Die Geschichte der Microlearning-Apps:
Ein wissenschaftlicher Deep Dive

Jedes Mal, wenn du eine Lern-App auf deinem Handy öffnest, eine Fünf-Minuten-Lektion absolvierst und sie mit dem Gefühl schließt, ein bisschen schlauer geworden zu sein, nimmst du an einem Experiment teil, das 1885 in einem deutschen Psychologielabor begann. Die Microlearning-App auf deinem Homescreen ist keine Tech-Erfindung. Sie ist das Ergebnis von 140 Jahren Kognitionswissenschaft, Jahrzehnten bildungstechnologischer Forschung und einer Handvoll Durchbrüche, die unser Verständnis des menschlichen Gedächtnisses grundlegend verändert haben.

Das ist die vollständige wissenschaftliche Geschichte, wie wir hierher gekommen sind.

I. Die kognitiven Grundlagen (1885–1970)

Ebbinghaus und die Vergessenskurve

Die Geschichte beginnt mit Hermann Ebbinghaus, einem deutschen Psychologen, der beschloss, sich selbst als Versuchsperson einzusetzen. Allein in seiner Berliner Wohnung arbeitend, merkte sich Ebbinghaus Listen von Unsinnsilben (Konsonant-Vokal-Konsonant-Kombinationen wie "DAX" und "BUP") und verfolgte akribisch, wie schnell er sie vergaß ^[1].

Seine Monografie von 1885, Über das Gedächtnis, enthüllte etwas Tiefgreifendes: Vergessen folgt einer vorhersagbaren exponentiellen Kurve. Innerhalb von 20 Minuten gehen 42% des Gelernten verloren. Innerhalb einer Stunde 56%. Innerhalb von 31 Tagen 79% ^[1]. Aber Ebbinghaus entdeckte auch etwas Hoffnungsvolles: Jede Wiederholungssitzung flachte die Kurve ab. Verteilte Wiederholungen konnten Erinnerungen nahezu dauerhaft machen.

Diese einzelne Erkenntnis, dass Timing wichtiger ist als Dauer, sollte zum Fundament jeder Microlearning-App werden, die über ein Jahrhundert später gebaut wurde.

Millers magische Zahl

1956 veröffentlichte George A. Miller einen der meistzitierten Aufsätze der Psychologie: "The Magical Number Seven, Plus or Minus Two" ^[2]. Miller wies nach, dass das menschliche Arbeitsgedächtnis ungefähr sieben Informationseinheiten gleichzeitig halten kann. Versuche, mehr zu laden, und die Leistung bricht ein.

Millers Erkenntnis hatte eine stille, aber revolutionäre Implikation für die Bildung. Wenn das Arbeitsgedächtnis so begrenzt ist, dann werden Lektionen, die die kognitive Kapazität überschreiten, nicht einfach schwerer, sondern kontraproduktiv. Informationen, die das Arbeitsgedächtnis überfluten, erreichen nie den Langzeitspeicher. Sie verschwinden einfach.

Dieses Prinzip, später formalisiert als Cognitive-Load-Theorie von John Sweller 1988 ^[3], gab dem, was gute Lehrkräfte intuitiv wussten, eine wissenschaftliche Sprache: Weniger ist mehr. Sweller unterschied zwischen intrinsischer Last (der inhärenten Komplexität des Stoffs), überflüssiger Last (schlechtem Instruktionsdesign) und lernförderlicher Last (der mentalen Anstrengung, die tatsächlich Lernen erzeugt). Effektiver Unterricht minimiert überflüssige Last und respektiert die Grenzen der intrinsischen Last.

Microlearning ist im Kern eine technische Antwort auf diese Einschränkungen.

Skinners Lehrmaschinen

Während Kognitionspsychologen die Architektur des Gedächtnisses kartierten, baute der Behaviorist B.F. Skinner etwas Physisches. 1958 stellte Skinner seine "Lehrmaschine" vor: ein mechanisches Gerät, das Schülern kleine Informationseinheiten präsentierte, eine Frage stellte und sofortiges Feedback gab ^[4].

