Öffne den Wortschatzbereich fast jeder Sprach-App, und du siehst immer dasselbe: eine Liste. Wörter in einer Spalte, Übersetzungen in einer anderen, vielleicht ein Stärkebalken. Es ist die Tabellenansicht von etwas, das in deinem Kopf überhaupt nicht wie eine Tabelle aussieht. Dieser Beitrag behandelt, was die Forschung tatsächlich darüber sagt, wie Wörter gespeichert werden, die zwei praktischen Konsequenzen, die für Lernende zählen, und wie wir begonnen haben, LingoBlend um diese Form herum zu bauen.
Wie das mentale Lexikon tatsächlich aussieht#
Der Begriff, den Psycholinguisten für deinen Wortspeicher verwenden, ist das mentale Lexikon, und das klassische Modell dafür ist ein semantisches Netzwerk: Wörter als Knoten, Beziehungen als Verbindungen, und Aktivierung, die sich entlang dieser Verbindungen ausbreitet (Collins & Loftus, 1975). Hörst du doctor, werden die Wörter nurse, hospital und medicine für den nächsten Sekundenbruchteil messbar schneller erkannt – ein Effekt namens semantisches Priming, einer der am häufigsten reproduzierten Befunde des Fachs.
Die Verbindungen betreffen nicht nur Bedeutung. Wortassoziationsstudien – ein Wort sagen, das erste Wort notieren, das zurückkommt – zeigen stabile, strukturierte Verbindungen mehrerer Arten:
| Verbindungsart | Beispiel (Spanisch) | Was es widerspiegelt |
|---|---|---|
| Wortfamilie | comer → comida, comedor | Gemeinsame Wurzel, Morphologie |
| Synonym / Antonym | feliz → contento, triste | Bedeutungsüberschneidung und -gegensatz |
| Thema / Kollokation | comer → cocina, almuerzo | Wörter, die in denselben Situationen vorkommen |
| Formähnlichkeit | pero ↔ perro | Klang- und Schreibähnlichkeiten |
Die Zweitsprachenforschung fügt den Befund hinzu, der für Lernende am meisten zählt: Netzwerkdichte geht mit der Sprachkompetenz einher. Paul Mearas Arbeit zu L2-Wortnetzwerken argumentierte, dass Wortschatzgröße allein ein schwaches Maß ist – die Wortspeicher von Anfängern verhalten sich wie lose Sammlungen, während die von fortgeschrittenen Lernenden sich wie muttersprachliche Geflechte verhalten, mit Assoziationen, die mit wachsender Kompetenz von klangbasiert („worauf reimt sich das?“) zu bedeutungsbasiert wandern. Zwei Lernende können dieselben 2.000 Wörter kennen, und derjenige, dessen Wörter vernetzt sind, liest schneller, erinnert sich schneller und errät neue Wörter besser.
Konsequenz eins: Neue Wörter brauchen etwas zum Anknüpfen#
Ein neues Wort, das sich mit Dingen verbindet, die du schon kennst, hat einen Platz zum Leben. Das ist die Wortschatz-Version des Prinzips des Comprehensible Input – Lernen geschieht am Rand dessen, was du weißt, nicht im luftleeren Raum. Kennst du schon comer (essen), ist comida (Essen) kaum ein neues Wort überhaupt: Es erbt die Wurzel, das Thema und die Hälfte seiner Kontexte von einem Knoten, den du schon besitzt. Es zu lernen kostet einen Bruchteil dessen, was ein unverwandtes Wort kostet.
Dieser Rand – die Menge der Wörter, die eine Verbindung von deinem bekannten Wortschatz entfernt sind – ist deine persönliche Grenzzone, und dort lebt das günstigste Lernen. Häufigkeitslisten ignorieren sie völlig: Sie geben jedem Lernenden dasselbe nächste Wort, egal was dieser Lernende schon weiß. Ein Netzwerkmodell kann die Grenzzone speziell für dich ordnen. (Das ist für Lernsoftware im Allgemeinen keine neue Idee – Mathe-Plattformen nutzen seit Jahren Voraussetzungsgraphen, um „was als Nächstes“ zu wählen –, aber es ist selten in Sprach-Apps.)
