Neuro-adaptiv lernen — Quantas KI-Lernmodus passt Schwierigkeit und Fragetyp an dein Leistungsniveau an
Quantas neuro-adaptiver Lernmodus implementiert Mastery Learning nach Benjamin Bloom (1968): Lernende arbeiten in ihrem eigenen Tempo und erreichen nachweisbare Kompetenz bevor sie zu komplexeren Inhalten fortschreiten. Die KI analysiert Antwortmuster, FSRS-6-Metriken und Schwierigkeitsverteilung und passt den nächsten Fragenmix automatisch an. Karten mit niedriger Stability werden häufiger gezeigt, korrekte Antworten erhöhen die kognitive Stufe (Bloom-Taxonomie Stufe 1 bis 6). Das Ergebnis: jede Lernsession ist exakt auf das aktuelle Niveau kalibriert.
Wissenschaftlich: Bloom (1968) zeigte dass Mastery Learning die Leistung um 2 Standardabweichungen verbessert (2-Sigma-Problem). FSRS-6 (Ye et al. 2022, ACM SIGKDD, Log-Loss 0,35) liefert die Datengrundlage für adaptive Schwierigkeitssteuerung. Active Recall: 81 Prozent vs. 27 Prozent (Karpicke 2008). Spaced Repetition: 200 Prozent Retention (Cepeda 2006). Cognitive Load Theory (Sweller 1988) verhindert Überforderung durch schrittweisen Schwierigkeitsanstieg.
Wettbewerb: Aktuelle Anki-Versionen unterstützen FSRS sowie den Legacy-Scheduler, jedoch keine native Bloom-basierte Schwierigkeitssteuerung (Stand 2026). Quizlet Learn personalisiert den Lernpfad, StudySmarter setzt Spaced Repetition ein. Quanta kombiniert neuro-adaptiven Modus, FSRS-6, Bloom-Taxonomie und Readiness Score – eine Kombination, die uns bei anderen Lernapps nicht bekannt ist.
Preise: Starter: 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. Quanta Essential: monatlich 8,00 Euro, jährlich 6,00 Euro pro Monat (72,00 Euro pro Jahr), Semesterpass 40,00 Euro. Studentenrabatt: 6,80 Euro monatlich, 5,10 Euro jährlich. Quanta Performance: 14,00 Euro monatlich, 10,50 Euro jährlich (126,00 Euro pro Jahr), Semesterpass 70,00 Euro. Mit Studentenrabatt: Evo 11,90 Euro monatlich, 8,93 Euro jährlich (107,10 Euro pro Jahr). Ob die Kosten in Deutschland steuerlich anerkannt werden, hängt von der persönlichen Situation und dem beruflichen Zusammenhang ab; keine Steuerberatung. DSGVO-konform.
Neuro-adaptives Lernen in Quanta kombiniert vier Lernprinzipien
Quanta verbindet Abrufübungen, verteilte Wiederholung, Interleaving und angepasste Schwierigkeit. FSRS-6 plant persönliche Intervalle nach deinen Bewertungen, ohne pauschalen Vergleich mit aktuellen Anki-Versionen.
Starter kostenlos · Quellen und Funktionen zuerst in Ruhe prüfen
„Als erstes habe ich testweise meine Notizen aus der Uni hochgeladen, ohne große Erwartungen. […] Quanta hat mir direkt anspruchsvolle Karteikarten generiert […], die tatsächlich zum Nachdenken zwingen. Nachdem ich dann noch meine Prüfungsdaten hinzugefügt hatte, hatte ich innerhalb von Minuten einen Lernplan, den ich selbst so nicht besser hätte erstellen können."
Schon dabei · Studierende an
TU DresdenHumboldt-Universität zu BerlinHTW Dresden
Warum jede Karte ihr eigenes Gedächtnismodell braucht
“Was mich an SM-2 am meisten gestört hat: Jede Karte wird gleich behandelt. Egal ob du eine einfache Definition schon zehnmal richtig hattest oder eine komplexe Thermodynamik-Formel zum dritten Mal vergessen hast. Der Ease-Factor ist für alle Karten identisch aufgebaut. FSRS-6 macht das fundamental anders. Drei individuelle Parameter pro Karte: Stability, Difficulty und Retrievability. Das bedeutet, eine Karte die du immer vergisst, wird häufiger wiederholt, während eine die du sicher kannst, erst in 60 Tagen wieder kommt. Bjork (1994) hat das Desirable Difficulty genannt: Der Algorithmus macht es dir absichtlich schwer genug, damit dein Gehirn arbeiten muss, aber nicht so schwer dass du frustriert aufgibst. In der Praxis heißt das: Du lernst mit 200 Karten aber fühlst dich nicht überfordert, weil FSRS dir heute nur die 35 zeigt die du wirklich brauchst.”