Skinners Maschinen waren nach heutigen Standards primitiv. Aber sie verkörperten drei Prinzipien, die für Microlearning-Apps bis heute zentral sind: Inhalte in kleine, aufeinander aufbauende Schritte zerlegt; aktives Abrufen bei jedem Schritt; und sofortiges Feedback. Skinner nannte diesen Ansatz "Programmierter Unterricht", und er verbreitete sich in den 1960ern in amerikanischen Schulen, bevor er aufgrund der Grenzen mechanischer Technologie wieder verschwand.

Die Maschinen verschwanden. Die Prinzipien überlebten.

Atkinsons optimale Verteilung

1972 veröffentlichte Richard Atkinson in Stanford ein Grundlagenpaper über computergestützten Unterricht für Fremdsprachenvokabular ^[5]. Atkinson nutzte Computer nicht nur, um Karteikarten zu präsentieren. Er entwickelte einen Algorithmus, der die Reihenfolge optimierte, in der Begriffe wiederholt wurden, basierend auf der individuellen Leistungshistorie jedes Schülers.

Das war die erste empirische Demonstration, dass ein Computer einen festen Lernplan übertreffen kann, indem er sich an den Lerner anpasst. Atkinsons Schüler lernten deutsches Vokabular deutlich schneller als Kontrollgruppen mit traditionellen Methoden. Das Paper legte den theoretischen Grundstein für jeden adaptiven Lernalgorithmus, der folgte.

II. Die digitalen Pioniere (1987–2005)

SuperMemo: Der Algorithmus, der alles startete

1987 schrieb ein polnischer Doktorand namens Piotr Woźniak ein Programm namens SuperMemo. Es war nicht elegant. Es lief auf einem Amstrad PC 1512. Aber es implementierte etwas, das keine Verbrauchersoftware zuvor getan hatte: einen funktionierenden Spaced-Repetition-Algorithmus, kalibriert auf die menschliche Vergessenskurve ^[6].

Woźniaks SM-2-Algorithmus (vollständig veröffentlicht 1990) berechnete optimale Wiederholungsintervalle für jede einzelne Karteikarte basierend darauf, wie leicht der Nutzer sie erinnerte. Korrekt beantwortete Karten rückten zu längeren Intervallen vor. Falsch beantwortete wurden auf kürzere zurückgesetzt. Das System modellierte den Gedächtnisverfall jedes Nutzers pro Eintrag ^[6].

SuperMemo war Microlearning, bevor das Wort existierte. Tägliche Sitzungen waren kurz (15–30 Minuten). Inhalte waren atomar (ein Fakt pro Karte). Die Planung war personalisiert. Die Software zog eine treue Anhängerschaft unter Medizinstudenten, Sprachlernern und Wissensarbeitern an. Aber ihre Oberfläche blieb zweckmäßig, und sie schaffte nie den Sprung in den Mainstream.

Der Aufstieg des E-Learning (1990er)

Die 1990er brachten das World Wide Web und damit eine Explosion des Online-Lernens. Universitäten bauten Learning-Management-Systeme (LMS). Unternehmen setzten webbasierte Trainingsmodule ein. Der Begriff "E-Learning" wurde Teil des Unternehmensvokabulars ^[7].

Die meisten frühen E-Learning-Angebote ignorierten die Kognitionswissenschaft. Kurse waren lang. Vorlesungen wurden aufgezeichnet und komplett hochgeladen. Abschlussraten waren miserabel. Eine Metaanalyse von Kulik aus 2003 fand, dass computergestützter Unterricht mäßig effektiv war, aber die Effektstärken waren klein und sehr variabel ^[8]. Das Problem war nicht das Medium. Es war das Instruktionsdesign: Unterrichtsformate aus dem Klassenraum wurden auf Bildschirme portiert, ohne die Pädagogik neu zu denken.

Trotzdem wurde die Infrastruktur aufgebaut. LMS-Plattformen wie Blackboard (1997) und Moodle (2002) normalisierten die Idee, dass Lernen asynchron, auf einem Bildschirm und im eigenen Tempo des Lerners stattfinden konnte. Diese Systeme sollten die Schienen werden, auf denen Microlearning-Inhalte später liefen.

Der Begriff entsteht

2004 führte der österreichische Forscher Gerhard Gassler den Begriff "Mikrolernen" (Microlearning) in einem Konferenzbeitrag formell ein ^[9]. Theo Hug von der Universität Innsbruck erweiterte das Konzept 2005 und argumentierte, dass Microlearning nicht nur als kurzer Inhalt verstanden werden sollte, sondern als eigenständiger pädagogischer Ansatz, definiert durch Mikro-Inhalte, Mikro-Aktivitäten und Mikro-Medien ^[10].

