ELO-Bewertungssystem erklärt [Leitfaden 2026]

Das ELO-Bewertungssystem ist eine mathematische Methode zur Berechnung relativer Spielstärke im direkten Vergleich. Entwickelt vom Physiker Arpad Elo in den 1950er-Jahren und 1960 vom US-Schachverband übernommen, sagt es Siegwahrscheinlichkeiten aus Bewertungsunterschieden vorher und passt die Wertungen beider Spieler nach jedem Match an. LearnClash zeigt eine ELO-artige Bewertung über 8 Rangstufen und berechnet sie unter der Haube mit Glicko-2.

Eine Idee. Sechzig Jahre. Immer noch ungeschlagen.

So sieht das in der Praxis aus:

	LearnClash-Bewertungssystem
Startbewertung	1.300 (Gold II, Ligadurchschnitt)
Engine	Glicko-2 (Bewertung + Rating-Deviation + Volatilität), angezeigt als ELO-artige Zahl
Kalibrierung neuer Spieler	Rating-Deviation (RD) startet bei 250 und pendelt sich in etwa 10 Duellen ein
Etablierte Schwankung	RD-Untergrenze 90, so kalibriert, dass ein Sieg oder eine Niederlage bei gleicher Bewertung etwa 20 Punkte bewegt
Stufen	8: Iron → Bronze → Silver → Gold → Platinum → Emerald → Diamond → Phoenix
Bewertungsspanne	100 (Untergrenze) bis 2.400+ (Phoenix)
Duellformat	6 Runden x 3 Fragen (18 insgesamt), asynchron mit 72-Stunden-Frist
Schwierigkeitsskalierung	Der Fragenmix wird in 200-Punkte-Schritten härter, wenn der Duell-Durchschnitt steigt
Inaktivität	Kein Bewertungsverfall; RD wächst in der Pause, sodass Comeback-Duelle deine Bewertung stärker bewegen

Dieser Artikel schlüsselt die exakte Mathematik auf, erklärt die Psychologie hinter dem Suchtfaktor und zeigt, wie LearnClash das System anders als Schach umsetzt. Probiere ein Ranglistenduell zu einem beliebigen Thema aus, um dein ELO in Aktion zu erleben.

⚡ Starte dein erstes Ranglistenduell auf LearnClash

Wofür steht ELO?

LearnClash baut auf einem Fundament auf, das Arpad Elo vor über sechs Jahrzehnten legte, nur angepasst für Quiz-Duelle statt Schach. Denn ELO ist kein Akronym. Der Name gehört Arpad Elo (1903-1992), einem in Ungarn geborenen Physiker, der den Großteil seiner Karriere an der Marquette University in Milwaukee verbrachte.

„Die Wertungszahl eines Spielers ist eine Zahl, die als Maß seiner Spielstärke dienen kann. Ihr Zweck ist es, ein faires Handicap-Verfahren bereitzustellen.“ Arpad Elo, The Rating of Chessplayers, Past and Present (1978)

Elo entwickelte sein System, weil die damalige Ranglistenmethode der Schachverbände, das Harkness-System, grob ungenaue Ergebnisse lieferte und sich obendrein leicht austricksen ließ, sobald Spieler merkten, dass sie ihre Zahl schönen konnten, indem sie starken Gegnern schlicht aus dem Weg gingen. Elos Idee war einfacher. Zuerst das Ergebnis vorhersagen, dann die Bewertungen anpassen, je nachdem ob die Realität zur Vorhersage passte.

Der US-Schachverband übernahm es 1960. Die FIDE folgte 1970. Heute reicht das System weit über Schach hinaus: League of Legends, Overwatch, Valorant, Counter-Strike, die FIFA-Weltrangliste (seit 2018) und Quiz-Apps wie LearnClash nutzen ELO-basiertes Matchmaking für kompetitive Quiz-Duelle und mehr.

Wie funktioniert die ELO-Formel?

Die klassische Formel läuft in zwei Schritten, und LearnClashs Engine folgt nach jedem Ranglistenduell demselben Vorhersagen-dann-Anpassen-Muster, mit neuen Zahlen für beide Spieler in Sekunden nach der letzten Antwort. Schritt eins: einen erwarteten Score berechnen, also die Siegwahrscheinlichkeit aus der Bewertungsdifferenz. Schritt zwei: beide Bewertungen anpassen, je nachdem ob das Ergebnis die Erwartung über- oder untertraf.

