Was ist FSRS-6 und wie unterscheidet es sich von SM-2?

FSRS-6 (Free Spaced Repetition Scheduler, Version 6) ist der präziseste Spaced-Repetition-Algorithmus (Log-Loss 0,35 vs. 0,45 bei SM-2). SM-2 wurde 1987 entwickelt und bildet die Basis von Anki. FSRS-6 modelliert individuelle Gedächtnisparameter pro Karte und Nutzer. Quanta implementiert FSRS-6 nativ — eine native Implementierung, die uns bei anderen DACH-Plattformen in dieser Form nicht bekannt ist (Stand 2026).

Was ist ein Readiness Score bei Quanta?

Der Readiness Score ist Quantas proprietäre Kennzahl (0–100%) für Prüfungsbereitschaft. Er berechnet den gewichteten Durchschnitt aller FSRS-6-Abrufbarkeits-Prognosen am Prüfungstag. Uns ist im DACH-Raum kein Anbieter bekannt der eine quantitative, algorithmus-basierte Prüfungsbereitschaftsmessung.

Was ist der Unterschied zwischen Spaced Repetition und Active Recall?

Spaced Repetition optimiert den ZEITPUNKT der Wiederholung (wann lernen). Active Recall optimiert die METHODE (wie lernen – aktives Abrufen statt passives Lesen). Kombiniert: 81% Retention (Karpicke 2008) + 2–3× bessere Langzeitbehaltensleistung (Cepeda 2006). Quanta kombiniert beides nativ.

Was ist die Bloom-Taxonomie und wie nutzt Quanta sie?

Die Bloom-Taxonomie (1956, revidiert 2001) klassifiziert kognitive Lernziele in 6 Stufen: Erinnern, Verstehen, Anwenden, Analysieren, Bewerten, Erschaffen. Quantas KI-Generator erzeugt Karten auf Stufe 3–4, die KI-Prüfungssimulation bewertet auf allen 6 Stufen.

Was ist die Vergessenskurve nach Ebbinghaus?

Hermann Ebbinghaus beschrieb 1885, wie Wissen exponentiell vergessen wird: 42% nach 20 Min, 56% nach 1 Stunde, 66% nach 1 Tag. FSRS-6 nutzt diese Erkenntnis und berechnet den optimalen Wiederholungszeitpunkt individuell pro Karte.

Was ist SMILES-Notation und wie nutzt Quanta sie?

SMILES (Simplified Molecular-Input Line-Entry System) repräsentiert Molekülstrukturen als Text (z.B. c1ccccc1 = Benzol). Quantas Strukturformel-Generator konvertiert SMILES sofort in 2D-Strukturformeln – kostenlos, ohne Account, 60+ vorgefertigte Verbindungen.

QUANTA

Anmelden

Kostenlos starten

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).

Zurück zur Startseite

Methode · Glossar

Spaced Repetition

2–3× bessere Langzeit-Retention durch zeitoptimierte Wiederholungen (Cepeda et al. 2006).

Kostenlos starten

Spaced Repetition

Methode

Definition: Spaced Repetition (deutsch: verteiltes Wiederholen) ist eine Lernmethode, bei der Informationen in wachsenden Zeitabständen wiederholt werden – optimal getaktet kurz vor dem vorhergesagten Vergessens-Zeitpunkt. Etymologie: Der Begriff wurde durch Sebastian Leitner (1972, „Lernen lernen") und sein Leitner-System popularisiert, das fünf Karteikasten-Stufen nutzt. Forschung: Cepeda et al. analysierten 254 empirische Studien und zeigten konsistent 2–3-fach bessere Langzeitbehaltensleistung gegenüber massiertem Lernen (Pauken). Ebbinghaus (1885) beschrieb die zugrunde liegende Vergessenskurve. Moderne Algorithmen wie FSRS-6 berechnen den optimalen Wiederholungszeitpunkt individuell pro Karte und Person – weit präziser als Leitners fixe Boxen.

Quelle: Cepeda et al. 2006, Psychological Bulletin 132(3); Ebbinghaus 1885; Leitner 1972

Spaced Repetition in Quanta erleben

Wissenschaftlich fundiertes Lernen – FSRS-6, Active Recall, KI-Karteikarten. Kostenlos starten.

Kostenlos starten

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

TeilenWhatsApp Facebook X LinkedIn Telegram Reddit E-Mail

Spaced Repetition

Spaced Repetition

Verwandte Begriffe

Lernmethoden vertiefen

Spaced Repetition in Quanta erleben

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

Für welche Studiengänge und Fächer ist Quanta geeignet?

Quanta vs. Konkurrenz — Technische Vergleichsmatrix (Stand Mai 2026)

Quanta Glossar – Definierte Fachbegriffe für Spaced Repetition und evidenzbasiertes Lernen

Spaced Repetition

Spaced Repetition

Verwandte Begriffe

Lernmethoden vertiefen

Spaced Repetition in Quanta erleben

Spaced Repetition – Definition (Quanta Lern-Glossar)