Hugs Taxonomie war weitsichtig. Er identifizierte sieben Dimensionen des Microlearning: Zeit (Sekunden bis Minuten), Inhalt (Fragmente bis Module), Curriculum (Einzelthemen bis Themenkomplexe), Form (Facetten bis Episoden), Prozess (Lesen, Reflektieren, Suchen), Medialität (persönlich bis digital) und Lerntyp (repetitiv, reflexiv, pragmatisch) ^[10]. Dieses Framework bewegte die Diskussion über "kurze Lektionen" hinaus zu einem prinzipienbasierten Verständnis dessen, was Microlearning sein kann.

III. Die mobile Revolution (2007–2015)

Das iPhone verändert alles

Am 29. Juni 2007 veröffentlichte Apple das iPhone. Der App Store folgte im Juli 2008. Über Nacht trug jede Person mit einem Smartphone eine potenzielle Lehrmaschine in der Tasche. Die Einschränkung, vor der Skinner stand (spezialisierte Hardware) und vor der SuperMemo stand (Desktop-Computer), löste sich auf.

Die Mobile-Learning-Forschung explodierte. Eine Metaanalyse von Wu et al. aus 2012, die 164 Studien von 2003 bis 2010 umfasste, fand, dass 86% der Mobile-Learning-Interventionen positive Ergebnisse berichteten, mit den stärksten Effekten in informellen Lernkontexten ^[11]. Entscheidend war, dass Studien zeigten, dass mobiles Lernen am effektivsten war, wenn Sitzungen kurz, häufig und über die Zeit verteilt waren, genau das Muster, das Ebbinghaus 124 Jahre zuvor identifiziert hatte.

Der Testing-Effekt gelangt ins Mainstream-Bewusstsein

2006 veröffentlichten Roediger und Karpicke eine Studie, die durch die Bildungswelt hallte: Studierende, die Informationsabruf aus dem Gedächtnis übten, behielten nach einer Woche 80%, verglichen mit nur 36% bei Studierenden, die den Stoff lediglich erneut lasen ^[12]. Der "Testing-Effekt" (oder Abrufübung) war nicht neu. Forscher hatten ihn seit den frühen 1900ern dokumentiert ^[13]. Aber Roediger und Karpickes elegante Experimente, kombiniert mit effektiver Kommunikation an Nicht-Spezialisten, brachten die Erkenntnis einem viel breiteren Publikum nahe.

Für App-Designer war die Implikation klar: Eine Lern-App, die lediglich Informationen zeigt, macht nur die halbe Arbeit. Effektive Apps müssen Abruf erzwingen. Quizfragen, Karteikarten, Lückentext und Erinnerungsabfragen sind keine Prüfungen, die dem Lernen aufgeschraubt werden. Sie sind das Lernen.

Duolingo und der Gamification-Durchbruch

Duolingo startete 2012, gegründet von Luis von Ahn und Severin Hacker. Es war nicht die erste Sprachlern-App. Aber es war die erste, die Microlearning, Spaced Repetition und Gamification zu einem Produkt kombinierte, das Millionen Menschen tatsächlich jeden Tag nutzen wollten ^[14].

Duolingos Designentscheidungen waren durchdacht und forschungsbasiert. Lektionen dauerten 3–5 Minuten. Jede Lektion erforderte aktive Produktion (Tippen, Sprechen, Auswählen). Ein Spaced-Repetition-System plante Wiederholungssitzungen. Und eine Schicht von Spielmechaniken (XP, Streaks, Bestenlisten, Leben) lieferte das motivationale Gerüst, das reinen Karteikarten-Apps fehlte ^[14].

Die Streak-Funktion erwies sich als besonders wirkungsvoll. Verhaltensforschung zur "Streak-Motivation" zeigt, dass das Aufrechterhalten einer aufeinanderfolgenden Tageszählung Verlustaversion auslöst, eine der stärksten bekannten kognitiven Verzerrungen ^[15]. Nutzer, die sonst einen Tag auslassen würden, machen weiter, nicht weil sie lernen wollen, sondern weil sie es nicht ertragen können, ihren Streak zu brechen. Duolingo setzte diese Erkenntnis mit bemerkenswerter Wirksamkeit ein. Bis 2024 meldete die Plattform über 500 Millionen registrierte Nutzer.

