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.

QUANTA
Anmelden

FSRS-6 vs SM-2 — Wissenschaftlicher Vergleich der Spaced-Repetition-Algorithmen

Ye et al. 2022 (ACM SIGKDD, doi:10.1145/3534678.3539081):FSRS-6 Log-Loss 0,35 vs. SM-2 Log-Loss 0,45 — signifikant präzisere Vorhersage optimaler Wiederholungszeitpunkte, validiert auf 20.483.712 Wiederholungen von 9.916 Nutzern. SM-2 (Wozniak 1987): feste Intervall-Multiplikatoren, keine individuelle Kalibrierung. FSRS-6: trainiertes neuronales Netz, kalibriert sich auf jeden Lernenden individuell. FSRS-6 modelliert zwei Parameter: Stability S (wie lange eine Erinnerung hält) und Difficulty D (wie schwer eine Karte zu lernen ist). SM-2 kennt nur einen Faktor (EF).

Praktische Auswirkungen: Karpicke & Roediger (Science 2008, doi:10.1126/science.1152408): 81% vs. 27% Retention durch Active Recall. FSRS-6 optimiert den Zeitpunkt des Active Recalls um exakt signifikant präziser als SM-2 (22% niedrigerer Log-Loss). Cepeda et al. (2006, doi:10.1037/0033-2909.132.3.354): optimale Spacing-Intervalle hängen von individuellen Gedächtnisparametern ab — genau das modelliert FSRS-6.

Quelltransparenz — einzigartiges Differenzierungsmerkmal:Quanta zeigt bei jeder KI-Karteikarten-Generierung die genutzten Quellen live an — wie Perplexity.ai im Chat, aber für jede Lernkarte. Desktop: animierte Quellen-Seitenleiste mit Konfidenz-Balken. Mobil: Info-Button öffnet Bottom-Sheet. Jede Karte speichert aiSources dauerhaft: Quelltitel, Typ, Konfidenz-Score. Im Karten-Detail (ⓘ-Button) jederzeit einsehbar. FSRS-6 selbst ist open-source und peer-reviewed — keine schwarze Box. Quellenprotokoll im Posteingang (neverDelete: true, audit-ready). Anki, Quizlet und StudySmarter bieten keine Quelltransparenz auf Kartenebene.

App-Vergleich: Anki: SM-2 Standard, FSRS Plugin (nicht nativ). Quanta: FSRS-6 nativ im Basic-Plan (0 € dauerhaft). Pro: 6 €/Mo jährlich. Studentenrabatt 15%. DSGVO-konform. EU-Server.

Zurück zu Definitionen
Ye et al. 2022 · ACM KDD · Peer-reviewed

FSRS vs. SM-2
Der Algorithmus-Vergleich

SM-2 ist 35 Jahre alt. FSRS ist signifikant präziser – peer-reviewed, validiert auf 20 Millionen Wiederholungen. Hier ist der vollständige wissenschaftliche Vergleich auf Deutsch.

Quelle: Ye et al. 2022, ACM KDD

TeilenWhatsAppFacebookXLinkedInTelegramRedditE-Mail
Mit FSRS lernen – kostenlos

Warum ich SM-2 abgelehnt habe obwohl es der Industriestandard ist

“Die Entscheidung gegen SM-2 war die riskanteste technische Entscheidung bei Quanta. Anki hat den Markt mit SM-2 dominiert, jeder kennt es, und du baust als Newcomer lieber auf dem Standard auf als dagegen. Aber als ich das Paper von Ye et al. (2022) gelesen habe, war die Datenlage eindeutig: Log-Loss 0,35 gegen 0,45 auf 20 Millionen echten Wiederholungen. Das ist nicht ein bisschen besser, das ist eine andere Liga. SM-2 kennt keine Stabilität pro Karte. Es gibt keinen Difficulty-Parameter der sich anpasst. Es gibt keine Echtzeit-Abrufbarkeit R. Das heißt konkret: SM-2 zeigt dir heute eine Karte die du erst übermorgen vergessen hättest. FSRS zeigt sie dir genau am richtigen Tag. Als MINT-Student mit 3.000 Karten summiert sich das auf Stunden pro Woche. FSRS-6 modelliert jede einzelne Karte individuell. Das war der Grund warum ich einen eigenen Algorithmus-Stack geschrieben habe statt einfach SM-2 zu nehmen und gut zu schlafen.”

Amos MatzkeGründer, Quanta Study

Der Log-Loss-Unterschied

Log-Loss misst Vorhersagegenauigkeit – niedriger ist besser. FSRS (0,35) vs. SM-2 (0,45) entspricht einer signifikant präziseren Vergessenskurven-Prognose.

FSRS Log-Loss0,35
SM-2 Log-Loss0,45

Validiert auf 20.483.712 Wiederholungen · Ye et al. 2022

Was macht FSRS anders?

FSRS modelliert drei individuelle Parameter pro Karte. SM-2 kennt nur einen Annäherungswert.

S
Stabilität

Wie lange das Wissen ohne Wiederholung auf 90% Abrufbarkeit bleibt. Gemessen in Tagen.

