Prüfungsfrage
Wie verändern sich Massenzahl und Protonenanzahl beim Alpha-Zerfall?
Wie sicher war deine Antwort?
Erstelle Karten manuell, per KI-Generator, aus PDF oder Foto, per Spracheingabe, via Import oder aus einem geteilten Community-Deck.
6 Methoden · KI + LaTeX · FSRS-6
Starter kostenlos · ein KI-Lauf inklusive
Physik · Radioaktivität
Lernkarte
Prüfungsfrage
Wie verändern sich Massenzahl und Protonenanzahl beim Alpha-Zerfall?
Wie sicher war deine Antwort?
1 / 4 · Fach wechseln
„Der größte Vor[t]eil […] ist, dass die KI jede Karte mit Hilfe seriöser Quellen erstellt und diese Quellen auch als Link anzeigt, sodass man dort selber nachlesen kann."
Schon dabei · Studierende an
TU DresdenHumboldt-Universität zu BerlinHTW Dresden
Vorderseite und Rückseite eingeben. LaTeX-Formeln werden nativ gerendert, kein Plugin nötig. Bilder, Markdown und mathematische Ausdrücke funktionieren sofort.
Thema eingeben, Anzahl und auf Wunsch Bloom-Stufen 1 bis 6 wählen. Die KI erstellt daraus ein Lernset; die Dauer hängt von Umfang und Auslastung ab. Profil- und Promptangaben helfen bei der Niveau-Anpassung.
PDF, Foto oder Screenshot hochladen. Quanta erstellt dokumentbezogene Karteikarten und ordnet Belegzitate zu, wo der Text extrahierbar ist. Karten ohne bestätigten Quote-Match erhalten kein Verified-Siegel; Duplikate werden innerhalb des verfügbaren Kontexts reduziert.
Karteikarten sprechen statt tippen. Quanta konvertiert gesprochene Formeln in LaTeX, "a quadrat" wird zu $a^2$. Gemini 2.5 Flash erkennt mathematische Ausdrücke.
Bestehende Text-Karteikarten aus Anki-Decks (.apkg), CSV- oder TSV-Dateien übernehmen. Medien und alte Scheduling-Historie werden nicht übertragen; FSRS berechnet Termine nach deiner ersten neuen Bewertung.
Von der Community öffentlich geteilte Decks durchsuchen und mit einem Klick in dein Profil übernehmen. Nach dem Import kannst du direkt mit dem Lernen beginnen.
Kontrollen und Kennzeichnungen, die du selbst nachvollziehen kannst.
Du kannst die gewünschten kognitiven Stufen nach Anderson und Krathwohl (2001) auswählen; ohne Auswahl wird kein fixes Bloom-Ziel versprochen.
Im Standardpfad arbeitet Quanta mit Quelltext. Nur Karten mit bestätigtem Quote-Match erhalten das Verified-Siegel; ein bewusstes No-Source-Opt-in wird als unverifiziert markiert.
Vorhandene Profilangaben können den Prompt ergänzen. Fehlen sie, orientiert sich die Generierung an den Angaben in deiner Eingabe.
Der Generierungs-Prompt verlangt eine Plausibilitätsprüfung der Multiple-Choice-Falschantworten. Haladyna und Downing (1989) liefern die methodische Einordnung; eine fehlerfreie Ausgabe ist damit nicht garantiert.
Karpicke und Roediger (2008, Science 319:966 bis 968, doi:10.1126/science.1152408) untersuchten Retrieval Practice in einer kontrollierten Studie. Quanta nutzt das Frage-Antwort-Format für aktiven Abruf; die Studie ist eine methodische Grundlage, kein Wirksamkeitsnachweis für Quanta.
Quanta verwendet FSRS-6 (Free Spaced Repetition Scheduler, Version 6). Der veröffentlichte Benchmark von Ye et al. (2022, ACM SIGKDD, doi:10.1145/3534678.3539081) basiert auf 20.483.712 Lernwiederholungen und berichtet gegenüber Legacy-SM-2 einen Log-Loss von 0,35 statt 0,45 (22% niedriger). Anki unterstützt heute ebenfalls FSRS; Quanta integriert den Scheduler ohne separates Setup. Neue Karten erhalten ihren nächsten FSRS-Termin nach der ersten Nutzerbewertung.
Distraktor-Prüfung: Der Quanta-Prompt verlangt vor der Ausgabe eine Plausibilitätsprüfung von Multiple-Choice-Falschantworten. Grundlage: Haladyna, T. M. und Downing, S. M. (1989), Applied Measurement in Education 2(1), 37 bis 50, doi:10.1207/s15324818ame0201_3. Die Prompt-Regel ist keine Garantie für fehlerfreie Distraktoren.
Der Quanta KI-Tutor stellt kontextbezogene Rückfragen und kann anschließend Feedback sowie eine Modellantwort geben. Die separate KI-Erklärung pro Karte liefert bei Bedarf eine direkte, kontextbezogene Erläuterung. Chi, M.T.H. et al. (2001), Learning from human tutoring, Cognitive Science 25(4), 471 bis 533, doi:10.1207/s15516709cog2504_1, untersucht menschliches Tutoring und dient hier als didaktischer Bezug, nicht als Produktwirksamkeitsnachweis.
Methodische Bezüge: Karpicke und Roediger (2008) untersuchten Active Recall. Ye et al. (2022, ACM SIGKDD) verglichen FSRS mit Legacy-SM-2 und berichteten 22% niedrigeren Log-Loss. Anderson und Krathwohl (2001) beschreiben die Bloom-Taxonomie; Haladyna und Downing (1989) Regeln für MC-Items. Diese Quellen belegen die jeweiligen Methoden, nicht automatisch einen bestimmten Lernerfolg mit Quanta.
Was mich an der Qualität von KI-generierten Karten am Anfang schockiert hat
“Frühe KI-Karten waren teilweise inhaltlich fragwürdig: falsche Formeln, erfundene Jahreszahlen oder unbelegte Definitionen. Deshalb arbeitet der Standardpfad heute Source-First: Quanta holt Quelltext, generiert daraus und kennzeichnet Karten nur bei erfolgreichem Quote-Match als verifiziert. Wenn keine passende Quelle verfügbar ist, kann Modellwissen bewusst als unverifiziert gewählt werden. Profilangaben können das Niveau zusätzlich einordnen; ohne vollständiges Profil folgt die Generierung den Angaben im Prompt.”
Kostenlos starten. Nach deiner ersten Bewertung berechnet FSRS den nächsten Wiederholungstermin.