Wir haben kürzlich darüber geschrieben, warum dein Wortschatz ein Netzwerk ist, keine Liste – der fünfzig Jahre alte Forschungskonsens, dass Wörter in deinem Kopf als verbundenes Geflecht existieren. Dieser Beitrag ist die andere Hälfte: was wir tatsächlich gebaut haben, um dieser Form zu entsprechen, und die konkreten Entscheidungen dahinter.
Welche Wörter es geschafft haben – und warum Häufigkeit Lehrbücher schlägt#
Der Graph jeder Sprache enthält rund 3.000 Wörter. Diese Zahl ist nicht willkürlich: Forschung zur Wortschatzabdeckung (am bekanntesten die Arbeit von Paul Nation) beziffert die häufigsten ~3.000 Wortfamilien auf etwa 95 % der laufenden Wörter in typischem Text – die Schwelle, ab der Lesen zu fließen beginnt, statt sich wie Entschlüsseln anzufühlen. Ein Graph dieser Größe deckt den Wortschatz ab, dem ein Lernender von A1 bis B2 tatsächlich begegnet.
Die Auswahl stammt aus echtem Sprachgebrauch – wie oft Wörter tatsächlich in echter Alltagssprache vorkommen – verfeinert mit unserem eigenen kuratierten Wortschatz. Häufigkeitsdaten aus echter Sprache haben eine Eigenschaft, die Lehrbuchlisten fehlt: Sie spiegeln wider, was Menschen tatsächlich sagen, sodass conseguir (es schaffen, bekommen) dort landet, wo es hingehört – weit vor den braven Lehrbuch-Klassikern, die in echten Gesprächen selten vorkommen. Echte Sprache ist allerdings unordentlich: Sie kommt flektiert daher (necesito, nicht necesitar) und voller Namen und Rauschen, weshalb ein Großteil der Arbeit darin bestand, jeden Eintrag auf seine Wörterbuchform zu normalisieren und seine Qualität zu prüfen, bevor er einen Platz im Graphen verdiente.
Die Verbindungen zwischen Wörtern#
Jedes Wort ist auf mehrere Arten mit seinen Nachbarn verbunden, jede mit einer eigenen Aufgabe:
| Verbindung | Beispiel | Wofür sie da ist |
|---|---|---|
| Wortfamilie | comer → comida, comedor | Wissen überträgt sich entlang der Wurzel; in einer Familie ist jedes neue Mitglied billig zu lernen |
| Synonym | feliz → contento | Bedeutungsalternativen; Wissenstiefe |
| Antonym | feliz → triste | Kontrastpaare, natürliches Quiz-Material |
| Verwechslungspaar | puerto ↔ puerta | Die Paare, die Lernende verwechseln – früh getrennt halten, später gegenüberstellen |
| Thema | comer → cocina, almuerzo | Wörter, die in denselben Situationen vorkommen |
| Ähnlich | comer → cenar, almorzar | Wörter, die sich bedeutungsmäßig nahestehen, ohne strenge Synonyme zu sein |
Die Verwechslungskanten verdienen eine besondere Erwähnung, weil sie die Interferenzforschung direkt abbilden: Wörter, die ähnlich aussehen oder klingen (pero/perro, hombre/hambre), sind genau die, die nicht in derselben Sitzung eingeführt werden sollten, und die bewusst gegenübergestellt werden sollten, sobald du sie ständig verwechselst. Diese Paare pro Sprache abzubilden, macht beide Verhaltensweisen möglich, und beide laufen jetzt: Wiederholungssitzungen halten frisch eingeführte Verwechslungspaare getrennt, und Verwechslungspaare stellen bewusst die Paare gegenüber, die du immer wieder falsch beantwortest.
Warum despierta jetzt auf despertar einzahlt#
Echte Lernende begegnen echtem Text, und echter Text ist flektiert. Du speicherst despierta aus einem Artikel; die Wörterbuchform ist despertar. Behandelst du diese als unabhängige Einträge – was eine flache Wortliste tut —, zersplittert dein Wissen über Zeilen hinweg.
