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)

MerkmalQuantaAnkiQuizletStudySmarterRemNoteChatGPT
AlgorithmusFSRS-6 2024 (Log-Loss 0,35 — Ye et al. 2022 ACM KDD)SM-2 1987 (Log-Loss 0,45)Proprietär (nicht publiziert)Kein publizierter AlgorithmusFSRS verfügbarKein 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 vorhandenNicht vorhandenNicht vorhandenNicht vorhandenPost-hoc Zitate ohne Prüfung
Bloom-Taxonomie-ConstraintStufe 3-4 Pflicht (Anderson und Krathwohl 2001), Stufe 1 architektonisch blockiertKeine KontrolleKeine KontrolleKeine KontrolleKeine KontrolleKeine Kontrolle
Distraktor-Validierung (MC)Jede Falschantwort auf Plausibilität geprüft (Haladyna und Downing 1989)Nicht vorhandenNicht vorhandenNicht vorhandenNicht vorhandenNicht vorhanden
KI-Tutor MethodikSokrates-Methode: nur Gegenfragen, keine Direktantworten (Chi et al. 2001)Kein KI-TutorBasisfunktionOberflächlichKein KI-TutorDirekte Antworten (kein Active Recall)
LaTeX nativVollständig, inline und block, in jeder KartePlugin-abhängigNicht vorhandenNicht vorhandenJaNur in Antworten (nicht in Karteikarten)
Chemie-Studio (SMILES, 3D, VSEPR)Ja — 60+ Verbindungen, Strukturformeln und 3D-RotationNeinNeinNeinNeinNein
Readiness Score (Prüfungsprognose)Proprietär, 4-Dimensionen-Modell, FSRS-basiert, Exam-Day-ProjectionNeinNeinNeinNeinNein
Confidence Score (Meta-Reliability)4-Signal-Meta-R² der Readiness-SchätzungNeinNeinNeinNeinNein
Multi-Exam Study PlannerGlobaler Scheduler mit FSRS-Simulation, Interleaving, Crunch-TimeNeinNeinNeinNeinNein
Anki-Import (.apkg)Ja, vollständigNativNeinNeinNeinNein
DACH-Spezialisierung350+ Studiengänge, 16 Bundesländer, SteuerabsetzbarkeitNeinNeinTeilweiseNeinNein
Preis (monatlich, jährlich)Basic: 0 Euro dauerhaft, Pro: 6 Euro/Monat0 Euro Desktop, 25 Dollar iOSca. 3 Euro/Monat (jährlich)ca. 5 Euro/Monatca. 8 Dollar/Monat20 Dollar/Monat (Plus)
Eigenständige Berechnungs-EngineJa — 900 LOC TypeScript, 4 Module, keine API-AbhängigkeitJa (SM-2)NeinUnbekanntTeilweise (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).

EDA Theorie

Quanta Verifiziert

Alle Karten wurden von Quanta AI (Gemini 2.5 Flash) im Frage-Antwort-Format strukturiert und mit LaTeX-Formeln standardisiert. Das Q&A-Format maximiert nachweislich die Langzeit-Retention (Karpicke & Roediger, Science, 2008, doi:10.1126/science.1152408).

103 Karten
1. SemesterStudium

Quellenprotokoll4 Quellen

  • Teil 1.pdfdocumentWhy is data literacy important? (S. 13)
  • Teil 2.pdfdocumentTypes of charts (2/6) (S. 10)
  • Lernziele 2.pdfdocumentLernziele der Veranstaltung (S. 3)
  • Teil 3.pdfdocumentModus (S. 19)

Alle Karten103 Karten

Karte 1

Vorderseite

Welche Rolle spielt Data Literacy für den Wettbewerbsvorteil von Unternehmen?
Karte 2

