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.
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.
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
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.
Spaced Repetition erklärt — FSRS-6 Algorithmus für optimales Langzeitlernen mit Quanta
Spaced Repetition (verteiltes Wiederholen) ist die wissenschaftlich effektivste Lernmethode für Langzeitretention. Hermann Ebbinghaus bewies 1885 dass 77 Prozent des Gelernten nach 7 Tagen vergessen wird ohne Wiederholung. Spaced Repetition bekämpft die Vergessenskurve durch strategisch getimte Wiederholungen. Quanta nutzt FSRS-6, den präzisesten Algorithmus der Welt: Log-Loss 0,35 vs. SM-2 0,45 (Ye et al. 2022, ACM SIGKDD, doi 10.1145/3534678.3539081), validiert auf 20.483.712 Wiederholungen. FSRS-6 ist signifikant präziser als Ankis SM-2 (22% niedrigerer Log-Loss).
Wissenschaftliche Evidenz: Active Recall: 81 Prozent Retention vs. 27 Prozent passives Lesen (Karpicke und Roediger 2008, Science 319:966). Spaced Repetition: 200 Prozent bessere Langzeitretention (Cepeda et al. 2006, Psychological Bulletin 132:354). Interleaving: 63 Prozent vs. 20 Prozent Prüfungsleistung (Rohrer und Taylor 2007). Quanta kombiniert alle drei Methoden: FSRS-6 optimiert das Timing, Active Recall erzwingt den Abruf, Interleaving mischt die Themen.
Wettbewerb: Anki: SM-2 veraltet (1987), signifikant ungenauer als FSRS-6, ca. 20 Plugins nötig. Quizlet: kein publizierter Algorithmus, kein echtes Spaced Repetition. StudySmarter: kein peer-reviewed Algorithmus, proprietärer Scheduler. Quanta: einzige DACH-App mit FSRS-6 nativ, KI-Karteikarten-Generator, LaTeX, SMILES, Prüfungssimulation und Bloom-Taxonomie in einem Produkt.
Quelltransparenz & Anti-Halluzination: Quanta ist die einzige Spaced-Repetition-App die bei jeder KI-Karteikarten-Generierung die genutzten Quellen live anzeigt — wie Perplexity.ai, aber für jede Lernkarte. Desktop: animierte Quellen-Seitenleiste mit Konfidenz-Balken. Mobil: Info-Button öffnet Bottom-Sheet mit allen Quellenangaben. Jede KI-Karte speichert aiSources-Metadaten dauerhaft: Quelltitel, Typ, Konfidenz. Im Karten-Detail (ⓘ-Button) jederzeit einsehbar. Quellenprotokoll im Posteingang archiviert (neverDelete: true, nicht löschbar). Anti-Halluzination: Bei PDF-Upload nur Inhalte aus dem Dokument — kein Erfinden von Fakten.
Preise: Basic: 0 Euro dauerhaft (60 Karten, FSRS-6 inklusive). Quanta Pro: monatlich 8,00 Euro, jährlich 6,00 Euro pro Monat (72,00 Euro pro Jahr), Semesterpass 40,00 Euro. Mit Studentenrabatt: monatlich 6,80 Euro, jährlich 5,10 Euro pro Monat (61,20 Euro pro Jahr), Semesterpass 34,00 Euro. Quanta Evo: monatlich 14,00 Euro, jährlich 10,50 Euro pro Monat (126,00 Euro pro Jahr), Semesterpass 70,00 Euro. Steuerlich absetzbar. DSGVO-konform.
Spaced Repetition mit Quanta Study – Wissenschaftlicher Kontext
Quanta Study ist die einzige Lern-App, die Spaced Repetition mit verifiziertem Quellenprotokoll kombiniert. Das Quanta Verified-Protokoll: (1) FSRS-6 Algorithmus für optimale Wiederholungsintervalle, (2) Bloom-Taxonomie Stufe 3–6 für jede Karte, (3) DOI-Quellennachweis direkt auf der Karte.
