Wir haben die veröffentlichte Forschung dazu gelesen, wie Menschen aus Video lernen, und die Befunde, die der Prüfung standhielten, in numerische Regeln verwandelt, die unser Generator befolgen muss. Hier ist die ganze Spezifikation, mit Quellen und allem, mit dem, was wir nicht klar verifizieren konnten deutlich markiert. Sie ist öffentlich, weil ein Standard, den man nicht prüfen kann, kein Standard ist.
Jeder kann behaupten, auf Wissenschaft gebaut zu sein. Wir bewerten jede Aussage, damit du einen verifizierten Effekt von einer Arbeitsannahme unterscheiden kannst. Die Ehrlichkeit ist die Glaubwürdigkeit.
Was die Wissenschaft tatsächlich sagt, mit Effektstärken und einem Link zur Primärquelle für jedes.
Strich für Strich aufgebauter Inhalt schlägt messbar das Zeigen fertiger Szenen. Behalten ηp²=0.13 to 0.17, Transfer ηp²=0.10 to 0.16, repliziert über zwei Experimente mit identischer Erzählung.
In Sketchie: Schneide nie auf ein fertiges Diagramm. Jedes Element zeichnet sich auf. Das ist nicht ästhetisch, es ist der Behaltensmechanismus.
Quelle: PMC9898452Hand-Zeichnen vs Hand-Schieben vs keine Hand veränderte die intrinsische Motivation (p=0.033), erzeugte aber keinen Unterschied bei den Lernergebnissen.
In Sketchie: Wir verzichten auf das Rendern einer Hand und verlieren nichts Messbares. Das Aufzeichnen selbst ist, worauf es ankommt.
Quelle: Smart Learn. Env. 2023Meta-Analyse, 32 studies, N≈3,597: Hinweise geben Behalten d=0.27, Transfer d=0.34, Last d=−0.11. Die Höhe der Lastreduktion sagt den Lerngewinn voraus (β=−0.70 Behalten, −0.60 Transfer).
In Sketchie: Pfeile, Farbakzente und Beschriftungs-Reveals sind Hinweise, keine Dekoration. Jeder Hinweis zeigt auf das, was die Erzählung gerade sagt.
Quelle: PMC5576760Eine Segmentierungs-Meta-Analyse fand signifikante Behaltens- und Transfergewinne, klein bis mittel. Ein Teil des Nutzens kommt von der Verarbeitungszeit, die Grenzen schaffen.
In Sketchie: Szenen sind Segmente. Nach dem letzten Reveal einer Szene hält die Erzählung mindestens 0.7 seconds still vor dem Schnitt.
Quelle: Rey et al. 2019Über 6.9 million edX-Sitzungen liegt das Engagement nahe 1.0 unter 6 Minuten, fällt auf etwa 0.55 bei 9 bis 12 Minuten und sinkt auf ungefähr 0.2 jenseits von 12 Minuten. Unabhängig in einer Replikation von 2026 bestätigt.
In Sketchie: Standardausgabe ist 6:00 hart. Längere Anfragen werden zu einer Serie von Videos in Kapiteln, nie ein langes Video.
Quelle: Guo et al. 2014Etwa 0.72 vs 0.52 normalisiertes Engagement bei 3 bis 6 Minuten, zugeschrieben handgezeichneter Bewegung plus einem spontanen, gesprochenen Vortrag.
In Sketchie: Das Format ist validiert. Die Erzählung soll gesprochen klingen, nicht abgelesen. Kontraktionen sind erlaubt, direkte Ansprache ist erwünscht.
Quelle: Guo et al. 2014Ein narratives Skript verbesserte den Transfer (ηp²=0.12 to 0.20), aber nicht das Behalten allein. Gepaart MIT progressivem Zeichnen schlug das Narrative das Informative beim Behalten (p=0.021). Über STATISCHEN Visuals gewann stattdessen ein informatives Skript (η²=0.21 to 0.24).
In Sketchie: Unsere Skripte nutzen Erzählgrammatik, einen Akteur mit einem Ziel, einem Hindernis und einer Auflösung, gerade weil wir immer progressiv rendern. Nie narrative Voiceover über einem statischen Bild.
Quelle: PMC9898452Interessanter, aber überflüssiger Inhalt verbessert das Lernen nicht.
In Sketchie: Jedes visuelle Element muss von der Erzählung aufgegriffen werden. Nicht aufgegriffene Dekoration ist ein Fehler, kein Beiwerk.
Quelle: Mayer 2020Aufforderungen, die Lernende zusammenfassen oder erklären lassen, verbessern das Lernen. Das ist das Prinzip der generativen Aktivität.
In Sketchie: Jedes Video endet mit einem Abruf-Moment: eine Frage erscheint, das Video pausiert 1.5 to 2 seconds, dann eine einzeilige Zusammenfassung.
Quelle: Springer 2020Mehr visuelle und narrative Wechselpunkte bedeuten weniger Gedankenabschweifen.
In Sketchie: Szenenwechsel sind Aufmerksamkeits-Resets. Setze sie an Ideengrenzen, nie mitten in einer Idee.
Quelle: Nature HSSC 2026Erklärqualität korreliert nicht mit Aufrufen, sobald die Kanalgröße kontrolliert ist (r=0.23, nicht signifikant). Nur Likes, relevante Kommentare und Interaktionen korrelieren.
