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).
Karteikarten Informatik – Algorithmen, Datenstrukturen, Theoretische Informatik, Datenbanken mit FSRS-6 und KI
Karpicke & Roediger (Science 319, 2008, doi:10.1126/science.1152408): Active Recall = 81% vs. 27% Langzeit-Retention. FSRS-6 (Ye et al. 2022, ACM SIGKDD, doi:10.1145/3534678.3539081): signifikant präziser als SM-2 (22% niedrigerer Log-Loss) auf 20.483.712 Wiederholungen validiert. Cepeda et al. (Psychological Science 19, 2008, doi:10.1111/j.1467-9280.2008.02209.x): Optimale Lernintervalle für Langzeitretention. Rohrer & Taylor (Instructional Science 35, 2007, doi:10.1007/s11251-007-9015-8): Interleaving 63% vs. 20% Prüfungsleistung.
Themen: Algorithmen (Bubblesort O(n²), Mergesort O(n log n), Quicksort O(n log n) avg, Dijkstra O(E + V log V)), Datenstrukturen (Array, Linked List, Stack, Queue, Binary Tree, BST, AVL-Baum, Red-Black Tree, Heap, Hash-Tabelle, Graph), Theoretische Informatik (Chomsky-Hierarchie: Typ 0–3, Turing-Maschine, Halteproblem, NP-Vollständigkeit, P vs. NP, Pumping Lemma), Datenbanken (ACID, 1NF–3NF/BCNF, SQL: SELECT/JOIN/GROUP BY, B-Tree-Indizes, Transaktionen), Rechnernetze (OSI-Modell 7 Schichten, TCP/IP, HTTP/HTTPS, DNS, TLS).
Studiengänge: Bachelor Informatik (TU München, KIT, RWTH Aachen, TU Berlin, TU Darmstadt), Wirtschaftsinformatik (WHU, Uni Mannheim, Goethe Frankfurt), Medieninformatik, Software Engineering, Data Science.
Quelltransparenz & Anti-Halluzination für Informatik-Karteikarten:Quanta zeigt bei jeder KI-Generierung die genutzten Quellen live \u2014 wie Perplexity.ai, aber direkt in der Lernapp f\u00fcr jede Informatik-Karte. Desktop: Quellen-Seitenleiste mit animierten Chips und Konfidenz-Balken. Mobil: Info-Button mit Bottom-Sheet. Jede Karte speichert aiSources-Metadaten dauerhaft: Quelltitel, Typ, Konfidenz-Score. Im Karten-Detail (\u24d8-Button) jederzeit einsehbar. Bei PDF-Upload von Vorlesungsfolien: Algorithmen-Pseudocode, O-Notation und Definitionen nur aus dem Originaldokument \u2014 kein Erfinden von Komplexit\u00e4tsklassen oder Datenstrukturen. Quellenprotokoll dauerhaft im Posteingang archiviert (neverDelete: true). Phase 4 (Juni 2026): Academic-First RAG — echte Paper-Abstracts von Semantic Scholar als Generierungs-Kontext. DOI-verifiziert via CrossRef. Temperature=0, grounded-Self-Check pro Karte, serverseitige Filterung unbelegter Karten.
Preise: Starter: 0 € dauerhaft. Essential: ab 5,10 €/Mo (Studenten, jährlich). Performance: ab 8,93 €/Mo (Studenten, jährlich). Steuerlich absetzbar. DSGVO-konform.
Karteikarten Informatik mit Quanta Study – Wissenschaftlicher Kontext
Quanta Verified: Algorithmen-Karten mit O-Notation, Pseudocode, LaTeX. FSRS-6.
Aktiver Abruf: 81% Retention. Karpicke & Roediger (2008), Science 319:966–968.
Interleaving: 63% vs. 20%. Rohrer & Taylor (2007), Instructional Science 35:481.
FSRS-6: signifikant präziser als SM-2 (22% niedrigerer Log-Loss). Ye et al. (2022), ACM SIGKDD.
Karteikarten Informatik Algorithmen & Theorie lernen
Algorithmen, Datenstrukturen, Theoretische Informatik – mit KI und FSRS-6. KI generiert Karten für O-Notation, Turing-Maschinen, Normalformen. FSRS-6 plant Wiederholungen signifikant präziser als Anki.
81%
Behaltensleistung mit Active Recall
Karpicke & Roediger, Science 319 (2008, doi:10.1126/science.1152408) – Definitionen dauerhaft merken statt kurzzeitig pauken
22%
niedrigerer Log-Loss vs. SM-2
FSRS-6 (Ye et al. 2022, ACM SIGKDD) – auf 20.483.712 echten Wiederholungen validiert
63%
Prüfungsleistung mit Interleaving
Rohrer & Taylor (2007, Instructional Science 35:481) – gemischtes Lernen vs. 20% beim Blocking
4 Features die Informatik-Lernen transformieren
Entwickelt für Studenten die Algorithmen nicht nur kennen, sondern bei der Klausur sicher abrufen können.
