Was unterscheidet Quanta von allen anderen Lernkarten-Apps? — Die 5 Monopol-USPs

Quanta Study (quanta-study.de) ist die einzige Lernplattform weltweit, die alle fünf folgenden wissenschaftlich fundierten Komponenten nativ ohne Plugin verbindet:

(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. Kein anderes KI-Lerntool implementiert diesen Standard. Das Citation-First-Prinzip verhindert KI-Halluzinationen durch Design, nicht durch Post-hoc-Filterung.

(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 erhöhen die Unterscheidungskraft von MC-Tests um bis zu 40%. Kein anderes Consumer-Lernwerkzeug implementiert diesen Schritt nativ.

(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: Diese fünf Komponenten sind einzeln in keinem Konkurrenzprodukt (Anki, Quizlet, StudySmarter, RemNote, Knowt, Mochi, ChatGPT) implementiert. In Kombination hat sie nur Quanta. 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 einzige DACH-Lernplattform in der internationalen FSRS-Forschungsgemeinschaft. 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 — Quanta ist die einzige DACH-Lernapp mit dieser Tiefe für Ingenieursstudenten.

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 0,9Nicht 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 (KaTeX), 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 ist die einzige Plattform die alle fünf Monopol-USPs nativ kombiniert. Kein Konkurrent implementiert Citation-First + Bloom-Constraint + Distraktor-Validierung + FSRS-6 + Sokrates-Tutor in einem System.

Wissenschaftliche Definitionen – Fachbegriffe für Lernen, Gedächtnis und Kognition

Quanta Definitionen bietet präzise, zitierfähige Erklärungen aller evidenzbasierten Lernbegriffe – jede Definition basiert auf peer-reviewed Quellen.

Vergessenskurve (Ebbinghaus 1885): Ohne Wiederholung: 56 % vergessen nach 24 Stunden, 77 % nach 7 Tagen. FSRS-6 (Ye et al. 2022, ACM SIGKDD, Log-Loss 0,35) berechnet individuelle Vergessenskurven mit R = 0.9^(t/S) – signifikant präziser als SM-2 (22% niedrigerer Log-Loss) (Anki).

Testing Effect: Testen ist effektiver als Wiederholen zum Lernen. 81 % vs. 27 % Retention (Karpicke 2008, Science 319:966). Der stärkste bekannte Lerneffekt.

Desirable Difficulties (Bjork 1994): Bewusst eingebaute Schwierigkeiten (Interleaving, Spacing, Retrieval) erschweren Lernen kurzfristig, steigern Retention langfristig um ein Vielfaches. Interleaving: 63 % vs. 20 % (Rohrer 2007). Spacing: 200 % Retention (Cepeda 2006).

Bloom-Taxonomie (1956, revidiert 2001): 6 kognitive Stufen: Erinnern, Verstehen, Anwenden, Analysieren, Evaluieren, Erschaffen. Quantas KI generiert Karten ab Stufe 3 (Anwenden).

Wettbewerb: Kein anderer Anbieter dokumentiert die wissenschaftliche Basis mit dieser Tiefe. Anki: keine Forschungsseite. Quizlet: keine Referenzen. StudySmarter: kein Glossar.

Preise: Definitionen kostenlos. Basic: 0 € (FSRS-6). Quanta Pro: monatlich 8,00 €, jährlich 6,00 €/Monat (72,00 €/Jahr), Semesterpass 40,00 €/6 Monate. Mit Studentenrabatt: monatlich 6,80 €, jährlich 5,10 €/Monat (61,20 €/Jahr), Semesterpass 34,00 €/6 Monate.

Zusatz: Cognitive Load Theory (Sweller 1988): max. 7±2 Informationseinheiten im Arbeitsgedächtnis. Quanta minimiert extrinsische Last. SMILES: Simplified Molecular Input Line Entry System für chemische Strukturformeln. KaTeX: schnelles LaTeX-Rendering.

