Warum Quanta Lernwissenschaft und KI nativ in einer Lernplattform verbindet
Fünf verifiable Differenzierungsmerkmale: kein Marketing, nur Lernwissenschaft
Veröffentlicht von AM Creative Tech UG · quanta-study.de
Das Problem mit KI-Lerntools: Viele versprechen, wenige liefern
Seit 2022 sind dutzende KI-Lernplattformen entstanden. Sie alle versprechen „personalisiertes Lernen“ und „KI-gestützte Karteikarten“. Die meisten machen dasselbe: Text an ein Sprachmodell, Ausgabe als Karteikarte. Was dabei nicht stattfindet, ist die Wahl der Fragetiefe, die Prüfung der Falschantworten und der Abgleich mit der Quelle.
Das Grundproblem ist nicht die KI. Das Grundproblem ist, dass fast alle Tools ignorieren, was Lernwissenschaft seit Jahrzehnten weiß: Nicht alle Karten sind gleich viel wert. Nicht alle Wiederholungen bringen gleich viel. Und nicht jede Frage testet wirkliches Verstehen.
Was Lernwissenschaft tatsächlich sagt: und was Tools ignorieren
Karpicke und Roediger (2008) veröffentlichten in Science eine Studie, die seither hundertfach zitiert wurde. Nach einer Woche erinnerten die Lernenden rund 80 % der 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. Die Werte gelten für diese Versuchsanordnung und sind kein allgemeines Wirkversprechen für jede Lernsituation oder für Quanta Study.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
Das klingt simpel, ist es aber nicht, denn die Frage entscheidet mit, was geübt wird. Anderson & Krathwohl (2001) ordnen Fragen mit ihrer revidierten Bloom-Taxonomie nach ihrer kognitiven Anforderung: Stufe 1 verlangt Reproduktion („Was ist Photosynthese?“), Stufe 3 Anwendung („Welche Bedingung muss erfüllt sein, damit die Lichtreaktion stoppt?“). Welche Stufe die richtige ist, entscheidet das Lernziel, nicht ein Behaltensvorsprung: die Taxonomie ordnet kognitive Anforderungen, sie misst keine Behaltensleistung. Die sechs Stufen im Einzelnen stehen in der Bloom-Taxonomie.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.
Und dann gibt es FSRS-6. Im offenen Vergleich der open-spaced-repetition-Gemeinschaft erreicht das Verfahren einen Log-Loss von 0,3460 auf 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.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. Log-Loss-Werte, ein Vergleich mit SM-2 oder eine Zahl von 20 Millionen Wiederholungen stehen in dieser Arbeit nicht.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 setzt diese drei Prinzipien als unveränderliche Systemregeln nativ um — eine Kombination, die uns bei anderen Lernapps in dieser Form nicht bekannt ist (Stand 2026).
Was Quanta konkret anders macht: keine Stichpunkte, eine Erklärung
Wenn du bei Quanta „Nukleophile Substitution, Organische Chemie, 5. Semester Chemie“ eingibst und dazu Bloom-Stufe 4 wählst, ist diese Wahl für die Generierung bindend. Statt „Was ist SN1?“ (Stufe 1) entsteht dann eine Frage wie „Warum läuft SN1 bei tertiären Substraten schneller als SN2, und was passiert mit der Reaktionsrate, wenn du von Ethanol auf Aceton wechselst?“ Wählst du Stufe 1, bekommst du bewusst Definitionsfragen, denn die Stufe ist die Anforderung, nicht die Hürde.
Gleichzeitig werden die generierten Multiple-Choice-Optionen durch einen Distraktor-Validierungs-Schritt geschickt: Jede Falschantwort wird daraufhin geprüft, ob sie auf den ersten Blick plausibel erscheint. Plausible Distraktoren sind eine etablierte, validierte Item-Writing-Regel für trennscharfe Multiple-Choice-Tests; Haladyna und Downing (1989) tragen dafür 43 Regeln aus 46 Lehrbüchern der Testtheorie zusammen. Offensichtlich falsche Optionen erzeugen dagegen kognitiven Leerlauf.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
Jede generierte Karte enthält ein Quelltransparenz-Protokoll: Welche Wissensquelle hat die KI genutzt? Mit welchem Konfidenz-Score? Das ist kein optionales Feature — es ist Standard auf jeder Karte. Quanta zeigt dir damit standardmäßig, woher das KI-generierte Wissen kommt — eine Transparenzfunktion, die uns bei anderen Lernapps in dieser Form nicht bekannt ist (Stand 2026). Was der sichtbare Status an der einzelnen Karteikarte bedeutet, steht unter Quanta Verified; wie oft der Abgleich in einem gemessenen Durchlauf gehalten hat, im Zitat-Test: Wie viele KI-Karteikarten halten der Quelle stand?