Die ELO-Formel sagt die Siegwahrscheinlichkeit aus der Bewertungsdifferenz vorher und passt dann beide Spielerbewertungen basierend auf dem tatsächlichen Ergebnis an.

Schritt 1: Vorhersagen, wer gewinnen sollte

Einfach erklärt: Das System betrachtet den Bewertungsunterschied zwischen zwei Spielern und berechnet, wie wahrscheinlich jeder von ihnen gewinnt. Ein kleiner Unterschied bedeutet ein knappes Duell. Ein großer Unterschied bedeutet, dass der stärkere Spieler fast immer gewinnen sollte.

Die Formel:

E = 1 / (1 + 10^((Rb - Ra) / 400))

Ra ist deine Bewertung und Rb die deines Gegners. Die Zahl 400 ist eine Skalierungskonstante, die Elo so wählte, dass ein 200-Punkte-Abstand dem stärkeren Spieler ungefähr 75 % Siegwahrscheinlichkeit gibt.

Sieh es in Aktion:

Szenario	Dein ELO	Gegner ELO	Deine Siegwahrscheinlichkeit
Gleiches Niveau	1.300	1.300	50 %
Leichter Favorit	1.500	1.300	76 %
Klarer Favorit	1.900	1.300	97 %
Außenseiter	1.300	1.900	3 %

Große Bewertungsunterschiede erzeugen genau diese einseitigen Vorhersagen, im LearnClash-Matchmaking wie im Schach. Die Formel zeichnet kein Wunschbild. Sie trifft, was im Duell wirklich passiert.

Schritt 2: Bewertungen basierend auf dem tatsächlichen Ergebnis anpassen

Jetzt der zweite Schritt. Nach dem Duell vergleicht das System, was tatsächlich passiert ist, mit dem, was es vorhergesagt hatte. Hast du gewonnen und galtst als Favorit, bekommst du wenige Punkte. Hast du gewonnen und galtst als chancenlos, regnet es viele. Die Überraschung bestimmt die Größe der Anpassung.

Die Formel:

Neue Bewertung = Alte Bewertung + K x (Tatsächlich - Erwartet)

Tatsächlich ist 1 für einen Sieg, 0 für eine Niederlage und 0,5 für ein Unentschieden. K ist der K-Faktor (wird im nächsten Abschnitt behandelt). Das ist die klassische Elo-Formel, die historische aus dem Schach: ein Lehrbeispiel, nicht die Rechnung, mit der LearnClash deine Bewertung ermittelt.

Rechenbeispiel (klassisches Elo, nicht LearnClash): Ein Schachspieler mit 1.200 besiegt einen Gegner mit 1.000. Beide nutzen K=20, einen typischen Wert für etablierte Spieler im Schach.

1. Das System sagte dem 1.200er-Spieler eine Siegwahrscheinlichkeit von 76 % vorher
2. Er gewann (Tatsächlich = 1), also: 20 x (1 - 0,76) = +5 Punkte
3. Der Verlierer: 20 x (0 - 0,24) = -5 Punkte

Kleine Anpassung, weil der Favorit wie erwartet gewann. Jetzt dreh es um: Hätte der Außenseiter mit 1.000 stattdessen gewonnen, hätte er 20 x (1 - 0,24) = +15 Punkte bekommen. Die dreifache Belohnung. Je größer die Überraschung, desto größer der Ausschlag. Und diese Asymmetrie ist der Motor, der ELO selbstkorrigierend macht.

So rechnet das klassische Elo. LearnClash nicht: Seine Engine ist Glicko-2, ohne festen K-Faktor. Du startest bei 1.300, jede Anpassung wird mit der Rating-Deviation (RD) gewichtet, und ein Duell bei gleicher Bewertung zwischen gefestigten Zahlen bewegt etwa 20 Punkte. Die nächsten beiden Abschnitte gehen ins Detail.

LearnClash wendet diese Schwierigkeitsstufen in jedem Quiz-Duell an und passt die Fragenherausforderung an deine aktuelle Bewertung an.