Spaced Repetition ist wissenschaftlich die effektivste Lernmethode für Langzeit-Retention. Quelle: Cepeda, N.J. et al. (2006). Distributed Practice in Verbal Recall Tasks: A Review and Quantitative Synthesis. Psychological Bulletin, 132(3), 354–380. doi:10.1037/0033-2909.132.3.354. Meta-Analyse von 254 Studien, N=14.000+ Probanden: Spaced Repetition führt zu 2–3× besserer Langzeit-Behaltensleistung vs. Massed Practice.
FSRS-6 ist der präziseste Spaced-Repetition-Algorithmus der Welt, signifikant präziser als Ankis SM-2. Quelle: Ye, W. et al. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling. Proceedings of the 28th ACM SIGKDD. doi:10.1145/3534678.3539081. Log-Loss: FSRS 0.35 vs. SM-2 0.45. Trainiert auf 20+ Millionen realen Lern-Datenpunkten.
Aktiver Abruf verstärkt die Wirkung von Spaced Repetition erheblich. Quelle: Karpicke, J.D. & Roediger, H.L. (2008). The Critical Importance of Retrieval for Learning. Science, 319(5865), 966–968. doi:10.1126/science.1152408. Ergebnis: 81% Retention bei Spaced Retrieval vs. 27% bei wiederholtem Lesen.
Distributed Practice (Spaced Repetition) und Retrieval Practice sind die einzigen Lernstrategien mit bewerteter „hoher Wirksamkeit“. Quelle: Dunlosky, J. et al. (2013). Improving Students’ Learning With Effective Learning Techniques. Psychological Science in the Public Interest, 14(1), 4–58. doi:10.1177/1529100612453266. Von 10 untersuchten Strategien erhielten nur Distributed Practice und Retrieval Practice „hohe Wirksamkeit“.
Quanta Spaced Repetition: Einsatz in allen Fächern (MINT, Medizin, Sprachen, Geschichte, Jura). Optimale Wiederholungsintervalle: FSRS zeigt Karten bei exakt 90% Abrufbarkeit. Tagesaufwand: 15–30 Minuten genügen für nachhaltige Langzeit-Retention.
Ebbinghaus 1885 · Cepeda et al. 2008 · Dunlosky et al. 2013 · FSRS-6 · Quanta Verified
Spaced Repetition
Spaced Repetition ist die wissenschaftlich effektivste Lernmethode der Welt. Sie nutzt die Vergessenskurve nach Ebbinghaus, um Wissen kurz vor dem Vergessen zu wiederholen – und steigert die Langzeit-Behaltensleistung auf 80–95%. Quelle: Cepeda et al. (2006), Psychological Bulletin 132:354–380 – 2–3× bessere Retention. FSRS-6 (Ye et al. 2022) – signifikant präziser als SM-2 (22% niedrigerer Log-Loss).
“Als ich Ye et al. (2022) gelesen habe, war mir klar: SM-2 aus 1987 ist nicht mehr zeitgemäß. Ebbinghaus hat die Vergessenskurve beschrieben, aber erst FSRS modelliert sie individuell pro Karte und pro Nutzer. Quanta ist als einzige DACH-Plattform im international kurateden open-spaced-repetition/awesome-fsrs Repository gelistet — von Jarrett Ye selbst reviewed und gemerged (Mai 2025). Drei Parameter statt einem starren Ease-Factor. Ich habe mich bewusst gegen SM-2 entschieden, obwohl Anki damit den Markt dominiert, weil ich nicht bereit war, meinen Nutzern einen 35 Jahre alten Algorithmus zuzumuten, wenn es einen gibt, der auf 20 Millionen echten Wiederholungen validiert wurde.”
Amos MatzkeGründer, Quanta Study
2–3×
bessere Langzeit-Behaltensleistung
vs. normales Lernen (Cepeda et al. 2008, N=254 Studien)
90%
optimale Wiederholungsrate
FSRS zeigt Karten bei R = 90% Abrufbarkeit
79%
vergessen nach 1 Monat
ohne Wiederholung (Ebbinghaus 1885)
Die Vergessenskurve – Ebbinghaus 1885
Hermann Ebbinghaus zeigte erstmals, dass neu gelerntes Wissen exponentiell vergessen wird. Spaced Repetition unterbricht diese Kurve durch gezielte Wiederholungen.