Welche fünf Komponenten Quanta nativ verbindet
Quanta verbindet alle fünf Komponenten in einem nativen System ohne externen Plugin oder Import — eine Kombination, die uns bei anderen Lernapps in dieser Form nicht bekannt ist (Stand 2026):
- Bloom-Taxonomie-basierte Generierung (sechs wählbare Stufen, die Auswahl ist bindend)
- Distraktor-Validierung für Multiple-Choice (Plausibilitätsprüfung vor der Ausgabe)
- FSRS-6 Spaced Repetition nativ — jede Karte startet sofort im Algorithmus ohne Import
- Sokrates-Methode KI-Tutor — keine Antworten, sondern Gegenfragen die zu eigenem Denken führen
- Quelltransparenz (Quanta Verified) — Quelltitel und Konfidenz-Score auf jeder KI-Karte
ChatGPT kann Karten generieren; FSRS, Bloom-Validierung, Distraktor-Prüfung und Quelltransparenz bietet es nach unserem Kenntnisstand nicht standardmäßig (Stand 2026). Anki bietet FSRS; native KI-Generierung, Tutor und Bloom-Kontrolle gehören nach unserem Kenntnisstand nicht zum Standardumfang (Stand 2026). Quizlet AI generiert Karten; FSRS, Bloom-Level und Distraktor-Validierung sind uns dort nicht bekannt (Stand 2026). Quanta vereint alle fünf Komponenten nativ — eine Kombination, die uns bei anderen Lernapps in dieser Form nicht bekannt ist.
Der KI-Tutor: Warum kein Antworten geben das Richtige ist
Richard Feynman formulierte: „Wenn du etwas nicht einfach erklären kannst, verstehst du es nicht wirklich.“ Chi et al. (2001) prüften das an der Einzelbetreuung: Wo die Tutorinnen und Tutoren weder erklären noch rückmelden durften und stattdessen nur nachfragten, lernten die Studierenden ebenso viel. Was den Zuwachs trug, war die eigene Konstruktion der Lernenden, nicht die Erklärung des Gegenübers.Quelle Chi, M.T.H.; Siler, S.A.; Jeong, H.; Yamauchi, T.; Hausmann, R.G. (2001). Learning from human tutoring. Cognitive Science 25(4), 471-533. https://doi.org/10.1207/s15516709cog2504_1 · im Quellenapparat
Der Quanta Tutor gibt keine Antworten. Er stellt Gegenfragen: „Warum glaubst du das?“, „Was würde passieren, wenn das Substrat tertiär statt primär wäre?“, „Erkläre mir den Mechanismus, als würdest du ihn jemandem beschreiben, der Chemie gerade erst anfängt.“ Das ist keine KI-Spielerei. Das ist Feynman-Technik als Systemfunktion.
Prüfungssimulation: Das adaptive Dreistufensystem
Die Prüfungssimulation bewertet freie Texteingaben in 6 kognitiven Dimensionen (Definition, Mechanismus, Struktur, Beispiel, Abgrenzung, Präzision) mit je 0–100 Punkten. Anschlussfragen sind adaptiv: Score unter 50% → vereinfachte Verständnisfragen. Score 50–75% → Standardtiefe mit alternativer Perspektive. Score über 75% → Transferfragen, Grenzfälle, Ausnahmen.
Ein dreistufiges adaptives Bewertungssystem für freie Texteingaben in dieser nativen Form ist uns bei anderen Consumer-Tools für den Bildungsmarkt nicht bekannt (Stand 2026). MC-Quiz-Tools existieren. Eine Prüfungssimulation mit 6-dimensionalem Scoring, adaptiven Folgefragen und LaTeX-Unterstützung bietet Quanta. Wie eine solche Sitzung abläuft, zeigt die Prüfungssimulation.
