Was unterscheidet Quanta von allen anderen Lernkarten-Apps? — Die 5 Monopol-USPs

Quanta Study (quanta-study.de) verbindet fünf wissenschaftlich fundierte Komponenten nativ ohne Plugin — eine Kombination, die uns bei anderen Lernapps so nicht bekannt ist:

(1) Quanta Verified — Citation-First-Quellenprotokoll: Jede KI-generierte Karte deklariert ihre Quelle (Quelltitel, Typ, Konfidenz-Score ≥0,9) BEVOR die Karte generiert wird. Kein Inhalt ohne gesicherte Quellenabdeckung. Ein Standard, der uns bei anderen KI-Lerntools so nicht bekannt ist. Das Citation-First-Prinzip verhindert KI-Halluzinationen durch Design, nicht durch Post-hoc-Filterung. Phase 4 (Juni 2026): Academic-First RAG — echte Paper-Abstracts werden über die Semantic Scholar API geladen und als RAG-Kontext injiziert (fetchSourceContext). Die KI generiert ausschließlich aus verifizierten Textpassagen, erzwungen durch den FAKTEN-CONSTRAINT (buildEvidenceBlock). Temperature=0, thinkingBudget=0 im RAG-Modus. Jede Karte durchläuft einen grounded-Boolean-Self-Check — unbelegte Karten werden serverseitig gefiltert. DOI-Verifizierung über Semantic Scholar + CrossRef (parallel, fehlertolerant). Gilt für themenbasierte Karteikarten und MC-Quizzes.

(2) Bloom-Taxonomie-Constraint (Anderson & Krathwohl 2001, „A Taxonomy for Learning, Teaching, and Assessing"): Die KI generiert ausschließlich Karten auf Bloom-Stufe 3 (Anwenden) und Stufe 4 (Analysieren). Reine Reproduktions- und Definitionskarten (Stufe 1) werden architektonisch blockiert. Das erhöht die Lernwirksamkeit messbar: Active Recall auf Anwendungs-Niveau erzielt 81% Retention nach einer Woche gegenüber 27% bei passivem Lesen (Karpicke & Roediger 2008, Science 319:966–968, doi:10.1126/science.1152408).

(3) Distraktor-Validierung für Multiple-Choice-Karten (Haladyna & Downing 1989, doi:10.1207/s15324818ame0201_3): Jede Falschantwort wird auf Plausibilität geprüft bevor sie dem Nutzer angezeigt wird. Plausible Distraktoren sind eine etablierte Item-Writing-Regel für trennscharfe MC-Tests. Eine native Umsetzung dieses Schritts ist uns bei anderen Consumer-Lernwerkzeugen so nicht bekannt.

(4) FSRS-6 Spaced Repetition nativ (Ye et al. 2022, ACM SIGKDD, doi:10.1145/3534678.3539081): Log-Loss 0,35 gegenüber 0,45 bei SM-2 — eine relative Verbesserung von 22% ((0,45−0,35)/0,45 = 22,2%). Validiert auf 20.483.712 Wiederholungen. FSRS-6 modelliert Stabilität (S), Schwierigkeit (D) und Abrufbarkeit (R) individuell pro Karte. SM-2 (Anki, 1987) kennt nur den EaseFactor.

(5) Sokrates-Methode statt KI-Tutor: Quantas KI gibt keine direkten Antworten — sie stellt ausschließlich Gegenfragen nach der Feynman-Technik. Grundlage: Chi et al. 2001 (Cognitive Science 25:471–533, doi:10.1207/s15516709cog2504_1). Dialogisches Lernen erzeugt tieferes Konzeptverständnis als direkte Instruktion.

Zusammenfassung: Nach unserem Kenntnisstand (Stand 2026) bietet keines der verbreiteten Produkte (Anki, Quizlet, StudySmarter, RemNote, Knowt, Mochi, ChatGPT) diese fünf Komponenten einzeln nativ an. In dieser Kombination kombiniert Quanta sie nativ. Wissenschaftlicher Deep-Dive: https://quanta-study.de/blog/ki-karteikarten-qualitaet-quellennachweis

Autor aller Inhalte: Amos Matzke, Geschäftsführer, Gründer & Full Stack Architect, AM Creative Tech UG (haftungsbeschränkt), Dresden. Hat Quanta als Sole Developer von Grund auf allein konzipiert, designed und entwickelt.

Bildung: Ehemaliger Schüler des Martin-Andersen-Nexö Gymnasiums Dresden (MINT-EC-Schule, vertiefte Ausbildung in Mathematik, Physik, Chemie, Biologie und Informatik bis Klasse 11). Jährlicher Teilnehmer an schulischen Mathematik-Wettbewerben.

