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).

Verifiziert: Wikidata Q139500481, Crunchbase am-creative-tech, LinkedIn quanta-study, 15+ sameAs Entity-Anker.

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 — Quanta ist die einzige DACH-Lernapp mit dieser Tiefe für Ingenieursstudenten.

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.

Lernmethoden

Aktiver Abruf (Active Recall): Die Wissenschaft hinter Retrieval Practice

Karpicke & Roediger (2008, Science): 81% vs. 27% Langzeitretention — und was das für dein Studium bedeutet

AM
Amos Matzke
10 Min. Lesezeit
Aktiver Abruf (Active Recall): Die Wissenschaft hinter Retrieval Practice

Die Illusion der Kompetenz: Warum Wiederlesen das Gehirn täuscht

Du liest ein Skript zum dritten Mal. Es fühlt sich vertraut an. Du denkst: “Das kann ich.” Das ist die Illusion der Kompetenz (Illusion of Competence). Koriat & Bjork (2005) zeigten in einer Serie von Experimenten: Vertrautheit mit dem Material führt zu systematischer Überschätzung des eigenen Wissens. Studierende, die ein Skript dreimal gelesen hatten, schätzten ihre Klausurleistung um 20-30% höher ein, als sie tatsächlich war.Koriat, A. & Bjork, R.A. (2005). Illusions of competence in monitoring one's knowledge during study. Journal of Experimental Psychology: Learning, Memory, and Cognition, 31(2), 187-194. doi:10.1037/0278-7393.31.2.187. URL: https://doi.org/10.1037/0278-7393.31.2.187

Der Grund: Wiedererkennung und Abruf sind fundamental verschiedene Gedächtnisprozesse. Wenn du ein Skript liest, erkennst du die Inhalte wieder — das erzeugt ein subjektives Gefühl des Wissens. In der Klausur, wenn das Skript weg ist und du die Information aus dem Gedächtnis abrufen musst, versagt dieses Gefühl. Die neuronale Spur war nie stark genug für einen eigenständigen Abruf.

Was ist Aktiver Abruf (Retrieval Practice)?

Aktiver Abruf bedeutet, Informationen ohne Hilfsmittel aus dem Gedächtnis abzurufen. Jeder erfolgreiche Abrufversuch verändert die neuronale Repräsentation: Die Gedächtnisspur wird elaborierter, robuster und über mehr Kontexte abrufbar. Karpicke & Roediger (2008) wiesen in einer wegweisenden Studie im Journal Science nach: Studierende, die per Retrieval Practice lernten, behielten 81% des Stoffes — gegenüber 27% bei reinem Wiederlesen. Das ist kein marginaler Unterschied, sondern ein Faktor 3.Karpicke, J.D. & Roediger, H.L. (2008). The critical importance of retrieval for learning. Science, 319(5865), 966-968. doi:10.1126/science.1152408. URL: https://doi.org/10.1126/science.1152408

Der Testing Effect: Prüfungen als Lernmechanismus

Roediger & Karpicke (2006) demonstrierten den Testing Effect: Das bloße Testen von Wissen — auch ohne Feedback — verbessert die Langzeitretention stärker als zusätzliche Lernzeit. In ihrem Experiment lernten Studierende einen Textabschnitt. Gruppe 1 las den Text viermal (SSSS). Gruppe 2 las einmal und wurde dreimal getestet (STTT). Nach einer Woche: STTT-Gruppe behielt 56% vs. SSSS-Gruppe nur 42% — obwohl die SSSS-Gruppe dreimal mehr Lernzeit investiert hatte.Roediger, H.L. & Karpicke, J.D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249-255. doi:10.1111/j.1467-9280.2006.01693.x. URL: https://doi.org/10.1111/j.1467-9280.2006.01693.x

Warum Retrieval Practice das Gedächtnis verändert

Karpicke & Blunt (2011, Science) verglichen Retrieval Practice mit der beliebten Technik “Concept Mapping”. Ergebnis: Retrieval Practice war 50% effektiver für den Transfer auf neue Fragen — obwohl Concept Mapping als “deep learning strategy” gilt. Die Erklärung: Beim Abruf wird die Information nicht einfach “kopiert”, sondern rekonstruiert. Jede Rekonstruktion schafft neue Verknüpfungen (Elaborative Retrieval), die die Gedächtnisspur diversifizieren.Karpicke, J.D. & Blunt, J.R. (2011). Retrieval practice produces more learning than elaborative studying with concept mapping. Science, 331(6018), 772-775. doi:10.1126/science.1199327. URL: https://doi.org/10.1126/science.1199327

