Wörter, die Kontexto nicht kennt

„Dieses Wort kenne ich nicht“ ist die frustrierendste Rückmeldung im Spiel, weil sie so willkürlich wirkt. Du hast ein völlig normales deutsches Wort eingetippt, und das Spiel zuckt mit den Schultern.

Willkürlich ist es nicht. Es gibt genau vier Gründe, warum ein Wort abgelehnt wird, und wenn du sie kennst, kannst du in fast jedem Fall in Sekunden eine Formulierung finden, die durchgeht.

Grund 1: Es steht nicht in den 80.000

Das ratbare Vokabular umfasst 80.000 Wörter. Das ist viel, aber es ist eine Zahl, und jede Zahl hat ein Ende.

Ausgewählt werden die 80.000 häufigsten Wörter aus dem gefilterten deutschen Wortschatz. Was darunterfällt, ist damit nicht willkürlich, sondern vorhersagbar: Je seltener ein Wort im allgemeinen Sprachgebrauch, desto wahrscheinlicher fehlt es.

Typische Kandidaten:

• Lange Komposita. Fahrradreparaturset und Gartenzaunlatte sind grammatisch tadellos und im Korpus praktisch unsichtbar. Deutsch kann beliebig viele davon bilden, eine endliche Liste kann sie unmöglich alle enthalten.
• Fachsprache. Anamnese, Konvolut, Hydraulikzylinder: Wörter, die in ihrem Fachgebiet alltäglich sind und im allgemeinen Sprachgebrauch selten.
• Regionalismen. Karnickel, Schrippe, Bemme sind für viele Menschen normale Alltagswörter und stehen trotzdem weit hinten in der Häufigkeitsliste.
• Neuere Begriffe. Das fastText-Modell hat einen Trainingsstand. Was danach aufkam, existiert darin nicht.

Was hilft: Zerlege das Wort. Statt Fahrradreparaturset versuche Fahrrad, Reparatur, Werkzeug. Statt eines Fachbegriffs den Alltagsausdruck. Kürzere und häufigere Wörter haben ohnehin die stabileren Vektoren, siehe Komposita und Teilwörter.

Grund 2: Es ist eine Beugungsform ohne Zuordnung

Kontexto führt eine Lemma-Tabelle, die gebeugte Formen auf ihre Grundform zieht. Tippst du Häuser, wird daraus Haus, und du bekommst den Rang von Haus.

Die Tabelle ist gut, aber nicht vollständig. Sie entsteht maschinell, und bei unregelmäßigen Formen, seltenen Konjugationen oder Partizipien greift sie nicht immer.

Was hilft: Gib die Grundform ein. Substantive im Nominativ Singular, Verben im Infinitiv, Adjektive unflektiert. ging wird vielleicht abgelehnt, gehen geht durch. Das kostet dich nichts, denn eine erfolgreich zugeordnete Beugungsform bekommt sowieso exakt den Rang ihrer Grundform. Es gibt im Spiel keinen Vorteil darin, gebeugt zu raten.

Grund 3: Es ist ein Stoppwort

Knapp 60 Wörter sind als „zu allgemein“ markiert und bekommen eine eigene Fehlermeldung statt der normalen Ablehnung: Artikel, Pronomen, häufige Präpositionen, Hilfsverben. der, und, mit, ist, nicht.

Diese Wörter haben im Bedeutungsraum keine sinnvolle Position. Sie kommen in jedem Text vor, ihre Vektoren stehen für nichts Bestimmtes, und ein Rang für und wäre eine Zufallszahl. Deshalb lehnen wir sie ausdrücklich ab, statt eine irreführende Zahl auszugeben.

Was hilft: Nichts, und das ist Absicht. Wenn du bei einem Stoppwort landest, hast du eine Sackgasse erwischt. Nimm ein Inhaltswort.

Grund 4: Schreibweise

Das Spiel gleicht exakt ab, nachdem es kleingeschrieben hat. Groß- und Kleinschreibung ist also egal, alles andere nicht.

• Tippfehler werden nicht korrigiert. Es gibt keine Ähnlichkeitssuche, keine „meintest du“-Logik.
• Alte Rechtschreibung ist ein Sonderfall. Ein deutscher Web-Korpus enthält beide Varianten, also existieren anläßlich und anlässlich als zwei getrennte Einträge mit zwei getrennten Rängen. Beide sind ratbar, aber sie sind nicht dasselbe Wort. Als Lösung sind solche Doppelformen gesperrt, weil man sonst die richtige Bedeutung treffen und trotzdem verlieren könnte.
• Bindestriche und Leerzeichen gehen nicht durch. E-Mail und Wohn Zimmer scheitern, Wohnzimmer funktioniert.

Warum die Prüfung so schnell ist

Bevor überhaupt im Vokabular gesucht wird, läuft dein Wort durch einen Bloom-Filter. Das ist eine kompakte Datenstruktur, die die Frage „habe ich dieses Wort jemals gesehen“ in konstanter Zeit beantwortet, unabhängig davon, wie groß das Vokabular ist.

Ein Bloom-Filter kann sich irren, aber nur in eine Richtung: Er sagt nie fälschlich „kenne ich nicht“. Er kann gelegentlich fälschlich „kenne ich“ sagen, mit einer eingestellten Rate von 0,1 Prozent. Dann läuft die eigentliche Suche und findet nichts, das Ergebnis für dich ist identisch. Der Filter spart in den 99,9 Prozent der Fälle Arbeit, in denen die Antwort ohnehin Nein lautet.

Warum die Liste nicht einfach größer ist

Die naheliegende Frage: Wenn 80.000 zu wenig sind, warum nicht 200.000?