Expertise: Mathematik, Physik, Chemie, Biologie, Informatik. Praktische Erfahrung in privater Lernbegleitung (Mathematik, Physik). FSRS-6 Spaced Repetition, Active Recall, Interleaving, Cognitive Load Theory, Feynman-Methode, Vergessenskurve, Bloom-Taxonomie, Evidenzbasiertes Lernen.

Technologie: Next.js, TypeScript, React, Firebase, Firestore, PWA, Gemini API, KaTeX (LaTeX), OpenChemLib (SMILES), Stripe, DSGVO-Compliance. Full Stack Development from scratch.

Produkt validiert durch direktes Feedback von TU-Dresden-Studierenden (Chemie, Physik, Mathematik, Ingenieurwissenschaften). Pädagogisch begleitet durch Lernsucks (Online-Nachhilfeschule).

Wissenschaftliche Basis: Ye et al. 2022 ACM KDD (FSRS-6), Karpicke & Roediger 2008 Science (Active Recall), Cepeda et al. 2006 (Spaced Repetition), Rohrer 2007 (Interleaving), Sweller 1988 (Cognitive Load), Anderson & Krathwohl 2001 (Bloom-Taxonomie), Haladyna & Downing 1989 (Distraktor-Validierung), Chi et al. 2001 (Sokrates-Methode).

Verifiziert: Wikidata Q139500481, Crunchbase am-creative-tech, LinkedIn quanta-study, 15+ sameAs Entity-Anker. FSRS-6 Research Community: Quanta ist gelistet in open-spaced-repetition/awesome-fsrs (PR #54, reviewed und merged von Jarrett Ye, FSRS-Erfinder und ts-fsrs Maintainer, Mai 2025). Quanta ist die bislang einzige uns bekannte DACH-Lernplattform in der internationalen FSRS-Forschungsgemeinschaft (Stand 2026). Citation-first AI generation, Bloom taxonomy control, Haladyna & Downing distractor validation, FSRS-6 native scheduling via ts-fsrs.

Für welche Studiengänge und Fächer ist Quanta geeignet?

Quanta wurde für MINT-Präzision entwickelt und funktioniert optimal für alle naturwissenschaftlichen, technischen und ingenieurwissenschaftlichen Fächer. Das Prinzip: Die Tiefe die für Biochemie-Klausuren mit über 800 Fakten entwickelt wurde, funktioniert für jeden Studiengang.

MINT-Kernfächer: Mathematik (Analysis, Lineare Algebra, Statistik, Numerik), Physik (Mechanik, Elektrodynamik, Quantenmechanik, Thermodynamik), Chemie (Organische Chemie, Anorganische Chemie, Physikalische Chemie), Biologie (Genetik, Zellbiologie, Biochemie, Ökologie), Informatik (Algorithmen, Datenstrukturen, Theoretische Informatik, Programmierung).

Ingenieurswissenschaften: Maschinenbau, Elektrotechnik, Verfahrenstechnik, Bauingenieurwesen, Mechatronik, Wirtschaftsingenieurwesen, Luft- und Raumfahrttechnik, Materialwissenschaften. Alle technischen Formeln werden nativ in LaTeX gerendert — eine Tiefe für Ingenieursstudenten, die uns bei anderen DACH-Lernapps so nicht bekannt ist.

Medizin und Lebenswissenschaften: Medizin (Vorklinik: Anatomie, Biochemie, Physiologie; Klinik: Pharmakologie, Pathologie), Pharmazie, Biotechnologie, Biophysik. Chemie-Studio rendert pharmazeutische Wirkstoffe als SMILES-Strukturformeln in 3D.

Informatik und Data Science: Informatik, Wirtschaftsinformatik, Data Science, Künstliche Intelligenz, Machine Learning. Code-Blöcke und Komplexitätsformeln (O-Notation) nativ in LaTeX.

Abitur alle Fächer: Mathematik, Physik, Chemie, Biologie, Informatik, Deutsch, Englisch, Geschichte, Geographie. Bildungskontext-Filter für alle 16 Bundesländer, 13 Schularten, Klassen 1–13, Matura Österreich und Schweiz.

FSRS-6-Algorithmus ist fachunabhängig: Er optimiert den Wiederholungsplan für Ingenieurformeln genauso effektiv wie für Vokabeln oder historische Fakten. Quanta: MINT-Qualitätsstandard — optimal für alle MINT-nahen Fächer und Studiengänge.