Also löst der Graph die Formen, denen ein Lernender tatsächlich begegnet, zu den Wörterbuchwörtern auf, zu denen sie gehören – und das über 17 Sprachen hinweg zu tun, ist eine Tour durch die Morphologie der Welt:
| Sprache | Was die Formauflösung bewältigen muss |
|---|---|
| Finnisch | Fünfzehn Kasus bei Substantiven |
| Serbisch | Vollständige slawische Deklination |
| Russisch | Deklination plus Aspektpaare bei Verben |
| Türkisch | Agglutinierende Suffixketten |
| Spanisch | Reiche Verbkonjugation |
| Englisch | Plural, -ing, -ed – vergleichsweise zahm |
| Japanisch | Verbformen; viel Bedeutung wird von Partikeln getragen |
| Chinesisch | Flektiert kaum |
Das ist kein Stemmer nach Rechtschreibregeln, weshalb er die Unregelmäßigkeiten erfasst, an denen jeder regelbasierte Ansatz scheitert: das italienische va → andare und detto → dire, das spanische fue, das französische eu. Die Beherrschung jeder Form zahlt auf das Wörterbuchwort ein – das „Parent-Terms“-Verhalten, das Power-User von jpdb und Readern im LingQ-Stil seit Langem gefordert haben.
Deine Ebene: Beherrschung, berechnet auf deinem Gerät#
Der geteilte Graph ist die Landkarte; dein Wissen ist die Überlagerung. LingoBlend zeichnet in den Spaced-Repetition-Spielen bereits auf, wie jede Wiederholung verläuft – dieser Verlauf sagt der App, wie gut du jedes gespeicherte Wort tatsächlich kennst (brandneu, noch in Arbeit, solide beherrscht oder am Verblassen), mit denselben Daten, auf denen auch die Spiele laufen.
Drei praktische Eigenschaften dieses Designs sind es wert, genannt zu werden, weil sie das Gegenteil davon sind, wie „KI-Funktionen“ normalerweise funktionieren:
- Keine KI zur Laufzeit. Die Intelligenz steckt im Aufbau der Graphen, nicht darin, bei jedem App-Start ein Modell aufzurufen. Nichts hier wartet auf einen Server.
- Auf dem Gerät und offline. Deine Wissensüberlagerung wird auf deinem Handy aus bereits vorhandenen Daten berechnet, und auch die geteilte Karte liegt auf deinem Gerät.
- Keine zusätzlichen Kosten. Nichts am Graphen macht die App langsamer oder teurer im Betrieb – weder für dich noch für uns.
Was das ermöglicht#
Heute arbeitet der Graph im Hintergrund – du wirst keinen „Graph“-Bildschirm in der App finden, und wir halten das für die richtige Entscheidung (Lernplattformen, die tatsächlich Graph-Visualisierungen ausgeliefert haben, wie Khan Academys alte Wissenslandkarte, haben sie am Ende wieder eingestellt). Was du stattdessen siehst, sind die Funktionen, die darauf aufbauen:
- Blends, die dich kennen – bereits ausgeliefert. Text-Blending gibt für jeden Text ein begrenztes Budget übersetzter Wörter aus; beherrschte Wörter sind verschwendete Plätze. Mit Blend Engine v2 überspringt die Beherrschungsebene des Graphen jetzt das, was du schon kennst, holt Wörter wieder hoch, die zur Wiederholung fällig sind, und bevorzugt neue Wörter an deiner Lerngrenze.
- Niveaubewusste Auswahl – bereits ausgeliefert. Der Graph weiß, wie häufig jedes Wort im echten Gebrauch ist, sodass Blends Wörter knapp über deinem Niveau anvisieren können.
- Dein Wörterbuch, durchstöberbar nach Verbindung – bereits ausgeliefert. Mit der neuesten Version der App zeigen Verwandte Wörter auf der Detailseite jedes gespeicherten Wortes dessen Familie, Synonyme, Antonyme, Verwechslungspaare und thematischen Nachbarn, gespeicherte Wörter gruppieren sich zu Familien statt alphabetisierter Zeilen, und die Wörterbuch-Startseite empfiehlt „Weil du X kennst“-Wörter, gezogen aus deiner eigenen Lerngrenze.
- Interferenzbewusste Wiederholung und sichtbare Abdeckung – bereits ausgeliefert. Wiederholungssitzungen halten frisch eingeführte Verwechslungspaare jetzt getrennt, und eine Verwechslungspaare-Ansicht stellt die wahrscheinlichsten Verwechslungen direkt gegenüber; Geschichten und Bücher zeigen ein „% bekannt“-Abdeckungs-Badge, bevor du zu lesen beginnst; und der Graph treibt auch eine laufende Schätzung deiner Wortschatzgröße an.
Wir schreiben über jede dieser Funktionen, sobald sie ausgeliefert wird. Die Forschungsgrundlage hinter dem gesamten Ansatz findest du auf der Wissenschaftsseite, oder starte mit dem Netzwerkmodell des Wortschatzes, das alles davon motiviert hat.