Duolingo war auch Pionier bei der Nutzung von A/B-Tests im großen Maßstab in der Bildung. Settles und Meeder (2016) veröffentlichten Forschung zu Duolingos Spaced-Repetition-Modell und zeigten, dass ein Halbwertzeit-Regressionsmodell individuelle Vergessensraten mit hoher Genauigkeit vorhersagen konnte ^[16]. Jeder Bildschirm, jede Animation, jedes Benachrichtigungs-Timing wurde an Millionen Nutzern getestet und für Engagement und Behaltung optimiert.

Die Lektion für die Branche war unverkennbar: Wissenschaftliche Grundlagen sind wichtig, aber Produktdesign ist es auch. Der beste Algorithmus der Welt versagt, wenn niemand die App öffnet.

Die Corporate-Microlearning-Welle

Bis 2013 hatte die Unternehmensschulungsbranche aufgehorcht. Traditionelles Corporate E-Learning litt unter katastrophalen Abschlussraten. Eine Infografik von Bersin by Deloitte aus 2014 fand heraus, dass Mitarbeiter nur 1% ihrer Arbeitswoche für Schulung aufwenden konnten, etwa 24 Minuten pro Woche ^[17]. Microlearning passte perfekt zu dieser Realität.

Plattformen wie Axonify (2011), Grovo (2010) und EdApp (2016) entstanden, um Corporate-Microlearning zu bedienen. Anbieter wie Axonify berichteten, dass tägliche 3–5-minütige Trainingseinheiten traditionelle jährliche Schulungsveranstaltungen bei der Wissensbehaltung deutlich übertrafen ^[18]. Obwohl proprietäre Anbieterforschung vorsichtig interpretiert werden sollte, war der Trend klar: Organisationen bewegten sich von ereignisbasiertem Training zu kontinuierlicher, häppchenweiser Verstärkung.

IV. Die Wissenschaft reift (2010–2020)

Bjorks wünschenswerte Schwierigkeiten

Robert und Elizabeth Bjorks Framework der "wünschenswerten Schwierigkeiten" lieferte den theoretischen Klebstoff, der viele der Prinzipien hinter Microlearning verband ^[19]. Die Bjorks argumentierten, dass Bedingungen, die Lernen kurzfristig schwerer erscheinen lassen, oft stärkere Langzeitbehaltung erzeugen. Verteilung (statt Massierung), Verschachtelung (statt Blockierung) und Testen (statt erneutes Lesen) führen alle wünschenswerte Schwierigkeiten ein.

Dieses Framework löste ein scheinbares Paradox des Microlearning: Warum übertreffen kurze, verteilte Sitzungen längere, konzentrierte, wenn die Gesamtlernzeit gleich ist? Die Antwort ist, dass die Anstrengung, eine teilweise vergessene Erinnerung erneut abzurufen, die Gedächtnisspur stärker festigt als müheloses erneutes Lesen. Microlearning erzwingt durch seine Struktur dieses förderliche Ringen.

Metaanalysen bestätigen die Effekte

Bis Mitte der 2010er hatte sich genug Forschung angesammelt für rigorose Metaanalysen. Cepeda et al. (2006) synthetisierten 317 Experimente aus 184 Artikeln zum Spacing-Effekt und bestätigten, dass verteiltes Üben unter praktisch allen Bedingungen signifikant bessere Behaltung erzeugte als massiertes Üben ^[20]. Dunlosky et al. (2013) bewerteten zehn gängige Lerntechniken und stuften Testübungen und verteiltes Üben als die einzigen beiden mit "hohem Nutzen" ein ^[21].

Sung, Chang und Liu (2016) führten eine Metaanalyse von 110 Mobile-Learning-Studien (1993–2013) durch und fanden eine moderate Gesamteffektstärke (g = 0,523) zugunsten mobilen Lernens gegenüber traditionellen Methoden ^[22]. Die Effekte waren am stärksten bei informellem Lernen, kurzen Sitzungen und forschungsorientierten Ansätzen.

Leong et al. (2021) veröffentlichten eine systematische Übersicht über Microlearning-Trends und fanden, dass kurze, fokussierte Lernmodule konsistent positive Wissensergebnisse in Gesundheitswesen, Unternehmen und Hochschulkontexten erzielten ^[23]. Die Evidenzbasis, einst dünn, wurde robust.