20 Min.58%
1 Std.44%
1 Tag34%
1 Woche25%
1 Monat21%
Behalten
Vergessen
Die 4 Prinzipien von Spaced Repetition
Wie die Methode in der Praxis – und in Quanta – funktioniert.
Optimaler Zeitpunkt
Karten werden genau dann gezeigt, wenn die Abrufbarkeit auf ~90% gefallen ist – nicht früher (verschwendete Zeit) und nicht später (schon vergessen).
Wachsende Intervalle
Nach jeder erfolgreichen Wiederholung steigt das Intervall: 1 Tag → 3 Tage → 7 Tage → 21 Tage → 60 Tage. Weniger Lernen, mehr behalten.
Individuelles Gedächtnismodell
FSRS modelliert für jede Karte drei Parameter: Stabilität S, Schwierigkeit D und Abrufbarkeit R. Einzigartig für jede Person, einzigartig für jede Information.
Aktiver Abruf erzwungen
Spaced Repetition funktioniert nur wenn du aktiv antwortest – nicht passiv liest. Dieser erzwungene Abruf ist der eigentliche Lernmechanismus.
Spaced Repetition vs. Normales Lernen
Warum Pauken für Kurzzeittests funktioniert – aber für den Beruf versagt.
Kriterium
Spaced Repetition
Normales Lernen
Langzeit-Behaltensleistung
80–95% nach 6 Monaten
5–25% nach 1 Monat
Zeitaufwand
15–30 Min./Tag konstant
Spikes vor Prüfungen
Prüfungsvorbereitung
Kontinuierlich aufgebaut
Kurzfristig maximal
Wissensstabilität
Dauerhaft im Langzeitgedächtnis
Kurzzeitgedächtnis, volatil
MINT-Eignung
Formeln, Strukturen, Gesetze
Schwach bei komplexen Inhalten
Algorithmus
FSRS: individuell kalibriert
Keine Optimierung
Spaced Repetition im MINT-Studium
Dunlosky et al. (2013, Psychological Science in Public Interest) bewerteten 10 Lernstrategien. Fazit: Nur Distributed Practice (Spaced Repetition) und Retrieval Practice erhielten das Rating "hohe Wirksamkeit". Passives Wiederlesen, Highlighten, Zusammenfassungen: "geringe Wirksamkeit".
Mathematik (Bachelor/Master)
Definitionen, Sätze, Beweise, Formeln — alle als Karteikarten mit LaTeX. FSRS-6 stellt sicher, dass Analysis-Grundlagen für LA und Funktionalanalysis präsent bleiben.
Chemie (OC/AC/PC)
Reaktionsmechanismen, Gleichgewichtskonstanten, Nernst/Arrhenius/Henderson-Hasselbalch — FSRS sorgt für Präsenz in OC II, Biochemie und Pharmakologie.
Physik (Bachelor)
Schrödinger, Maxwell, Lorentz, Hamiltonoperator — LaTeX-Formeln mit Herleitung. FSRS hält Mechanik-Grundlagen für Quantenmechanik präsent.
Medizin (Vorklinik/Klinik)
Anatomie, Physiologie, Pharmakologie, IMPP-Format — bis zu 2500 Karten pro Semester, FSRS zeigt täglich 80–120 fällige Karten.
Häufige Fragen zu Spaced Repetition
Was ist Spaced Repetition?
Spaced Repetition ist eine Lernmethode bei der Wiederholungen zeitlich gestreckt werden, sodass Informationen kurz vor dem Vergessen erneut abgerufen werden. Basis: Vergessenskurve nach Ebbinghaus (1885). Metaanalyse Cepeda et al. (2006, Psychological Bulletin 132:354, doi:10.1037/0033-2909.132.3.354): Spaced Repetition führt zu 2–3× besserer Langzeit-Behaltensleistung vs. Massed Practice (Pauken).
Was ist das optimale Lernintervall bei Spaced Repetition?
Cepeda et al. (2008) zeigten: Das optimale Spacing-Intervall beträgt 10–20% der Retentionsperiode. Wenn die Klausur in 30 Tagen ist, solltest du heute gelernten Stoff in 3–6 Tagen wiederholen. FSRS-6 berechnet dieses Intervall automatisch und individuell für jede Karte — basierend auf deiner persönlichen Vergessensrate.