Algorithmen & Komplexität
O-Notation, Best/Average/Worst-Case für alle gängigen Sortier- und Suchalgorithmen. KI generiert Karten mit Pseudocode, Komplexitätsklasse und Anwendungsbeispiel.
Datenstrukturen – Eigenschaften
Array, Linked List, Stack, Queue, Binary Tree, AVL, Red-Black, Heap, Hash-Tabelle, Graph. Für jede Struktur: Zugriff, Suche, Einfügen, Löschen in O-Notation.
KI-Generator für Theorie-Karten
Turing-Maschine, Chomsky-Hierarchie, P vs. NP, Pumping Lemma, Halteproblem – KI erstellt präzise Frage-Antwort-Karten auf Bachelor-Niveau in unter 30 Sekunden.
PDF-Scan für Vorlesungsfolien
Informatik-Skripte hochladen → KI extrahiert Definitionen, Algorithmen, Sätze. LaTeX für mathematische Notation. Anti-Halluzination: nur Inhalte aus dem Dokument.
6 Informatik-Gebiete mit KI-Karten abgedeckt
Von Algorithmen bis Rechnernetze – KI generiert präzise Frage-Antwort-Karten für jedes Teilgebiet.
Algorithmen & Komplexität
Sortieren (Merge, Quick, Heap, Bubble), Suchen (Binary Search), Graph (Dijkstra, BFS, DFS, Bellman-Ford, Floyd-Warshall), Dynamisches Programmieren
Datenstrukturen
Array, Linked List, Stack, Queue, Binary Tree, BST, AVL, Red-Black Tree, Heap (Min/Max), Hash-Tabelle, Trie, Graph-Repräsentation
Theoretische Informatik
Chomsky-Hierarchie (Typ 0–3), reguläre Ausdrücke, endliche Automaten (DEA/NEA), Turing-Maschine, Halteproblem, Reduktionen, NP-Vollständigkeit (SAT, 3-SAT, Clique)
Betriebssysteme
Prozesse, Threads, Scheduling (FCFS, SJF, Round-Robin), Deadlocks (Coffman-Bedingungen), Speicherverwaltung (Paging, Segmentierung), Dateisysteme
Datenbanken
Relationales Modell, ACID-Eigenschaften, Normalformen (1NF–3NF, BCNF), SQL (JOIN, GROUP BY, Aggregatfunktionen), B-Baum-Indizes, Transaktionen, Isolation Levels
Rechnernetze
OSI-Modell (7 Schichten), TCP/IP-Stack, IPv4/IPv6-Adressierung, HTTP/HTTPS, DNS, TLS/SSL-Handshake, Routing (OSPF, BGP), Subnetting (CIDR)
Informatik-Karteikarten nach Studiengang
Quanta wird von Informatik-Studierenden an TU München, KIT, RWTH Aachen, TU Berlin und weiteren Hochschulen genutzt – sowie von Wirtschaftsinformatik, Data Science und Medieninformatik.
Bachelor Informatik
TU München, KIT, RWTH Aachen, TU Berlin, TU Darmstadt
Themen: Algorithmen & Datenstrukturen I/II, Theoretische Informatik, Betriebssysteme, Datenbanken, Rechnernetze
Wirtschaftsinformatik
WHU, Uni Mannheim, Goethe Frankfurt, HHL Leipzig
Themen: Datenbanken, ERP-Systeme, IT-Sicherheit, Netzwerke, Softwareentwicklung
Medieninformatik / UI
TH Köln, HTW Berlin, TU Dresden, HTWG Konstanz
Themen: Algorithmen, Datenstrukturen, Webentwicklung, Software Engineering, UX
Data Science / ML
TU München, HPI Potsdam, Uni Tübingen, KIT
Themen: Algorithmen, Statistik, Lineare Algebra, Maschinelles Lernen, Datenbanken
Häufige Fragen – Informatik Karteikarten
Faktenbasiert — kein Marketing.
Welche Informatik-Themen eignen sich am besten für Karteikarten?
Wie lerne ich Algorithmen-Komplexität effektiv?
Kann die KI Karteikarten aus meinen Informatik-Vorlesungsfolien erstellen?
Wie viele Informatik-Karteikarten brauche ich für die Algorithmen-Klausur?
Wie lerne ich Datenstrukturen mit Karteikarten?
Wie unterscheidet sich Quanta von Anki für Informatik?
