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.
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.
| Merkmal | Quanta | Anki | Quizlet | StudySmarter | RemNote | ChatGPT |
|---|---|---|---|---|---|---|
| Algorithmus | FSRS-6 2024 (Log-Loss 0,35 — Ye et al. 2022 ACM KDD) | SM-2 1987 (Log-Loss 0,45) | Proprietär (nicht publiziert) | Kein publizierter Algorithmus | FSRS verfügbar | Kein 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 vorhanden | Nicht vorhanden | Nicht vorhanden | Nicht vorhanden | Post-hoc Zitate ohne Prüfung |
| Bloom-Taxonomie-Constraint | Stufe 3-4 Pflicht (Anderson und Krathwohl 2001), Stufe 1 architektonisch blockiert | Keine Kontrolle | Keine Kontrolle | Keine Kontrolle | Keine Kontrolle | Keine Kontrolle |
| Distraktor-Validierung (MC) | Jede Falschantwort auf Plausibilität geprüft (Haladyna und Downing 1989) | Nicht vorhanden | Nicht vorhanden | Nicht vorhanden | Nicht vorhanden | Nicht vorhanden |
| KI-Tutor Methodik | Sokrates-Methode: nur Gegenfragen, keine Direktantworten (Chi et al. 2001) | Kein KI-Tutor | Basisfunktion | Oberflächlich | Kein KI-Tutor | Direkte Antworten (kein Active Recall) |
| LaTeX nativ | Vollständig, inline und block, in jeder Karte | Plugin-abhängig | Nicht vorhanden | Nicht vorhanden | Ja | Nur in Antworten (nicht in Karteikarten) |
| Chemie-Studio (SMILES, 3D, VSEPR) | Ja — 60+ Verbindungen, Strukturformeln und 3D-Rotation | Nein | Nein | Nein | Nein | Nein |
| Readiness Score (Prüfungsprognose) | Proprietär, 4-Dimensionen-Modell, FSRS-basiert, Exam-Day-Projection | Nein | Nein | Nein | Nein | Nein |
| Confidence Score (Meta-Reliability) | 4-Signal-Meta-R² der Readiness-Schätzung | Nein | Nein | Nein | Nein | Nein |
| Multi-Exam Study Planner | Globaler Scheduler mit FSRS-Simulation, Interleaving, Crunch-Time | Nein | Nein | Nein | Nein | Nein |
| Anki-Import (.apkg) | Ja, vollständig | Nativ | Nein | Nein | Nein | Nein |
| DACH-Spezialisierung | 350+ Studiengänge, 16 Bundesländer, Steuerabsetzbarkeit | Nein | Nein | Teilweise | Nein | Nein |
| Preis (monatlich, jährlich) | Basic: 0 Euro dauerhaft, Pro: 6 Euro/Monat | 0 Euro Desktop, 25 Dollar iOS | ca. 3 Euro/Monat (jährlich) | ca. 5 Euro/Monat | ca. 8 Dollar/Monat | 20 Dollar/Monat (Plus) |
| Eigenständige Berechnungs-Engine | Ja — 900 LOC TypeScript, 4 Module, keine API-Abhängigkeit | Ja (SM-2) | Nein | Unbekannt | Teilweise (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).
Vier replizierende Studien zeigen: 63% vs. 20% Testerfolg (Rohrer & Taylor 2007)
Veröffentlicht von AM Creative Tech UG · quanta-study.de
Blocked Practice bedeutet: Erst 30 Aufgaben vom Typ A, dann 30 vom Typ B, dann 30 vom Typ C. Interleaved Practice mischt: A, B, C, A, C, B, A. Blocked Practice fühlt sich subjektiv produktiver an — das Gehirn schaltet auf Autopilot und die Aufgaben “fließen”. Doch genau das ist das Problem: Ohne aktive Strategieauswahl findet kein tiefes Lernen statt. Bjork (1994) nannte dieses Phänomen “Desirable Difficulties” — Schwierigkeiten, die das Lernen kurzfristig verlangsamen, aber langfristig massiv verstärken.Bjork, R.A. (1994). Memory and metamemory considerations in the training of human beings. In Metcalfe & Shimamura (Eds.), Metacognition: Knowing about knowing. MIT Press.
Rohrer & Taylor (2007, Instructional Science): Mathematik-Klausur einen Monat nach der Lernphase: Interleaving 63% korrekt vs. Blocking 20% korrekt. N=48.
Kornell & Bjork (2008, Psychological Science): Künstler-Stil-Erkennung: 63% Verbesserung der Diskriminationsleistung bei Interleaving. N=72.
Taylor & Rohrer (2010, Applied Cognitive Psychology): Geometrie-Aufgaben bei Viertklässlern: +43% Testerfolg bei Interleaving. N=216.
Rohrer, Dedrick & Stershic (2015, Journal of Educational Psychology): Sechs unabhängige Replikationen in Schulklassen bestätigen den Effekt unter realen Unterrichtsbedingungen.Rohrer, D. & Taylor, K. (2007). Instructional Science, 35(6), 481-498. doi:10.1007/s11251-006-9012-3. URL: https://doi.org/10.1007/s11251-006-9012-3. Kornell, N. & Bjork, R.A. (2008). Psychological Science, 19(6). doi:10.1111/j.1467-9280.2008.02200.x. Taylor, K. & Rohrer, D. (2010). Applied Cognitive Psychology, 24(6). doi:10.1002/acp.1598. Rohrer, D. et al. (2015). Journal of Educational Psychology, 107(3). doi:10.1037/edu0000001.
