Stufe 1
Grundschule
Klasse 1 bis 4. Sehr kurze Sätze, Alltagsbeispiele statt Fachbegriffe. Altersgerechte Sprache (6 bis 10 Jahre). Kein LaTeX.
KI Karteikarten Generator auf dein Niveau
Gib ein Thema und deinen Kontext ein. Quanta erstellt Karten mit wählbaren Bloom-Stufen 1 bis 6, gleicht sie mit vorhandenen Karten ab und bereitet das Set für FSRS-Wiederholungen bereit.
Gemini 2.5 Flash · Source-First-Standard · unverifiziertes Opt-in
Kostenlos starten
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."
Schon dabei · Studierende an
TU DresdenHumboldt-Universität zu BerlinHTW Dresden
Lern-Niveau aus deinem Kontext
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 2
Mittelstufe
Klasse 5 bis 7. Schulbuchartige Sprache, Fachbegriffe mit kurzer Erklärung. Curriculum-basiert nach Bundesland und Schulform.
Stufe 3
Oberstufe / Abitur
Klasse 8 bis 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 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 ist keine feste Zielstufe vorgegeben; der Pfad formuliert passend zu Inhalt und Kontext. Die Stufen 1 bis 6 kannst du explizit wählen, dann werden sie als verbindliche Ziele übergeben. 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, kannst du bewusst ungegroundetes Modellwissen wählen; solche Karten werden klar als unverifiziert markiert.”
Was Quanta KI-Set anders macht, und warum
Die Demo zeigt einen versionierten, dokumentgebundenen Quanta-Zustand statt erfundener Dashboard-Metriken.
Physik · Radioaktivität
Lernkarte
Prüfungsfrage
Wie verändern sich Massenzahl und Protonenanzahl beim Alpha-Zerfall?
Wie sicher war deine Antwort?
RichtigUnsicherFalsch
Beleg direkt mit der Karte verknüpft
1 / 4 · Fach wechseln
Freier Chat-Output
- — Lernziel und Niveau müssen im Prompt jeweils ausdrücklich beschrieben werden
- — Quellenstatus hängt vom gewählten Modell und Prompt ab
- — Ausgabe ist noch kein Lernset mit Terminplanung
- — Abgleich mit vorhandenen Karten erfordert einen separaten Workflow
- — Übernahme in eine Lernapp bleibt ein zusätzlicher Schritt
Quanta KI-Set
- — Ohne Auswahl keine feste Bloom-Zielstufe; gewählte Stufen sind verbindlich
- — Niveau aus Profilkontext; sonst neutral an der Eingabe orientiert
- — Distraktor-Validierung: plausible MC-Falschantworten (didaktisch erzwungen)
- — Duplikat-Vermeidung gegen einen begrenzten Ausschnitt bestehender Karten
- — FSRS-6 nativ; Terminierung nach der ersten Bewertung
- — Integrierte KI-Erklärung und adaptive Tutor-Funktionen
- — Quelltransparenz im Source-First-Pfad; ungegroundete Opt-in-Karten klar als unverifiziert
Bloom-Stufen 1 bis 6, passend zum Lernziel steuerbar
Ohne Auswahl ist keine feste Bloom-Zielstufe vorgegeben; der jeweilige Generierungspfad formuliert passend zu Inhalt und Kontext. Wählst du einzelne Stufen von 1 bis 6, werden genau diese als verbindliche Ziele übergeben: von Erinnern und Verstehen bis Anwenden, Analysieren, Evaluieren und Erstellen.
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 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.
Distraktor-Validierung bei Multiple-Choice, didaktisch erzwungen
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.
KI-Erklärung und adaptive Tutor-Funktionen
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.
Native FSRS-6-Integration, kein manueller Import
Quanta speichert generierte Karten direkt im Lernsystem. Sobald du eine Karte erstmals bewertest, berechnet FSRS-6 daraus Stabilität, Schwierigkeit und den nächsten Wiederholungstermin. In der zitierten Evaluation lag der Log-Loss von FSRS bei 0,35 gegenüber 0,45 für Legacy-SM-2 (Ye et al., ACM SIGKDD 2022); das ist kein allgemeines Lernversprechen.
Ye, J., Su, T., Cao, J. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition. ACM KDD, doi:10.1145/3534678.3539081.
Häufige Fragen
Muss ich ein Dokument hochladen oder reicht ein Themenname?
Für KI-Set reicht ein Themenname und optionales Unterthema, kein Dokument nötig. Quanta sucht dafür selbst passende Quellen und nutzt standardmäßig den Source-First-Pfad. Findet sich keine brauchbare Quelle, kannst du bewusst ungegroundetes Modellwissen wählen; diese Karten werden als unverifiziert markiert. KI-Scan arbeitet dagegen mit deinem hochgeladenen Dokument.
Wie spezifisch sollte das Thema sein?
Je spezifischer, desto präziser die Karten. "Organische Chemie" erzeugt ein breites Set. "Nukleophile Substitution SN1 vs. SN2" erzeugt fokussierte Tiefenkarten. Für komplexe Themen empfehlen wir mehrere Sets mit unterschiedlichen Unterthemen.
Was wenn ich kein Profil ausgefüllt habe?
Ohne ausreichenden Bildungskontext nutzt Quanta einen neutralen Fallback: Die KI orientiert sich an Niveau und Terminologie deiner konkreten Eingabe, ohne Schulform oder Studiengang zu erraten. Für eine gezielte Anpassung kannst du Studiengang und Semester oder Klasse, Region und Schulform im Profil hinterlegen.
Kann ich den Fokus des Sets steuern?
Ja, über kontrollierte Auswahl statt Freitext: Je präziser du das Thema formulierst, desto enger wird das Set, und die Bloom-Stufen 1 bis 6 legen die kognitive Tiefe als bindende Zielvorgabe fest. Ein freies Kontextfeld gibt es bewusst nicht, weil frei getippte Anweisungen im quellenbasierten Prompt über den Belegen stünden.
Ist der KI-Karteikarten-Generator im Starter-Konto enthalten?
Dauerhaft kostenlos: 1 Thema, insgesamt höchstens 100 Karten, FSRS und genau ein KI-Generierungslauf während der gesamten Kontolaufzeit. Im regulären Generator sind 40–100 Karten aus Text, Link oder bis zu 10 Dateien wählbar; im geführten Onboarding-Einstieg 10–50 aus Text oder Dateien. Der Onboarding-Lauf zählt als dieser eine Lifetime-Lauf; Starter hat kein monatliches KI-Kontingent. Weitere Generierungen erfordern Quanta Essential und teilen dort das monatliche Kontingent von 300 KI-Karten.
AM
Amos Matzke·Gründer & Full-Stack Architect · ehem. MINT-EC Schüler·April 2026
Dein erstes KI-Set aus einem Thema
Thema eingeben. Profilkontext nutzen oder neutral an der Eingabe orientieren. Nach der ersten Bewertung plant FSRS die Wiederholung.