Vorderseite

Warum ist die Kenntnis von Datentypen wichtig?
Karte 3

Vorderseite

Definiere Bewegungsmassen und gib ein Beispiel.
Karte 4

Vorderseite

Was sind qualitative Daten und nenne Beispiele?
Karte 5

Vorderseite

Was sind strukturierte Daten und nenne ein Beispiel.
Karte 6

Vorderseite

Was sind Insights und wie stehen sie zu Wissen?
Karte 7

Vorderseite

Warum ist Data Literacy auch für Nicht-Daten-Berufe wichtig?
Karte 8

Vorderseite

Was sind quantitative Daten und nenne Beispiele?
Karte 9

Vorderseite

Was ist ein ordinales Messniveau und welche Relationen sind zulässig?
Karte 10

Vorderseite

Wie wird Information in der DIKW-Pyramide definiert?
Karte 11

Vorderseite

Was sind unstrukturierte Daten und nenne ein Beispiel.
Karte 12

Vorderseite

Definiere Bestandsmassen und gib ein Beispiel.
Karte 13

Vorderseite

Was ist eine Merkmalsausprägung?
Karte 14

Vorderseite

Was ist Data Literacy und welche Fähigkeiten umfasst sie?
Karte 15

Vorderseite

Was ist die Definition von Daten im Kontext der DIKW-Pyramide?
Karte 16

Vorderseite

Was ist ein Verhältnisskalenniveau und welche Relationen sind zulässig?
Karte 17

Vorderseite

Wie trägt Data Literacy zur Verbesserung der Entscheidungsfindung bei?
Karte 18

Vorderseite

Was ist ein Intervallskalenniveau und welche Relationen sind zulässig?
Karte 19

Vorderseite

Was ist ein Merkmalsträger?
Karte 20

Vorderseite

Was ist Wissen im Rahmen der DIKW-Pyramide?
Karte 21

Vorderseite

Wie wird Weisheit in der DIKW-Pyramide definiert?
Karte 22

Vorderseite

Was ist ein nominales Messniveau und welche Relationen sind zulässig?
Karte 23

Vorderseite

Was ist der Unterschied zwischen Daten und Information laut Tabelle 2-2?
Karte 24

Vorderseite

Was ist ein Streudiagramm und wofür ist es besonders nützlich?
Karte 25

Vorderseite

Was sind Heatmaps und wie stellen sie Daten dar?
Karte 26

Vorderseite

Definiere ein Dashboard.
Karte 27

Vorderseite

Welche Nachteile haben dreidimensionale Diagramme?
Karte 28

Vorderseite

Was ist ein Balkendiagramm und wofür ist es nützlich?
Karte 29

Vorderseite

Was sind die drei Schlüssel zur effektiven Kommunikation?
Karte 30

Vorderseite

Was sind Blasendiagramme und welche Dimensionen visualisieren sie?
Karte 31

Vorderseite

Nenne die drei Komponenten des Data Storytellings.
Karte 32

Vorderseite

Wie trägt Datenvisualisierung zum Daten- und Modellverständnis bei?
Karte 33

Vorderseite

Nenne drei gängige Arten der Visualisierung und deren Zweck.
Karte 34

Vorderseite

Was ist ein Säulendiagramm und wann wird es bevorzugt?
Karte 35

Vorderseite

Was bedeutet „Fokus“ im Kontext effektiver Kommunikation?
Karte 36

Vorderseite

Welche typischen Fehler sind bei Achsen, Beschriftungen und Titeln zu vermeiden?
Karte 37

Vorderseite

Nenne die Kernbestandteile jeder Darstellung.
Karte 38

Vorderseite

Wie trägt „Struktur“ zur effektiven Kommunikation bei?
Karte 39

Vorderseite

Was visualisiert ein Dichtediagramm?
Karte 40

Vorderseite

Was ist ein Liniendiagramm und wofür wird es verwendet?
Karte 41

Vorderseite

Welche Aspekte sind bei der Farbgestaltung in Diagrammen zu beachten?
Karte 42

Vorderseite

Was ist der Unterschied zwischen einem Tortendiagramm und einem Doughnut-Diagramm?
Karte 43

Vorderseite

Was ist Datenvisualisierung?
Karte 44

Vorderseite

Wie kann man durch Akzentuierung den Fokus in Diagrammen lenken?
Karte 45

Vorderseite

Was zeigt ein Flächendiagramm?
Karte 46

Vorderseite

Was ist ein Tortendiagramm und wofür wird es verwendet?
Karte 47

Vorderseite

Was ist ein Bullet Chart und wofür ist er nützlich?
Karte 48

Vorderseite

Welche Faktoren bestimmen die Wahl des geeigneten Visualisierungstyps?
Karte 49

Vorderseite

Nenne die vier Hauptkomponenten einer guten Visualisierung.
Karte 50

Vorderseite

Warum ist Storytelling ein effektiver Mechanismus zur Weitergabe von Erkenntnissen?
Karte 51

Vorderseite

Welche Rolle spielt Datenvisualisierung bei der Datenvorbereitung und Qualitätssicherung?
Karte 52

