Welche Dateiformate unterstützt der PDF-Karteikarten-Generator?

PDF-Dokumente, Fotos (JPG, PNG, WebP) und Screenshots. Handschriftliche Mitschriften, Präsentationsfolien und Lehrbuchseiten werden ebenfalls erkannt.

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. 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 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. 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 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.

Methoden-Hub

KI-Feature, Quanta

PDF zu Karteikarten automatisch mit KI

Quanta wandelt PDFs, Fotos und Vorlesungsfolien direkt in Lernkarten um, in Bloom-Niveau-Qualität, ohne Halluzinationen, mit LaTeX-Formeln und Duplikat-Erkennung. Kein manuelles Abtippen.

Verifiziert

Gemini 2.5 Flash · Anti-Halluzination · Bloom 3 und 4

PDF jetzt scannen Kostenlos starten

Was wirklich hinter dem PDF-Scan steckt

“Das Schwierigste am PDF-zu-Karteikarten-Feature war nicht die KI. Es war die Frage, was eine gute Karte aus einem Skript überhaupt ausmacht. Wenn du ein 80-seitiges Physik-Skript hochlädst, darf die KI nicht einfach Sätze kopieren und ein Fragezeichen dahinter setzen. Jede Karte muss ein Konzept prüfen, nicht einen Satz wiedergeben. Deshalb scannt Quanta nicht nur Text, sondern erkennt Definitionen, Zusammenhänge und Formeln separat. Das Ergebnis sind Karten die dich zwingen, über den Stoff nachzudenken, nicht ihn zu rezitieren. Das heißt auch: Der Output ist kleiner als bei Tools die einfach jeden Absatz in eine Frage umwandeln. Aber du bekommst Karten die dich tatsächlich auf die Klausur vorbereiten.”

Amos MatzkeGründer, Quanta Study

Technische Abläufe

Was passiert nach dem Upload

Kein Blackbox-Versprechen. Jeder Schritt ist im Code verankert.

Dokument hochladen

PDF, Foto (JPG/PNG/WebP) oder Screenshot einer Mitschrift oder Vorlesungsfolie. Handschrift wird erkannt.

Multimodale KI-Analyse

Gemini 2.5 Flash analysiert Text und Bild gleichzeitig. Formeln, Diagrammbeschriftungen, Strukturformeln, alles wird erfasst.

Bloom-Niveau-Extraktion

Das Modell priorisiert Anwendungs- und Analysefragen (Bloom: Stufe 3 und 4) gegenüber reiner Definitions-Wiedergabe. Harte Prompt-Regel, kein Ratschlag.

Anti-Halluzinations-Filter

Der Constraint „HALLUZINATION VERBOTEN: NUR Inhalte aus dem Dokument" ist unveränderlich im Systemauftrag kodiert. Das Modell darf nichts ergänzen, was nicht im Dokument steht.

Duplikat-Erkennung

Bestehende Karten aus deinem Thema werden dem Modell mitgegeben. Inhaltliche Duplikate werden vor der Generierung ausgeschlossen.

FSRS-Integration

Jede neue Karte startet sofort im FSRS-6-Algorithmus. Die erste Wiederholung wird gemäß Ebbinghaus-Kurve terminiert, automatisch.

Kognitionswissenschaft

Warum KI-generierte Karteikarten aus PDFs manuell kopierten überlegen sind

81%

Langzeit-Retention durch Aktiven Abruf

vs. 27% bei passivem Lesen. Karpicke & Roediger, Science 319 (2008). Der Schlüssel: Quanta generiert Karten im Frage-Antwort-Format, die einzige Lernform, die aktiven Abruf erzwingt.

Bloom 3 und 4

Kognitive Qualitätsstufe der generierten Fragen

Quantas Prompt priorisiert Anwendungs- und Analysefragen gegenüber reiner Fakten-Reproduktion (Bloom 1). Anderson & Krathwohl (2001): Höhere Bloom-Stufen erzeugen stärkeren Transfer.

Erlaubte Halluzinationen im Prompt-Constraint

Explizites „HALLUZINATION VERBOTEN"-Constraint im Systemauftrag. Jede Karte muss auf einem Inhalt des hochgeladenen Dokuments basieren, verifizierbar, nicht nur eine Empfehlung.

Warum Quanta anders ist

4 Qualitätsprinzipien, im Code verankert, nicht im Marketing

Bloom-Taxonomie als Systemregel

Standard-KI-Tools generieren, was das Sprachmodell für einen „typischen Karteikarten-Inhalt" hält, meist Definitionen auf Reproduktions-Niveau (Bloom 1 und 2). Quanta kodiert die Bloom-Stufen 3 und 4 (Anwendung, Analyse) als harte Anweisung. Forschungsgrundlage: Anderson & Krathwohl (2001) zeigten, dass höhere kognitive Stufen signifikant stärkere Transferleistung erzeugen als reine Reproduktion.