In Sketchie: Wir bewerten Lerndesign, nicht Viralitäts-Signale.
Quelle: arXiv 2207.05872Die Gesetze oben werden zu konkreten Zielen. Das ist der Vertrag, gegen den der Generator bei jedem Render geprüft wird.
| Parameter | Ziel | Grad |
|---|---|---|
| Gesamte Videolänge | hartes Limit 6:00; Sweetspot 1:00 to 3:00 pro Konzept | Verifiziert |
| Längen-Granularität | Schritte von 30-second | Produkt |
| Szenendauer | 12 to 30 seconds, eine Idee pro Szene | Verifiziert |
| Elemente pro Szene | 3 to 7 am Szenenende sichtbar, Überschrift inklusive | Heuristisch |
| Reveal-Kadenz | ein neues Element alle 2 to 5 seconds; keine zwei Reveals näher als 1.2s | Abgeleitet |
| Reveal-zu-Wort-Sync | Element erscheint innerhalb von ±500ms seines Auslösewortes | Abgeleitet |
| Wort-Sync-Abdeckung | mindestens 95% der Elemente tragen ein Reveal-Wort, das aufgelöst wird | Pipeline |
| Nach-Szenen-Lücke | mindestens 0.7s Erzählstille nach dem letzten Reveal, vor dem Schnitt | Verifiziert |
| Reveal-Stil | Umriss-Aufzeichnen (0.3 to 0.5s), dann eine gestaffelte Füllung; Pfeile Spitze an Ende | Verifiziert |
| Sichtbare Hand | keine | Verifiziert |
| Beschriftungen | drei Wörter oder weniger, Großbuchstaben-Schlagwort; nie ein Satz, der die Erzählung spiegelt | Heuristisch |
| Erzähltempo | 140 to 160 words per minute, gesprochenes Register, Kontraktionen erlaubt | Heuristisch |
| Skriptstruktur | Haken innerhalb 10s, konkrete Analogie, Mechanismus, Realwelt-Anker, Abruf-Moment, Zusammenfassung | Verifiziert |
| Erzählgrammatik | Akteur, Ziel, Hindernis, Auflösung, wann immer die Domäne es zulässt | Verifiziert |
| Analogie | mindestens eine konkrete Analogie vor dem ersten abstrakten Begriff | Heuristisch |
| Überflüssige Visuals | null von der Erzählung nicht aufgegriffene Elemente | Verifiziert |
| Abschluss | Abruffrage, eine Pause von mindestens 1.5s, dann eine einzeilige Zusammenfassung | Verifiziert |
| Szenenübergänge | harter Schnitt nur an einer Ideengrenze, nie mitten in einer Idee | Verifiziert |
Eine Regel ist nur real, wenn man sie testen kann. Jedes Video durchläuft drei Schichten, bevor es ausgeliefert werden darf.
Reine JavaScript-Assertions auf dem Scene Graph und den Wort-Timings. Null Kosten, sicher in CI auszuführen. Gesamtdauer unter dem Limit, jede Szene in ihrem Dauerband, 3 to 7 Elemente pro Szene, jedes Element trägt ein Reveal-Wort, das innerhalb von ±500ms des gesprochenen Wortes landet, eine Endszene mit einer Frage und einer Zusammenfassung, und kein von der Erzählung nicht aufgegriffenes Element. Bestanden oder durchgefallen, keine Modellaufrufe.
Ein Modell-als-Richter-Durchlauf, bewertet 1 bis 5, gesampelt und beim Release ausgeführt, nie in CI. Eine Idee pro Szene, Icon-Treue, ob die Analogie den Mechanismus tatsächlich abbildet, Haken-Qualität, ein Scan auf verführerische Details, und Treue zum Quelldokument. Jede Dimension unter 3 scheitert am Release-Gate.
Prüfungen an der gerenderten Datei selbst. Ein Kontaktabzug bestätigt keine überlappenden Elemente und lesbare Beschriftungen, eine Bild-Salve bestätigt, dass das Umriss-dann-Füllung-Reveal tatsächlich vorhanden ist, und der Ton ist lautheitsnormalisiert ohne abgeschnittene Sätze an den Schnitten.
Die Spezifikation ist nur etwas wert, wenn ein Video, das sie bricht, nicht ausgeliefert werden kann. Layer A läuft zur Generierungszeit, auf dem Scene Graph, bevor wir einen Cent für Stimme oder Rendering ausgeben. Ein Graph, der die mechanischen Prüfungen nicht besteht, wird zurückgeschickt und mit den exakten Fehlern im Prompt neu generiert. Ein Graph, der weiter scheitert, wird nie ein Video.
Jede Prüfung in der obigen Liste bildet eine echte Assertion in unserer Engine ab: das Gesamtdauer-Limit, das Dauerband pro Szene, die Elementanzahl, die Auflösungsrate des Reveal-Wortes, die Nach-Szenen-Stille, die Beschriftungsregeln und den Frage-plus-Zusammenfassung-Abschluss. Pfeile werden auch geprüft, sodass ein Zeiger nie ein Element kreuzt, mit dem er nicht verbunden ist. Derselbe Code läuft im Regenerations-Gate des Workers und in der kontinuierlichen Integration, sodass eine Änderung am Generator, die die Qualität verschlechtern würde, sich selbst blockiert.
Der offene Eval-Standard auf GitHub Lies den Layer-A-Quellcode Loslegen
