Anforderung aus A2 an Spur B: Genus fuer Relations-Ziele ernten

Stand 28.08.2026. Gemessen am Produktionsbestand, nicht geschaetzt.

Diese Datei ist eine Uebergabe zwischen den Spuren, wie sie der Ausbauplan vorsieht: Spur A stoesst an eine Grenze, die in Spur B liegt, und beschreibt sie messbar statt sie selbst zu ueberschreiten.

Worum es geht

Lenny formuliert heute Definitionen ohne Artikel, wo ihm das Genus des Zielbegriffs fehlt:

Biene ist Insekt.          statt   Biene ist ein Insekt.
Photon ist Groesse.        statt   Photon ist eine Groesse.
Akku ist Speicher.         statt   Akku ist ein Speicher.

Der Artikel faellt nicht aus Nachlaessigkeit weg, sondern nach Vorsatz: das Modul core/german_noun_gender.py raet nie. Ohne bekanntes Genus lieber kein Artikel als ein falscher.

Die Zahlen

Gemessen ueber alle ist_ein-Kanten im Wahrheits-Korpus:

	Typen	Kanten
Ziele insgesamt	1505	7743
davon mit bekanntem Genus	508 (33,8 %)	3592 (46,4 %)
ohne Genus, also ohne Artikel	997	4151 (53,6 %)

Mehr als jede zweite Definition rendert damit ohne Artikel.

Was A2 selbst getan hat, und warum es nicht reicht

Zwei ausnahmslose Endungsregeln ergaenzt (-ling maskulin, -anz/-enz feminin). Gewinn: rund 8 Begriffe / 85 Kanten. Das sind 2 % der Luecke.

Fuenf weitere Endungen haetten zusammen 286 Kanten gebracht und wurden bewusst nicht aufgenommen, weil jede echte Gegenbeispiele hat:

-ie    das Genie, das Knie
-ik    das Mosaik, der Pazifik
-ur    das Abitur, der Purpur
-nis   das Ergebnis GEGEN die Kenntnis, beide Genera
-ment  der Zement, der Moment
-chen  der Kuchen, der Knochen

Die letzte Zeile stand schon vor dieser Messung im Kopf des Moduls als bewusste Entscheidung. Die Messung hat sie bestaetigt: unter den -chen Treffern stand auch "Vergleichen", eine Verbform aus den Daten.

Regeln sind hier also nicht der Hebel. Daten sind es.

Was das geerntete Lexikon heute abdeckt, und was nicht

core/lenny_language.lai enthaelt 494 belegte Genus-Angaben aus Wiktionary, seit dem 28.08. im Antwortpfad. Sie helfen an dieser Stelle kaum, weil sie Fragment-Begriffe abdecken, also die Subjekte. Die Ziele von ist_ein-Relationen sind ueberwiegend andere Woerter und stehen nicht darin.

Die Bitte an Spur B

Die Ernte soll Genus auch fuer Relations-Ziele holen, nicht nur fuer Fragment-Begriffe. Dieselbe Quelle, dieselbe Mechanik wie bei brain_pop.

Das lohnt sich ueberproportional, weil die Ziele stark gebuendelt sind:

die haeufigsten 10 Begriffe decken  670 der 4151 offenen Kanten (16 %)
die haeufigsten 20 Begriffe decken 1074                         (26 %)
die haeufigsten 30 Begriffe decken 1407                         (34 %)
die haeufigsten 60 Begriffe decken 2123                         (51 %)

Sechzig Begriffe halbieren die Luecke. Das ist ein Erntelauf, kein Projekt.

Die dreissig wichtigsten, nach Anzahl betroffener Kanten:

pflanzen, Gebiet, Groesse, Wasser, Wetter, Gewaesser, RAUM, Technik,
Gebaeude, Pflanzen, Stadt, Transport, MASS, Maschinen, Folge, Fluss,
Substanz, Wirbeltiere, Gewinn, DING, Meteorologie, Territorium,
Werkstoff, Mineral, NAME, Daten, IT, Konsequenz, Reihe, Fauna

Ein Nebenbefund, der euch gehoert

In dieser Liste stehen pflanzen (klein, 172 Kanten), RAUM, MASS, DING und NAME (versal) sowie Pflanzen, Maschinen, Wirbeltiere, Daten (Plural). Das ist kein Genus-Problem, sondern Schreibweise und Numerus in den Daten selbst. pflanzen und Pflanzen sind zwei Eintraege fuer dieselbe Sache, zusammen 216 Kanten.

Wer das normalisiert, gewinnt zweimal: die Kanten fallen zusammen, und das Genus greift danach automatisch ueber die vorhandene Tabelle.

Wie ihr merkt, dass es gewirkt hat

Dieselbe Messung erneut: der Anteil der ist_ein-Kanten mit bekanntem Genus. Heute 46,4 %. Alles darueber ist der Gewinn.