und Pretests ist im bilingualen Vorlesungsbegleiter umgesetzt, wo Kartenautorenschaft jene Kosten sind, die verteilte Übung überhaupt blockieren. Longitudinales Gedächtnis der Lernenden ist die Architektur, die all dies über Semester hinweg erhalten ließe, und Woollaston und Kollegen (2026) liefern das Designvokabular, es absichtsvoll zu tun: absichtliche Reibung, dynamisches Scaffolding, Human-in-the-Loop-Aufsicht und überlegte statt maximale KI-Nutzung.

Untergraben. Das Fehlschlagmuster ist spezifisch und wiederholt dokumentiert. Woollaston et al. (2026) benennen das erste ihrer sechs pädagogischen Risiken als Aktivierung von Vorwissen: Agenten, die Inhalte vorab abrufen und an die Oberfläche bringen, umgehen die Abrufübung, die Vorwissen aktiviert, sodass die lernende Person nie abruft oder integriert, was sie weiß, bevor sie eine Antwort erhält. Vorwissen formuliert dasselbe Umgehungsrisiko als allgemeine Eigenschaft generativer KI und fügt die Design-Gegenmaßnahme hinzu — aktiviere, bevor du lieferst. Die Flüssigkeitsillusion ist der Mechanismus aufseiten der lernenden Person: ein LLM liefert auf Abruf vollständige, kohärente Erklärungen, daher teilt die lernende Person weniger Anstrengung auf internen Abruf und Rekonstruktion zu, während die Sitzung sich produktiv anfühlt, was genau jene Dissoziation ist, die Tsiligkiris (2026) gemessen hat. Die Drei-Arm-Pretesting-Studie macht denselben Punkt experimentell: der Arm mit freiem KI-Zugang und ohne erzwungenen Abruf schnitt bei der Behaltensleistung am Semesterende am schlechtesten ab, und das Interaktionsvolumen unterschied sich nicht signifikant zwischen den Armen, sodass die Lücke durch Struktur erzeugt wurde statt dadurch, wie viel die Lernenden sich engagierten.

Abrufanforderung erhalten. Der Korpus konvergiert auf eine kleine Menge von Designmerkmalen. Die Politik des Pretesting-Agenten ist die konkreteste: direkte Lösungen durch Konfiguration zurückhalten, Missverständnisse sondieren, Elaboration nach oberflächlichen Versuchen verlangen, und nur bei angemessenem konzeptuellem Engagement voranschreiten. Tsiligkiris empfiehlt, Abrufanforderungen nach der LLM-Nutzung einzubetten über Ausgaben mit geschlossenem Werkzeug — Kurzantwortfragen, aus dem Gedächtnis gezeichnete Konzeptkarten, Teach-Back-Erklärungen ohne das Modell —, und Stützung von Prüfen zu trennen, sodass das Modell für Klärung und Feedback verfügbar ist, aber getrennte Kontrollpunkte unabhängigen Abruf verlangen. KnowLoop zeigt die Teach-Back-Form in einem eingesetzten System: ein Peer-Agent stützt reflektiertes Teach-Back, das Lücken offenlegte, die Lernende nicht artikulieren konnten, und seine Teilnehmenden baten, flüssig zwischen Klärung und Konsolidierung zu wechseln, statt sie als strenge Phasen zu behandeln. Chen, Sakhnini und Istead fügen die Assessment-seitige Version hinzu — den Konstruktionsprozess schätzen statt das Artefakt —, während Schorr und Kollegen (2026) diese Werkzeuge als lernbare Fähigkeiten positionieren, die Übervertrauen reduzieren und Handlungsfähigkeit der lernenden Person stützen. Unter allen liegt das eine Nichtverhandelbare: etwas muss die lernende Person verpflichten, eine Antwort zu produzieren, die das Modell nicht bereits gegeben hat.