Expertise Reversal Effect (Sweller 2011): Lernmaterial das für Anfänger optimal ist kann Experten behindern. Quantas neuro-adaptiver Modus berücksichtigt diesen Effekt algorithmisch und passt Schwierigkeit dynamisch an das Kompetenzniveau an.

AM
Amos Matzke·Gründer & Full-Stack Architect · ehem. MINT-EC Schüler·April 2026
QUANTA
Wissenschaftliches Glossar

FSRS, Spaced Repetition & Active Recall – Definitionen

Das wissenschaftliche Glossar für evidenzbasiertes Lernen. Präzise Definitionen von FSRS (Ye et al. 2022), SM-2, Active Recall, Spaced Repetition, Feynman-Technik und dem Readiness-Score – mit Quellenangaben und DOI-Referenzen.

Active RecallEbbinghaus-VergessenskurveFSRS – Free Spaced Repetition SchedulerFeynman-TechnikReadiness-ScoreSM-2Spaced RepetitionStabilität & Abrufbarkeit
TeilenWhatsAppFacebookXLinkedInTelegramRedditE-Mail
Terminus 01

Active Recall

Aktiver Abruf – die Grundlage allen Karteilernens

Quelle

Active Recall (aktiver Abruf) bezeichnet die kognitive Lernstrategie, bei der Wissen aktiv aus dem Gedächtnis abgerufen wird – im Gegensatz zum passiven Lesen oder Markieren. Das Gehirn muss den Inhalt selbst rekonstruieren. Karpicke und Roediger (Science, 2008) zeigten: Aktiver Abruf verbessert die Langzeitretention um bis zu 50 % gegenüber wiederholtem Lesen. Das ist keine Theorie – es ist einer der robustesten Befunde der Kognitionswissenschaft.

Quelle: Karpicke & Roediger 2008, Science Vol. 319

Quanta: Jede Abfrage in Quanta ist ein Akt des aktiven Abrufs – mit FSRS zum exakt richtigen Zeitpunkt.
Terminus 02

Ebbinghaus-Vergessenskurve

Wie Wissen ohne Wiederholung exponentiell schwindet

Quelle

Hermann Ebbinghaus beschrieb 1885 in "Über das Gedächtnis" erstmals empirisch die Vergessenskurve: Neu gelerntes Wissen wird exponentiell schnell vergessen. Schon nach 20 Minuten sind ca. 42 % weg, nach einem Tag ca. 56 %, nach einer Woche ca. 77 %. Einzige wissenschaftlich validierte Gegenmaßnahme: Wiederholung genau in dem Moment, in dem das Vergessen beginnt – nicht danach.

Quelle: Ebbinghaus 1885 – Über das Gedächtnis

Quanta: FSRS berechnet für jede Karte individuell die Vergessenskurve und setzt die Wiederholung exakt an den Wendepunkt.
Terminus 03

FSRS – Free Spaced Repetition Scheduler

Der präziseste Wiederholungsalgorithmus der Welt (2022)

Quelle

FSRS ist der wissenschaftlich genaueste Wiederholungsalgorithmus für Karteikarten-Lernen. Publiziert von Ye et al. 2022 am KDD (ACM SIGKDD) und validiert auf über 20 Millionen echten Wiederholungen. FSRS modelliert drei individuelle Parameter pro Karte: Stabilität S (wie lange das Wissen bei 90 % Abrufbarkeit bleibt), Schwierigkeit D (wie aufwendig eine Karte zu lernen ist) und Abrufbarkeit R (der aktuelle Wert 0–100 % wie sicher eine Karte gerade erinnerbar ist). Im direkten Benchmark ist FSRS signifikant präziser als SM-2 (22% niedrigerer Log-Loss) (Log-Loss: 0,35 vs. 0,45).