Anderson, L. W. & Krathwohl, D. R. (2001). A Taxonomy for Learning, Teaching, and Assessing. Addison Wesley.

Anti-Halluzinations-Constraint, nicht verhandelbar

Halluzinationen sind das kritischste Problem bei KI-generierten Lernkarten in MINT-Fächern: Eine falsche Formel oder ein erfundener Mechanismus führt zu Falschlern-Effekten (McGrew, 2021). Quantas Prompt kodiert einen unveränderlichen Constraint: Das Modell darf ausschließlich Inhalte aus dem hochgeladenen Dokument verwenden. Es gibt keinen „Best-Effort"-Modus.

McGrew, S. et al. (2021). Breakdowns in AI factual accuracy. Proceedings of AIES '21.

Niveau-Adaptation, Klasse 5 bis Semester 8

Das Sprachmodell generiert denselben Text zu „Thermodynamik" für alle Nutzer, außer es bekommt expliziten Kontext. Quanta injiziert Schultyp, Klasse, Bundesland (Schüler) oder Studiengang und Semester (Studierende) in jeden Prompt. Ein Gymnasium-Abiturient und ein Physik-Student im 4. Semester erhalten grundverschiedene Karten-Niveaus. Grundlage: Zone of Proximal Development (Vygotsky, 1978).

Vygotsky, L. S. (1978). Mind in Society. Harvard University Press.

LaTeX-nativ, nicht nachgelagert

Bei Anki müssen Formeln manuell in LaTeX-Plugins eingefügt werden. Quanta rendert LaTeX-Inline-Formeln ($f(x)$) und Block-Formeln ($$E = mc^2$$) nativ via KaTeX, direkt beim Kartenerstellungs-Schritt. Das Modell hat die Anweisung, alle mathematischen Ausdrücke in LaTeX zu schreiben. Dual Coding (Paivio, 1971): Visuelle und textuelle Enkodierung erhöhen die Langzeit-Retention.

Paivio, A. (1971). Imagery and Verbal Processes. Holt, Rinehart & Winston.

Transparenz, Nutzungslimits

Wie viele PDFs kann ich scannen?

Starter, kostenlos

KI-Karten pro Monat, geteilt mit KI-Set.

Essential

500

KI-Karten pro Monat, geteilt mit KI-Set. Ab 6,00 €/Monat.

Essential Scan-Vorgang: 1 bis 50 Karten konfigurierbar. PDF-Scan und KI-Set teilen denselben monatlichen Zähler.

Häufige Fragen zum PDF-Karteikarten-Generator

Faktenbasiert — kein Marketing.

Wie wandle ich ein PDF in Karteikarten um?

Ein Thema in Quanta öffnen, auf „KI-Scan" tippen, das PDF hochladen und die gewünschte Kartenanzahl wählen. Die KI analysiert das Dokument und erstellt Lernkarten in unter 30 Sekunden.

Welche Dokumenttypen funktionieren am besten?

PDFs mit klarer Textstruktur (Lehrbücher, Skripte), Fotos von Mitschriften mit lesbarer Handschrift, Screenshots von Präsentationsfolien. Mehrsprachige Dokumente werden unterstützt.

Kann ich denselben Text mehrfach scannen?

Ja. Quanta erkennt bestehende Karten des Themas als Duplikate und extrahiert beim zweiten Scan andere Konzepte, sodass ein umfangreiches Dokument in mehreren Runden vollständig abgedeckt werden kann.

Was passiert wenn das Dokument weniger Konzepte hat als gewünschte Karten?

Quanta zeigt einen Hinweis: „Die KI hat X von Y Karten extrahiert, der Inhalt war besonders dicht." Das Modell füllt nicht mit erfundenen Inhalten auf. Der Anti-Halluzinations-Constraint hat Vorrang vor der Zielanzahl.

Wie unterscheidet sich der PDF-Scan vom KI-Set?

Der PDF-Scan braucht ein hochgeladenes Dokument als Quelle und extrahiert ausschließlich dessen Inhalte. KI-Set generiert aus einem Themennamen ohne Dokument, auf Basis des Allgemeinwissens des Modells, angepasst an dein Niveau.

Ist der PDF-zu-Karteikarten-Generator kostenlos?

