Paper zu Notizen

Paper zu Notizen

Dichte wissenschaftliche Paper werden zu strukturierten Forschungsnotizen mit Methoden-, Ergebnis- und Diskussionsabschnitten für die Literaturarbeit.

Unterstützt Paper, Wissenschaftliches PDF, Methoden, Ergebnisse

StartseitePaper zu Notizen · Beispiel
Neue Sitzung

Paper zu Notizen mit echtem Lernmaterial

Links bleibt das Original sichtbar; rechts entsteht ein quellenbasierter Output, den Studierende direkt wiederholen können.

Quellenbasiert
Journal of Educational Psychology, 116(3), 410–428Open Access · 2024

Verteiltes Abrufen reduziert extraneous kognitive Belastung in Einführungsbiologie

Liu, J., Park, R., & Yamamoto, H. (2024)

DOI: 10.1037/edu0000789

Abstract

Wir untersuchten, ob verteiltes Abrufen die extraneous kognitive Belastung reduziert und den verzögerten Abruf in Einführungsbiologie verbessert. In zwei Experimenten (N = 128 Studierende) mit Within-Subjects-Design erzielten Studierende mit verteiltem Abrufen einen signifikant höheren verzögerten Abruf (eine Woche) als die Wiederlese-Kontrollgruppe.

Methoden§2

Teilnehmer (N = 128) durchliefen zwei Lernbedingungen in einem balancierten Within-Subjects-Design: verteiltes Abrufen vs. Wiederlesen. Verzögerter Abruf wurde eine Woche nach der letzten Sitzung mit einem standardisierten Free-Recall-Test gemessen, ausgewertet von zwei unabhängigen Ratern (κ = .91).

Participants · 2×2 within-subjects
N = 128
undergrads
κ = .91
inter-rater
α = .05
two-tailed
7 days
retention
OSF · pre-registered
!!
RCT design
Procedure · Day 0 → Day 7
D0D1-6D7
Study (45m)No contactRecall (20m)
ThetaWave parsed N=128 · 2×2 design · κ=.91 reliability
for lit review
§2.3 "desirable
difficulty"
— me, 03/04
Erkannter Text
  • Methoden · 3 Seiten · S. 412–414
  • Teilnehmer: N = 128 Studierende
  • Within-Subjects, balanciertes Design
Kernaussage

Gut, wenn man Paper konsistent für eine Literaturübersicht extrahieren will.

Erstellt

Methoden — vollständige Extraktion

Quellenbasiert
ThetaWave-Arbeitsbereich für KI-NotizenKI-generierte Notiz
Notiz teilen
KI-generierte Notiz

Methoden — vollständige Extraktion

Quelle: Kognitive Belastung & verzögerter Abruf — Methoden · J. Educ. Psych. (2024) · S. 412–414

Forschungsfrage

Methoden
  • Primär: Reduziert verteilte Abrufpraxis extrinsische Belastung und steigert verzögerten Abruf im Vergleich zum Wiederlesen?
  • Sekundär: Interagiert der Effekt mit der thematischen Komplexität?
  • H1: verteilter Abruf > Wiederlesen beim verzögerten Abruf.
  • H2: verteilter Abruf < Wiederlesen bei selbstberichteter extrinsischer Belastung.

Teilnehmer

Methoden
  • Stichprobe: N = 128 Studierende der Einführung in die Biologie.
  • Demografie: Alter 18-22 (M = 19.4), 62% weiblich, einzelne R1-Universität.
  • Ausschluss: 4 Teilnehmende wegen verfehlter Attention Checks ausgeschlossen (final N = 124).
  • Power: G*Power: N = 110 für 0.80 Power bei α = .05, η² = .10.

Versuchsplan

Methoden
  • Typ: Within-Subjects, vollständig balanciert (jede Person beide Bedingungen).
  • Bedingungen: verteilter Abruf vs. Wiederlesen.
  • Vorregistrierung: Design, Hypothesen und Analyseplan vor Datenerhebung auf OSF (osf.io/x42q8) eingereicht.
  • Randomisierung: Latin-Square der Reihenfolge, balanciert über Komplexität.

Materialien

Methoden
  • Lerntexte: 2 Biologie-Kapitel (Zellsignalwege, Ökologie), je ~1.200 Wörter, Flesch 60-65.
  • Abrufprompts: 5 Kurzantwort-Fragen pro Text; viermal verteilt über 2 Sitzungen.
  • Distraktor: Sudoku zwischen Lernen und Abruf, verhindert direktes Rehearsal.
  • NASA-TLX: 6-Item-Selbstbericht der kognitiven Belastung nach jeder Bedingung.

Ablauf

Methoden
  • Sitzung 1 (Tag 0): alle lernen beide Texte — eine Hälfte via Abruf, andere via Wiederlesen. Balanciert.
  • Pause (Tag 0-7): kein Kontakt zum Material; Rückkehr exakt 7 Tage später.
  • Sitzung 2 (Tag 7): freier Abruf zu beiden Texten + retrospektiver NASA-TLX.