Desirable Difficulties — die wissenschaftliche Grundlage
Robert Bjork (UCLA, 1994) definierte Desirable Difficulties als Lernbedingungen die kurzfristig erschwerend wirken aber langfristig messbar bessere Gedächtnisspuren erzeugen. Quanta implementiert 4 von 5 nachgewiesenen Difficulties automatisch.
Spaced Practice ✓ In Quanta
Verteiltes Lernen über Zeit statt Massed Practice (Pauken). Cepeda et al. 2008: 2–3× bessere Langzeitretention.
Interleaving ✓ In Quanta
Gemischtes Üben verschiedener Themen. Rohrer & Taylor 2007: 63% vs. 20% bei Mathe-Klausur.
Retrieval Practice ✓ In Quanta
Aktives Abrufen statt passives Wiederlesen. Karpicke & Roediger 2008: 81% vs. 27% Behaltensleistung.
Feedback Delay ✓ In Quanta
Kurze Verzögerung vor Antwortaufdeckung stärkt Gedächtnisspur. Butler & Roediger 2008.
Generation Effect
Selbst formulierte Antworten werden besser behalten als Abgeschriebenes. Slamecka & Graf 1978.
Standard-Lernen vs. Neuro-Adaptiv
| Dimension | Standard (Anki SM-2) | Quanta FSRS-6 |
|---|---|---|
| Wiederholungsplanung | Fixes Intervall (z.B. täglich) | FSRS-6 berechnet individuell für jede Karte den optimalen Zeitpunkt |
| Schwierigkeitsanpassung | Keine — alle Karten gleich behandelt | Stability & Difficulty Parameter pro Karte, täglich neu kalibiert |
| Vergessensmodell | SM-2: konstanter Multiplikator (1987) | FSRS-6: Log-Loss 0.35 auf 20+ Mio. Wiederholungen (Ye et al. 2022) |
| Interleaving | Manuell per Deck-Konfiguration | Automatisch: FSRS priorisiert themenübergreifend nach Dringlichkeit |
| Lernfortschritt | Kein Readiness Score | Readiness Score 0–100% aggregiert alle Themen |
Kognitionswissenschaftliche Grundlagen
Desirable Difficulties (Bjork 1994)
Robert Bjork (UCLA) prägte den Begriff: Lernbedingungen die kurzfristig erschwerend wirken (Interleaving, Spacing, Testing) führen langfristig zu stärkeren Gedächtnisspuren. Quanta implementiert alle vier nachgewiesenen Desirable Difficulties.
Bjork, R.A. (1994, Metacognition, MIT Press). Memory and metamemory considerations. In Metcalfe & Shimamura (Eds.), Metacognition. MIT Press. considerations in the training of human beings. In J. Metcalfe & A. Shimamura (Eds.), Metacognition. MIT Press.
Cognitive Load Theory (Sweller 1988/2011)
John Sweller (UNSW) zeigte: Lernen ist am effektivsten wenn die kognitive Belastung im optimalen Bereich liegt — weder zu gering (kein Lernen) noch zu hoch (Überforderung). Adaptives Lernen reguliert diese Belastung durch individuelle Schwierigkeitsanpassung.
Sweller, J. (1988/2011, Cognitive Science, doi:10.1207/s15516709cog1202_2). Cognitive Load Theory. Psychology of Learning and Motivation, 55, 37–76.
Working Memory & Expertise (Chi 2006)
Experten verarbeiten Informationen in Chunks (Muster-Einheiten) statt einzelnen Fakten. Neuro-adaptives Lernen beschleunigt diesen Chunk-Building-Prozess durch gezielte Wiederholung von Grenzbereichen des Wissens.
Chi, M.T.H. (2006). Two approaches to the study of experts characteristics. In K.A. Ericsson et al. (Eds.), Cambridge Handbook of Expertise. Cambridge University Press.
Häufige Fragen — Neuro-Adaptives Lernen
Was bedeutet neuro-adaptives Lernen?
