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).
Wie FSRS-6 und SMILES-Strukturformeln die Vorbereitung auf das Physikum optimieren
Veröffentlicht von AM Creative Tech UG · quanta-study.de
Im Medizinstudium fallen in der Vorklinik pro Semester bis zu 2.500 prüfungsrelevante Fakten an. Biochemie allein umfasst Hunderte von Stoffwechselwegen, Enzymkinetiken und Regulationsmechanismen. Klassisches Auswendiglernen scheitert hier an der schieren Menge — das Gehirn kann nicht 2.500 isolierte Fakten in 4 Monaten über Nacht-Lernmarathons konsolidieren. Die Lösung liegt in der Kombination aus Spaced Repetition und Retrieval Practice.Augustin, M. (2014). How to learn effectively in medical school: Testing versus re-reading. Perspectives on Medical Education, 3(6), 449-459. doi:10.1007/s40037-014-0146-0. URL: https://doi.org/10.1007/s40037-014-0146-0
Etwa 20% der Stoffwechselwege tauchen in 80% der IMPP-Fragen auf. Citratzyklus, Glykolyse, Gluconeogenese, Fettsäuresynthese und Harnstoffzyklus sind die fünf kritischen Pfade. Mit FSRS-6 kannst du diese Kernpfade so terminieren, dass sie am Physikumstag mit einer Abrufwahrscheinlichkeit von über 90% verfügbar sind. Der Algorithmus berechnet für jede einzelne Enzym-Karte individuell, wann die optimale Wiederholung fällig ist.
Konkret: Eine Karte “Welches Enzym katalysiert den geschwindigkeitsbestimmenden Schritt der Glykolyse?” (Antwort: Phosphofructokinase-1, PFK-1) wird nach FSRS-6 initial nach 1 Tag, dann nach 3 Tagen, dann nach 8 Tagen wiederholt — individuell angepasst an dein Antwortmuster. Bei SM-2 wäre das Intervall starr: 1, 6, 17 Tage, unabhängig davon, ob du die Karte fehlerfrei oder mit Schwierigkeiten beantwortet hast.
Pharmazeutische Wirkstoffe und Aminosäuren haben komplexe Strukturformeln. Quanta unterstützt SMILES-Notation (Simplified Molecular Input Line Entry System) nativ: Du gibst einen SMILES-String ein und erhältst eine 2D-Strukturformel direkt auf der Karteikarte. Für Pharmakologie-Karten bedeutet das: Ibuprofen (CC(C)Cc1ccc(cc1)C(C)C(=O)O), Aspirin (CC(=O)Oc1ccccc1C(=O)O) oder Metformin werden als exakte Strukturformeln gerendert.Weininger, D. (1988). SMILES, a chemical language and information system. Journal of Chemical Information and Computer Sciences, 28(1), 31-36. doi:10.1021/ci00057a005. URL: https://doi.org/10.1021/ci00057a005. Quanta nutzt OpenChemLib für SMILES-zu-2D-Rendering.
Für visuelle Fächer wie Anatomie und Histologie ist die Dual Coding Theory (Paivio 1971) zentral: Informationen, die sowohl visuell als auch verbal encodiert werden, werden signifikant besser behalten. Quanta unterstützt Bild-Anhänge (JPEG, PNG) direkt auf Karteikarten. Erstelle eine Karte mit einem histologischen Schnitt als Bild und der Frage “Welches Gewebe ist hier dargestellt?” — das trainiert exakt die Kompetenz, die im Histologie-Testat geprüft wird.Paivio, A. (1971). Imagery and Verbal Processes. New York: Holt, Rinehart, and Winston. Dual Coding Theory.