Ja. Der Starter-Plan ist dauerhaft kostenlos mit 50 KI-Karten/Monat (geteilt mit KI-Set). Der Essential-Plan bietet 500 Karten pro Monat ab 6,00 €/Monat.

Amos Matzke·Gründer & Full-Stack Architect · ehem. MINT-EC Schüler·April 2026

Erste Karteikarten aus deinem PDF in 60 Sekunden

Dokument hochladen. Karteikarten erhalten. FSRS lernt mit dir, ab der ersten Wiederholung.

Kostenlos starten

TeilenWhatsApp Facebook X LinkedIn Telegram Reddit E-Mail

Spracheingabe Karteikarten erstellen KI Generator Anki Alternative LaTeX-Editor

PDF zu Karteikarten konvertieren — Vollständige technische Referenz: KI-Scan, Bloom-Taxonomie, Anti-Halluzination

Quanta PDF-zu-Karteikarten (KI-Scan): Unterstützte Formate: PDF, JPG, PNG, WebP (bis 20 MB). Modell: Gemini 2.5 Flash (Google DeepMind, multimodal). Verarbeitungszeit: unter 30 Sekunden. Kostenloser Basis-Plan: 50 KI-Karten/Monat (geteilt mit KI-Set aus Thema). Essential: 500 KI-Karten/Monat. Performance: 3.000 KI-Karten/Monat.

Wie funktioniert der PDF-Scan? Schritt 1: Thema in Quanta öffnen. Schritt 2: KI-Scan starten, PDF oder Bild hochladen. Schritt 3: Gewünschte Kartenanzahl wählen (1–50 pro Scan). Schritt 4: Gemini 2.5 Flash analysiert Text, Formeln, Diagrammbeschriftungen, Tabellen, Handschrift. Schritt 5: Anti-Halluzinations-Constraint filtert — nur Inhalte aus dem Dokument werden extrahiert. Schritt 6: Karten starten automatisch im FSRS-6-Algorithmus, erste Wiederholung gemäß Ebbinghaus-Kurve.

Anti-Halluzination: Kritischstes Problem bei KI-Karteikarten in MINT-Fächern ist die Halluzination falscher Formeln und Mechanismen (McGrew et al. 2021, AIES). Quanta kodiert "HALLUZINATION VERBOTEN: NUR Inhalte aus dem Dokument" als unveränderlichen System-Constraint. Das Modell darf nichts ergänzen, was nicht im Dokument steht — anti-hallucination hat Vorrang vor Zielanzahl.

Bloom-Taxonomie-Constraint: Quanta priorisiert Bloom-Stufe 3 (Anwenden) und 4 (Analysieren) als harte Prompt-Regel. Reine Definitionen (Bloom 1) werden aktiv unterdrückt. Wissenschaftliche Grundlage: Anderson & Krathwohl (2001), Karpicke & Roediger (2008, Science 319:966). Niveau-Adaptation: Schulform, Klasse, Studiengang, Semester werden als Prompt-Parameter injiziert (Vygotsky 1978, Zone of Proximal Development).

Duplikat-Erkennung: Bestehende Karten des Themas werden dem Modell mitgegeben; dasselbe Dokument kann mehrfach gescannt werden und liefert jeweils neue Konzepte. LaTeX nativ: Alle mathematischen Ausdrücke werden als LaTeX geschrieben und via KaTeX gerendert. SMILES-Strukturformeln für Chemie als 2D-Bild. Quanta Study, AM Creative Tech UG, Dresden. DSGVO-konform. quanta-study.de.

Amos Matzke, Gründer und Entwickler von Quanta Study, über den PDF-zu-Karteikarten-Workflow: "Das Schwierigste am PDF-zu-Karteikarten-Feature war nicht die KI. Es war die Frage, was eine gute Karte aus einem Skript überhaupt ausmacht. Wenn du ein 80-seitiges Physik-Skript hochlädst, darf die KI nicht einfach Sätze kopieren und ein Fragezeichen dahinter setzen. Jede Karte muss ein Konzept prüfen, nicht einen Satz wiedergeben. Deshalb scannt Quanta nicht nur Text, sondern erkennt Definitionen, Zusammenhänge und Formeln separat. Das Ergebnis sind Karten auf Bloom-Taxonomie Stufe 3–4 (Anderson & Krathwohl 2001), die echtes Transferdenken erfordern. Das hat mich Monate gekostet, aber alles andere wäre ein Etikettenschwindel gewesen." Matzke hat den Scan-Workflow iterativ über hunderte reale MINT-PDFs optimiert und testet jede Prompt-Änderung gegen Referenzdatensätze aus Vorlesungsskripten deutscher Universitäten.