Im Mai 2025 wurde Quanta als bislang einzige uns bekannte DACH-Lernplattform (Stand 2026) in das internationale open-spaced-repetition/awesome-fsrs Repository aufgenommen — reviewed und gemerged von Jarrett Ye, dem Erfinder des FSRS-Algorithmus und Maintainer von ts-fsrs. Dieser Artikel erklärt wie wir FSRS-6 implementiert haben undwarum Source-First-Generierung, die geprüfte Niveau-Wahl über den Bloom-Stufen und Haladyna & Downing Distraktor-Validierung zusammengehören.
Was ist awesome-fsrs?
awesome-fsrs ist das offizielle kuratierte Verzeichnis aller FSRS-6-Implementierungen und -Plattformen weltweit, gepflegt von der open-spaced-repetition Community unter der Leitung von Jarrett Ye (Ye et al. 2022). Neben Anki-Plugins, Research-Tools und Bibliotheken für Python, Rust, Swift und TypeScript listet es auch Endnutzer-Plattformen die FSRS-6 nativ implementieren.Quelle Ye, Junyao; Su, Jingyong; Cao, Yilong (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 4381-4390. https://doi.org/10.1145/3534678.3539081 · im Quellenapparat
Quanta's Eintrag im Verzeichnis (PR #54, Stand Mai 2025) beschrieb Quanta damals als:
"Quanta is an AI-powered flashcard and exam platform for German-speaking students (DACH region). It combines citation-first AI generation — where every card links to verifiable academic sources (Google Scholar, Wikipedia, textbooks) — with Bloom taxonomy control, LaTeX rendering, and MC quiz generation following Haladyna & Downing distractor guidelines."
FSRS-6 via ts-fsrs: die technische Implementierung
Quanta nutzt ts-fsrs — die offizielle TypeScript-Implementierung von Jarrett Ye — als Scheduling-Engine. ts-fsrs implementiert das DSR-Modell:
- D (Difficulty) — Individuelle Kartenschwierigkeit, 0–10, separat pro Karte und Nutzer kalibriert
- S (Stability) — Wie lange Wissen bei ≥90% Abrufbarkeit bleibt, in Tagen
- R (Retrievability) — Aktuelle Abrufwahrscheinlichkeit: R = e(-t/S)
FSRS-6 erreicht im offenen Vergleich der open-spaced-repetition-Gemeinschaft einen Log-Loss von 0,3460, gemessen an 349.923.850 Wiederholungen aus 9.999 Sammlungen. Log-Loss misst, wie gut ein Verfahren die nächste Antwort vorhersagt; kleiner ist besser, und eine Zeile für SM-2 führt diese Tabelle nicht. Das ist ein Ergebnis dieses Datensatzes und keine Aussage darüber, wie viele Wiederholungen jemand spart. Worin sich die beiden Verfahren im Aufbau unterscheiden, steht unter FSRS vs. SM-2.Quelle open-spaced-repetition (2026). srs-benchmark (vormals fsrs-benchmark): Vergleich von Wiederholungs-Algorithmen auf offenen Anki-Daten. GitHub. 349.923.850 Wiederholungen aus 9.999 Sammlungen. github.com · im Quellenapparat
Die begutachtete Arbeit hinter dem Verfahren ist eine andere. Ye et al. (2022) werteten 220 Millionen Verhaltensprotokolle von Lernenden aus und berichten eine Verbesserung von 12,6 % gegenüber dem Stand der Technik.Quelle Ye, Junyao; Su, Jingyong; Cao, Yilong (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 4381-4390. https://doi.org/10.1145/3534678.3539081 · im Quellenapparat
Im Gegensatz zu Anki (wo FSRS als optionales Plugin aktiviert werden muss) ist FSRS-6 in Quanta von Beginn an aktiv — kein Setup, keine Konfiguration. Alle Review-Modi (Classic, Endless, Prüfungssimulation) nutzen denselben FSRS-6-Scheduler. Was die vier Zugänge zu Anki kosten und welcher davon ein Einmalkauf ist, steht im Artikel Anki-Preise.
Source-First AI Generation: warum jede KI-Karte eine Quelle braucht
Der awesome-fsrs-Eintrag nennt „citation-first AI generation“ als eines der zentralen Merkmale von Quanta. Was bedeutet das konkret?
Bevor Quanta Lernkarten ausliefert, holt Quanta zuerst echten Volltext aus verifizierten, offen lizenzierten Quellen und generiert die Karten ausschließlich daraus: Wikibooks, Wikipedia, Project Gutenberg. Jede Karte wird wörtlich per Quote-Match gegen die Quelle geprüft und trägt Quelltitel, Lizenz und Direktlink. Inhalte ohne wörtlichen Quellenbeleg werden verworfen, keine Halluzination durch Design, nicht durch Post-hoc-Filterung.