Was ist der K-Faktor (und warum ist er wichtig)?

Im klassischen ELO entscheidet eine Zahl, wie hart ein einzelnes Ergebnis deine Bewertung trifft: der K-Faktor. Stell ihn dir als Empfindlichkeitsregler vor. Je höher K, desto größer die Schwankungen. Schachverbände fahren zweistufige Pläne, ein hohes K während der Kalibrierung neuer Spieler und ein niedrigeres, sobald sich die Bewertung gefestigt hat. LearnClash nutzt gar keinen, und dieser Abschnitt erklärt das Konzept, das er ersetzt hat.

K-Faktor-Pläne über kompetitive Plattformen. Auch LearnClash beschrieb seine Kalibrierung früher in diesen Begriffen; die Engine ist tatsächlich Glicko-2, das K durch die Rating-Deviation ersetzt (nächster Abschnitt).

Plattform	Neuer Spieler K	Etablierter K	Schwellenwert
FIDE Schach	40	20	30 gewertete Partien
Chess.com	~40	~16	Provisorische Phase
League of Legends	~40 (Platzierung)	Variabel	10 Platzierungen

Warum zwei Geschwindigkeiten? Die ersten gewerteten Partien eines Spielers sind eine Kalibrierungsphase. Das System muss sein echtes Niveau schnell finden, also erlaubt es große Sprünge. Nach der Schwelle sinkt K, die Bewertung stabilisiert sich, und jedes Ergebnis bewegt sie weiterhin, nur halb so dramatisch.

Gleiche Überraschung, unterschiedlicher K-Faktor. Angenommen, ein Spieler mit 900 besiegt einen Spieler mit 1.100. Erwarteter Score für den Außenseiter: 0,24.

• Mit K=40 (neuer Spieler): Gewinn = 40 x (1 - 0,24) = +30 Punkte
• Mit K=20 (etabliert): Gewinn = 20 x (1 - 0,24) = +15 Punkte

Doppeltes K, doppelte Belohnung. Dieser Plan ist die Schach-Antwort auf eine schwere Frage: Wie schnell soll sich eine Bewertung bewegen, solange man noch nicht weiß, wie gut jemand ist?

LearnClash hat die eigene Kalibrierung früher genau in diesen Begriffen beschrieben. Damit haben wir aufgehört, weil es nicht das ist, was die Engine tut. Es gibt keinen K-Faktor irgendwo in LearnClashs Bewertungscode.

Warum LearnClash den festen K-Faktor hinter sich gelassen hat

LearnClashs Bewertungs-Engine ist eine vollständige Glicko-2-Implementierung, der Algorithmus, den Mark Glickman als Nachfolger von Elos Formel veröffentlichte, und dieselbe Familie, die Lichess einsetzt, aktualisiert nach jedem einzelnen Duell statt in Sammelläufen. Die Zahl auf deinem Profil liest sich weiterhin wie ELO. Die Arithmetik darunter nutzt K überhaupt nicht.

Glicko-2 verfolgt drei Werte pro Spieler statt einem:

1. Bewertung: die vertraute Zahl, Start bei 1.300
2. Rating-Deviation (RD): wie sicher sich das System bei dieser Zahl ist, bei LearnClash zwischen 90 und 250
3. Volatilität: wie sprunghaft deine Ergebnisse waren, für die meisten Spieler um 0,06

RD ist der ehrliche Ersatz für einen K-Plan. Ein neues Konto startet bei RD 250, frühe Duelle bewegen die Bewertung also kräftig, und die Deviation pendelt sich innerhalb von etwa 10 Duellen Richtung Untergrenze ein. Ein neuer Spieler, der seine ersten Duelle verliert, kann in einer Sitzung von 1.300 (Gold II) in Silver-Gefilde fallen; gewinnt er sie stattdessen, ist Platinum III genauso schnell erreichbar. Genau das sollte K=40 einst annähern, nur blendet RD die Kalibrierung allmählich aus, statt sie bei einer willkürlichen Partienzahl abzuschalten.

Ein K-Plan ist eine Treppenfunktion, eingefroren in einer Konstante. Die Rating-Deviation ist eine pro Spieler gemessene Größe, die kontinuierlich ausklingt.