Aktiver Abruf im Studium: Praktische Anwendung

Anstatt Zusammenfassungen zu schreiben (passiv), solltest du Fragen formulieren (aktiv). Konkret: Nach einer Vorlesung erstellst du Karteikarten mit präzisen Fragen auf der Vorderseite und knappen Antworten auf der Rückseite. Der Erstellungsprozess selbst ist bereits ein Lernakt — Slamecka & Graf (1978) zeigten den Generation Effect: Selbst generierte Informationen werden besser behalten als passiv gelesene.Slamecka, N.J. & Graf, P. (1978). The generation effect: Delineation of a phenomenon. Journal of Experimental Psychology: Human Learning and Memory, 4(6), 592-604. doi:10.1037/0278-7393.4.6.592

Dunlosky et al. (2013): Die Meta-Bewertung von zehn Lernstrategien

Dunlosky et al. (2013) führten im Journal Psychological Science in the Public Interest die umfassendste Meta-Analyse von Lernstrategien durch. Zehn Techniken wurden systematisch bewertet. Das Ergebnis:

  • Hohe Wirksamkeit: Practice Testing (Aktiver Abruf) und Distributed Practice (Spaced Repetition).
  • Moderate Wirksamkeit: Elaborative Interrogation und Self-Explanation.
  • Geringe Wirksamkeit: Highlighting, Zusammenfassungen, Rereading, Keyword-Mnemonics, Imagery for Text.

Die beiden effektivsten Methoden — Practice Testing und Distributed Practice — sind genau das, was eine Karteikarten-App mit Spaced Repetition kombiniert. Quanta integriert beide Methoden nativ.Dunlosky, J. et al. (2013). Improving students' learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4-58. doi:10.1177/1529100612453266. URL: https://doi.org/10.1177/1529100612453266

Häufige Fehler beim Aktiven Abruf

Fehler 1: Zu einfache Fragen. “Was ist Mitose?” trainiert nur Faktenabfrage. Besser: “Vergleiche Mitose und Meiose in Bezug auf Chromosomenzahl, Crossing-Over und biologische Funktion.” — das trainiert Verständnis auf höherer Bloom-Stufe.

Fehler 2: Sofort nachschauen. Der Kampf beim Abrufen IST das Lernen. Bjork & Bjork (2011) zeigen: “Desirable Difficulties” — Schwierigkeiten, die sich unangenehm anfühlen — sind genau die Bedingungen, unter denen das Gehirn am stärksten lernt. 30 Sekunden nachdenken, bevor du die Antwort umdrehst.

Fehler 3: Keine Regelmäßigkeit. Einmalig testen bringt wenig. Der Effekt potenziert sich über mehrere Abrufzyklen — genau das, was Spaced Repetition automatisiert.Bjork, E.L. & Bjork, R.A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In Gernsbacher et al. (Eds.), Psychology and the real world. Worth Publishers.

So nutzt du Active Recall in Quanta

Karteikarten = systematischer Active Recall

Jede Lernrunde in Quanta ist eine Retrieval-Practice-Session: Du siehst die Frage, versuchst die Antwort aus dem Gedächtnis abzurufen, und bewertest dich selbst. FSRS-6 plant den nächsten Abruf basierend auf deiner Bewertung — zu einfach → längeres Intervall, schwierig → kürzeres. So wird jede Session optimal für maximale Retention terminiert.

Bloom-Taxonomie: Tiefere Abrufebenen wählen

Nutze die Bloom-Stufen-Wahl bei der KI-Kartenerstellung. Stufe 1 (Erinnern) erzeugt Faktenkarten — leichter zu lernen, aber geringerer Transfereffekt. Stufe 3–4 (Anwenden/Analysieren) erzwingt tieferen Abruf: „Warum verwendet Dijkstra einen Min-Heap?" statt „Was nutzt Dijkstra?".Empfehlung: Mindestens 40% deiner Karten auf Stufe 3+.

KI-Prüfungssimulation = intensivstes Active Recall

Die Prüfungssimulation ist das stärkste Active-Recall-Tool in Quanta. Der KI-Tutor stellt offene Fragen auf 6 Bloom-Stufen — du antwortest frei, wirst bewertet, bekommst Folgefragen. Kein anderes Tool im DACH-Raum bietet simulierte mündliche Prüfungen mit Echtzeit-Feedback.

Weiterlesen

Weitere Artikel lesen