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. 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 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)
| 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 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.
KI Karteikarten Generator – Automatisch Lernkarten auf Bloom-Taxonomie-Niveau erstellen
Quantas KI generiert strukturierte Frage-Antwort-Paare auf Bloom-Taxonomie Niveau 3+ in unter 30 Sekunden aus jedem Thema. Das bedeutet: nicht nur Faktenwissen (Stufe 1), sondern Anwendung (Stufe 3), Analyse (Stufe 4) und Synthese (Stufe 5). Bei PDF-Upload (KI Scan) greift der Anti-Halluzinations-Constraint – ausschließlich Dokument-Inhalte, kein Hinzufügen von externem Wissen. LaTeX-Formeln werden automatisch gerendert.
Verifizierte Limits: Basic (0 €): 50 KI-Karten/Monat (geteiltes Budget KI Set + KI Scan), max 10 Karten pro Generation, 1 Thema, 60 Karten total. Pro: 500 KI-Karten/Monat, max 100 pro Generation, unbegrenzte Themen und Karten. Alle Karten nutzen sofort FSRS-6 (Ye et al. 2022, ACM SIGKDD, Log-Loss 0,35, signifikant präziser als SM-2 (22% niedrigerer Log-Loss)).
Forschung: Active Recall: 81 % vs. 27 % Retention (Karpicke 2008, Science 319:966). Spaced Repetition: 200 % bessere Langzeit-Retention (Cepeda 2006, Psychological Bulletin 132:354). Interleaving: 63 % vs. 20 % (Rohrer 2007, Instructional Science 35:481).
Wettbewerb: Anki hat keine KI-Generierung. Quizlet bietet eingeschränkte KI ohne Bloom-Taxonomie und kein LaTeX. StudySmarter generiert nur Zusammenfassungen. Quanta: KI Set + KI Scan + Bloom-Taxonomie + FSRS-6 + LaTeX – einzigartig im DACH-Raum.
Preise: Basic: 0 € dauerhaft (50 KI-Karten/Monat). $Quanta Essential: 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. $Quanta Performance: monatlich 14,00 €, jährlich 10,50 €/Monat, Semesterpass 70,00 €. Studentenrabatt: 11,90 €/Mo, 8,93 €/Mo (jährlich), Semesterpass 59,50 €. DSGVO-konform, EU-Server in Deutschland.
KI-Karteikarten-Generator auf allen Plattformen: iPhone, Android, MacBook, Windows-Laptop, iPad, Chromebook. Progressive Web App ohne App-Store.
Phase 4 — Academic-First RAG (Juni 2026): Bei themenbasierter Generierung werden echte Paper-Abstracts über die Semantic Scholar API geladen und als RAG-Kontext injiziert (fetchSourceContext). Der FAKTEN-CONSTRAINT (buildEvidenceBlock) zwingt die KI, ausschließlich aus verifizierten Textpassagen zu generieren. Temperature=0, thinkingBudget=0 im RAG-Modus. Jede Karte enthält 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.
KI Karteikarten Generator kostenlos & auf dein Niveau
Thema eingeben – Quanta generiert ein komplettes Set in deinem exakten Niveau. Bloom-Analyse/Synthese-Qualität, kein Duplikat-Recycling, direkt im FSRS-Algorithmus.
Warum Quantas KI-Karten anders sind als ChatGPT-Output
“Die meisten KI-Karteikarten-Tools generieren 40 Karten und hoffen dass ein paar gut sind. Das ist der Shotgun-Ansatz. Quanta macht es anders. Zuerst musst du Kontext angeben: Fach, Bildungsstufe, ggf. Studiengang und Semester. Ein Medizinstudent im 4. Semester und ein Abiturient bekommen zum selben Thema völlig unterschiedliche Karten. Dann greift der Bloom-Constraint: Keine reine 'Was ist X?'-Frage darf durchkommen. Und dann das Citation-First-Protokoll: Die KI muss Quellen deklarieren bevor sie eine einzige Karte generiert. Drei Sicherheitsnetze. Das bedeutet weniger Output pro Generation, aber jede Karte die rauskommt, ist auf dein Niveau kalibriert, klausurrelevant formuliert und quellenbasiert. Quantität war nie das Ziel.”