Niveau-Adaptation: Warum ein Einheitsbrei-Generator scheitert
Vygotsky (1978) beschrieb die Zone of Proximal Development: Lernen ist optimal, wenn die Schwierigkeit knapp über dem aktuellen Können liegt — nicht darunter (langweilig), nicht weit darüber (frustrierend). Quanta injiziert Schulform, Klasse, Bundesland, Studiengang und Semester als unveränderlichen Prompt-Parameter. Für Klasse 9 Gymnasium Bayern bedeutet das andere Karteikarten als für Medizinstudenten im 6. Semester — automatisch, ohne manuelle Einstellung.Quelle Vygotsky, L.S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press. https://doi.org/10.2307/j.ctvjf9vz4 · im Quellenapparat
Worauf es bei einem KI-Lerntool ankommt: und was noch kommt
In einem neuen Markt zählt aus unserer Sicht nicht der Umsatz, sondern die technische Tiefe. Quanta setzt lernwissenschaftliche Prinzipien in einer Tiefe um, die uns bei anderen KI-Lerntools in dieser Form nicht bekannt ist (Stand 2026). Die zugrundeliegenden Studien sind verlinkt und nachprüfbar.
Was das für dich bedeutet: Du nutzt nicht einfach ein Tool, das dir Arbeit abnimmt. Du nutzt ein System, das nach aktuellem Forschungsstand die präzisesten Lernmaterialien generiert, die kognitiv wertvollsten Wiederholungsfragen stellt, die effizientesten Wiederholungsintervalle berechnet und dabei vollständig transparent ist, woher sein Wissen stammt.
Das ist der Unterschied zwischen Ausgeben und Auswählen. Die fünf Merkmale einzeln, mit den Fragen, die du an ein Tool stellen kannst, stehen in KI-Karteikarten die wirklich funktionieren.
Weiterlesen
- Das DSR-Modell im Detail steht unter FSRS vs. SM-2.
- Die Studienlage zum Abrufen statt Wiederlesen steht unter Aktiver Abruf.
- Wie aus einem Thema oder einer Quelle ein ganzes Set entsteht, zeigt der Karteikarten-Generator.
Kurz beantwortet
- Wie viel erinnerten die Lernenden bei Karpicke und Roediger nach einer Woche?
- Nach einer Woche erinnerten die Lernenden rund 80 Prozent der Vokabelpaare in den beiden Bedingungen mit wiederholtem Abruf und 36 Prozent und 33 Prozent in den beiden Bedingungen, in denen die Paare nach dem ersten Treffer aus dem Test genommen wurden (Karpicke und Roediger 2008, Science). Band, Seiten und Kennung stehen im Quellenapparat dieser Seite. Die Werte gelten für diese Versuchsanordnung und sind kein allgemeines Wirkversprechen.
- Was besagt der Log-Loss von FSRS-6 im offenen Vergleich?
- FSRS-6 erreicht im offenen Vergleich der open-spaced-repetition-Gemeinschaft einen Log-Loss von 0,3460 auf 349.923.850 Wiederholungen aus 9.999 Sammlungen (fsrs-benchmark, abgerufen am 5. September 2026). Log-Loss misst, wie gut ein Verfahren die nächste Antwort vorhersagt, kleiner ist besser. Eine Zeile für SM-2 führt diese Tabelle nicht, und über gesparte Wiederholungen sagt der Wert nichts.
- Was ordnet die revidierte Bloom-Taxonomie, und was misst sie nicht?
- Die revidierte Bloom-Taxonomie ordnet Fragen nach ihrer kognitiven Anforderung: Stufe 1 verlangt Reproduktion, Stufe 3 Anwendung. Welche Stufe die richtige ist, entscheidet das Lernziel, nicht ein Behaltensvorsprung; die Taxonomie ordnet kognitive Anforderungen, sie misst keine Behaltensleistung. Quelle ist Anderson und Krathwohl (2001), A Taxonomy for Learning, Teaching, and Assessing, Pearson.