Die Physikumsprüfung stellt Fragen im Multiple-Choice-Format (IMPP). Karpicke & Roediger (2008, Science) zeigten: Retrieval Practice führt zu 81% Behaltensleistung vs. 27% beim reinen Wiederlesen. Karteikarten mit präzisen Fragen simulieren exakt diesen Abrufprozess. Die Prüfungssimulation in Quanta stellt darüber hinaus KI-generierte Anschlussfragen auf sechs Bloom-Stufen (Faktenwissen, Verständnis, Anwendung, Analyse, Synthese, Bewertung), um Schwachstellen vor der Prüfung zu identifizieren.Karpicke, J.D. & Roediger, H.L. (2008). Science, 319(5865), 966-968. doi:10.1126/science.1152408.
Erstelle in Quanta ein Thema pro Organ/System oder Stoffwechselweg. Nicht „Biochemie" als ein Thema, sondern: „Glykolyse", „Citratzyklus", „Gluconeogenese", „Fettsäuresynthese", „Harnstoffzyklus", „Atmungskette". Für Anatomie: „Obere Extremität", „Thorax", „Abdomen", „Kopf/Hals". Für Physiologie: „Herz-Kreislauf", „Atmung", „Niere", „Endokrinologie".
Karten pro Thema: 20–25 Karten pro Stoffwechselweg, 30–40 pro anatomische Region. Verteilung: 30% Stufe 1–2 (Enzym-Namen, Substrate), 50% Stufe 3 (Anwendung: „Was passiert bei Hemmung von PFK-1?"), 20% Stufe 4–5 (Analyse: „Vergleiche Glykolyse und Gluconeogenese — welche Schritte sind irreversibel und warum?").
Für Wirkstoff-Karten: Gib den SMILES-String auf der Rückseite ein. Quanta rendert die Strukturformel automatisch. Beispiel: Vorderseite „Zeichne die Struktur von Ibuprofen", Rückseite: CC(C)Cc1ccc(cc1)C(C)C(=O)O. So trainierst du Struktur-Erkennung — eine Kernkompetenz in Pharmakologie-Klausuren.→ Strukturformel-Generator ausprobieren
Ab Woche 9 deiner Vorbereitung: Nutze die Prüfungssimulation für mündliche Prüfungen. Wähle ein Thema (z.B. „Citratzyklus") und starte die Simulation. Der KI-Tutor agiert wie ein Physikums-Prüfer: „Beschreiben Sie den geschwindigkeitsbestimmenden Schritt des Citratzyklus." → Deine Antwort → „Welche Konsequenzen hat eine Hemmung der Isocitrat-Dehydrogenase?" → Vertiefung bei Unsicherheit. Das trainiert exakt das freie Formulieren, das im mündlichen Physikum geprüft wird.
Cepeda et al. (2008, Psychological Science) zeigten: Das optimale Wiederholungsintervall beträgt 10-20% der Retentionsperiode. Bei 12 Wochen Vorbereitung (84 Tage) bedeutet das: Heute gelernter Stoff sollte in 8-17 Tagen wiederholt werden. FSRS-6 berechnet dieses Intervall individuell und automatisch für jede einzelne Karte.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 1-3: Karteikarten für Biochemie-Kernpfade, Anatomie-Topographie und Physiologie-Grundlagen erstellen. Woche 4-8: Interleaving-Phase — alle Fächer gemischt wiederholen, FSRS priorisiert automatisch. Woche 9-11: Altfragen-Kreuzen parallel zu Karteikarten + KI-Prüfungssimulation. Woche 12: Konsolidierung, nur noch FSRS-Wiederholungen, keine neuen Karten.
O-Notation, AVL-Bäume und Graphen-Traversal: Warum klassisches blockiertes Üben bei Algorithmen scheitert und wie Interleaving (Rohrer & Taylor 2007) die Transferleistung in Klausuren verdreifacht.
Integrale, Matrizen, Ableitungen: Warum Mathematik-Studierende nativ gesetzte LaTeX-Formeln auf Karteikarten brauchen statt unscharfer Screenshots.
SI-Einheiten, Vektoren, Bra-Ket-Notation: Wie du Physik-Formeln mit FSRS-6 und nativem LaTeX-Rendering effizient lernst.
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