Seite an Seite, Parameter für Parameter:

Frage	Klassisches Elo	Glicko-2 bei LearnClash
Was wird verfolgt	Eine Zahl: deine Bewertung	Bewertung, Rating-Deviation (90-250), Volatilität (~0,06)
Wie schnell sich Bewertungen bewegen	Fester K-Plan (etwa 40, dann 20)	Skaliert mit RD: Neue schwanken kräftig, gefestigte bewegen ~20 Punkte bei gleichem Niveau
Wenn du neu bist	Hohes K für N Partien, dann eine Kante	RD schrumpft kontinuierlich; die Kalibrierung klingt aus, statt zu stoppen
Wenn du pausierst	Nichts, oder manuelle Verfallsregeln	RD wächst, Comeback-Duelle kalibrieren dich schneller neu
Wenn Ergebnisse sprunghaft werden	Nichts	Die Volatilität steigt und lässt die Bewertung stärker wandern

Auch das gefestigte Ende haben wir bewusst abgestimmt. Trivia-Duelle sind verrauschter als Schach: Ein 18-Fragen-Duell tastet nur einen schmalen Ausschnitt dessen ab, was ein Spieler über Themen hinweg weiß, also würden schachartige Ausschläge von 7 bis 13 Punkten echte Kompetenzänderungen im Rauschen ertränken. Und sie fühlten sich tot an, als wir sie ausprobierten. LearnClashs RD-Untergrenze von 90 ist so kalibriert, dass ein Sieg oder eine Niederlage bei gleicher Bewertung etwa 20 Punkte bewegt, groß genug zum Spüren, klein genug, um ehrlich zu bleiben. Ein sanfter Anti-Deflations-Regulator multipliziert Gewinne von Spielern unter 2.000 mit 1,015 und speist damit absichtlich einen Tropfen Bewertung in die Leiter, damit Klettern auch mit wachsender Spielerbasis möglich bleibt.

Kernaussage: Ein K-Faktor ist eine Vermutung über Unsicherheit, eingefroren in einer Konstante. Die Rating-Deviation ist diese Unsicherheit, pro Spieler gemessen und mit jedem Duell aktualisiert.

Unser Urteil aus dem Produktionsbetrieb dieser Engine (Juli 2026): Für eine Kompetenzleiter schlagen Rating-Deviation-Systeme 2026 handjustierte K-Pläne. Die meisten ELO-Erklärstücke führen dich noch durch die Wahl eines K-Plans. Überspring diesen Schritt. Jeder Fall, den ein K-Plan unbeholfen behandelt (der zurückkehrende Spieler, der frisch kalibrierte Spieler in einer Niederlagenserie, das Konto mit neuem Besitzer), ist ein Fall, in dem die ehrliche Antwort lautet „wir sind uns bei dieser Bewertung gerade nicht sicher“, und genau das sagt RD, mit einer Zahl, auf die die Engine reagieren kann.

🦕 Teste dein ELO mit einem Dinosaurier-Quiz-Duell

Wie passt LearnClash ELO an Quiz-Duelle an?

LearnClash dehnt die Bewertung weit über simples Sieg-Niederlage-Zählen aus. Die Fragenschwierigkeit folgt dem Bewertungsdurchschnitt des Duells, ein Composite-Matchmaking-Score gewichtet 50 % ELO-Nähe plus 50 % Kategorien-Cosinus-Ähnlichkeit, und jede Bewertungsänderung landet dauerhaft in deiner ELO-Historie. So wird Quiz-Kompetenz zu einer Zahl, die du tatsächlich verfolgen kannst.

8 Rangstufen von Iron bis Phoenix

22 Ränge in 8 Stufen. Neue Spieler starten bei Gold II (ELO 1.300, Ligadurchschnitt). Phoenix hat keine Unterteilungen.

Jede Stufe außer Phoenix hat drei Unterteilungen (III, II, I), was 22 verschiedene Ränge ergibt. Hier ist die vollständige Aufschlüsselung des LearnClash-Rangsystems:

Stufe	ELO-Bereich	Unterteilungen
Iron	100-599	III, II, I
Bronze	600-899	III, II, I
Silver	900-1.199	III, II, I
Gold	1.200-1.499	III, II, I
Platinum	1.500-1.799	III, II, I
Emerald	1.800-2.099	III, II, I
Diamond	2.100-2.399	III, II, I
Phoenix	2.400+	Keine