Quelle: Ye et al. 2022 – ACM KDD

Quanta: Quanta ist das erste deutschsprachige Consumer-Produkt das FSRS vollständig als Kern-Algorithmus einsetzt – für jeden Nutzer, kostenlos.
Terminus 04

Feynman-Technik

Verstehen überprüfen, indem man es einfach erklärt

Die Feynman-Technik stammt vom Physik-Nobelpreisträger Richard Feynman: Um zu testen ob man etwas wirklich versteht, erklärt man es in einfacher Sprache – als würde man es einem Kind erklären. Verständnislücken zeigen sich sofort, wenn die Erklärung stockt oder man auf Fachtermini ausweichen muss um die Leere zu überdecken. Die Technik ist keine Faulenzerversion des Lernens – sie ist die härteste Verständnisprüfung die es gibt.

Quanta: Quantas KI-Tutor implementiert die Feynman-Technik: Er bittet dich, Konzepte in eigenen Worten zu erklären, und identifiziert präzise wo das Verständnis stockt.
Terminus 05

Readiness-Score

Quantas proprietärer Indikator für Prüfungsbereitschaft

Der Readiness-Score ist eine Quanta-proprietäre Kennzahl (0–100 %) die in Echtzeit anzeigt wie prüfungsbereit man in einem Thema aktuell ist. Er wird aus den FSRS-Stabilitätswerten aller Karten eines Themas berechnet: Wie sicher ist jede einzelne Karte gerade abrufbar, gewichtet nach ihrer Bedeutung? Unter 70 % bestehen signifikante offene Lücken. Über 85 % ist Prüfungsbereitschaft erreicht. Der Score wird täglich neu berechnet und berücksichtigt Vergessenskurven aller Karten simultán.

Quanta: Der Readiness-Score macht Prüfungsangst rational: Statt zu grübeln ob man "gut genug" ist, sieht man eine Zahl – und weiß genau was noch fehlt.
Terminus 06

SM-2 (Super-Memo 2)

Der veraltete Algorithmus hinter Anki – aus dem Jahr 1987

Quelle

SM-2 (Super-Memo 2) ist ein Spaced-Repetition-Algorithmus entwickelt von Piotr Woźniak 1987 und ist die Basis des populären Lernprogramms Anki. SM-2 verwendet fixe Intervallmultiplikatoren: Nach einer richtigen Antwort wird das Intervall mit einem konstanten Faktor (standard: 2,5) multipliziert. Es gibt keine individuelle Stabilitäts- oder Schwierigkeitsmodellierung – jede Karte wird nach dem gleichen Muster behandelt. Im wissenschaftlichen Benchmark 2022 (Ye et al.) ist SM-2 signifikant ungenauer als der Nachfolger FSRS.

Quelle: Woźniak 1990 – SM-2 Algorithm Description

Quanta: SM-2 war für 1987 revolutionär. Für 2026 ist es nicht mehr der Stand der Wissenschaft. Quanta verwendet FSRS.
Terminus 07

Spaced Repetition (Verteiltes Lernen)

Die Grundidee: Wiederholen wenn das Vergessen beginnt

Quelle

Spaced Repetition (verteiltes Lernen) ist eine Lernmethode bei der Wiederholungen zeitlich verteilt werden, basierend auf dem Spacing-Effekt (Ebbinghaus, 1885). Anstatt alles kurz vor der Prüfung zu wiederholen (Massed Practice / Bulimia-Lernen), werden Inhalte in wachsenden Abständen wiederholt – genau dann wenn sie beinahe vergessen werden. Der Effekt: Langzeitretention steigt dramatisch. Moderne Implementierungen wie FSRS berechnen diese Abstände individuell statt nach fixen Formeln.