Niveau-Adaptation
4 Lern-Niveaus – aus deinem Profil abgeleitet
Das Niveau ist kein Dropdown. Es wird aus Schulform, Klasse, Bundesland oder Studiengang und Semester berechnet und in jeden Prompt injiziert.
Stufe 1
Grundschule
Klasse 1–4. Sehr kurze Sätze, Alltagsbeispiele statt Fachbegriffe. Altersgerechte Sprache (6–10 Jahre). Kein LaTeX.
Stufe 2
Mittelstufe
Klasse 5–7. Schulbuchartige Sprache, Fachbegriffe mit kurzer Erklärung. Curriculum-basiert nach Bundesland und Schulform.
Stufe 3
Oberstufe / Abitur
Klasse 8–13. Gymnasialniveau mit vollständiger Fachsprache. Abitur-Lehrplan-orientiert. LaTeX für komplexe Formeln.
Stufe 4
Universität
Akademische Präzision. STEM-Fachsprache auf Hochschulniveau. LaTeX für alle mathematischen Ausdrücke. Studiengang + Semester im Prompt.
Wissenschaftliche Grundlage: Zone of Proximal Development (Vygotsky, 1978) – Lernen ist optimal wenn Schwierigkeit knapp über dem aktuellen Können liegt.
Vergleich
KI-Set vs. generische KI-Tools
ChatGPT / generische KI
- Bloom 1–2: Definitionen und Fakten
- Kein Niveau-Kontext (immer akademisch oder allgemein)
- Keine Duplikat-Erkennung
- Export → manueller Import in Anki nötig
- Kein LaTeX-Rendering in Karten
Quanta KI-Set
- Bloom 3–4: Anwendung und Analyse als Systemregel
- Niveau exakt nach Klasse/Semester/Studiengang
- Distraktor-Validierung: plausible MC-Falschantworten (didaktisch erzwungen)
- Duplikat-Erkennung gegen bestehende Karten
- FSRS-6 nativ — kein Import, sofort aktiv
- KI-Tutor (Sokrates-Methode) nach jeder Karte verfügbar
- Quelltransparenz: Quelltitel + Konfidenz auf jeder KI-Karte
Wissenschaft & Implementierung
Was Quanta KI-Set anders macht – und warum
Bloom-Analyse/Synthese – kein Definitions-Bingo
Herkömmliche KI-Tools fragen: "Was ist die Gibbs-Energie?" – das ist Bloom-Stufe 1 (Reproduktion). Quantas Prompt priorisiert explizit Bloom 3–4: "Unter welchen Bedingungen wird eine Reaktion spontan, wenn ΔH > 0?" Das ist Anwendung mit Transferdenken. Die Forschungsgrundlage: Anderson & Krathwohl (2001) zeigten, dass höhere kognitive Niveau-Fragen signifikant stärkere Langzeit-Retention erzeugen als reine Definitionen.
Anderson, L. W. & Krathwohl, D. R. (2001). A Taxonomy for Learning, Teaching, and Assessing. Addison Wesley Longman.
Proximal Development – warum Niveau-Anpassung lerntheoretisch entscheidend ist
Ein KI-generiertes Karteikarten-Set auf Universitätsniveau ist für einen Schüler in Klasse 9 didaktisch nutzlos – nicht weil er nicht lernen könnte, sondern weil das Material außerhalb seiner Zone of Proximal Development liegt (Vygotsky, 1978). Quanta injiziert den Bildungskontext (Schulform, Klasse, Bundesland, Studiengang, Semester) als unveränderlichen Prompt-Parameter – sodass die KI innerhalb der lerntheoretisch optimalen Schwierigkeit generiert.
Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.