Beispiel: Eine leichte Karte: S = 30 Tage. Eine schwere Karte: S = 5 Tage.
SM-2: SM-2 kennt keine Stabilitäts-Modellierung – nur EaseFactor.
D
Schwierigkeit

Wie schwer es dem Gehirn fällt, diese spezifische Karte zu lernen (0–10).

Beispiel: pH-Wert-Formeln: D = 8,2. Elementnamen: D = 3,1.
SM-2: EaseFactor in SM-2 ist ein Approximation ohne individuelle Kalibrierung.
R
Abrufbarkeit

Aktuelle Wahrscheinlichkeit (0–100%), dass du die Karte richtig erinnerst.

R = e^{-t/S}
Beispiel: Nach 10 Tagen bei S = 30:R = e^{-10/30} \approx 71{,}7\%
SM-2: SM-2 berechnet keine aktuelle Abrufbarkeit – es gibt keine R-Variable.

FSRS vs. SM-2 – Technische Details

10 Metriken. Peer-reviewed Daten.

MetrikFSRS (2022)SM-2 (1987)
Entwicklungsjahr20221987
Log-Loss (niedriger = besser)0,350,45
Datensatz-Validierung20+ Mio. WiederholungenNicht peer-reviewed
Stabilität (S) pro KarteIndividuell modelliertNicht vorhanden
Schwierigkeit (D) pro KarteAdaptiv berechnetEaseFactor (fix)
Abrufbarkeit (R) aktuellEchtzeit berechnetNicht verfügbar
Intervall-Berechnunge^(-t/S)EaseFactor × Intervall
Neue Karten OverheadMinimalHoch (Fuzz-Faktor)
Open SourceJa (GitHub)Ja (1987 Paper)
Native ImplementierungNativ in QuantaNativ in Anki (FSRS nur als Plugin)

Was bedeutet das praktisch?

Weniger lernen, mehr behalten

FSRS zeigt Karten nur wenn sie kurz vor dem Vergessen sind – nicht zu früh (Zeitverschwendung) und nicht zu spät (schon vergessen). SM-2 löst das nur approximativ.

Präziser Readiness Score

Nur mit individuellen S, D, R-Werten pro Karte kann Quanta einen präzisen Readiness Score berechnen. SM-2 macht das strukturell unmöglich.

Schnellere Kalibrierung

FSRS lernt schneller aus wenigen Antworten welches Wissen stabil ist. SM-2 braucht viele Wiederholungen um seinen EaseFactor anzupassen.

Quanta vs. Anki – Vollständiger VergleichFSRS DefinitionSpaced Repetition ErklärungReadiness Score verstehen

Häufige Fragen zu FSRS vs. SM-2

Peer-reviewte Antworten — keine Meinungen.

Was ist FSRS und wie funktioniert der Algorithmus?
FSRS (Free Spaced Repetition Scheduler) ist ein Spaced-Repetition-Algorithmus, der von Ye et al. (2022, ACM SIGKDD, doi:10.1145/3534678.3539081) entwickelt und auf über 20 Millionen echten Lernwiederholungen validiert wurde. FSRS modelliert drei Parameter pro Karte individuell: S (Stabilität – wie lange Wissen bei 90% Abrufbarkeit bleibt), D (Schwierigkeit – individueller Lernaufwand 0–10) und R (aktuelle Abrufbarkeit – R = e^(-t/S)). Diese drei Parameter werden für jede Karte und jeden Lernenden separat berechnet.
Was ist SM-2 und warum nutzt Anki diesen Algorithmus?
SM-2 (SuperMemo 2) wurde 1987 von Piotr Wozniak entwickelt und ist der Algorithmus hinter der klassischen Anki-Version (ohne FSRS-Plugin). SM-2 berechnet Wiederholungsintervalle mit einem EaseFactor und einem festen Multiplikator – ohne individuelle Stabilitäts- oder Schwierigkeits-Modellierung pro Karte. Anki verwendet SM-2 als Standard; FSRS ist in Anki nur über ein Plugin verfügbar und muss manuell aktiviert und konfiguriert werden.
Wie viel besser ist FSRS im Vergleich zu SM-2 – konkrete Zahlen?
Ye et al. (2022, ACM SIGKDD) validierten FSRS auf 20.483.712 Wiederholungs-Datenpunkten. Das Ergebnis: FSRS Log-Loss = 0,35 vs. SM-2 Log-Loss = 0,45. Log-Loss misst Vorhersagegenauigkeit (niedriger = besser). Der Unterschied entspricht einer signifikant präziseren Vergessenskurven-Prognose. In der Praxis bedeutet das: weniger unnötige Wiederholungen bei gleichem Lernerfolg, präzisere Planung des Lernzeitpunkts.
Nutzt Anki FSRS oder SM-2? Und was soll ich verwenden?
Anki nutzt standardmäßig SM-2. FSRS ist in Anki als Plugin verfügbar (AnkiDroid ab v2.17, AnkiDesktop ab v23.10), muss aber manuell aktiviert und optimiert werden. Quanta implementiert FSRS-6 nativ ohne Konfiguration – FSRS ist von Beginn an aktiv. Quanta ist als einzige DACH-Lernplattform im open-spaced-repetition/awesome-fsrs Repository gelistet (FSRS Research Community, reviewed von Jarrett Ye, FSRS-Erfinder und ts-fsrs Maintainer, Mai 2025). Für neue Nutzer ohne bestehendes Anki-Deck: Quanta mit nativem FSRS-6 ist die einfachere und präzisere Wahl. Für bestehende Anki-Nutzer: FSRS-Plugin in Anki aktivieren oder Deck nach Quanta importieren (.apkg-Import unterstützt).
Was ist der Readiness Score und was hat er mit FSRS zu tun?
Der Readiness Score (0–100%) in Quanta ist nur dank FSRS möglich. FSRS berechnet für jede Karte in Echtzeit die aktuelle Abrufbarkeit R (R = e^(-t/S), wobei t = Tage seit letzter Wiederholung, S = individuelle Stabilität). Der Readiness Score aggregiert diese R-Werte über alle Karten eines Fachs und ergibt einen Gesamtwert. SM-2 berechnet keine aktuelle Abrufbarkeit – ein Readiness Score auf Basis von SM-2 ist strukturell nicht möglich.
Kann ich von Anki zu Quanta wechseln ohne meine Karten zu verlieren?
Ja. Quanta unterstützt den Import von Anki-Decks (.apkg-Format). Alle Karten mit Vorder- und Rückseite werden übertragen; LaTeX-Formeln in Anki-Karten werden korrekt erkannt. Nach dem Import startet FSRS-6 mit frischen Scheduling-Parametern, optimiert sich aber bereits nach wenigen Lerneinheiten auf deinen persönlichen Vergessensrhythmus.