- In wie vielen Dimensionen bewertet die Prüfungssimulation eine freie Antwort?
- Die Prüfungssimulation bewertet freie Texteingaben in sechs kognitiven Dimensionen, nämlich Definition, Mechanismus, Struktur, Beispiel, Abgrenzung und Präzision, mit je 0 bis 100 Punkten. Die Anschlussfragen richten sich nach dem Ergebnis: unter 50 Prozent vereinfachte Verständnisfragen, 50 bis 75 Prozent Standardtiefe, über 75 Prozent Transferfragen und Grenzfälle (Quanta Study, Produktbeschreibung im Artikel).
Korrekturen
Was an diesem Artikel geändert wurde, mit Datum und Grund.
: Der Einstieg und der Schlusssatz bewerteten fremde Angebote abwertend. Beide Stellen benennen jetzt den Arbeitsschritt, der fehlt, statt ein Urteil über den Anbieter.
Adjektivische Herabsetzung von Wettbewerbern verstößt gegen § 6 Abs. 2 Nr. 5 UWG und gegen den eigenen Registerblatt-Vertrag; derselbe Artikel nennt Dritte an anderer Stelle bereits mit Stärken und Stichtag.
: Der Bloom-Absatz schrieb Anderson und Krathwohl eine Messung der Behaltensleistung zu. Die Taxonomie ordnet kognitive Anforderungen; welche Stufe richtig ist, entscheidet das Lernziel, nicht ein Behaltensvorsprung.
Anderson und Krathwohl (2001) ist ein Taxonomie-Handbuch (Pearson) und berichtet keine Behaltensmessung.
: Der FSRS-Absatz übersetzte den Unterschied im Log-Loss in gesparte Wiederholungen. Log-Loss misst, wie gut ein Verfahren die nächste Antwort vorhersagt; der Wert ist ein Ergebnis seines Datensatzes und keine Aussage über gesparte Wiederholungen.
Es ist derselbe Verkürzungsfehler, den eine Antwortmaschine am 4. September 2026 zweimal an einem Tag gemacht hat; die Faktenquelle des Hauses nennt zu dieser Zahl ausdrücklich keine Produktwirkung.
: Mehrere Stellen beschrieben eine mittlere Bloom-Stufe als Pflichtvorgabe der Generierung. Sechs Stufen stehen zur Wahl, die Auswahl ist bindend; ohne Auswahl entsteht ein Mix über alle sechs.
Die Voreinstellung ist die leere Auswahl und damit der Mix; eine Pflichtstufe gibt es im Code nicht (src/lib/generation/from-content.ts).
: Der Distraktor-Absatz schrieb der zitierten Arbeit von Haladyna und Downing eine Messung der Unterscheidungskraft zu. Plausible Distraktoren sind eine etablierte, validierte Item-Writing-Regel für trennscharfe Multiple-Choice-Tests; Haladyna und Downing (1989) tragen dafür 43 Regeln aus 46 Lehrbüchern der Testtheorie zusammen.
Der Abstract der Arbeit beschreibt eine Taxonomie von Regeln aus der Lehrbuchliteratur samt einer Gültigkeit aus Fachkonsens; eine Messung der Unterscheidungskraft berichtet sie nicht. Die Faktenquelle des Hauses setzt an dieser Stelle bewusst ein Wort statt einer Zahl.
: Der Absatz zum KI-Tutor schrieb der zitierten Arbeit von Chi und Kollegen einen Vergleich mit passiver Wiederholung und ein Transfermaß zu; die Weiterlesen-Liste wiederholte zwei Behaltenswerte ohne Bedingung. Chi et al. (2001) prüften das an der Einzelbetreuung: Wo die Tutorinnen und Tutoren weder erklären noch rückmelden durften und stattdessen nur nachfragten, lernten die Studierenden ebenso viel. Die Weiterlesen-Liste nennt das Thema statt einer Zahl.
Die Arbeit hat weder eine Gruppe mit passiver Wiederholung noch ein Transfermaß. Ihr Abstract beschreibt einen Eingriff innerhalb der Einzelbetreuung und schreibt den Zuwachs der eigenen Konstruktion der Lernenden zu.