Grenzen der Evidenz

• Kleine Stichproben und einzelne Kontexte. Die analytische Stichprobe der Pretesting-Studie ist 89 Studierende in einem angewandten Statistik-Kurs, mit 27–34 Studierenden pro Arm; die LLM-Interaktionsstudie hat n = 22 mit einem Eingruppendesign, das keine kausale Behauptung stützt; die Teach-Back-Studie hat 22 Teilnehmende. Die Pretesting-Autoren stellen fest, dass Replikation über Domänen und Aufgabentypen hinweg für Generalisierbarkeit nötig ist.
• Kurze oder fehlende Behaltensintervalle. Die Interaktionstiefestudie testete nur unmittelbaren Abruf, ohne verzögertes Maß, sodass ihr Null eine Null spezifisch für kurzfristige Behaltensleistung ist. Memdoras Behaltensvorteil und die LLM-Tiefe-Dissoziation gleichermaßen werden nicht über die Wochen verfolgt, die die Spacing-Literatur verlangen würde; das Sieben-Wochen-Fenster der Pretesting-Studie ist das längste im Korpus.
• Selbstauskunft und Stellvertretermaße. Die Übungsanstrengung in der Pretesting-Studie ist ein Verhaltensindikator, den zwei Bewertende an einer Rubrik aus Gesprächslogs bewerteten, was die Autoren ausdrücklich als nicht Maß des internen motivationalen Zustands vermerken; das LLM-Tiefemaß ist ein schlüsselwortbasierter Stellvertter, der die Oberflächenform erklärungssuchenden Verhaltens statt seiner Qualität erfasst.
• Instrumentierungs- und Modellierungsgrenzen. Knowledge-Tracing-Modelle im Korpus scheitern genau dort, wo Spacing-Entscheidungen sie brauchen, und die Autoren schreiben vergangene Erfolge retroaktivem Fitten des vollständigen Datensatzes zu statt einsatzrealistischer Validierung. Die Karteikartenqualität des bilingualen Begleiters ist unverifiziert gegen Ground Truth, ohne automatisierte Faktenprüfschicht, und es hat überhaupt keine Outcomes-Studie gegeben.
• Interleaving hat hier im Wesentlichen keine direkte Evidenz. Wie oben gesagt, enthält der Korpus keinen Vergleich zwischen geblocktem und interleaved, nur eine Simulation, in der Interleaving eine wählbare Strategie unter mehreren ist.
• Subjektpopulationen und Inhalt. Die Evidenzbasis konzentriert sich auf Hochschulbildung, auf MINT- und Statistikmaterial und auf Fakten-gegenüber-Fähigkeiten-Unterscheidungen aus Geometrie- und multiplen Regressionsinhalten; Generalisierung auf K-12-Settings, auf Geisteswissenschaften und Schreiben, und auf nichtwestliche Kursräume ist durch diese Studien nicht etabliert.

Verbundene Konzepte

• Pädagogische Muster — Sequenzen verteilten Abrufs, und die Behaltenskosten der Assistenz während der Enkodierung
• Wünschenswerte Schwierigkeiten — das Prinzip, das diese drei Techniken operationalisieren
• Kognitionspsychologie — Gedächtnis, Enkodierung und Abruf als theoretisches Zuhause aller drei
• Vorwissen — Abrufübung als Aktivierung dessen, was die lernende Person bereits hält
• Metakognition — beurteilen, ob Flüssigkeit Lernen widerspiegelt
• Selbstreguliertes Lernen — konsequent das lernen, was eine KI für einen planen oder beantworten kann
• Meisterschaftslernen — Behaltensleistung nach der Mastery-Schwelle, und das Spacing, das sie erhält
• Wissensstandsverfolgung — die Modelle, die Planungsentscheidungen treffen oder verfehlen
• Kognitive Auslagerung — das Fehlschlagmuster, wenn Abruf an ein Werkzeug delegiert wird
• Lerntransfer — die Leistungs-Lern-Lücke, die die Techniken adressieren
• Formatives Assessment — Kontrollpunkte mit geschlossenem Werkzeug als Abrufereignisse
• Produktives Scheitern — versuchen, bevor man Hilfe erhält
• Lernende — was auf dem Spiel steht bei dauerhaftem statt flüssigem Lernen

Verbundene Artikel

• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Akgun & Toker: adaptive spaced retrieval vs fixed retrieval vs learner-directed AI over seven weeks
• Memdora: Designing Cognitively-Grounded Flashcard Interactions for AI-Powered Spaced Repetition — Memdora: FSRS-6 scheduling and a taxonomy of grounded flashcard interactions
• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — Tsiligkiris: explanation depth predicts task quality but not immediate recall
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — Retrieval practice for facts, worked examples for skills; the content–treatment interaction
• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models — Knowledge-tracing models fail to capture the spacing effect under time-based validation
• A Bilingual, LLM-Mediated Lecture Companion for Self-Regulated Learning: Architecture, Theoretical Framework, Comparative and Usability Evaluation, and a Pre-Registered Outcomes Protocol — Automatic flashcard generation removing the authoring cost of spaced practice
• Make or Take: How Students Navigate Self-Created and Instructor-Provided Cheat Sheets — Constructing a cheat sheet as generative study; offloading the construction with AI
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review — Teach-back consolidation surfacing gaps clarification did not
• Simulating Learners' Task-Selection Strategies and System Constraints in Mastery Learning — Interleaving and Blocking as modeled learner strategies under task-selection constraints
• PersonaVLM: Long-Term Personalized Multimodal LLMs — Longitudinal student memory and its open relation to spaced repetition and forgetting curves
• Learning-to-learn in the age of generative AI: A scoping review and conceptual framework — Retrieval practice in the Tools layer of a learning-to-learn framework
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Pre-fetching agents bypass retrieval practice; the case for intentional friction
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — When AI Tutors Speak: Evidence from a Randomized Field Experiment