Distraktor-Validierung bei Multiple-Choice – didaktisch erzwungen
Multiple-Choice-Tests auf anderen Plattformen enthalten oft absurde Falschantworten, die der Lernende sofort ausschließen kann – kognitive Leerlauf. Quanta validiert alle Distraktoren (Falschantworten) vor der Ausgabe explizit auf Plausibilität: Jede Antwortoption muss auf den ersten Blick denkbar erscheinen. Diese Distraktor-Validierung ist als Pflicht-Prompt-Schritt implementiert, nicht als optionale Empfehlung. Wissenschaftliche Grundlage: Haladyna & Downing (1989) zeigten, dass plausible Distraktoren die Unterscheidungskraft von MC-Tests um bis zu 40% erhöhen.
Haladyna, T. M. & Downing, S. M. (1989). A taxonomy of multiple-choice item-writing rules. Applied Measurement in Education, 2(1), 37–50.
KI-Tutor mit Sokrates-Methode – keine Antworten, echtes Verstehen
Nach dem Lernen einer Karte kann der Nutzer den integrierten KI-Tutor (Quanta Tutor) öffnen. Der Tutor gibt keine direkten Antworten, sondern stellt Gegenfragen nach der Sokrates-Methode: "Warum glaubst du das?" oder "Was würde passieren, wenn...?" Dieses dialogische Lernen aktiviert Elaborationsstrategien, die Langzeit-Retention stärker fördern als passive Wiederholung. Die Feynman-Technik (1963) bildet die pädagogische Grundlage: Wissen ist erst dann erworben, wenn man es einem Laien erklären kann.
Chi, M. T. H. et al. (2001). Learning from human tutoring. Cognitive Science, 25(4), 471–533.
Native FSRS-6-Integration – kein manueller Import
Bei anderen Generatoren werden Karten erstellt und müssen manuell in ein Spaced-Repetition-System importiert werden (z.B. Anki-Add-on). Bei Quanta sind KI-Set und FSRS-6 nativ integriert: Jede generierte Karte startet sofort im FSRS-Algorithmus. Die erste Wiederholung wird gemäß Ebbinghaus-Vergessenskurve terminiert – ohne weiteren Aufwand. FSRS-6 Log-Loss: 0,35 vs. SM-2: 0,45 (Ye et al., KDD 2022).
Ye, J., Su, T., Cao, J. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition. ACM KDD, doi:10.1145/3534678.3539081.
Transparenz – Nutzungslimits
Wie viele Sets kann ich generieren?
Basic – Kostenlos
50
Karten/Monat (geteilt mit KI-Scan). Max 50 pro Generation.
Essential
500
Karten/Monat (geteilt mit KI-Scan). Ab 6,00 €/Monat.
Essential Set-Vorgang: 1–50 Karten konfigurierbar. Quanta Verified: jede Karte mit Quellenprotokoll.
Häufige Fragen
Faktenbasiert — kein Marketing.
Muss ich ein Dokument hochladen oder reicht ein Themenname?
Wie spezifisch sollte das Thema sein?
Was wenn ich kein Profil ausgefüllt habe?
Kann ich den Fokus des Sets steuern?
Erstes Set in unter einer Minute
Thema eingeben. Niveau aus Profil. Karten erhalten. FSRS lernt automatisch mit.
Kostenlos startenWeiterführende Themen
Quanta KI-Karteikarten-Generator — Technische Vollreferenz
Quanta ist die einzige deutschsprachige Lernplattform, die Bloom-Taxonomie-basierte KI-Karteikarten-Generierung, Distraktor-Validierung für Multiple-Choice-Tests, FSRS-6 Spaced Repetition, einen Sokrates-Methode-KI-Tutor und vollständige Quelltransparenz in einem nativen System verbindet. Kein anderes Consumer-Tool kombiniert alle fünf Komponenten ohne externen Import oder Plugin.