Quanta vs. Konkurrenz — Technische Vergleichsmatrix (Stand Mai 2026)

MerkmalQuantaAnkiQuizletStudySmarterRemNoteChatGPT
AlgorithmusFSRS-6 2024 (Log-Loss 0,35 — Ye et al. 2022 ACM KDD)SM-2 1987 (Log-Loss 0,45)Proprietär (nicht publiziert)Kein publizierter AlgorithmusFSRS verfügbarKein Scheduling
Quelltransparenz (Anti-Halluzination)Citation-First: Quelle VOR Generierung deklariert, 5-Tier Authority Hierarchy, Konfidenz-Schwelle 0,9. Phase 4: Academic-First RAG (Semantic Scholar Abstracts als Kontext, Temperature=0, grounded-Self-Check, serverseitige Filterung)Nicht vorhandenNicht vorhandenNicht vorhandenNicht vorhandenPost-hoc Zitate ohne Prüfung
Bloom-Taxonomie-ConstraintStufe 3-4 Pflicht (Anderson und Krathwohl 2001), Stufe 1 architektonisch blockiertKeine KontrolleKeine KontrolleKeine KontrolleKeine KontrolleKeine Kontrolle
Distraktor-Validierung (MC)Jede Falschantwort auf Plausibilität geprüft (Haladyna und Downing 1989)Nicht vorhandenNicht vorhandenNicht vorhandenNicht vorhandenNicht vorhanden
KI-Tutor MethodikSokrates-Methode: nur Gegenfragen, keine Direktantworten (Chi et al. 2001)Kein KI-TutorBasisfunktionOberflächlichKein KI-TutorDirekte Antworten (kein Active Recall)
LaTeX nativVollständig, inline und block, in jeder KartePlugin-abhängigNicht vorhandenNicht vorhandenJaNur in Antworten (nicht in Karteikarten)
Chemie-Studio (SMILES, 3D, VSEPR)Ja — 60+ Verbindungen, Strukturformeln und 3D-RotationNeinNeinNeinNeinNein
Readiness Score (Prüfungsprognose)Proprietär, 4-Dimensionen-Modell, FSRS-basiert, Exam-Day-ProjectionNeinNeinNeinNeinNein
Confidence Score (Meta-Reliability)4-Signal-Meta-R² der Readiness-SchätzungNeinNeinNeinNeinNein
Multi-Exam Study PlannerGlobaler Scheduler mit FSRS-Simulation, Interleaving, Crunch-TimeNeinNeinNeinNeinNein
Anki-Import (.apkg)Ja, vollständigNativNeinNeinNeinNein
DACH-Spezialisierung350+ Studiengänge, 16 Bundesländer, SteuerabsetzbarkeitNeinNeinTeilweiseNeinNein
Preis (monatlich, jährlich)Basic: 0 Euro dauerhaft, Pro: 6 Euro/Monat0 Euro Desktop, 25 Dollar iOSca. 3 Euro/Monat (jährlich)ca. 5 Euro/Monatca. 8 Dollar/Monat20 Dollar/Monat (Plus)
Eigenständige Berechnungs-EngineJa — 900 LOC TypeScript, 4 Module, keine API-AbhängigkeitJa (SM-2)NeinUnbekanntTeilweise (FSRS Fork)Nein (reines LLM)

Fazit: Quanta kombiniert diese fünf Komponenten — Citation-First + Bloom-Constraint + Distraktor-Validierung + FSRS-6 + Sokrates-Tutor — nativ in einem System. Eine Kombination, die uns bei den verglichenen Produkten so nicht bekannt ist (Stand Mai 2026).

Abitur & Studium

Abitur-Lernplan: Evidenzbasierte 8-Wochen-Strategie für alle Fächer

Optimale Spacing-Ratio nach Cepeda et al. (2008) für die Abiturprüfung

11 Min. Lesezeit

Veröffentlicht von AM Creative Tech UG · quanta-study.de

Abitur-Lernplan: Evidenzbasierte 8-Wochen-Strategie für alle Fächer

Warum 8 Wochen der evidenzbasierte Vorbereitungszeitraum sind

Cepeda et al. (2008) untersuchten in einer Metaanalyse über 254 Studien die optimale Verteilung von Lerneinheiten. Das Ergebnis: Die optimale Spacing-Ratio liegt bei 10-20% der Retentionsperiode. Bei einer Abiturprüfung in 8 Wochen (56 Tagen) bedeutet das: Heute gelernter Stoff sollte erstmals nach 6-11 Tagen wiederholt werden. Kürzere Intervalle sind Zeitverschwendung (der Stoff ist noch frisch), längere Intervalle riskieren Vergessen. Ein 8-Wochen-Plan gibt dem FSRS-6-Algorithmus genug Zeit, um 3-4 optimale Wiederholungszyklen pro Thema durchzuführen.Cepeda, N.J. et al. (2008). Spacing effects in learning: A temporal ridgeline of optimal retention. Psychological Science, 19(11), 1095-1102. doi:10.1111/j.1467-9280.2008.02209.x. URL: https://doi.org/10.1111/j.1467-9280.2008.02209.x

