Stufe 1
Grundschule
Klasse 1 bis 4. Sehr kurze Sätze, Alltagsbeispiele statt Fachbegriffe. Altersgerechte Sprache (6 bis 10 Jahre). Kein LaTeX.
Gib ein Thema und deinen Kontext ein. Quanta erstellt Karten mit drei ab Essential wählbaren Niveaus über Bloom 1 bis 6, gleicht sie mit vorhandenen Karten ab und bereitet das Set für FSRS-Wiederholungen bereit.
Europäischer KI-Anbieter (Mistral, Paris) · Source-First-Standard · unverifiziertes Opt-in
Starter kostenlos · ein KI-Lauf inklusive
„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."Vollständige Profilangaben zu Schulform, Klasse und Region oder Studiengang und Semester fließen in den Prompt ein. Ohne ausreichenden Bildungskontext bleibt der Fallback neutral und folgt deiner Eingabe.
Stufe 1
Klasse 1 bis 4. Sehr kurze Sätze, Alltagsbeispiele statt Fachbegriffe. Altersgerechte Sprache (6 bis 10 Jahre). Kein LaTeX.
Stufe 2
Klasse 5 bis 7. Schulbuchartige Sprache, Fachbegriffe mit kurzer Erklärung. Curriculum-basiert nach Bundesland und Schulform.
Stufe 3
Klasse 8 bis 13. Gymnasialniveau mit vollständiger Fachsprache. Abitur-Lehrplan-orientiert. LaTeX für komplexe Formeln.
Stufe 4
Akademische Präzision. STEM-Fachsprache auf Hochschulniveau. LaTeX für alle mathematischen Ausdrücke. Studiengang und Semester im Prompt.
Didaktische Einordnung: Die Zone of Proximal Development (Vygotsky, 1978) beschreibt Lernen mit angemessener Unterstützung; sie ist kein Wirksamkeitsnachweis für Quanta.
Warum Quantas KI-Karten anders sind als ChatGPT-Output
“Quanta nutzt den Bildungskontext aus deinem Profil, wenn er vollständig vorliegt. Fehlt er, bleibt der Prompt neutral und orientiert sich an deiner Eingabe. Ohne Bloom-Auswahl mischt Quanta wie eine Prüfung: alle drei Niveaus vertreten, der Schwerpunkt in der Mitte. Eines der drei Niveaus über den Stufen 1 bis 6 kannst du ab Essential explizit wählen, dann geht es mit Stückzahlen als Vorgabe in die Generierung. Im Source-First-Standardpfad holt Quanta zuerst echten Volltext, generiert daraus und prüft belegte Karten wörtlich per Quote-Match gegen die Quelle. Findet Quanta keine brauchbare Quelle, entstehen keine Karteikarten; eine Datei oder eine URL ist dann der Weg.”
Die Demo zeigt einen versionierten, dokumentgebundenen Quanta-Zustand statt erfundener Dashboard-Metriken.
Physik · Radioaktivität
Karteikarte
Prüfungsfrage
Wie verändern sich Massenzahl und Protonenanzahl beim Alpha-Zerfall?
Wie sicher war deine Antwort?
Ohne Auswahl gibt Quanta Stückzahlen je Niveau vor, alle drei vertreten und der Schwerpunkt in der Mitte. Wählst du ab Essential eines oder mehrere der drei Niveaus über den Stufen 1 bis 6, geht genau dieses Niveau als Vorgabe mit Stückzahlen in die Generierung, und Quanta prüft das Ergebnis auf seine Form: von Erinnern und Verstehen über Anwenden und Analysieren bis Evaluieren und Erstellen.
Anderson, L. W. & Krathwohl, D. R. (2001). A Taxonomy for Learning, Teaching, and Assessing. Addison Wesley Longman.
Ein KI-generiertes Karteikarten-Set auf Universitätsniveau ist für einen Schüler in Klasse 9 didaktisch unpassend. Liegt ein vollständiger Bildungskontext vor, übergibt Quanta Schulform, Klasse und Region oder Studiengang und Semester an den Prompt. Fehlen diese Angaben, weist der neutrale Fallback die KI an, Niveau und Terminologie aus der konkreten Eingabe abzuleiten, ohne eine Bildungsstufe zu erraten.
Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.
Schlecht konstruierte Multiple-Choice-Aufgaben lassen Falschantworten oft sofort erkennen. Quanta weist das Modell deshalb vor der Ausgabe an, Distraktoren auf Plausibilität zu prüfen. Das ist ein verpflichtender Prompt-Schritt, aber keine Garantie für fehlerfreie Antwortoptionen. Haladyna & Downing (1989) ordnen plausible Distraktoren methodisch ein.
Haladyna, T. M. & Downing, S. M. (1989). A taxonomy of multiple-choice item-writing rules. Applied Measurement in Education, 2(1), 37 bis 50.
In der Karten-Lernsitzung kann der Nutzer eine kontextsensitive KI-Erklärung anfordern. Der separate Quanta Tutor nutzt Karten als Prüfungskonzepte, stellt adaptive Anschlussfragen und gibt strukturiertes Feedback einschließlich Verbesserungsschritten und Musterlösung. Sokratische Vertiefungsfragen sind dabei ein Fragetyp, nicht die einzige Antwortform.
Chi, M. T. H. et al. (2001). Learning from human tutoring. Cognitive Science, 25(4), 471 bis 533.
Quanta speichert generierte Karten direkt im Lernsystem. Sobald du eine Karte erstmals bewertest, berechnet FSRS-6 daraus Stabilität, Schwierigkeit und den nächsten Wiederholungstermin. Im offenen Vergleich der open-spaced-repetition-Gemeinschaft erreicht FSRS-6 einen Log-Loss von 0,3460 auf 349.923.850 Wiederholungen aus 9.999 Sammlungen (abgerufen am 5. September 2026); Log-Loss misst den Vorhersagefehler, kleiner ist besser, und eine Zeile für SM-2 führt diese Tabelle nicht. Die begutachtete Arbeit dahinter, Ye et al. 2022, berichtet 220 Millionen Verhaltensprotokolle und eine Verbesserung von 12,6 % gegenüber dem Stand der Technik. Beides sind Ergebnisse dieser Datensätze und keine pauschale Produktwirkung.
Ye, J., Su, J., Cao, Y. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition. ACM KDD, doi:10.1145/3534678.3539081.
Thema eingeben. Profilkontext nutzen oder neutral an der Eingabe orientieren. Nach der ersten Bewertung plant FSRS die Wiederholung.