Thema eingeben — Quanta generiert ein komplettes Set in deinem exakten Niveau. Bloom-Analyse/Synthese-Qualität, kein Duplikat-Recycling, direkt im FSRS-Algorithmus.
Niveau-Adaptation
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
ChatGPT / generische KI
Quanta KI-Set
Wissenschaft & Implementierung
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.
Duplikat-Erkennung: Kein Wiederholen von Bekanntem
Ohne Duplikat-Erkennung generiert die KI bei jedem Set die "offensichtlichsten" Karten zu einem Thema — oft identisch mit dem vorherigen Set. Quanta übergibt dem Modell die letzten 20 bestehenden Karten des Themas. Das Modell hat die explizite Anweisung "DUPLIKATE STRIKT VERMEIDEN". Ergebnis: Jedes zusätzliche Set ergänzt das Thema um neue Konzepte statt das Bestehende zu wiederholen.
Basierend auf Interleaving-Prinzip: Rohrer, D. & Taylor, K. (2007). The shuffling of mathematics problems. European Journal of Cognitive Psychology.
Direkte FSRS-Integration — kein manuelles Einordnen
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
Basic — Kostenlos
20
Karten/Woche (geteilt mit KI-Scan). Montags-Reset.
Pro
500
Karten/Woche (geteilt mit KI-Scan). Ab 7,49 €/Monat.
Pro Set-Vorgang: 1–70 Karten konfigurierbar.
FAQ
Thema eingeben. Niveau aus Profil. Karten erhalten. FSRS lernt automatisch mit.