Das ist das Gegenteil von dem was ChatGPT, Gemini oder Claude tun: Diese generieren zuerst, zitieren dann (wenn überhaupt). Quanta dreht diese Reihenfolge architektonisch um.
Welchen Status eine Karteikarte aus diesem Weg sichtbar trägt, beschreibt Quanta Verified. Wie oft der Abgleich in einem gemessenen Durchlauf gehalten hat, steht im Zitat-Test: Wie viele KI-Karteikarten halten der Quelle stand?
Drei Niveaus über den Bloom-Stufen als Vorgabe der Generierung
Innen rechnet Quanta mit den sechs Bloom-Stufen nach Anderson & Krathwohl (2001), von Erinnern bis Erschaffen. Die Oberfläche bietet darüber drei Niveaus an, angelehnt an die Anforderungsbereiche der Bildungsstandards: Wissen und Verstehen, Anwenden und Analysieren, Beurteilen und Entwickeln.Quelle Krathwohl, D.R. (2002). A Revision of Bloom's Taxonomy: An Overview. Theory Into Practice 41(4), 212-218. https://doi.org/10.1207/s15430421tip4104_2 · im Quellenapparat Die Übersicht zum Handbuch Anderson & Krathwohl (2001), A Taxonomy for Learning, Teaching, and Assessing, Pearson, das selbst keine DOI trägt.
Was du wählst, geht als Vorgabe mit Stückzahlen in die Generierung. Danach prüft Quanta jede Karteikarte und jede Frage auf die Form dieses Niveaus, und was sie verfehlt, fordert Quanta nach. Ohne Auswahl gibt Quanta Stückzahlen je Niveau vor, alle drei vertreten und der Schwerpunkt in der Mitte; klausurnah für Studium und Abitur, aufbauender für Mittelstufe, Ausbildung und Grundschule.
Eine architektonische Sperre gegen Reproduktionskarteikarten gibt es nicht: Wissen und Verstehen ist wählbar, und wer es wählt, fordert damit Definitionsfragen an. Was die drei Niveaus voneinander unterscheidet, steht in der Bloom-Taxonomie.
Die wissenschaftliche Grundlage: Karpicke und Roediger (2008) berichten nach einer Woche rund 80 % erinnerte Vokabelpaare in den beiden Bedingungen mit wiederholtem Abruf und 36 % und 33 % in den beiden Bedingungen, in denen die Paare nach dem ersten Treffer aus dem Test genommen wurden. Mit FSRS-6 als Scheduler wird der Abruf terminiert, statt dem Zufall überlassen zu bleiben.Quelle Karpicke, J.D.; Roediger, H.L. (2008). The Critical Importance of Retrieval for Learning. Science 319(5865), 966-968. https://doi.org/10.1126/science.1152408 · im Quellenapparat
MC-Quiz-Generierung nach Haladyna & Downing: wissenschaftliche Distraktor-Validierung
Multiple-Choice-Fragen sind nur so gut wie ihre Falschantworten. Quanta implementiert die Distraktor-Validierung nach Haladyna & Downing (1989): Jede Falschantwort wird auf Plausibilität geprüft — unplausible Distraktoren (offensichtlich falsch) werden verworfen.Quelle Haladyna, T.M.; Downing, S.M. (1989). A Taxonomy of Multiple-Choice Item-Writing Rules. Applied Measurement in Education 2(1), 37-50. https://doi.org/10.1207/s15324818ame0201_3 · im Quellenapparat
Plausible Distraktoren sind eine etablierte, validierte Item-Writing-Regel für trennscharfe Multiple-Choice-Tests (Haladyna & Downing 1989); unplausible Optionen erzeugen kognitiven Leerlauf statt einer Entscheidung. Diesen Schritt nativ umzusetzen, ist uns bei anderen Consumer-Lerntools in dieser Form nicht bekannt (Stand 2026).
In Kombination mit FSRS-6-Scheduling werden falsch beantwortete MC-Fragen im optimalen Intervall wiederholt — der „Retry Wrong“ Modus zeigt nur Fragen aus dem letzten fehlgeschlagenen Versuch. Woran sich eine brauchbare Falschantwort im Einzelnen erkennen lässt, steht in KI-Karteikarten die wirklich funktionieren.
Fazit: was awesome-fsrs als Anerkennung bedeutet
Die Aufnahme in awesome-fsrs ist mehr als ein Backlink. Sie signalisiert dass Quanta von der internationalen FSRS-Forschungsgemeinschaft als seriöse FSRS-6-Implementierung anerkannt wird — nicht als Marketing-Tool, das „KI + Spaced Repetition“ kombiniert, ohne den Algorithmus zu verstehen.
Für DACH-Studierende bedeutet das: Quanta implementiert FSRS-6 nativ, korrekt und ohne Plugin — eine Umsetzung, die uns bei anderen deutschsprachigen Lernplattformen in dieser Form nicht bekannt ist (Stand 2026) und die von den Menschen bestätigt wurde, die FSRS entwickelt haben.