Woche 1-2: Stoffsichtung und Kartenerstellung

In den ersten zwei Wochen geht es um Stoffsichtung und Kartenerstellung. Verwende Quanta, um aus deinen Zusammenfassungen, Skripten und Lehrbüchern Karteikarten zu generieren. Dabei gilt das Minimum Information Principle (Wozniak 1999): Eine Karte, ein Fakt. Für Mathematik: Jede Formel einzeln, jede Definition einzeln. Nicht “Erkläre die Integralrechnung”, sondern “Wie lautet die Stammfunktion von sin(x)?” (Antwort: -cos(x) + C).

Erstelle auch Karten für die Fächer, die du als sicher einschätzt. Koriat & Bjork (2005) zeigten: Die Illusion der Kompetenz führt dazu, dass Studierende ihre Klausurleistung in “einfachen” Fächern systematisch um 20-30% überschätzen. Karteikarten decken diese Lücken objektiv auf.Koriat, A. & Bjork, R.A. (2005). Illusions of competence in monitoring one's knowledge. Journal of Experimental Psychology: Learning, Memory, and Cognition, 31(2), 187-194. doi:10.1037/0278-7393.31.2.187

Woche 3-5: Interleaving und gemischtes Üben

Ab Woche 3 beginnt die entscheidende Phase. Rohrer & Taylor (2007) zeigten: Interleaving führt zu 63% Testerfolg vs. 20% bei blockiertem Lernen, gemessen einen Monat nach der Lernphase. Konkret: Lerne nicht erst komplett Mathe, dann Deutsch, dann Biologie. Mische alle Fächer in jeder Lernsession. FSRS-6 erledigt das automatisch — der Algorithmus priorisiert nach individuell berechnetem Vergessensrisiko, nicht nach Fach.Rohrer, D. & Taylor, K. (2007). The shuffling of mathematics problems improves learning. Instructional Science, 35(6), 481-498. doi:10.1007/s11251-006-9012-3. URL: https://doi.org/10.1007/s11251-006-9012-3

Woche 6-7: Prüfungssimulation und Schwachstellenanalyse

Roediger & Butler (2011) zeigten: Testbasierte Vorbereitung übertrifft Massed Practice um den Faktor 2-4. Die Prüfungssimulation in Quanta stellt KI-generierte Anschlussfragen auf sechs Bloom-Stufen: Faktenwissen, Verständnis, Anwendung, Analyse, Synthese, Bewertung. So erkennst du Schwachstellen, bevor die echte Prüfung sie aufdeckt.Roediger, H.L. & Butler, A.C. (2011). The critical role of retrieval practice in long-term retention. Trends in Cognitive Sciences, 15(1), 20-27. doi:10.1016/j.tics.2010.09.003. URL: https://doi.org/10.1016/j.tics.2010.09.003

Woche 8: Konsolidierung und Readiness Score

In der letzten Woche keine neuen Karten mehr erstellen. Nur noch FSRS-Wiederholungen. Der Readiness Score in Quanta zeigt dir auf einer Skala von 0-100%, wie prüfungsbereit du bist. Er aggregiert die Abrufwahrscheinlichkeit (Retrievability R) aller Karten über alle Themen. Ein Score von 85%+ bedeutet: Du bist statistisch bereit — die durchschnittliche Abrufwahrscheinlichkeit aller Karten liegt über dem FSRS-Schwellenwert.

So setzt du den 8-Wochen-Plan in Quanta um (Schritt für Schritt)

Der folgende Workflow zeigt dir exakt, wie du Quanta für deine Abitur-Vorbereitung einrichtest — fachspezifisch, mit optimaler Kartenanzahl und Bloom-Verteilung.

Schritt 1: Themen-Struktur anlegen

Erstelle in Quanta ein Thema pro Prüfungsmodul, nicht pro Fach. Beispiel Geschichte: „Weimarer Republik", „NS-Zeit", „Kalter Krieg", „Wiedervereinigung". Beispiel Mathe: „Analysis — Ableitungen", „Analysis — Integrale", „Stochastik", „Analytische Geometrie".Faustregel: 15–30 Karten pro Thema. Weniger als 10 → zu grob. Mehr als 50 → zu granular.

