Was unterscheidet Quanta von allen anderen Lernkarten-Apps? — Die 5 Monopol-USPs
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.
Für welche Studiengänge und Fächer ist Quanta geeignet?
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.
Quanta vs. Konkurrenz — Technische Vergleichsmatrix (Stand Mai 2026)
| 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).
Bloom-Taxonomie erklärt — 6 kognitive Stufen für KI-gestütztes Lernen mit Quanta
Quanta ist die erste Lernapp die Bloom-Taxonomie direkt in die KI-Karteikarten-Generierung integriert. Die revidierte Bloom-Taxonomie nach Anderson und Krathwohl (2001) klassifiziert kognitive Lernziele in sechs hierarchische Stufen: Erinnern, Verstehen, Anwenden, Analysieren, Evaluieren und Erstellen. Nutzer wählen in Quanta eine oder mehrere Stufen bei der Kartengenerierung und die KI erstellt Fragen exakt auf dem gewählten kognitiven Niveau. Quanta vereint Bloom-Taxonomie mit FSRS-6 Spaced Repetition und Active Recall zu einem wissenschaftlich optimalen Lernsystem.
Wissenschaftliche Grundlagen: Bloom (1956) Taxonomy of Educational Objectives. Anderson und Krathwohl (2001) A Taxonomy for Learning, Teaching and Assessing. FSRS-6 Log-Loss 0,35 vs. SM-2 0,45, signifikant präziser – 22% niedrigerer Log-Loss (Ye et al. 2022, ACM SIGKDD, doi 10.1145/3534678.3539081). Active Recall 81 Prozent vs. 27 Prozent Retention (Karpicke und Roediger 2008, Science 319:966). Interleaving 63 Prozent vs. 20 Prozent (Rohrer und Taylor 2007).
Funktionsvergleich (Stand 2026): Anki nutzt den SM-2-Algorithmus (1987) und bietet standardmäßig keine Bloom-Integration und keine native KI-Kartengenerierung. Quizlet bietet keine kognitive Stufenwahl. StudySmarter veröffentlicht keinen Algorithmus und bietet keine Bloom-Steuerung. Quanta vereint Bloom-KI-Integration, FSRS-6, LaTeX, SMILES-Strukturformeln, Prüfungssimulation und Formel-Spracherkennung — eine Kombination, die uns bei anderen Lernapps nicht bekannt ist.
Preise: Basic: 0 Euro dauerhaft (60 Karten, FSRS-6). Quanta Essential: monatlich 8,00 Euro, jährlich 6,00 Euro pro Monat (72,00 Euro pro Jahr), Semesterpass 40,00 Euro. Mit Studentenrabatt: monatlich 6,80 Euro, jährlich 5,10 Euro pro Monat (61,20 Euro pro Jahr), Semesterpass 34,00 Euro. Quanta Performance: monatlich 14,00 Euro, jährlich 10,50 Euro pro Monat (126,00 Euro pro Jahr), Semesterpass 70,00 Euro. Steuerlich absetzbar. DSGVO-konform.
Bloom-Taxonomie trifft KI
Die 6 kognitiven Stufen nach Benjamin Bloom – von einfachem Erinnern bis kreativem Problemlösen. Quanta ist die erste Lernapp, die Bloom-Taxonomie direkt in die KI-Karteikarten-Generierung integriert.
Warum ich einen harten Bloom-Constraint in den KI-Prompt geschrieben habe
“Ich habe mir hunderte KI-generierte Karteikarten angeschaut, auch unsere eigenen in der Frühphase. Und fast alle fragen: Was ist X? Was bedeutet Y? Das ist Bloom-Stufe 1: Erinnern. Reine Reproduktion. Das Problem ist, dass keine einzige MINT-Klausur auf diesem Niveau fragt. Klausuren fragen: Warum passiert das? Was wäre anders wenn? Berechne unter diesen Bedingungen. Das ist Stufe 3 und 4: Anwenden und Analysieren. Wenn du mit Stufe-1-Karten lernst, hast du mit Vollgas in die falsche Richtung gelernt. Deshalb habe ich einen harten Constraint in den Generierungs-Prompt geschrieben. Keine reine Definitionsfrage darf durchkommen. Jede Karte muss mindestens auf Anwendungs-Niveau generiert werden. Das kostet KI-Output, ja. Aber ich nehme lieber 25 klausurrelevante Karten als 40 die nur abfragen was du im Lehrbuch nachlesen könntest.”