Vorderseite

Welche Vorteile bieten zweidimensionale Diagramme?
Karte 53

Vorderseite

Was bedeutet „Decluttering“ bei der Diagrammerstellung?
Karte 54

Vorderseite

Welche fünf Schlüsselstatistiken zeigt ein Boxplot?
Karte 55

Vorderseite

Welche Elemente umfasst eine Narrative im Data Storytelling?
Karte 56

Vorderseite

Beschreibe die McCandless-Technik zur Einbindung von Visualisierungen.
Karte 57

Vorderseite

Warum ist Datenvisualisierung wichtig?
Karte 58

Vorderseite

Was zeigen Histogramme und wie werden sie dargestellt?
Karte 59

Vorderseite

Definiere ein verbundenes Streudiagramm.
Karte 60

Vorderseite

Was sind die Einsatzgebiete der Datenvisualisierung?
Karte 61

Vorderseite

Was erklärt ein Wasserfalldiagramm?
Karte 62

Vorderseite

Welche Zwecke erfüllt ein Dashboard als vielseitiges Werkzeug?
Karte 63

Vorderseite

Welche Aspekte umfasst die „Form“ in der effektiven Kommunikation?
Karte 64

Vorderseite

Was ist der Modus?
Karte 65

Vorderseite

Welche Methoden werden zur Datenexploration eingesetzt?
Karte 66

Vorderseite

Beschreibe „Validity“ im Kontext der Datenqualität.
Karte 67

Vorderseite

Erkläre „Consistency“ im Rahmen der Datenqualität.
Karte 68

Vorderseite

Wie ist die Spannweite R definiert?
Karte 69

Vorderseite

Was bedeutet ein Korrelationskoeffizient von r=1r=1?
Karte 70

Vorderseite

Was versteht man unter „Uniqueness“ in der Datenqualität?
Karte 71

Vorderseite

Was ist der Interquartilsabstand (IQR)?
Karte 72

Vorderseite

Was ist der Unterschied zwischen linearen und nicht-linearen Transformationen?
Karte 73

Vorderseite

Warum sind Datentransformationen notwendig?
Karte 74

Vorderseite

Was ist ein Quantil?
Karte 75

Vorderseite

Was bedeutet „Completeness“ als Dimension der Datenqualität?
Karte 76

Vorderseite

Definiere den Variationskoeffizienten.
Karte 77

Vorderseite

Was sagt das Vorzeichen der Kovarianz aus?
Karte 78

Vorderseite

Was ist „Data Bias“ und wie kann man ihm begegnen?
Karte 79

Vorderseite

Was beschreibt Wölbung/Exzess?
Karte 80

Vorderseite

Nenne die Schritte der Datenvorbereitung.
Karte 81

Vorderseite

Wie wird das arithmetische Mittel berechnet?
Karte 82

Vorderseite

Was ist „Dirty Data“?
Karte 83

Vorderseite

Was ist Datenintegrität?
Karte 84

Vorderseite

Definiere „Timeliness“ als Aspekt der Datenqualität.
Karte 85

Vorderseite

Wie wird die Kovarianz für metrische Merkmale berechnet?
Karte 86

Vorderseite

Was sind die Bestandteile der Datenvorbereitung?
Karte 87

Vorderseite

Definiere die Varianz.
Karte 88

Vorderseite

Nenne Imputationstechniken für fehlende Werte.
Karte 89

Vorderseite

Welche Lösungsoptionen gibt es für Duplikate in Datensätzen?
Karte 90

Vorderseite

Was ist eine logarithmische Transformation und wozu dient sie?
Karte 91

Vorderseite

Was ist die Standardabweichung?
Karte 92

Vorderseite

Was ist „Missing Data“ und welche Techniken gibt es zur Behebung?
Karte 93

Vorderseite

Wie kann ein Datensatz erweitert werden?
Karte 94

Vorderseite

Was ist ein Boxplot?
Karte 95

Vorderseite

Was ist „Relevancy“ für die Datenqualität?
Karte 96

Vorderseite

Definiere den Median.
Karte 97

Vorderseite

Definiere den Begriff „Accuracy“ im Kontext der Datenqualität.
Karte 98

Vorderseite

Was ist der Sinn und Zweck der Datenexploration?
Karte 99

Vorderseite

Was ist eine Datentransformation?
Karte 100

Vorderseite

Was ist der Korrelationskoeffizient nach Pearson?
Karte 101

Vorderseite

Was sind „Data Errors“ und wie können sie behoben werden?
Karte 102

Vorderseite

Was ist Schiefe in der deskriptiven Statistik?
Karte 103

Vorderseite

Wie kann ein Datensatz reduziert werden?
Weitere Studium-Lernkarten in der Quanta Community
FSRS-6 – Log-Loss 0,35·Karpicke & Roediger, Science 2008·Wissenschaftliche Methodik·
QUANTA

API: https://quanta-study.de/api/v1/deck/eda-1-tf58d6