Konsequenz zwei: Ähnliche Wörter stören sich gegenseitig#
Die zweite Vorhersage ist weniger intuitiv und besser belegt: Ähnliche Wörter gemeinsam zu lernen, macht sie schwerer erlernbar. Eine jahrzehntealte Forschungslinie (Tinkham, 1993; Waring, 1997) fand heraus, dass das Lernen semantisch geclusterter Sets – alle Farben auf einmal, alle Obstsorten auf einmal – messbar langsamer ist als das Lernen derselben Wörter in gemischten Sets, weil die ähnlichen Elemente sich gegenseitig stören. Jeder Lernende, der Tuesday/Thursday oder spanisch pero/perro dauerhaft verwechselt hat, kennt das Gefühl. Paul Nations Richtlinien zum Wortschatzunterricht sagen es unverblümt: Verwandte und verwechselbare Elemente zu unterschiedlichen Zeiten präsentieren.
Die praktische Konsequenz: Eine App sollte wissen, welche deiner Wörter verwechselbar sind – und dieses Wissen nutzen, um sie auseinanderzuhalten, solange sie neu sind, und sie bewusst gegenüberzustellen, sobald du sie immer wieder verwechselst. LingoBlends Wiederholungssitzungen tun inzwischen beides, mit denselben abgebildeten Verwechslungspaaren, die unten beschrieben sind; siehe wie Verwechslungspaare pero und perro auseinanderhalten.
Was das dafür bedeutet, wie eine App dich modellieren sollte#
Setzt man die beiden Konsequenzen zusammen, ergeben sich die Anforderungen von selbst:
| Flaches Listenmodell | Netzwerkmodell |
|---|---|
| Weiß, welche Wörter du gespeichert hast | Weiß, welche Wörter du gespeichert hast und wie sie zusammenhängen |
| Nächstes Wort = nächste Zeile in einer Häufigkeitsliste | Nächstes Wort = deine Grenzzone, geordnet |
| Blind für Verwechselbares | Kann pero/perro zeitlich trennen, dann gegenüberstellen |
| despierta und despertar sind zwei unverbundene Zeilen | Beide sind dieselbe Wortfamilie, und eines zu kennen zählt für das andere |
| Wortschatzgröße als einziges Maß | Größe und Vernetzung |
Diese letzte Zeile verdient eine Anmerkung, denn genau dort verliert ein App-Modell mit flacher Liste leise deinen Fortschritt. Lernende begegnen Wörtern in flektierten Formen – despierta, nicht der Wörterbuchform despertar –, und ein Listenmodell legt die Form, die du gespeichert hast, als eigene, isolierte Zeile ab. Ein Netzwerkmodell löst Formen zu ihrer Familie auf, sodass sich das Wissen an einem Ort sammelt.
Wie LingoBlend das umsetzt#
Wir haben jetzt für jede unserer 17 Sprachen einen Vokabelgraphen gebaut: rund 3.000 der nützlichsten Wörter pro Sprache – ausgewählt nach echter Gebrauchshäufigkeit, nicht nach Lehrbuchreihenfolge –, verbunden durch Wortfamilien, Synonyme, Antonyme, Verwechslungspaare, Themen und semantische Ähnlichkeit, und sowohl in ihren flektierten Formen als auch in ihren Wörterbuchformen erkannt (despierta → despertar, und Unregelmäßigkeiten, die eine Rechtschreibregel nie erfassen könnte, wie italienisch va → andare).
Deine Seite des Graphen kommt aus dem, was LingoBlend schon verfolgt: jedes Wort, das du speicherst, und wie deine Wiederholungen in den Spaced-Repetition-Spielen laufen. Dieser Wiederholungsverlauf sagt der App, wie gut du jedes Wort wirklich kennst, und legt dein Wissen über die Landkarte der Sprache – auf deinem Gerät, ohne Kosten, offline.
Heute läuft das im Hintergrund, und mit der neuesten Version der App ist die Liste der darauf aufbauenden Funktionen weit über die erste hinausgewachsen: Blends, die keine Übersetzungsplätze mehr für Wörter verschwenden, die du schon beherrschst, grenzzonenbasierte Empfehlungen und Wortfamilien-Browsing in deinem Wörterbuch, und interferenzbewusste Wiederholungssitzungen, die verwechselbare Paare auseinanderhalten. Wenn du einen tieferen technischen Rundgang durch den Graphen willst – den haben wir geschrieben: im Inneren von LingoBlends Vokabelgraph.
Weiterführende Lektüre: wie man Wortschatz durch Lesen aufbaut für die Forschung zu Abdeckung und wiederholter Begegnung, die Wissenschaft des zweisprachigen Lesens dafür, warum gemischtsprachiger Text die Aufmerksamkeit hält, und miss deine Wortschatzgröße dafür, was Größe aussagt und was nicht. Oder sieh dir die vollständige Forschungsgrundlage auf unserer Wissenschaftsseite an.