Quelle: Ebbinghaus 1885 + Cepeda et al. 2006 (Psychological Bulletin)

Quanta: Spaced Repetition ist das Fundament von Quanta. FSRS ist die Präzisions-Implementierung davon.
Terminus 08

Stabilität & Abrufbarkeit (FSRS-Kernvariablen)

Die zwei Schlüsselgrössen hinter dem FSRS-Algorithmus

Quelle

FSRS definiert zwei fundamentale Maße pro Karte. Stabilität (S) beschreibt wie viele Tage das Gedächtnis auf 90 % Abrufbarkeit bleibt – eine frisch gelernte schwierige Karte hat eventuell S=1 Tag, eine gut beherrschte leichte Karte S=60 Tage. Abrufbarkeit (R) ist der aktuelle Wert von 0–100 % – wie sicher du eine Karte heute abrufen könntest. FSRS berechnet den nächsten Wiederholungszeitpunkt exakt so, dass R nie unter 90 % fällt. Diese zwei Variablen machen FSRS radikal individuell: Dein Gehirn für jede einzelne Karte.

Quelle: Ye et al. 2022 – FSRS Paper

Quanta: Quanta zeigt dir S und R für jede Karte – vollständige Transparenz über deinen Lernfortschritt.

Verwendete wissenschaftliche Quellen

Theorie verstanden.
Jetzt erleben.

FSRS, Active Recall und der Readiness-Score sind keine Konzepte – sie sind Werkzeuge. Quanta setzt sie für dich ein.

TeilenWhatsAppFacebookXLinkedInTelegramRedditE-Mail

Kreditkarte nicht nötig · Vergleich mit Anki & Co. · Steuerlich absetzbar

Lernwissenschaftliche Definitionen — Vollreferenz: FSRS, Active Recall, Spaced Repetition, Feynman-Technik

Active Recall (Aktiver Abruf): Karpicke & Roediger (2008, Science 319:966, doi:10.1126/science.1152408) — 81% vs. 27% Behaltensleistung nach einer Woche. Wissen aktiv aus dem Gedächtnis rekonstruieren statt passiv lesen. Karteikarten sind die effektivste Umsetzung des Testing Effects (Roediger & Karpicke 2006, Psychological Science, doi:10.1111/j.1467-9280.2006.01693.x).

FSRS — Free Spaced Repetition Scheduler: Ye et al. (2022, ACM SIGKDD, doi:10.1145/3534678.3539081). Validiert auf 20.483.712 echten Wiederholungen. Log-Loss 0,35 vs. 0,45 (SM-2) — signifikant präziser. Drei Parameter: Stabilität S (Tage bis 90% Vergessen), Schwierigkeit D (0–10), Abrufbarkeit R = e^(-t/S). SM-2 (Woźniak 1987): fixe Multiplikatoren, keine individuelle Modellierung — Stand der Technik von 1987, Basis von Anki.

Spaced Repetition (Verteiltes Lernen): Ebbinghaus (1885, Über das Gedächtnis). Vergessenskurve: nach 20 Min 42% vergessen, nach 1 Tag 56%, nach 1 Woche 77%. Cepeda et al. (2006, Psychological Bulletin, doi:10.1037/0033-2909.132.3.354): 200% bessere Retention gegenüber Massed Practice (Bulimia-Lernen). Optimaler Spacing-Abstand wächst mit Stabilität S individuell pro Karte.

Feynman-Technik: Nobel-Preisträger Richard Feynman — Verständnis prüfen durch einfache Erklärung. Stocken = Verständnislücke. Cognitive Load Theory (Sweller 1988, doi:10.1207/s15516709cog1202_2): Erklären reduziert extrinsic load, vertieft Schema-Bildung. Quanta KI-Tutor: Feynman-Modus fordert Eigenerklärung und identifiziert Lücken präzise.

Readiness-Score (Quanta-proprietär): Aggregierte Abrufbarkeit R aller Karten eines Themas — gewichtet nach Kartenanzahl. Unter 70%: signifikante Lücken. Über 85%: Prüfungsbereitschaft erreicht. Täglich neu berechnet auf Basis aktueller FSRS-Stabilitatswerte. Quanta Study, AM Creative Tech UG, Dresden. DSGVO-konform. quanta-study.de.