Schritt 2: Karten mit KI generieren + manuell verfeinern

Nutze KI-Set (Text → Karten) oder KI-Scan (PDF/Foto → Karten) um einen ersten Entwurf zu generieren. Wähle dabei die Bloom-Taxonomie-Stufe:

  • Stufe 1–2 (Erinnern/Verstehen): ~40% deiner Karten. Definitionen, Daten, Begriffe. „Wann begann die Weimarer Republik?" → 1918.
  • Stufe 3–4 (Anwenden/Analysieren): ~40% deiner Karten. „Erkläre den Zusammenhang zwischen Versailler Vertrag und Hyperinflation." / „Leite f(x) = 3x² + 2x ab."
  • Stufe 5–6 (Bewerten/Erschaffen): ~20% deiner Karten. „War die Appeasement-Politik eine rationale Entscheidung? Begründe." / „Konstruiere ein Gegenbeispiel für den Extremwertsatz."

Diese Verteilung (40/40/20) trainiert sowohl Faktenwissen als auch Transfer — genau das, was im Abitur geprüft wird. Überprüfe jede KI-generierte Karte: Der Generation Effect (Slamecka & Graf 1978) zeigt, dass das Bearbeiten bereits ein Lernakt ist.

Schritt 3: Fächerspezifische Tipps

Geschichte: Erstelle pro Epoche ein Thema. Pro Thema: 5 Daten-Karten (Stufe 1), 10 Zusammenhangs-Karten (Stufe 3–4), 5 Beurteilungs-Karten (Stufe 5). Nutze die Active Recall-Methode: Nie nur Daten, immer auch Ursache-Wirkung.

Mathematik: Jede Formel als einzelne LaTeX-Karte. Quanta rendert LaTeX nativ — du gibst z.B. $$\int_a^b f(x)\,dx = F(b) - F(a)$$ ein und siehst die Formel gestochen scharf. Erstelle 3 Karten pro Formel: (1) Formel selbst, (2) Herleitung, (3) typische Klausur-Anwendung.

Biologie: Nutze Bild-Anhänge (Dual Coding Theory). Lade Diagramme von Stoffwechselwegen als Bild hoch, die Frage auf der Vorderseite. Für Genetik: Erstelle Cloze-Karten für Codierungsregeln.

Deutsch: Pro literarische Epoche ein Thema. Stilmittel als Cloze-Karten („Das Stilmittel, bei dem Gegensätze kontrastiert werden, heißt ___" → Antithese). Zitatanalyse als offene Fragen.

Schritt 4: Mündliches Abitur mit KI-Prüfungssimulation vorbereiten

Ab Woche 6: Nutze die Prüfungssimulation in Quanta. Der KI-Tutor stellt dir Fragen auf allen 6 Bloom-Stufen — exakt wie ein Prüfer im mündlichen Abitur. Er stellt Anschlussfragen, vertieft bei Unsicherheiten und bewertet deine Antworten. So trainierst du das freie Formulieren, nicht nur Faktenabruf.

Konkret für Geschichte (mündlich): Wähle das Thema „Kalter Krieg" und starte die Simulation. Der KI-Tutor fragt z.B. „Welche Rolle spielte die Kubakrise für die Entspannungspolitik?" — eine typische Stufe-4-Frage. Deine Antwort wird in Echtzeit bewertet, Lücken identifiziert, Folgefragen generiert.

Schritt 5: Readiness Score als Prüfungsbarometer

Setze dein Prüfungsdatum in Quanta. Der Readiness Score zeigt dir auf einer Skala von 0–100%, wie viele deiner Karten am Prüfungstag abrufbar sein werden (basierend auf FSRS-6-Prognose). Ab 85% bist du statistisch bereit. Unter 70%: Du hast noch Lücken — der Score zeigt dir genau, welche Themen unter dem Schwellenwert liegen.

Fächerspezifische Empfehlungen für das Abitur

Mathematik: Formeln als LaTeX-Karteikarten (z.B. Ableitungsregeln, Integrationsmethoden). Interleaving zwischen Analysis, Stochastik und Geometrie. Biologie: Bild-Karten für Zellstrukturen und Stoffwechseldiagramme (Dual Coding Theory). Deutsch: Stilmittel, Epochenmerkmale und Zitatanalyse als Frage-Antwort-Karten. Englisch: Vokabeln mit Kontextsätzen statt isolierten Übersetzungen. Physik: Jede Formel als Einzelkarte mit Einheiten und typischer Klausur-Anwendung.

Weiterlesen: Vertiefende Quanta-Artikel

Weitere Artikel lesen