Neue Spieler starten bei ELO 1.300, was Gold II entspricht. Das ist der Ligadurchschnitt, gewählt so, dass nach abgeschlossener Kalibrierung ungefähr die Hälfte der Leiter darüber und die Hälfte darunter liegt. Die Untergrenze ist ELO 100, damit Bewertungen nie negativ werden. Eine Obergrenze? Gibt es nicht. Die Stufennamen orientieren sich an kompetitiven Gaming-Konventionen (League of Legends, Valorant), weil Spieler die Progression intuitiv verstehen. Wie Leiter, Matchmaker und SRS von Anfang bis Ende zusammenspielen, zeigt die LearnClash-Statistikseite.

Fragenschwierigkeit skaliert mit deiner Bewertung

Hier hört das System nicht beim Gegner auf. Es passt auch die Fragen selbst an.

Jede Runde mit 3 Fragen passt ihren Schwierigkeitsmix an die Durchschnittsbewertung beider Spieler im Duell an.

Jedes Duell hat 6 Runden mit je 3 Fragen (18 insgesamt). Der Mix pro Runde folgt dem durchschnittlichen ELO beider Spieler und bewegt sich in 200-Punkte-Schritten, statt an Stufenabzeichen zu kleben:

Duell-Durchschnitt	Leicht	Mittel	Schwer	Wie es sich anfühlt
Unter 1.200	3	0	0	Erholungsrampe: rein leicht
1.200-1.399	2	1	0	Der Neuspieler-Standard bei 1.300
1.400-1.599	1	2	0	Mittel-dominant
1.600-1.799	1	1	1	Erste schwere Frage, Leicht-Puffer bleibt
1.800-1.999	0	2	1	Schwer wird normal
2.000-2.199	0	1	2	Schwer-dominant
2.200+	0	0	3	Reiner Expertenmodus

Zwei Details sind Absicht. Neue Spieler bei 1.300 starten mit 2 leicht + 1 mittel, und wer im Duell-Durchschnitt unter 1.200 rutscht, bekommt reine Leicht-Runden, eine Erholungsrampe statt einer Strafe. Und die erste schwere Frage taucht bei 1.600 auf (mitten in Platinum), mit einer leichten Frage als Puffer in der Runde; ab 2.200 ist jede Frage schwer, was schon in Diamond greift, noch vor dem Phoenix-Abzeichen.

Als wir dieses System bauten, war das Ziel klar: Deine Bewertung soll widerspiegeln, was du tatsächlich weißt, nicht nur wie schnell du tippen kannst. Die Schwierigkeitskurve stellt sicher, dass Allgemeinwissen-Quizfragen auf deinem Niveau dich wirklich herausfordern, egal ob das Thema Hauptstädte oder 90er-Popkultur ist.

Matchmaking nutzt mehr als nur ELO

LearnClash matcht Spieler nicht allein nach ELO. Der Composite-Matchmaker bewertet offene Gegner mit einer 50/50-gewichteten Mischung:

1. ELO-Nähe (50 %): Perfekter Score bei 0 Differenz, zerfällt glatt auf 0 bei ±400 Abstand
2. Kategorien-Cosinus-Ähnlichkeit (50 %): Cosinus-Ähnlichkeit auf den jüngsten Themenvektor jedes Spielers

Bei ganz neuen Konten mit weniger als fünf Themen-Picks bewertet der Matcher allein nach ELO-Nähe, bis das Interessenprofil genug Signal hat.

Dieser zusammengesetzte Ansatz bedeutet, dass du auf Gegner triffst, die deiner Kompetenz nahekommen UND deine Interessen teilen. Ein Geschichtsfan mit Bewertung 1.200 wird eher mit einem anderen 1.200er-Geschichtsspieler gematcht als mit einem 1.200er-Naturwissenschaftsspezialisten. Das Ergebnis: Duelle fühlen sich relevant an, nicht zufällig, und die meisten ELO-gematchten Duelle landen in einem engen Band knapper Spiele.