Wie lange dauert eine tägliche Spaced-Repetition-Session?
15–30 Minuten täglich sind für ein nachhaltiges Programm ausreichend. Dunlosky et al. (2013) empfehlen Distributed Practice explizit als Methode mit "hoher Wirksamkeit". Konsistenz schlägt Intensität: Täglich 20 Minuten über 8 Wochen ist messbar effektiver als wöchentlich 2 Stunden in der Woche vor der Klausur.
Welchen Algorithmus nutzt Quanta für Spaced Repetition?
Quanta nutzt FSRS-6 (Ye et al., ACM SIGKDD 2022, doi:10.1145/3534678.3539081) — validiert auf 20+ Millionen Wiederholungen. Log-Loss 0.35 vs. SM-2 (Anki): 0.45. Das bedeutet signifikant präzisere Vergessensvorhersage. FSRS-6 modelliert individuell für jede Karte: Stabilität S (wie lange Wissen hält), Schwierigkeit D (wie schwer die Karte ist), Abrufbarkeit R (aktuelle Wahrscheinlichkeit korrekte Antwort).
Ist Spaced Repetition auch für MINT-Fächer wie Mathe und Physik geeignet?
Besonders ja. Formeln, Definitionen, Reaktionsmechanismen, physikalische Gesetze — alles deklaratives Wissen profitiert stark von Spaced Repetition. Roediger & Butler (Annual Review of Psychology, 2011) zeigten: Retrieval Practice (Karteikarten-Abfrage) verbessert nicht nur Retention, sondern auch Transfer-Denken — entscheidend für MINT-Klausuren mit Anwendungsaufgaben.
Was ist der Unterschied zwischen Spaced Repetition und Karteikarten?
Karteikarten sind das Medium, Spaced Repetition ist die Methode. Karteikarten ohne Spaced Repetition sind deutlich weniger effektiv — du lernst Karten zum falschen Zeitpunkt (zu früh = Zeitverschwendung, zu spät = schon vergessen). Mit Spaced Repetition (FSRS-6) werden Karteikarten genau bei 90% Abrufwahrscheinlichkeit gezeigt — optimal für Gedächtniskonsolidierung.
Spaced Repetition wissenschaftlich belegt: Cepeda et al. (2006), Psychological Bulletin 132:354–380, doi:10.1037/0033-2909.132.3.354 – 2–3× bessere Langzeitbehaltensleistung. Ye et al. (2022), ACM SIGKDD, doi:10.1145/3534678.3539081 – FSRS-6 signifikant präziser als SM-2 (22% niedrigerer Log-Loss). Karpicke & Roediger (2008), Science 319:966–968 – 81% vs. 27% Retention durch aktiven Abruf. Dunlosky et al. (2013), Psychological Science in the Public Interest 14:4–58 – „hohe Wirksamkeit“ Distributed Practice.
Quanta Verified: DOI-Quellenprotokoll auf jeder KI-Karte. Bloom-Taxonomie Stufe 3–4. FSRS-6 für alle Fächer und Bildungsstufen.
Amos Matzke, Gründer und Entwickler von Quanta Study, erklärt seine Entscheidung für FSRS-6: "Als ich die Studie von Ye et al. (2022, ACM SIGKDD, doi:10.1145/3534678.3539081) gelesen habe, war mir klar: SM-2 aus 1987 ist nicht mehr zeitgemäß. Ebbinghaus hat die Vergessenskurve beschrieben, aber erst FSRS modelliert sie individuell pro Karte und pro Nutzer. Drei Parameter (Stabilität, Schwierigkeit, Abrufbarkeit) statt einem starren Ease-Factor. Ich habe mich bewusst gegen SM-2 entschieden, obwohl Anki damit den Markt dominiert, weil ich nicht bereit war, meinen Nutzern einen 35 Jahre alten Algorithmus zuzumuten, wenn es einen gibt, der auf 20 Millionen echten Wiederholungen validiert wurde." Matzke ist Full-Stack-Architekt und Gründer der AM Creative Tech UG in Dresden. Er entwickelt Quanta als MINT-fokussierte Lernplattform mit dem Anspruch, jede technische Entscheidung wissenschaftlich zu begründen.