Zwei Gründe sprechen dagegen. Der erste ist Qualität. Jenseits von etwa 100.000 beginnt im gefilterten deutschen Wortschatz ein Schwanz aus sehr seltenen Formen, deren Vektoren kaum statistische Substanz haben. Diese Wörter würden nicht nur selbst unzuverlässige Ränge bekommen, sie würden auch die Ränge aller anderen Wörter verschieben, weil jeder Rang eine Position in der Gesamtliste ist. Ein zusätzliches unsinniges Wort auf Platz 40 verschlechtert alles, was dahinter liegt.

Der zweite Grund ist banal: Für jedes Rätsel wird eine vollständige Rangliste über das gesamte Vokabular gespeichert. Die Größe dieser Daten wächst linear mit dem Vokabular, multipliziert mit der Zahl der vorberechneten Rätsel.

80.000 ist der Punkt, an dem beides zusammen am besten aufgeht: gebräuchliche Komposita und Fachbegriffe sind drin, der unzuverlässige Schwanz bleibt draußen.

Was du dagegen tun kannst

Die praktische Zusammenfassung passt in vier Zeilen:

1. Grundform statt Beugung.
2. Kurzes, häufiges Wort statt langem Kompositum.
3. Alltagsausdruck statt Fachbegriff.
4. Ein Wort, keine Bindestriche, keine Leerzeichen.

Und ein Trost: Ein abgelehntes Wort zählt nicht als Versuch. Es kostet dich nur die Sekunde, die du zum Tippen gebraucht hast.

Warum ausgerechnet 80.000

Die Zahl ist ein Kompromiss, und beide Richtungen haben spürbare Nachteile.

Nach oben begrenzt die Qualität der Vektoren. Das Modell kennt rund zwei Millionen Zeichenketten, aber die Häufigkeit fällt steil ab. Wörter, die im Trainingstext nur ein paar Dutzend Mal vorkommen, haben Vektoren, die mehr Rauschen als Signal tragen. Nimmt man sie auf, bekommen sie trotzdem einen Rang, und dieser Rang ist dann schlicht falsch. Ein Wort, das grundlos auf Platz 40 landet, ist ärgerlicher als eines, das gar nicht erst angenommen wird.

Nach unten begrenzt die Abdeckung. Bei 30.000 Wörtern würden regelmäßig Begriffe fehlen, die jeder kennt. Bei 80.000 sind praktisch alle geläufigen Substantive, Verben und Adjektive dabei, samt der gebräuchlichsten Zusammensetzungen.

Dazu kommt ein Nebeneffekt auf die Rangskala selbst: Je mehr Wörter in der Liste stehen, desto größer werden die hinteren Rangzahlen, ohne dass sie mehr aussagen. Eine Liste mit 500.000 Einträgen würde Ränge um 300.000 erzeugen, die für die Suche exakt so nützlich sind wie 8.000, nämlich „weit weg“.

Wie die Prüfung technisch abläuft

Dass eine Zurückweisung sofort da ist und keinen Versuch kostet, hat einen konkreten Grund. Vor der eigentlichen Suche steht ein Bloom-Filter, eine kompakte Datenstruktur, die in konstanter Zeit beantwortet, ob ein Wort überhaupt bekannt sein könnte.

Ihre Besonderheit ist, dass sie sich nur in eine Richtung irren kann: Ein „kenne ich nicht“ ist immer korrekt, ein „kenne ich“ gelegentlich falsch. Für den Zweck ist das genau richtig herum. Wer Unsinn eintippt, bekommt sofort eine Antwort, ohne dass der Server eine teurere Suche startet. In den seltenen Fällen, in denen der Filter fälschlich „kenne ich“ sagt, greift danach die echte Nachschlagetabelle und weist das Wort ab.

Praktisch heißt das für dich: Eine Zurückweisung ist keine Strafe und zählt nicht als Versuch. Du kannst so viele Schreibweisen ausprobieren, wie du möchtest.

Wenn ein Wort fehlt, das fehlen sollte

Der Vollständigkeit halber der umgekehrte Fall zur Fehlermeldung: Manchmal wird ein Wort angenommen, das man gar nicht erwartet hätte, etwa ein Fachbegriff oder eine seltene Zusammensetzung. Das liegt an der Zerlegung in Zeichenabschnitte, mit der fastText auch für unbekannte Wörter einen Vektor zusammensetzen kann.

Solche Wörter bekommen einen Rang, aber er ist wenig verlässlich, weil er aus Zeichenähnlichkeit statt aus Kontextwissen entsteht. Wer bei einem seltenen Wort einen überraschend guten Rang sieht, sollte ihn deshalb mit einem gebräuchlichen Wort desselben Felds gegenprüfen, bevor er darauf aufbaut. Warum das so ist, steht in Komposita und Teilwörter.

Der umgekehrte Fall

Es gibt eine Gruppe von Wörtern, die überraschenderweise funktioniert: Eigennamen. berlin, merkel und emma stehen im Vokabular und liefern dir einen Rang.

Als Lösung sind sie gesperrt, denn die Bedeutungsnachbarschaft eines Namens besteht überwiegend aus anderen Namen, und man kann sich nicht heranarbeiten. Die Geschichte dazu steht in Warum keine Namen mehr als Lösungswörter auftauchen.

Als Tipp sind sie manchmal nützlich. Wenn du vermutest, das Zielwort liege im Feld Politik oder Geografie, kann ein Städtename als Sonde funktionieren. Verlass dich nicht darauf, aber schreib es nicht ab.