Wusstest du? LearnClash prüft offene Duelle aus der Matchmaking-Warteschlange und bewertet jedes mit dieser Composite-Formel. Wenn kein passender Gegner existiert, wird ein neues offenes Duell erstellt und gewartet. Das System erzwingt nie ein schlechtes Match, nur um Wartezeiten zu verkürzen.

Was passiert, wenn du aufhörst zu spielen?

LearnClash wendet keinen ELO-Verfall an. Deine Bewertung bleibt eingefroren, genau dort, wo du aufgehört hast. Es ändert sich nur das Vertrauen des Systems. Während deiner Pause wächst die Glicko-2-Rating-Deviation (RD) von ihrer gefestigten Untergrenze 90 in Richtung der Obergrenze 250, und sobald sie 100 überschreitet, zeigt die App deine Bewertung als Kalibrierung an, statt sie als gefestigt zu behandeln.

Dein ELO bleibt intakt, wenn du pausierst. Das Vertrauen des Systems in diese Zahl nicht. RD wächst während der Inaktivität und strafft sich beim Spielen.

Was RD auf jedem Niveau bedeutet:

RD	Lesart des Systems	Was du bemerkst
90 (Untergrenze)	Voll gefestigte Bewertung	Duelle auf Augenhöhe bewegen dich um etwa 20 Punkte
Über 100	Provisorisch	Bewertung erscheint als Kalibrierung
Wachsend (inaktiv)	Immer weniger sicher	Deine ersten Duelle danach schlagen stärker aus
250 (Obergrenze)	Brandneu oder lange ruhend	Maximaler Ausschlag pro Duell

Drei Designentscheidungen machen das fair:

1. Deine Headline-Zahl bleibt deine. Keine Punkte werden für eine Woche Pause abgezogen. Gelegenheitsspieler müssen nicht grinden, um eine Bewertung zu schützen.
2. RD signalisiert Unsicherheit, nicht Strafe. Bei einem ruhenden 2.300er-Konto ist nicht garantiert, dass es noch wie 2.300 spielt, also behandelt die Engine die Bewertung als breitere Spanne, bis frische Duelle das Gegenteil beweisen.
3. Die Neukalibrierung ist absichtlich schnell. Eine hohe RD lässt Comeback-Duelle mehr zählen, sodass ein zurückkehrender Spieler nach einer Handvoll Partien wieder auf einer ehrlichen Bewertung landet, statt sich durch Dutzende zu kämpfen.

Spielen strafft die RD; jedes Duell zieht sie zurück Richtung Untergrenze. League of Legends nutzt LP-Verfall ab Diamond+, und die FIDE markiert inaktive Spieler nach zwei Jahren ohne gewertete Partien. LearnClashs RD-Ansatz geht einen anderen Weg. Er bewahrt deine Bewertung und weitet nur die Unsicherheit darum, sodass Gelegenheitsspieler nicht für eine ruhige Woche bestraft werden und die ersten Ergebnisse eines Rückkehrers wirklich zählen.

Warum macht ELO Quiz-Duelle süchtig machend?

LearnClash macht aus ELO eine sichtbare, dauerhafte Zahl, die nach jedem Duell ruckt. Genau das verwandelt ein Match in ein Ereignis mit echtem Einsatz. Du spürst jeden Punkt, der kommt oder geht.

Fünf psychologische Auslöser bilden eine selbstverstärkende Schleife, die Ranglistenduelle fesselnd macht. Variable Belohnungen treffen auf Verlustaversion, und die Beinahe-Treffer-Psychologie zieht dich ins nächste Match. LearnClash legt Verteiltes Wiederholen darüber, sodass die Suchtschleife tatsächlich Wissen aufbaut, statt Zeit zu verschwenden.

Psychologischer Auslöser	So funktioniert es bei LearnClash
Variable Belohnungen	Die Ausschüttung skaliert mit dem Bewertungsabstand: Duelle auf Augenhöhe bewegen etwa 20 Punkte, Überraschungen zahlen mehr
Verlustaversion	15 ELO zu verlieren schmerzt 2x mehr, als 15 zu gewinnen sich gut anfühlt
Beinahe-Treffer-Effekt	Ein 9-8-Duellverlust bei 18 Fragen fühlt sich wie Fast-Gewonnen an
Stufenaufstiege	22 Unterteilungen = häufige dopaminauslösende Upgrades
Lerneffekt	SRS verwandelt die Suchtschleife in echtes Wissen

Variable Belohnungen. Einen höher bewerteten Spieler zu schlagen zahlt mehr als einen niedriger bewerteten, und beide Ausschüttungen verschieben sich damit, wie gefestigt die Bewertungen sind. Du kennst die genaue Zahl nie, bis die letzte Antwort fällt. Reine Spielautomat-Psychologie.