Das Problem der Aufmerksamkeitsökonomie

Als die Wissenschaft stärker wurde, entstand eine Gegenerzählung. Smartphones lieferten Microlearning, aber sie lieferten auch Social Media, Newsfeeds, Spiele und einen endlosen Strom von Benachrichtigungen, die um dieselben Fünf-Minuten-Fenster konkurrierten. Gloria Marks Forschung an der UC Irvine fand, dass die durchschnittliche Aufmerksamkeitsspanne an einem Bildschirm von 2,5 Minuten im Jahr 2004 auf 47 Sekunden bis 2020 gesunken war ^[24].

Microlearning-Apps fanden sich in einem darwinistischen Wettbewerb um Aufmerksamkeit gegen TikTok, Instagram und Twitter wieder. Dieser Druck trieb eine Welle von Gamification-Features (manche gut gestaltet, manche manipulativ) und warf ethische Fragen auf, wann Engagement-Optimierung die Grenze von hilfreichem Anstupsen zu ausbeuterischem Design überschreitet ^[25].

V. Die KI-Ära (2020–heute)

Adaptive Algorithmen werden schlauer

Maschinelles Lernen verwandelte Spaced Repetition von regelbasierten Systemen (wie Woźniaks SM-2) in datengetriebene Modelle, die von Millionen Nutzern gleichzeitig lernen. Duolingos Halbwertzeit-Regressionsmodell ^[16], Ankis FSRS-Algorithmus (entwickelt von Jarrett Ye basierend auf dem DSR-Modell) und verschiedene neuronale Netzwerk-Ansätze sagen individuelle Vergessenskurven heute mit beispielloser Genauigkeit voraus.

Eine Studie von Tabibian et al. aus 2019 modellierte optimale Wiederholungsplanung als stochastischen Prozess und wies nach, dass auf maschinellem Lernen basierende Planer Fixed-Interval-Systeme signifikant übertreffen konnten, indem sie sich an individuelle Vergessensraten anpassten ^[26]. Die Kluft zwischen "ein Plan für alle" und "ein auf dich optimierter Plan" erwies sich als enorm.

Große Sprachmodelle betreten die Arena

Die Veröffentlichung von GPT-3 im Jahr 2020 und nachfolgende große Sprachmodelle öffneten eine neue Frontier: automatisierte Inhaltsgenerierung für Microlearning. Zuvor erforderte die Erstellung eines Microlearning-Kurses Fachexperten, Instruktionsdesigner und erheblichen Zeitaufwand. LLMs komprimierten diesen Prozess von Wochen auf Minuten.

NerdSip nutzt beispielsweise Googles Gemini-Modelle, um aus einem einzigen Themen-Prompt komplette Mikrokurse zu generieren, einschließlich Lektionsinhalten, Quizfragen und Infografiken. Die KI übernimmt die Inhaltserstellung, während die Architektur der App die Wissenschaft handhabt: Spaced-Repetition-Planung, Abrufübung, Cognitive-Load-Management und gamifizierte Progression.

Diese Kombination adressiert einen der historischen Engpässe des Microlearning. Hug (2005) bemerkte, dass die "Granularisierung" von Inhalten in Mikro-Einheiten arbeitsintensiv war und oft schlecht umgesetzt wurde ^[10]. KI beseitigt den Engpass. Ein Nutzer, der über byzantinische Geschichte, Quantencomputing oder stoische Philosophie lernen möchte, kann in Sekunden einen vollständigen, strukturierten Mikrokurs generieren lassen.

Personalisierung im großen Maßstab

Moderne Microlearning-Apps kombinieren zunehmend drei Personalisierungsebenen, die zuvor unmöglich gleichzeitig zu liefern waren:

1. Inhaltspersonalisierung: KI generiert oder passt Material an die Interessen, das Vorwissen und die Ziele des Lerners an
2. Planungspersonalisierung: Adaptive Algorithmen optimieren, wann und wie oft jeder Inhalt wiederholt wird
3. Schwierigkeitspersonalisierung: Systeme kalibrieren das Anforderungsniveau, um die "Zone der proximalen Entwicklung" aufrechtzuerhalten, die Vygotsky 1978 identifizierte ^[27]: den Sweetspot, an dem Material weder zu leicht (langweilig) noch zu schwer (frustrierend) ist

Die Konvergenz dieser drei Ebenen repräsentiert etwas wirklich Neues. Keine vorherige Bildungstechnologie konnte Inhalt, Timing und Schwierigkeitsgrad gleichzeitig für Millionen individueller Lerner personalisieren.

