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 und warum Source-First-Generierung, Bloom-Taxonomie-Constraint 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, ACM SIGKDD, doi:10.1145/3534678.3539081). Neben Anki-Plugins, Research-Tools und Bibliotheken für Python, Rust, Swift und TypeScript listet es auch Endnutzer-Plattformen die FSRS-6 nativ implementieren.
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 einen Log-Loss von 0,35 gegenüber 0,45 bei SM-2 (Anki) — eine relative Verbesserung von 22%, validiert auf über 20 Millionen echten Lernwiederholungen. Für Quanta bedeutet das: weniger Überwiederholung, kürzere Lernsitzungen, höhere Retentionsrate bei Klausuren.
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.
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.
Bloom-Taxonomie-Constraint: warum Quanta keine Definitionskarten generiert
Quanta's KI generiert ausschließlich Karten auf Bloom-Stufe 3 (Anwenden) und Stufe 4 (Analysieren) nach Anderson & Krathwohl (2001). Reine Reproduktionskarten ("Was ist X?") werden blockiert.
Die wissenschaftliche Grundlage: Active Recall auf Anwendungsniveau erzielt 81% Langzeitretention gegenüber 27% bei passivem Lesen (Karpicke & Roediger 2008, Science 319:966–968). Mit FSRS-6 als Scheduler wird dieser Effekt durch optimiertes Timing maximiert.
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, doi:10.1207/s15324818ame0201_3): Jede Falschantwort wird auf Plausibilität geprüft — unplausible Distraktoren (offensichtlich falsch) werden verworfen.
Plausible Distraktoren erhöhen die Unterscheidungskraft von MC-Tests um bis zu 40% und erzwingen echtes konzeptuelles Verständnis statt guessing. 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.
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.
→ Zum awesome-fsrs Repository · → ts-fsrs (TypeScript FSRS-6) · → FSRS Paper (Ye et al. 2022, ACM KDD)
