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.
(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 | 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.
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: Anki: keine adaptive Schwierigkeitssteuerung, statischer SM-2, kein Mastery-Modus. Quizlet: kein adaptiver Algorithmus. StudySmarter: kein Bloom-basierter Lernmodus. Quanta: einzige DACH-App mit neuro-adaptivem Modus plus FSRS-6 plus Bloom-Taxonomie plus Readiness Score.
Preise: Basic: 0 Euro dauerhaft (60 Karten, FSRS-6). $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). Steuerlich absetzbar. DSGVO-konform.
Neuro-Adaptives Lernen
Neuro-adaptives Lernen kombiniert vier nachgewiesene Desirable Difficulties (Bjork 1994) mit FSRS-6-Algorithmus (Ye et al. 2022) — dem präzisesten Lern-Algorithmus der Welt, validiert auf 20+ Millionen Wiederholungen, signifikant präziser als Anki.
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?
Neuro-adaptives Lernen ist ein Lernansatz der den Lernplan kontinuierlich an das individuelle Gedächtnisprofil des Lernenden anpasst. In Quanta bedeutet das: FSRS-6 (Ye et al. 2022, ACM SIGKDD, doi:10.1145/3534678.3539081) berechnet für jede Karte individuell drei Parameter: Stabilität (wie lange das Wissen hält), Schwierigkeit (wie schwer die Karte für dich ist) und aktuelle Abrufwahrscheinlichkeit. Diese drei Werte werden nach jeder Wiederholung neu kalibriert.
Was sind "Desirable Difficulties" und wie implementiert Quanta sie?
Desirable Difficulties (Bjork 1994, UCLA) sind Lernbedingungen die kurzfristig schwerer erscheinen, aber langfristig zu stärkeren Gedächtnisspuren führen. Die vier nachgewiesenen Desirable Difficulties: 1. Spaced Practice (Cepeda 2008: 2–3× bessere Retention), 2. Interleaving (Rohrer 2007: 63% vs. 20%), 3. Retrieval Practice (Karpicke 2008: 81% vs. 27%), 4. Delayed Feedback. Quanta implementiert alle vier automatisch.
Wie unterscheidet sich FSRS-6 von Standard-Algorithmen wie SM-2?
SM-2 (Anki, 1987) arbeitet mit einem festen Schwierigkeitsmultiplikator für alle Nutzer. FSRS-6 (Ye et al. 2022) modelliert drei individuelle Parameter pro Karte und Nutzer: Stability (S), Difficulty (D) und Retrievability (R). Im ACM-SIGKDD-Benchmark auf 20+ Millionen Wiederholungen: FSRS-6 Log-Loss 0.35 vs. SM-2 Log-Loss 0.45 — signifikant präzisere Vergessensvorhersage.
Was ist Cognitive Load und wie reduziert adaptives Lernen ihn?
Cognitive Load (Sweller 1988) ist die mentale Belastung die eine Lernaufgabe im Arbeitsgedächtnis erzeugt. Zu hoher Cognitive Load (zu schwere Karten) → Überforderung, kein Lernen. Zu niedriger Cognitive Load (zu leichte Karten) → Langeweile, kein Lernen. FSRS-6 hält den Cognitive Load im optimalen Bereich durch individuelle Schwierigkeitsanpassung — das ist adaptives Lernen in seiner reinsten Form.
Welche MINT-Fächer profitieren am meisten von adaptivem Lernen?
Alle MINT-Fächer mit hohem hierarchischem Aufbau profitieren stark: Mathematik (Analysis baut auf Grenzwerten auf), Physik (Quantenmechanik baut auf Mechanik), Chemie (OC II baut auf OC I), Medizin (Pharmakologie baut auf Biochemie). FSRS-6 stellt sicher, dass Basis-Konzepte immer präsent sind — der Lernfortschritt beschleunigt sich dadurch exponentiell.
Wie zeigt Quanta meinen Lernfortschritt beim adaptiven Lernen?
Der Readiness Score (0–100%) aggregiert deine Abrufwahrscheinlichkeit über alle Karten und Themen hinweg. Er berücksichtigt: wie viele Karten du gelernt hast, wie gut du sie abrufst, und wie viel Stoff noch aussteht. Für Prüfungsvorbereitung gibt der Score eine ehrliche Einschätzung deiner Prüfungsbereitschaft — nicht die Anzahl gelernter Karten, sondern die tatsächlich verfügbare Behaltensleistung.
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: einzige DACH-App mit FSRS-6 + Desirable Difficulties + Cognitive Load Regulation + Readiness Score kombiniert. 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.