.svg)
Methodenklausur, Multiple Choice und Theorienwissen verlangen drei völlig verschiedene Arten zu lernen. Hier steht, welches Format was von dir will und wo KI in der Vorbereitung wirklich trägt.
Psychologie prüft in einem Semester drei Dinge, die wenig miteinander zu tun haben: Rechnen in Statistik, Wiedererkennen in Multiple-Choice-Klausuren und geordnetes Wissen über Theorien und Studien. Wer alle drei gleich vorbereitet, verliert in mindestens einer davon Punkte.
Diese Seite geht deshalb nach Format vor: erst was die typischen Klausuren im Psychologiestudium tatsächlich abfragen, dann wo KI dir pro Format Arbeit abnimmt – und wo sie es nicht tut.
Die Gewichtung unterscheidet sich je nach Hochschule und Modul, das Grundmuster ist aber über die meisten Bachelorstudiengänge hinweg gleich.
Deskriptive Statistik, Wahrscheinlichkeitsrechnung, Hypothesentests, Varianzanalyse und Regression bilden den Kern. Typisch sind mehrstufige Aufgaben, bei denen nicht nur das Ergebnis zählt, sondern die Wahl des Verfahrens und ihre Begründung: Welcher Test passt zu welchem Skalenniveau, welche Voraussetzungen müssen erfüllt sein, was heißt das Ergebnis inhaltlich. Häufig kommt die Interpretation eines SPSS- oder R-Outputs dazu – eine Tabelle, aus der du die relevanten Kennwerte ziehen und in einen Satz übersetzen musst. Ob eine Formelsammlung zugelassen ist, regelt der Lehrstuhl und variiert stark; das klärst du früh, weil es die Vorbereitung verändert.
In Fächern wie Allgemeiner, Biologischer und Entwicklungspsychologie sind MC-Klausuren verbreitet. Der Stoffumfang ist groß, die Fragen zielen aber selten auf grobe Zusammenhänge, sondern auf Unterscheidungen: Welcher Effekt gehört zu welchem Paradigma, welche Aussage trifft nicht zu, welcher der vier plausibel klingenden Distraktoren ist der richtige. Ungefähres Wissen, das in einer Freitextantwort noch Teilpunkte bringen würde, bringt hier null.
Über alle Grundlagenfächer hinweg wird dieselbe Struktur abgefragt: Wer hat was untersucht, mit welchem Design, mit welchem Befund – und was folgt daraus für die Theorie. Klassische Experimente kommen mit Autor und Jahr, Theorien mit ihren Annahmen und ihren Grenzen. In der Diagnostik kommen die Gütekriterien und die Grundlagen der Testtheorie dazu, die eher wie Definitionen zu lernen sind als wie Inhalte.
Wo nicht angekreuzt wird, geht es meist um Vergleichen und Bewerten: zwei Theorien gegenüberstellen, ein Studiendesign kritisch beurteilen, aus einem Befund die methodische Schwäche ableiten. Reine Wiedergabe bringt hier die wenigsten Punkte.
Der Nutzen fällt je nach Format sehr unterschiedlich aus:
Der KI-Tutor ist hier der stärkste Hebel: Wenn ein Rechenweg nicht aufgeht, kannst du gezielt nachfragen, statt in der Musterlösung nach der Stelle zu suchen – und weil die Antworten auf deinen hochgeladenen Unterlagen aufsetzen, bleibst du bei der Notation deines Lehrstuhls. Karteikarten eignen sich für Formeln, Voraussetzungen der Verfahren und die Frage, wann welcher Test überhaupt zulässig ist. Was beides nicht ersetzt: selbst rechnen. Lass dir aus dem Skript Probeklausuren mit Rechenaufgaben erzeugen und arbeite sie unter Zeitbedingungen durch, mit denselben Hilfsmitteln wie in der Prüfung. Und rechne KI-Rechenwege nach – plausibel aussehende Zwischenschritte können falsch sein.
Hier lohnt sich, dass du dir aus deinem eigenen Material Multiple-Choice- und Single-Choice-Karten erzeugen lassen kannst: Du übst das Format, nicht nur den Inhalt, und merkst früh, wo dein Wissen für eine Entscheidung zwischen zwei ähnlichen Antworten nicht reicht. Die ehrliche Grenze: Generierte Fragen treffen den Formulierungsstil deines Lehrstuhls nicht. Altklausuren und die Probeklausur des Instituts bleiben die Referenz – die generierten Fragen sind das Trainingsvolumen dazwischen. Wie sich Fragen aus eigenen Unterlagen erzeugen lassen, beschreibt der Beitrag zu individuellen Multiple-Choice-Fragen.
Das Fach mit dem größten Zeitgewinn. Aus Skript und Folien entstehen Zusammenfassungen für den Überblick und Karten für die Zuordnung von Autor, Design und Befund – genau die Struktur, die abgefragt wird. Prüf die Karten einmal gegen das Original: Jahreszahlen und Studienbefunde sind die Stelle, an der Sprachmodelle am ehesten daneben liegen, und dieser Kontrollblick ist selbst schon eine Wiederholung. Für den Überblick über ein ganzes Kapitel lohnt der Blick auf Zusammenfassungen aus PDF und Skript.
Nutze den Tutor als Gegenüber: Formuliere den Vergleich zweier Theorien selbst und lass dir Rückfragen dazu stellen. Der Lerneffekt liegt im eigenen Formulieren – ein fertiger Text, den du liest statt schreibst, trainiert genau das nicht, was in der Klausur verlangt wird.
Fang mit dem Modul an, das dir am meisten Sorgen macht. Lade das Skript bei Learnboost hoch, lass dir eine Probeklausur im richtigen Format erzeugen und arbeite sie auf Zeit durch – danach weißt du, wo deine Vorbereitung ansetzen muss.
Mit Learnboost konnte ich meine Lernzeit effektiv reduzieren. Die Tutor AI Funktion hat mir geholfen, wichtige Informationen und Fragen zu klären.
Ben, Soziologie
Über Aufgaben, nicht über Texte. Lies das Kapitel einmal für die Systematik, dann rechne. Karteikarten helfen bei Formeln, Skalenniveaus und den Voraussetzungen der Verfahren, der KI-Tutor bei Rechenwegen, die nicht aufgehen. Die eigentliche Punktequelle sind durchgerechnete Altklausuren – per Hand, auf Zeit, mit den in der Prüfung erlaubten Hilfsmitteln.
Indem du im Format übst statt nur im Inhalt. Generiere dir aus deinen Unterlagen MC- und Single-Choice-Karten und arbeite sie ohne Nachschlagen durch – so merkst du, wo dein Wissen für die Entscheidung zwischen zwei ähnlichen Antworten nicht reicht. Ergänze das mit Altklausuren deines Lehrstuhls, weil generierte Fragen den dortigen Formulierungsstil nicht treffen.
Indem du sie nach einer festen Struktur lernst statt sie zu sammeln: Autor und Jahr, Design, Befund, Bedeutung für die Theorie. In dieser Form lassen sich Studien als Karten wiederholen und in der Klausur gezielt abrufen. Prüf generierte Karten einmal gegen dein Skript – Jahreszahlen und Befunde sind die Stelle, an der KI am ehesten daneben liegt.