Verlustaversion. Kahneman und Tversky zeigten, dass Verluste ungefähr doppelt so schmerzhaft empfunden werden wie gleichwertige Gewinne Freude bereiten. Bei LearnClash, wo dein Stufenabzeichen auf deinem Profil sichtbar ist, sticht der Verlust von 15 ELO-Punkten weit mehr als der Gewinn von 15 Freude macht.

Wusstest du? LearnClash verfolgt deine komplette ELO-Historie über jedes Duell, jede Aufgabe und jedes RD-Ereignis. Du kannst deine gesamte Bewertungsreise im Bereich für detaillierte Statistiken der App einsehen, einschließlich welche Themen deine größten Gewinne und Verluste ausgelöst haben.

Beinahe-Treffer-Effekt. Ein Duell 9-8 verlieren (von 18 Fragen), wenn eine einzige richtige Antwort mehr das Ergebnis gedreht hätte. Dein Gehirn deutet es als Fast-Erfolg, nicht als Niederlage. Themen wechseln jede Runde, deshalb kann eine einzige unbekannte Essen-Quizfrage den Ausschlag geben.

Stufenaufstiege. Der Sprung von Silver I zu Gold III erzeugt einen Dopaminstoß, den flache Punktesysteme nicht replizieren können. Als wir LearnClashs 8-Stufen-System gegenüber einfacheren Alternativen wie Kahoots punktebasierter Wertung konzipierten, platzierten wir die Stufengrenzen so, dass häufige Aufstiegsmomente entstehen. Die 22 Unterteilungen bedeuten, dass du nie weit vom nächsten Aufstieg entfernt bist.

Der Lerneffekt. Die meisten süchtig machenden Spielschleifen sind leere Kalorien. LearnClashs Verteiltes Wiederholen bedeutet, dass jede Frage einen 3-Stufen-Meisterungszyklus durchläuft (Lernen, Bekannt, Gemeistert) mit Wiederholungsintervallen von 7 Tagen und 90 Tagen. Die Wissenschaft hinter dem Quizzen als Lernmethode heißt Testing-Effekt, und LearnClashs SRS-System basiert darauf. Die Wissenschaft dahinter, warum knappe Matches besseres Lernen erzeugen, heißt kompetitives Lernen. Die Sucht hat einen Nutzen: Du wirst klüger, während du aufsteigst.

Wo wird das ELO-Bewertungssystem außerhalb von Schach genutzt?

LearnClash beweist, dass dieselbe Mathematik auch für wissensbasierte Quiz-Duelle trägt, nicht nur für Reflexe und Zielgenauigkeit. Seit die FIDE ELO 1970 übernahm, hat es praktisch jeden Bereich erreicht, in dem zwei Konkurrenten ein messbares Ergebnis liefern. League of Legends, Overwatch, Valorant, Counter-Strike und Rocket League laufen alle darauf.

Das ELO-System wuchs über Schach hinaus. Sechs Jahrzehnte später rankt es alles, von Videospielern bis hin zu KI-Sprachmodellen.

Jahrzehnt	ELO-Verbreitung
1960er	US-Schachverband
1970er	FIDE (internationales Schach)
1980er	Tischtennis, Go
2000er	Videospiele (LoL, Overwatch, CS)
2018	FIFA-Weltrangliste
2020er	Quiz-Plattformen (LearnClash), KI-Modell-Ranking (Chatbot Arena)

Mehrere verbesserte Varianten existieren heute. Glicko und Glicko-2, entwickelt von Mark Glickman an der Boston University, fügen eine Rating-Deviation (RD) hinzu, die erfasst, wie sicher sich das System bei deiner Bewertung ist. Lichess und Pokemon Go nutzen Glicko-2. Microsofts TrueSkill erweitert ELO auf teambasierte Spiele.