Outcomes

Methoden
  • Verzögerter Abruf (primär): freier Abruftest eine Woche nach der letzten Lernsitzung.
  • Scoring: abgerufene Ideen aus einem 50-Item-Schema; Anteil 0-1.
  • Kognitive Belastung (sekundär): NASA-TLX direkt nach jeder Lernbedingung.

Scoring & Reliabilität

Methoden
  • Zwei unabhängige Coder: Doktorierende, blind zur Bedingung; doppelt kodiert über alle 256 Protokolle.
  • Inter-rater κ: = .91 — 'nahezu perfekte' Übereinstimmung (Landis & Koch 1977).
  • Disagreements: 11 von 256 erforderten Adjudikation durch eine dritte Person.

Statistikplan

Methoden
  • Hauptanalyse: 2 × 2 Repeated-Measures ANOVA: Bedingung × Komplexität.
  • α: .05, zweiseitig (trotz gerichteter H1, aus Transparenz).
  • Effektstärke: partielles η² neben dem F-Wert, a priori η² ≥ .06.
  • Sensitivitätsanalyse: Zeit-on-Task als Kovariate, um Zeitkonfundierung auszuschließen.

Paper lesen mit mehr Struktur

ThetaWave verwandelt dichte akademische PDFs in Notizen, die sich leichter vergleichen, wiederholen und wiederverwenden lassen.

  • Paper-PDFs zu Notizen

    Lade Journal-Artikel, Konferenz-Paper, Buchkapitel oder akademische PDFs hoch — und erhalte eine konsistent strukturierte Notiz.

  • Methode und Stichprobe extrahiert

    Zieht Forschungsfragen, Methode, Stichprobe, Messinstrumente und Studiendesign heraus, sofern im Paper vorhanden.

  • Ergebnisse und Limitationen

    Trennt zentrale Ergebnisse, Limitationen, Future Work und Implikationen sauber vom Volltext.

  • Schlüsselbegriffe und Definitionen

    Extrahiert wichtige Konzepte und Vokabular für die spätere Wiederholung.

  • Workflow für Literaturreviews

    Nutze dieselbe Notizstruktur über alle Paper hinweg — und vergleiche Themen, Methoden und Ergebnisse.

  • Wiederholung mit Quellenanker

    Notizen bleiben mit dem hochgeladenen Paper verknüpft — wenn Genauigkeit zählt, gehst du zurück zur Quelle.

So funktioniert Paper zu Notizen

Material hochladen, KI arbeiten lassen und mit einer Version weiterlernen, die wirklich zum Wiederholen taugt.

  1. Paper hochladen

    PDF, Preprint oder Zeitschriftenartikel — einzeln oder als Stapel.

    PDFZeitschriftPreprint
  2. Thetawave extrahiert nach Feldern

    Methode, Ergebnisse und Diskussion werden in strukturierte Felder zerlegt, ideal für direkten Vergleich zwischen Papern.

    MethodeErgebnisseDiskussion
  3. Vergleichen, wiederholen, erzeugen

    Zwischen mehreren Papern vergleichen und Begriffskarten oder Quizfragen erzeugen.

    VergleichKarteikartenQuiz

Wer nutzt Paper zu Notizen?

So setzen unterschiedliche Lerntypen dieses Tool in ihrem echten Studienalltag ein.

Was Studierende sagen

5 von 5 Sternen
When I prep a literature review with my students, ThetaWave's methods and findings extraction saves us a full evening per paper.

Lena Fischer

LMU München

5 von 5 Sternen
Discussion and limitations finally show up as separate notes instead of a single blob of text.

Jonas Weber

TU München

5 von 5 Sternen
For my thesis I compared 32 papers using the same extraction fields. It made the comparison part of the review actually tractable.

Mila Schneider

Humboldt-Universität zu Berlin

Häufige Fragen

Hier sind die häufigsten Fragen zu paper zu notizen.

Welche Paperformate werden unterstützt?

PDF ist der Standard; ebenso Preprint-Links und HTML-Versionen von Fachartikeln. Auch komplexe LaTeX-Layouts (zweispaltig) werden erkannt.

Bleiben Statistik-Werte erhalten?

Ja — F, p, Effektstärken (η², d) und Gruppenmittelwerte bleiben in den Ergebnisfeldern erhalten und werden nicht zusammengezogen.

Funktioniert ein Paper-übergreifender Vergleich?

Ja — mit denselben Feldern extrahiert, lassen sich mehrere Paper in der Bibliothek vergleichen, hilfreich für die Literaturübersicht.

Eignet sich das für die Abschlussarbeit?

Lassen sich Begriffskarten erzeugen?

Ja — Fachbegriffe können aus den Forschungsnotizen direkt in Karteikarten überführt werden, um Terminologie zu festigen.

Mit Paper zu Notizen direkt loslegen

Lade dein Material hoch und erhalte in wenigen Minuten etwas, das sich wirklich besser lernen, wiederholen oder teilen lässt.

Kostenlos startenKeine Kreditkarte erforderlichErgebnisse in unter 2 Minuten
    Paper zu Notizen: Forschung mit KI bündeln | Thetawave