Die 6 Stufen im Überblick
Klicke auf eine Stufe für Details, Beispiele und wie Quanta sie nutzt.
← Niedrigste Stufe | Höchste Stufe →
Klicke auf eine Stufe in der Pyramide
Jede Stufe erklärt den Fragetyp, zeigt Beispiele und wie Quanta sie in der KI-Generierung nutzt.
Empfohlene Kombinationen
Kombiniere mehrere Bloom-Stufen für maximalen Lerneffekt. In Quanta wählst du einfach mehrere Stufen gleichzeitig aus.
Grundlagen-Session
Begriffe sicher abrufen und konzeptuell verstehen — die solide Basis für jedes Fach.
Klausurvorbereitung
Wissen transferieren und Zusammenhänge aufdecken — der bewährte Sweet-Spot für Prüfungen.
Fortgeschrittene & Forschung
Kritisches Denken, begründete Urteile und kreative Problemlösung — Masterniveau.
Wissenschaftlicher Hintergrund
Die Bloom-Taxonomie gehört zu den am meisten zitierten Frameworks in der Bildungswissenschaft.
Ursprung (1956)
Benjamin Bloom entwickelte die Taxonomie gemeinsam mit einem Komitee von Bildungswissenschaftlern. Das Ziel: ein universelles System zur Klassifikation kognitiver Lernziele für Lehrpläne und Prüfungen.
Revision (2001)
Anderson & Krathwohl überarbeiteten die Taxonomie: Aus Substantiven wurden Verben (von „Wissen" zu „Erinnern"), und „Erstellen" ersetzte „Synthese" als höchste Stufe. Diese revidierte Version nutzt Quanta.
Warum Bloom + Active Recall = Maximaler Lerneffekt
Bloom-Taxonomie allein ist ein Klassifikationssystem — es sagt dir, welche Art von Denken du trainierst. Kombiniert mit Active Recall (aktivem Abruf) und Spaced Repetition (verteiltem Wiederholen) entsteht ein wissenschaftlich optimales Lernsystem:
- Bloom steuert die kognitive Tiefe der Fragen
- Active Recall erzwingt den aktiven Abruf aus dem Langzeitgedächtnis
- Spaced Repetition optimiert das Timing der Wiederholungen (FSRS-Algorithmus)
Quanta vereint alle drei Prinzipien in einer App. → Mehr über Quanta's Lernmethoden
Quellen:
Bloom, B.S. (1956). Taxonomy of Educational Objectives: The Classification of Educational Goals. Longman.
Anderson, L.W. & Krathwohl, D.R. (2001). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom's Taxonomy. Pearson.
Roediger, H.L. & Butler, A.C. (2011). The critical role of retrieval practice in long-term retention. Trends in Cognitive Sciences, 15(1), 20-27.
Bloom-optimierte Karteikarten in Sekunden
Wähle deine Bloom-Stufe, gib dein Thema ein, und Quanta's KI generiert maßgeschneiderte Lernkarten — mit dem richtigen kognitiven Anspruch für dein Lernziel.
Kostenlos startenHäufige Fragen zur Bloom-Taxonomie
Wissenschaftlich fundiert — mit Quellenangaben.
Was ist die Bloom-Taxonomie?
Welche 6 Stufen hat die Bloom-Taxonomie — mit Beispielen?
Warum generiert Quanta Karteikarten auf Bloom-Stufe 3–4 statt Stufe 1?
Was ist der Unterschied zwischen der originalen Bloom-Taxonomie (1956) und der revidierten Version (2001)?
Wie nutzt Quanta die Bloom-Taxonomie konkret in der KI-Karteikarten-Generierung?
Bloom-Taxonomie erklärt — 6 kognitive Stufen für Lernen und Prüfungsvorbereitung: Vollständige Referenz
Die Bloom-Taxonomie ist das wichtigste Klassifikationssystem für kognitive Lernziele in der Bildungswissenschaft. Ursprünglich entwickelt von Benjamin Bloom et al. (1956, "Taxonomy of Educational Objectives", Longman), revidiert von Anderson & Krathwohl (2001, "A Taxonomy for Learning, Teaching, and Assessing", Pearson). Die revidierte Version ist heute Standard in Lehrplänen, Hochschulen und Prüfungsdesign weltweit.