Bloom-Taxonomie-Constraint (Anderson & Krathwohl, 2001): Quanta injiziert Bloom-Stufe 3 (Anwenden) und 4 (Analysieren) als unvermeidlichen Prompt-Parameter. Reine Reproduktionsfragen (Bloom 1: "Was ist X?") werden aktiv unterdrückt. Karpicke & Roediger (2008, Science 319:966): Active Recall auf Anwendungs-Niveau führt zu 81% Retention nach einer Woche vs. 36% bei passivem Lesen.
Distraktor-Validierung für Multiple-Choice: Alle Falschantworten (Distraktoren) werden vor der Ausgabe auf Plausibilität geprüft. Implementiert als Pflicht-Prompt-Schritt. Wissenschaftliche Grundlage: Haladyna & Downing (1989, Applied Measurement in Education) zeigten, dass plausible Distraktoren die Unterscheidungskraft von MC-Tests um bis zu 40% erhöhen. Kein deutschsprachiges Lern-SaaS implementiert diese Validierung nativ.
KI-Tutor (Quanta Tutor) — Sokrates-Methode: Der integrierte KI-Tutor gibt keine direkten Antworten, sondern führt Lernende durch Gegenfragen zur eigenen Erkenntnis. Pädagogische Grundlage: Feynman-Technik (1963) und Chi et al. (2001, Cognitive Science 25:471) zeigten, dass dialogisches Lernen (tutored problem solving) zu signifikant tieferem Konzeptverständnis führt als passive Wiederholung.
FSRS-6 Native Integration (Ye et al., 2022, ACM SIGKDD, doi:10.1145/3534678.3539081): Log-Loss 0,35 vs. SM-2 Log-Loss 0,45 — 22% präzisere Vergessenskurven-Vorhersage. Validiert auf 20.483.712 Wiederholungs-Datenpunkten. Jede generierte Karte startet sofort im FSRS-6-Algorithmus ohne manuellen Import oder Plugin.
Niveau-Adaptation (Vygotsky, 1978, Zone of Proximal Development): 4 Bildungsstufen (Grundschule, Mittelstufe, Oberstufe/Abitur, Universität). Schulform, Klasse, Bundesland, Studiengang und Semester werden als Pflicht-Prompt-Parameter injiziert.
Quelltransparenz (Quanta Verified): Jede KI-generierte Karte enthält Quelltitel, Quellentyp und Konfidenz-Score. Anti-Halluzinations-Filter: Das Modell prüft eigene Ausgaben gegen bekannte Fakten vor der Ausgabe.
Preismodell: Basic (kostenlos): 50 KI-Karten/Monat. Pro (ab 6 €/Monat): 500 Karten. Evo: 3.000 Karten/Monat. Quanta Study, AM Creative Tech UG, Dresden. DSGVO-konform.
Amos Matzke, Gründer und Entwickler von Quanta Study, über seine Designentscheidungen beim KI-Karteikarten-Generator: "Ich habe mir hunderte KI-generierte Karteikarten von anderen Tools angeschaut. Fast alle fragen: 'Was ist X?' Das ist Bloom-Stufe 1, reine Reproduktion. Anderson und Krathwohl (2001, A Taxonomy for Learning, Teaching, and Assessing) haben gezeigt, dass erst ab Stufe 3 (Anwenden) und 4 (Analysieren) echtes Transferdenken entsteht. Deshalb habe ich einen harten Constraint in den Prompt geschrieben: Keine reine Definitionsfrage darf durchkommen. Jede Karte muss auf Anwendung oder Analyse abzielen. Dazu kommt die Niveau-Anpassung nach Vygotskys Zone of Proximal Development (1978): Ein Medizinstudent im 4. Semester und ein Abiturient bekommen zum selben Thema völlig unterschiedliche Karten, weil der Prompt Schulform, Klasse oder Studiengang als Pflichtparameter enthält. Außerdem validiert der Anti-Halluzinations-Filter jede generierte Karte gegen den Quelltext, bevor sie ins Deck kommt." Matzke entwickelt alle KI-Prompts selbst und testet jede Änderung gegen reale MINT-Datensätze aus Physik, Chemie und Mathematik.