LearnClash gehört in die Glicko-2-Spalte. Die kundenorientierte Schicht ist ELO-artig, weil Spieler sie wiedererkennen und Schach die Welt gelehrt hat, sie zu lesen. Doch die Engine darunter ist durchgehend Glicko-2: Jede Bewertungsaktualisierung läuft durch Glickmans Algorithmus, wobei die RD entscheidet, wie weit dich ein Ergebnis bewegt, und während der Inaktivität wächst, damit Comebacks schnell neu kalibrieren. ELO obendrauf, Glicko-2 darunter. Wie sich LearnClash im direkten Vergleich mit einer anderen beliebten 1v1-Quiz-App schlägt, erfährst du in unserem LearnClash vs QuizDuel Vergleich.

Wusstest du? Klassisches ELO ist nullsummen: Der Gewinner erhält exakt das, was der Verlierer verliert. LearnClashs Glicko-2-Engine nicht. Die Anpassung jedes Spielers skaliert mit seiner eigenen Rating-Deviation, sodass sich die Bewertung eines neuen Spielers im selben Duell um ein Mehrfaches weiter bewegen kann als die seines etablierten Gegners. Und ein Anti-Deflations-Regulator multipliziert Gewinne von Spielern unter 2.000 mit 1,015 und speist damit absichtlich einen Tropfen Bewertung in die Leiter.

Das ELO-Konzept taucht auch an unerwarteten Orten auf. Tinders früher Algorithmus nutzte ELO Berichten zufolge, um die Attraktivität von Profilen zu ranken, und ruderte erst nach öffentlicher Gegenreaktion zurück, während FiveThirtyEight die gleiche Mathematik bis heute für Wahlprognosen einsetzt. Überall, wo etwas anhand paarweiser Ergebnisse in eine Reihenfolge gebracht werden soll, funktioniert es.

Wie kletterst du schneller auf der ELO-Leiter?

Bei LearnClash steigst du am schnellsten, indem du konstant höher bewertete Gegner schlägst. Die Bewertungsmathematik zahlt für Überraschungssiege die dicksten Punktgewinne. Verteiltes Wiederholen hilft dabei direkt: Fragen, die du zuvor falsch hattest, tauchen wieder auf, bis du sie sitzt hast. So wird aus deiner Übung ein echter Wettbewerbsvorteil.

Fünf Strategien, die deinen Aufstieg von Bronze zu Platinum und höher beschleunigen.

Strategie	Warum es funktioniert
Spiele deine ersten 10 Duelle früh	Deine RD startet bei 250 und pendelt sich in etwa 10 Duellen Richtung Untergrenze ein. Diese Kalibrierungsduelle bewegen deine Bewertung am stärksten und sind der schnellste Weg zu deinem wahren Niveau.
Diversifiziere die Themen	Duelle decken 6 Themen ab. Eindimensionale Spieler stoßen an eine Decke, wenn Mythologie, Geografie, Mathe-Paradoxien oder Physik auftaucht.
Übungsmodus zwischen Duellen	Falsch beantwortete Fragen treten in den SRS mit 7d/90d-Wiederholungsintervallen ein. Schwache Bereiche wie Geschichte oder Geografie zu trainieren steigert direkt deine Duellgenauigkeit.
Bleib aktiv	Das RD-Wachstum in Pausen ist real. Ein schnelles Duell strafft es und hält deine Bewertung gefestigt, statt sie zurück Richtung Kalibrierung rutschen zu lassen.
Nimm schwere Matches an	Gegen jemanden 300 über dir zu verlieren kostet wenige Punkte. Ein Überraschungssieg zahlt ein Mehrfaches eines Siegs auf Augenhöhe. Die Mathematik spricht immer fürs Spielen.

Die Kernidee hat sich seit 1960 nicht verändert. Was sich verändert hat, ist wo sie zum Einsatz kommt und wie die Kalibrierung läuft. LearnClash steckt Glicko-2 hinter jedes Quiz-Duell, damit die ELO-artige Zahl auf deinem Profil auch wirklich etwas bedeutet. Jede Runde dauert 3 Minuten.

🧠 Mehr Artikel zur Lernwissenschaft entdecken