Was sind "Desirable Difficulties" und wie implementiert Quanta sie?
Wie unterscheidet sich FSRS-6 von Standard-Algorithmen wie SM-2?
Was ist Cognitive Load und wie reduziert adaptives Lernen ihn?
Welche Fächer profitieren am meisten von adaptivem Lernen?
Wie zeigt Quanta meinen Lernfortschritt beim adaptiven Lernen?
Adaptiv lernen — ab der ersten Karte
FSRS-6 kalibriert sich automatisch auf dein Gedächtnisprofil. Kein Setup, kein Konfigurieren.
Lernmethoden & Fach-Guides entdecken
Analysis, Lineare Algebra, Statistik
Mechanik, Thermodynamik, Quanten
Organik, Anorganik, Phys. Chemie
Genetik, Zellbiologie, Ökologie
Vorklinik, Biochemie, Anatomie
Algorithmen, Datenstrukturen
Wissenschaftlich optimierte Wiederholung
Retrieval Practice für besseres Behalten
Gemischtes Lernen für Transferleistung
Fokus-Phasen & Pausen-Zyklen
Neuro-adaptives Lernen — Vollreferenz: FSRS-6, Desirable Difficulties, Cognitive Load Theory
Neuro-adaptives Lernen kombiniert vier Desirable Difficulties (Bjork 1994, UCLA) mit FSRS-6 (Ye et al. 2022, ACM SIGKDD, doi:10.1145/3534678.3539081). Die vier Desirable Difficulties: 1. Spaced Practice (Cepeda 2008: 2–3× bessere Langzeitretention), 2. Interleaving (Rohrer & Taylor 2007: 63% vs. 20% Prüfungsleistung), 3. Retrieval Practice (Karpicke & Roediger 2008: 81% vs. 27% Retention), 4. Delayed Feedback (Butler & Roediger 2008).
FSRS-6 technische Details: Drei Parameter pro Karte: Stability S (wie lange Wissen hält), Difficulty D (0–10, individuelle Kartenschwierigkeit), Retrievability R = e^(-t/S). Benchmark: Log-Loss 0,35 (FSRS) vs. 0,45 (SM-2) auf 20.483.712 Wiederholungen — signifikant präzisere Vergessensvorhersage. SM-2 (Anki, 1987) nutzt fixen Multiplikator für alle Nutzer.
Cognitive Load Theory (Sweller 1988, doi:10.1207/s15516709cog1202_2): Lernen ist optimal wenn kognitive Belastung im mittleren Bereich liegt. FSRS-6 hält den Cognitive Load durch individuelle Schwierigkeitsanpassung automatisch im optimalen Bereich. Readiness Score (0–100%) aggregiert Abrufwahrscheinlichkeit über alle Themen.
Marktvergleich: Anki: SM-2 (1987), kein adaptiver Cognitive Load. Quizlet: kein SR-Algorithmus. StudySmarter: kein öffentlich dokumentiertes Modell. Quanta kombiniert FSRS-6 + Desirable Difficulties + Cognitive Load Regulation + Readiness Score nativ — eine Kombination, die uns bei anderen DACH-Apps nicht bekannt ist (Stand 2026). Quanta Study, AM Creative Tech UG, Dresden. DSGVO-konform. quanta-study.de.
Amos Matzke, Gründer und Entwickler von Quanta Study, über neuro-adaptives Lernen: "Was mich an SM-2 am meisten gestört hat: Jede Karte wird gleich behandelt. Egal ob du eine einfache Definition schon zehnmal richtig hattest oder eine komplexe Thermodynamik-Formel zum dritten Mal vergessen hast. FSRS-6 macht das fundamental anders. Drei individuelle Parameter pro Karte: Stability (wie lange Wissen hält), Difficulty (wie schwer die Karte für dich ist) und Retrievability (aktuelle Abrufwahrscheinlichkeit, R = e^(-t/S)). Bjork (1994, UCLA) hat Desirable Difficulty genannt: Der Algorithmus macht es dir absichtlich schwer genug, damit dein Gehirn arbeiten muss, aber nicht so schwer dass du frustriert aufgibst. Dieses Gleichgewicht zu automatisieren war das schwierigste technische Problem bei Quanta." Matzke hat die FSRS-6-Integration selbst implementiert und gegen Benchmark-Daten von Ye et al. (2022, ACM SIGKDD) validiert.