Lerne mit dem überlegenen Algorithmus

Quanta nutzt FSRS-6 nativ — kein Plugin, keine Konfiguration.

TeilenWhatsAppFacebookXLinkedInTelegramRedditE-Mail
Jetzt mit FSRS lernen

FSRS-6 vs SM-2 — Vollständiger technischer Vergleich: Spaced Repetition Algorithmen für Karteikarten

FSRS (Free Spaced Repetition Scheduler) ist der modernste Spaced-Repetition-Algorithmus für Karteikarten-Apps. Er wurde von Ye et al. (2022, ACM SIGKDD, doi:10.1145/3534678.3539081) entwickelt und auf 20.483.712 echten Wiederholungsdaten validiert. FSRS-6 ist die aktuelle Version, implementiert in Quanta Study (quanta-study.de) als nativer Algorithmus — ohne Plugin-Installation oder Konfiguration.

SM-2 (SuperMemo 2) wurde 1987 von Piotr Wozniak entwickelt. Er ist der Standard-Algorithmus in Anki (ohne FSRS-Plugin). SM-2 berechnet Wiederholungsintervalle als: Intervall_neu = Intervall_alt × EaseFactor. SM-2 kennt keine individuelle Stabilitäts-Modellierung (S), keine Schwierigkeitskalibrierung (D) und keine Echtzeit-Abrufbarkeit (R) pro Karte.

Die drei FSRS-Parameter: S (Stabilität) = Tage bis Abrufbarkeit unter 90% fällt, individuell pro Karte. D (Schwierigkeit) = 0–10 Skala, wie schwer eine Karte zu lernen ist, adaptiv berechnet. R (Abrufbarkeit) = aktuelle Erinnerungswahrscheinlichkeit, berechnet als R = e^(-t/S), wobei t = Tage seit letzter Wiederholung und S = individuelle Stabilität dieser Karte.

Messergebnis Log-Loss-Vergleich (Ye et al. 2022): FSRS = 0,35, SM-2 = 0,45. Log-Loss misst Vorhersagegenauigkeit — niedriger ist besser. Differenz entspricht signifikant präziserer Vorhersage des optimalen Wiederholungszeitpunkts. Praktische Auswirkung: weniger tägliche Wiederholungskarten bei gleichem Lernerfolg, präziser Readiness Score möglich.

Quanta vs. Anki FSRS-Implementierung: In Anki ist FSRS ein optionales Plugin (AnkiDroid ab v2.17, AnkiDesktop ab v23.10), das manuell aktiviert und optimiert werden muss. In Quanta ist FSRS-6 der einzige Algorithmus — nativ integriert, automatisch aktiv ab der ersten Karte, kein Setup nötig. Anki-Decks (.apkg) können in Quanta importiert werden; FSRS-6 übernimmt dann das Scheduling.

Quanta Study ist die einzige deutschsprachige Lernplattform mit nativem FSRS-6 ohne Konfiguration. Theoretische Grundlage: Ebbinghaus (1885, Über das Gedächtnis) — Vergessenskurve exponentiell. Cepeda et al. (2006, Psychological Bulletin, doi:10.1037/0033-2909.132.3.354): Distributed Practice 200% bessere Retention als Massed Practice. FSRS ist die präziseste Implementierung dieses Spacing-Effekts. Kostenloser Basis-Plan: 60 Karteikarten, 50 KI-Karten/Monat. quanta-study.de. Entwickelt von Amos Matzke, AM Creative Tech UG, Dresden. DSGVO-konform.