VI. Was die Wissenschaft tatsächlich sagt (und was nicht)

Intellektuelle Ehrlichkeit verlangt, die Grenzen der Evidenz anzuerkennen. Microlearning ist keine universelle Lösung.

Wo Microlearning herausragt, laut der Forschung:

• Erwerb deklarativen Wissens (Fakten, Vokabeln, Terminologie) ^[12][20]
• Verstärkung prozeduraler Fähigkeiten (Compliance-Protokolle, klinische Verfahren) ^[23]
• Gewohnheitsbildung und tägliches Engagement ^[14][15]
• Wissenserhalt und Verhinderung des Vergessens ^[1][6]

Wo Microlearning Schwächen hat:

• Komplexes Problemlösen, das anhaltendes Denken erfordert ^[10]
• Tiefes konzeptuelles Verständnis, das die Verknüpfung vieler Ideen gleichzeitig erfordert ^[3]
• Fähigkeiten, die ausgedehnte Übungsperioden erfordern (Schreiben, musikalische Performance)
• Themen, bei denen die intrinsische kognitive Last nicht ohne Verzerrung reduziert werden kann ^[3]

Kirschner, Sweller und Clark (2006) warnten vor minimaler Anleitung beim Unterrichten und argumentierten, dass Anfänger strukturiertes Gerüst brauchen, nicht nur Inhaltsexposition ^[28]. Gut gestaltete Microlearning-Apps beherzigen diese Warnung, indem sie klare Erklärungen liefern, bevor sie den Abruf testen. Schlecht gestaltete werfen einfach Informationsfragmente auf Lerner und nennen es "mikro".

VII. Die Zeitleiste auf einen Blick

VIII. Wohin die Reise geht

Die Richtung ist klar, aber das Ziel nicht. Mehrere offene Forschungsfragen werden das nächste Jahrzehnt des Microlearning prägen:

Transfer und Tiefe. Kann Microlearning tiefes Verständnis erzeugen, oder ist es inhärent auf Oberflächenwissen beschränkt? Frühe Evidenz aus der Interleaving-Forschung deutet darauf hin, dass das Mischen von Mikro-Themen den Transfer fördern kann ^[29], aber mehr Forschung ist nötig.

Langfristiges Engagement. Gamification treibt kurzfristiges Engagement an, aber was erhält Lernen über Jahre? Deci und Ryans Selbstbestimmungstheorie legt nahe, dass intrinsische Motivation (Autonomie, Kompetenz, soziale Eingebundenheit) letztlich extrinsische Belohnungen ersetzen muss ^[30].

Qualität KI-generierter Inhalte. Während LLMs mehr Bildungsinhalte generieren, wie stellen wir Genauigkeit, pädagogische Solidität und angemessene Schwierigkeitskalibrierung sicher? Der Engpass verschiebt sich von der Erstellung zur Kuration und Validierung.

Gleichheit und Zugang. Mobiles Microlearning hat das Potenzial, Bildung weltweit zu demokratisieren. Aber es riskiert auch, die digitale Kluft zu verbreitern, wenn App-Design hohe Bandbreite, aktuelle Geräte und digitale Kompetenz voraussetzt, die nicht alle Lerner besitzen.

Die Geschichte der Microlearning-Apps ist letztlich die Geschichte einer einfachen Frage, die die Wissenschaft immer weiter verfeinert: Was ist die kleinste effektive Lerneinheit, und wie sollte sie vermittelt werden? Ebbinghaus begann sie mit Unsinnsilben und einem Notizbuch zu beantworten. Wir beantworten sie mit neuronalen Netzen und einer Milliarde Smartphones. Die Frage bleibt dieselbe. Die Antworten werden immer besser.