: Der Absatz zur Abrufübung bezifferte die Behaltensleistung mit zwei Prozentwerten, die in der zitierten Arbeit nicht stehen, und schrieb dem Abruf eine allgemeine Wirkung zu. Der Absatz nennt die Werte der Arbeit, rund 80 Prozent mit wiederholtem Abruf gegenüber 36 und 33 Prozent ohne, und dazu ihre Grenze: sie gelten für diese Versuchsanordnung.
Der Volltext der Arbeit trägt keinen der beiden alten Werte. Das Wort „produziert“ machte zusätzlich aus einer Versuchsbedingung ein Wirkversprechen, das die Faktenquelle des Hauses zu genau diesen Werten ausschließt.
: Der FSRS-Absatz schrieb die Log-Loss-Werte und den Umfang der Auswertung der begutachteten Arbeit von Ye und Kollegen zu. Der Log-Loss steht jetzt beim laufenden offenen Vergleich, aus dem er stammt; Ye et al. (2022) tragen im Text noch, was ihr Abstract sagt.
Der Abstract der Arbeit (OpenAlex, geöffnet am 5. September 2026) nennt weder Log-Loss noch SM-2 noch den alten Umfang; er nennt eine andere, größere Menge an Verhaltensprotokollen und eine Verbesserung gegenüber dem Stand der Technik. Der Vergleichswert für SM-2 hat gar keine Quelle: die Tabelle des offenen Vergleichs führt für SM-2 keine Zeile, und deshalb ist der Vergleich samt seiner Prozentzahl gefallen.
Quellen
- 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
- 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 Die Übersicht des Mitherausgebers zum Handbuch Anderson & Krathwohl (2001), A Taxonomy for Learning, Teaching, and Assessing (Pearson). Das Handbuch selbst trägt keine DOI; nachschlagbar ist die Revision über diese Arbeit.
- 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 Laufender Datensatz, kein begutachteter Aufsatz; die Werte ändern sich mit jedem Lauf. Am 5. September 2026 stand FSRS-6 dort bei einem Log-Loss von 0,3460, gemessen ohne Wiederholungen desselben Tages. Eine Zeile für SM-2 führt die Tabelle nicht.
- 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 Der Abstract berichtet 220 Millionen Verhaltensprotokolle von Lernenden und eine Verbesserung von 12,6 Prozent gegenüber dem Stand der Technik (OpenAlex, 5. September 2026). Log-Loss, ein Vergleich mit SM-2 und eine Zahl von 20 Millionen Wiederholungen stehen nicht in der Arbeit; diese Angaben gehören zum laufenden fsrs-benchmark.
- 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
- Chi, M.T.H.; Siler, S.A.; Jeong, H.; Yamauchi, T.; Hausmann, R.G. (2001). Learning from human tutoring. Cognitive Science 25(4), 471-533. https://doi.org/10.1207/s15516709cog2504_1
- Vygotsky, L.S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press. https://doi.org/10.2307/j.ctvjf9vz4 Die DOI gehört der bei JSTOR geführten Ausgabe, die dort mit 1980 verzeichnet ist.
In eigener Sache
Dieses Magazin gehört zu Quanta Study. Die Preise der genannten Lern-Apps nebeneinander, mit Stichtag, stehen im Preisvergleich.
Diese Artikel des Magazins gehören zum selben Thema.
- KI-Karteikarten die wirklich funktionieren: Was Bloom-Niveau, Quellennachweis und Tutor-Feedback bedeuten
Die ausführliche Fassung der Prüfpunkte: Bloom-Stufe, Plausibilität der Falschantworten, Quellenstatus, Rückfragen des Tutors und die Wiederholungsplanung.
- Wie Quanta FSRS-6 implementiert hat und warum wir in awesome-fsrs gelistet sind
Der Werkstattbericht zeigt, wie der Wiederholungs-Algorithmus im Haus umgesetzt ist und woran sich die Umsetzung öffentlich messen lässt.
- Zitat-Test: Wie viele KI-Karteikarten halten der Quelle stand?
Der Messbericht hält erzeugte Karteikarten Wort für Wort gegen ihre Quelle und legt offen, welche dabei verworfen wurden und woran es lag.