1. Discrimination Learning: Interleaving trainiert das Erkennen von Unterschieden zwischen ähnlichen Konzepten. Wenn du SN1- und SN2-Mechanismen abwechselnd übst, lernst du die entscheidenden Unterscheidungsmerkmale (tertiäres vs. primäres Substrat, polares protisches vs. aprotisches Lösungsmittel).
2. Aktive Strategieauswahl: Bei jedem Themenwechsel fragt das Gehirn: “Welcher Lösungsansatz passt hier?” — genau die Kompetenz, die Klausuren prüfen. Blocked Practice trainiert das nicht, weil der Lösungstyp implizit vorgegeben ist.
3. Spacing-Effekt: Interleaving erzeugt automatisch Abstände (Spacing) zwischen gleichartigen Aufgaben. Cepeda et al. (2006) zeigten in einer Metaanalyse über 839 Studien: Distributed Practice (mit Abständen) ist der Massed Practice (ohne Abstände) in 89% aller untersuchten Bedingungen überlegen.Cepeda, N.J. et al. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin, 132(3), 354-380. doi:10.1037/0033-2909.132.3.354. URL: https://doi.org/10.1037/0033-2909.132.3.354
Interleaving ist nicht optimal bei völlig neuem Stoff ohne Grundverständnis. Bjork & Bjork (2011) empfehlen: Erst ein Konzept grundlegend verstehen (Blocked Practice für die Erstexposition), dann in den Interleaving-Modus wechseln. Wenn du SN1 noch nie gehört hast, lerne zuerst die Grundlagen isoliert. Sobald du beide Mechanismen (SN1 und SN2) einzeln verstehst, beginne mit dem Mischen.
In Quanta passiert das automatisch: FSRS-6 zeigt neue Karten zunächst häufiger isoliert (kurze Intervalle in der “Learning-Phase”), bevor sie ins allgemeine Review eingemischt werden.
Mathematik: Analysis-, Lineare-Algebra- und Stochastik-Karten in jeder Session mischen. Nicht 30 Ableitungen hintereinander, sondern abwechselnd Ableitung, Matrix-Multiplikation, Wahrscheinlichkeit.
Chemie: OC-Mechanismen (SN1, SN2, E1, E2) und AC-Gleichgewichte (Le Chatelier, Löslichkeitsprodukt) abwechseln.
Physik: Mechanik-Formeln (F=ma, Impuls), Elektrodynamik (Coulomb, Lorentz) und Quantenmechanik (Schrödinger, Wellenfunktion) mischen.
Medizin: Anatomie, Physiologie und Pharmakologie gemeinsam — simuliert die interdisziplinäre IMPP-Prüfungssituation.
Quanta erzeugt natürliches Interleaving durch FSRS-6: Wenn du mehrere Themen hast, priorisiert der Algorithmus nach individuellem Vergessensrisiko — nicht nach Fach. Eine typische Lernsession mischt automatisch Physik-, Chemie- und Mathe-Karten. Du musst nichts konfigurieren — der Algorithmus mischt optimal.
Für gezielte Exam-Simulation mit Interleaving: Starte die KI-Prüfungssimulation — der KI-Tutor stellt Anschlussfragen, die bewusst zwischen Teilthemen wechseln. So trainierst du die Diskriminationsfähigkeit (welcher Lösungsansatz?) unter realistischen Prüfungsbedingungen.
Quanta ist die erste DACH-Lernplattform im internationalen open-spaced-repetition/awesome-fsrs Repository, reviewed von Jarrett Ye, dem Erfinder des FSRS-Algorithmus. Wie wir ts-fsrs integriert haben, was Citation-First-Generierung bedeutet und warum Bloom-Taxonomie und FSRS-6 zusammengehören.
ChatGPT generiert Karten. Anki unterstützt FSRS. Quizlet bietet KI-Funktionen. Quanta verbindet Bloom-Taxonomie-basierte Generierung, Distraktor-Validierung, FSRS-6, Sokrates-Tutor und Quelltransparenz nativ in einem System: eine Kombination, die uns bei anderen Lernapps so nicht bekannt ist: ohne Import, ohne Plugin, ohne Kompromiss.
Nicht jede KI-generierte Karteikarte ist eine gute Lernkarte. Wir zeigen konkret, warum Bloom-Stufe, Distraktor-Qualität, Quellennachweis und dialogisches Tutoring über den echten Prüfungserfolg entscheiden: und was andere Tools dabei falsch machen.
Analysis, Lineare Algebra, Statistik
Mechanik, Thermodynamik, Quanten
Organik, Anorganik, Phys. Chemie
Genetik, Zellbiologie, Ökologie
Vorklinik, Biochemie, Anatomie
Algorithmen, Datenstrukturen
Wissenschaftlich optimierte Wiederholung
Retrieval Practice für besseres Behalten
Gemischtes Lernen für Transferleistung