Quellen

1. Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Leipzig: Duncker & Humblot.
2. Miller, G. A. (1956). The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological Review, 63(2), 81–97.
3. Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285.
4. Skinner, B. F. (1958). Teaching machines. Science, 128(3330), 969–977.
5. Atkinson, R. C. (1972). Optimizing the learning of a second-language vocabulary. Journal of Experimental Psychology, 96(1), 124–129.
6. Woźniak, P. A., & Gorzelańczyk, E. J. (1994). Optimization of repetition spacing in the practice of learning. Acta Neurobiologiae Experimentalis, 54, 59–62.
7. Garrison, D. R. (2011). E-Learning in the 21st Century: A Framework for Research and Practice (2nd ed.). Routledge.
8. Kulik, J. A. (2003). Effects of using instructional technology in elementary and secondary schools: What controlled evaluation studies say. SRI International.
9. Gassler, G., Hug, T., & Glahn, C. (2004). Integrated micro learning: An outline of the basic method and first results. Interactive Computer Aided Learning, 4, 1–7.
10. Hug, T. (2005). Micro learning and narration: Exploring possibilities of utilization of narrations and storytelling for the designing of "micro units" and didactical micro-learning arrangements. Proceedings of Media in Transition 4, MIT, Cambridge.
11. Wu, W. H., Jim Wu, Y. C., Chen, C. Y., Kao, H. Y., Lin, C. H., & Huang, S. H. (2012). Review of trends from mobile learning studies: A meta-analysis. Computers & Education, 59(2), 817–827.
12. Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255.
13. Gates, A. I. (1917). Recitation as a factor in memorizing. Archives of Psychology, 6(40).
14. Vesselinov, R., & Grego, J. (2012). Duolingo effectiveness study. City University of New York.
15. Tversky, A., & Kahneman, D. (1991). Loss aversion in riskless choice: A reference-dependent model. The Quarterly Journal of Economics, 106(4), 1039–1061.
16. Settles, B., & Meeder, B. (2016). A trainable spaced repetition model for language learning. Proceedings of the 54th Annual Meeting of the ACL, 1848–1858.
17. Bersin by Deloitte. (2014). Meet the modern learner [Infographic]. Deloitte Development LLC.
18. Axonify. (2018). Microlearning in the workplace [Industry report]. Axonify Inc.
19. Bjork, R. A., & Bjork, E. L. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher et al. (Eds.), Psychology and the Real World (pp. 56–64). Worth Publishers.
20. Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin, 132(3), 354–380.
21. Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students' learning with effective learning techniques. Psychological Science in the Public Interest, 14(1), 4–58.
22. Sung, Y. T., Chang, K. E., & Liu, T. C. (2016). The effects of integrating mobile devices with teaching and learning on students' learning performance: A meta-analysis and research synthesis. Computers & Education, 94, 252–275.
23. Leong, K., Sung, A., Au, D., & Blanchard, C. (2021). A review of the trend of microlearning. Journal of Work-Applied Management, 13(1), 88–102.
24. Mark, G. (2023). Attention Span: A Groundbreaking Way to Restore Balance, Happiness and Productivity. Hanover Square Press.
25. Luguri, J., & Strahilevitz, L. J. (2021). Shining a light on dark patterns. Journal of Legal Analysis, 13(1), 43–109.
26. Tabibian, B., Upadhyay, U., De, A., Zarezade, A., Schölkopf, B., & Gomez-Rodriguez, M. (2019). Enhancing human learning via spaced repetition optimization. Proceedings of the National Academy of Sciences, 116(10), 3988–3993.
27. Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.
28. Kirschner, P. A., Sweller, J., & Clark, R. E. (2006). Why minimal guidance during instruction does not work. Educational Psychologist, 41(2), 75–86.
29. Rohrer, D. (2012). Interleaving helps students distinguish among similar concepts. Educational Psychology Review, 24(3), 355–367.
30. Deci, E. L., & Ryan, R. M. (2000). The "what" and "why" of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.

Ähnliche Artikel

Was ist Microlearning? Der komplette Guide für 2026

Was ist Microlearning? Erfahre, wie kurze Lerneinheiten von 3-10 Minuten die Merkfähigkeit um 50 % …

Wie Microlearning das herkömmliche Training im Jahr 2026 re…

Erfahre, warum Microlearning im Jahr 2026 das traditionelle Training ablöst. Entdecke Vorteile für …

Eine Wissensgewohnheit aufbauen: KI-Lern-Apps vs. Microlear…

Erfahren Sie, wie KI-Lern-Apps die Art und Weise verändern, wie wir eine Wissensgewohnheit aufbauen…