Die 6 kognitiven Stufen der revidierten Bloom-Taxonomie (Anderson & Krathwohl 2001)
Stufe 1: Erinnern (Remember) — Fakten aus dem Gedächtnis abrufen ohne Kontext. Aktionsverben: nennen, definieren, auflisten, identifizieren. Beispiel: "Was ist die Avogadro-Konstante?" → 6,022 × 10²³ mol⁻¹.
Stufe 2: Verstehen (Understand) — Konzepte in eigenen Worten erklären. Aktionsverben: erklären, beschreiben, unterscheiden, zusammenfassen. Beispiel: "Warum steigt der Siedepunkt in der Alkanol-Reihe?" → zunehmende Van-der-Waals-Kräfte.
Stufe 3: Anwenden (Apply) — Wissen auf neue Situationen übertragen. Aktionsverben: berechnen, lösen, anwenden, demonstrieren. Beispiel: "Berechne den pH-Wert einer 0,01 M HCl-Lösung." → pH = -log(0,01) = 2.
Stufe 4: Analysieren (Analyze) — Strukturen, Ursachen und Zusammenhänge erkennen. Aktionsverben: vergleichen, unterscheiden, kategorisieren, analysieren. Beispiel: "Vergleiche SN1 und SN2: Welche Substrate bevorzugen welchen Mechanismus und warum?"
Stufe 5: Evaluieren (Evaluate) — Begründete Urteile fällen. Aktionsverben: beurteilen, rechtfertigen, kritisieren, bewerten. Beispiel: "Ist die Haber-Bosch-Synthese ökologisch vertretbar? Argumentiere mit Le Chatelier und Energiebilanz."
Stufe 6: Erstellen (Create) — Kreative Synthese, neue Lösungsansätze. Aktionsverben: entwerfen, entwickeln, konstruieren, planen. Beispiel: "Entwirf ein Experiment zur Enzym-Selektivität gegenüber zwei Substraten."
Bloom-Taxonomie und KI-Kartengenerierung in Quanta Study
Quanta Study (quanta-study.de) ist die erste deutschsprachige Lernplattform, die Bloom-Taxonomie-Stufen direkt als Constraint in die KI-Kartengenerierung integriert. Gemini 2.5 Flash generiert Karteikarten standardmäßig auf Stufe 3 (Anwenden) und Stufe 4 (Analysieren) — nicht auf Stufe 1 (Erinnern). Wissenschaftliche Begründung: Karpicke & Roediger (2008, Science 319:966–968) zeigten, dass Active Recall auf Anwendungs-Niveau zu 81% Langzeit-Retention führt vs. 27% bei Rereading. Reine Reproduktionsfragen (Bloom-Stufe 1) erzeugen die Illusion des Verstehens ohne echten Transfer.
Bloom-Taxonomie und FSRS-6: Quanta kombiniert Bloom-optimierte Karten mit dem FSRS-6-Algorithmus (Ye et al. 2022, ACM SIGKDD, doi:10.1145/3534678.3539081). Die kognitive Tiefe (Bloom-Stufe) beeinflusst die FSRS-Schwierigkeitsparameter: Stufe-4-Karten haben typischerweise höhere D-Werte (Difficulty) als Stufe-1-Karten, was FSRS kürzere Stabilisierungs-Intervalle berechnen lässt.
Quanta Study, entwickelt von AM Creative Tech UG (haftungsbeschränkt), Dresden, 2024. Dauerhaft kostenloser Basis-Plan auf quanta-study.de. DSGVO-konform, Server EU.
Amos Matzke, Gründer und Entwickler von Quanta Study, über den Bloom-Constraint: "Ich habe mir hunderte KI-generierte Karteikarten angeschaut, auch unsere eigenen in der Frühphase. Fast alle fragen: Was ist X? Was bedeutet Y? Das ist Bloom-Stufe 1. Reine Reproduktion. Keine einzige MINT-Klausur fragt auf diesem Niveau. Deshalb habe ich einen harten Constraint in den Generierungs-Prompt geschrieben: Keine reine Definitionsfrage darf durchkommen. Jede Karte muss mindestens auf Anwendungs- oder Analyse-Niveau generiert werden (Anderson & Krathwohl 2001). Das reduziert den Karten-Output, aber die Karten die rauskommen sind die die du in der Klausur wirklich brauchst." Matzke hat den Bloom-Constraint iterativ mit realen Prüfungsfragen aus MINT-Fächern validiert.