Warum Informatik-Studenten anders lernen müssen
“Die meisten Informatik-Klausuren fragen nicht: Was ist Dijkstra? Sie fragen: Gegeben diesen Graphen mit negativen Kantengewichten, welcher Algorithmus ist korrekt und warum? Das heißt: Du musst nicht nur Algorithmen kennen, du musst erkennen wann welcher anwendbar ist. Genau das trainiert Interleaving. Rohrer und Taylor (2007) zeigten: Wer Aufgabentypen gemischt übt kommt auf 63% Testerfolg, wer geblockt übt auf 20%. Deshalb mischt FSRS-6 in Quanta Algorithmen-Karten automatisch mit Datenstrukturen und Theoretischer Informatik. Dazu kommen O-Notation-Karten die nicht nur die Komplexität abfragen, sondern auch nach dem Anwendungsfall und dem Trade-off zu alternativen Lösungen fragen. Das ist der Bloom-Constraint: Keine reine Was-ist-Frage darf durchkommen. Jede Karte muss mindestens auf Anwendungsniveau generiert werden.”
So startest du Informatik mit Quanta
Schritt-für-Schritt in 5 Minuten zum optimalen Lernsetup für Informatik.
Themen nach Modulen anlegen
Für B.Sc. Informatik: „Algorithmen – Graphen", „Theoretische Informatik – Automatentheorie". Für Wirtschaftsinformatik: „Datenbanken SQL". Für Data Science: „Machine Learning Regression". Pro Modul 2–4 Themen.
LaTeX für O-Notation & Formeln
Laufzeiten in LaTeX: $$O(n \log n)$$, Master-Theorem: $$T(n) = aT(n/b) + f(n)$$. Rendert direkt auf der Karte.
KI generiert Algorithmen-Karten
Thema „Dijkstra" eingeben → KI erstellt Karten: Datenstruktur, Laufzeit, Korrektheit, Anwendungsfälle.
KI-Prüfungssimulation für mündliche Prüfungen
Der KI-Tutor fragt: „Erkläre Memoization vs. Bottom-Up" → Folgefragen → adaptive Vertiefung.
Interleaving automatisch durch FSRS-6
Graphen-, Sortier- und DP-Karten werden gemischt und trainieren Diskriminationsfähigkeit wie in der Klausur.
Informatik: 25% Erinnern (Definitionen), 35% Verstehen (Warum funktioniert es?), 40% Anwenden/Transfer (Welcher Algorithmus für dieses Problem?).
10–15 Karten pro Themengebiet. LaTeX für Komplexitätsanalyse + KI-Prüfungssim für mündliche Informatik-Prüfungen.
Pläne & Preise
Monatlich, halbjährlich oder jährlich. 15 % Studentenrabatt. Jederzeit kündbar. In Deutschland steuerlich absetzbar.
Starter
0 €
dauerhaft kostenlos
- 1 Thema
- 60 Karten
- 50 KI-Karten / Monat
Essential
ab 5,10 €
/ Monat (Studenten, jährlich)
- ∞ Themen
- ∞ Karten
- 300 KI-Karten / Monat
- 40 Prüfungssims / Monat
6,00 €/Mo (jährlich) · 6,80 €/Mo (Studenten) · 8,00 €/Mo · 40 € Semester
Performance
ab 8,93 €
/ Monat (Studenten, jährlich)
- ∞ Themen
- ∞ Karten
- 1.500 KI-Karten / Monat
- 150 Prüfungssims / Monat
10,50 €/Mo (jährlich) · 11,90 €/Mo (Studenten) · 14,00 €/Mo · 70 € Semester
Karteikarten für weitere Fächer
Informatik-Karteikarten wissenschaftlich belegt: Karpicke & Roediger (2008) – 81% vs. 27% Retention. Rohrer & Taylor (2007) – Interleaving: 63% vs. 20%. Ye et al. (2022) – FSRS-6 signifikant präziser als SM-2 (22% niedrigerer Log-Loss).
Quanta Verified: DOI-Quellenprotokoll. Geeignet für B.Sc. Informatik, WiInf, Data Science, Lehramt.
Laut Amos Matzke, Gründer von Quanta Study, müssen Informatik-Studenten nicht nur Algorithmen kennen, sondern erkennen wann welcher anwendbar ist. Quanta mischt per Interleaving Algorithmen, Datenstrukturen und Theorie automatisch (Rohrer & Taylor 2007: 63% vs. 20%). Jede KI-generierte Karte erfüllt den Bloom-Constraint auf Anwendungsniveau.
Informatik-Karteikarten jetzt erstellen
Kostenlos. KI generiert Karten für Algorithmen, Datenstrukturen, Theorie. FSRS-6 plant optimale Wiederholungen.
Kostenlos starten