Messung: Taugt Eigenschafts-Vererbung als nächster Schritt?¶
Stand 11.08.2026 · read-only gemessen am Live-Bestand · nichts geschrieben
Geprüftes Muster:
Das war der aussichtsreichste Kandidat aus der Ketten-Auswertung: die einzige gemischte Kombination mit nennenswertem Volumen, die aus reiner Taxonomie neue Information erzeugt statt wieder nur „ist ein".
Was dabei herauskam¶
| Messgröße | Wert |
|---|---|
| Ketten gesamt | 1.413 |
| Eigenschaft schon vorhanden | 41 |
| neue Eigenschaften (eindeutig) | 1.357 |
| davon von ≥2 Pfaden gestützt | 15 |
| nach den vorhandenen Wachen übrig | 1.226 |
Die vorhandenen Wachen (Pronomen-Subjekt, Platzhalter-Kategorie, Eigenschaft ohne Adjektivform, Flexions-Dubletten) verwerfen nur 158 von 1.413. Sie greifen — aber sie sind nicht das, was hier fehlt.
Warum es trotzdem nicht trägt¶
1. Die Vererbung erfindet keinen Fehler — sie vervielfacht ihn¶
Eine ist_ein-Kante trägt im Schnitt 1,4 Ableitungen, im Extremfall 5:
Karnevalsumzug ist_ein Stadt -> baufällig, groß, laut, urban (Kante ist falsch)
Oktoberfest ist_ein Stadt -> baufällig, groß, laut, urban (Kante ist falsch)
Tintenfisch ist_ein Meer -> 5 Eigenschaften (Kante ist falsch)
Flussdelta ist_ein Meer -> 5 Eigenschaften (Kante ist falsch)
Eine einzige verdrehte Taxonomie-Kante wird zu bis zu fünf Behauptungen. Der Bestand hat solche Kanten — das ist bekannt und nicht neu. Neu ist der Hebel.
2. Auch richtige Kanten erben Falsches¶
Die Kante stimmt. Die Ableitung stimmt nicht. Grund: Stadt hat baufällig ist
eine zufällige Eigenschaft (manche Städte sind es), keine wesenhafte
(alle Städte sind es). Vererbung ist nur für wesenhafte Eigenschaften gültig.
Der Graph unterscheidet das heute nicht.
Das ist der Pinguin-Fall, mit echten Daten belegt — und er trifft nicht den Rand, sondern die Mitte.
3. Homonyme schlagen voll durch¶
Folge ist mit 72 Ableitungen der größte Spender überhaupt — und dreifach
mehrdeutig (Reihenfolge / Konsequenz / Sendung). Ohne Wortsinn-Trennung erbt
jede Lesart die Eigenschaften jeder anderen.
Was daran gut ist¶
Die Fehlerfläche ist klein und konzentriert:
- nur 289 Begriffe spenden überhaupt Eigenschaften
- die Top 20 tragen 40 % aller Ableitungen
Und wo Spender-Eigenschaft wesenhaft und Taxonomie sauber ist, stimmt das Ergebnis vollständig — die einzige mehrfach gestützte Familie ist genau das:
Alle neun korrekt, jeweils über zwei unabhängige Pfade. Das Verfahren funktioniert. Ihm fehlt nur eine Unterscheidung.
Empfehlung¶
Nicht flächige Vererbung freischalten. Stattdessen die fehlende Unterscheidung nachziehen — an der einen Stelle, wo sie wirkt:
Eine
hat_eigenschaft-Kante bekommt eine Marke wesenhaft / zufällig. Vererbt wird ausschließlich das Wesenhafte.
Warum das der richtige Zuschnitt ist:
- Es sind 289 Spender, nicht 11.000 Begriffe. Die Top 20 decken 40 %.
- Die Marke sitzt an der Quelle: wird sie einmal richtig gesetzt, sind alle daraus gezogenen Schlüsse richtig — statt 1.226 Einzelfälle zu prüfen.
- Sie ist doktrinkonform: keine Korrektur, keine Löschung, nur eine zusätzliche Auszeichnung an vorhandenen Kanten.
- Sie ist messbar, bevor irgendetwas geschrieben wird — dieselbe Messung nochmal, dann gegen die Marke gefiltert.
Abgeleitete Fakten bleiben auch dann Kandidaten mit Gewicht, nie Veto, und
tragen die Kette als Beleg — damit eine später korrigierte ist_ein-Kante ihre
Ableitungen mitnimmt.
Offen für Marco: ob die Marke gesetzt werden darf (sie schreibt an vorhandene Kanten) und ob die Top 20 von Hand oder per Judge ausgezeichnet werden.
Nachtrag: was daraus wurde (11.08., Freigabe erteilt)¶
Gebaut als core/property_inheritance.py + core/essential_properties.json,
33 Tests, Flag LENNY_PROPERTY_INHERITANCE standardmäßig aus. Die Marke
schreibt am Ende doch nicht an vorhandene Kanten: sie liegt als eigene Datei
daneben, der Graph wird nicht angefasst.
Die Kalibrierung kam aus dem Trockenlauf, nicht vom Schreibtisch¶
| Stand | Ableitungen |
|---|---|
| ohne Marke | 1.357 |
| erste Auszeichnung | 183 |
| nach Kalibrierung | 104 |
Der erste Trockenlauf am Live-Graphen brachte drei übersehene Homonyme ans Licht — alle biologische Rangstufen bzw. Institutionen, dieselbe Klasse wie das schon gesperrte „Gattung":
Familie → verbindend (27) Ameise, Eiche, Eisbär, Flamingo …
Ordnung → strukturiert (17) Krokodil, Giraffe, Greifvogel …
Organ → funktionell (15) Darm ✓ — aber Bundestag, Gericht ✗
Und er widerlegte zwei eigene Auszeichnungen:
Beziehung → wechselseitig— Teilmenge und Kausalität sind Beziehungen und gerade nicht wechselseitig. Das Prüfkriterium war richtig, meine Anwendung falsch.Zahl → zaehlbar— „Null ist zählbar" ist kein Satz, den jemand sagt: weder klar wahr noch klar falsch, also nicht vererbbar.
Rest-Genauigkeit: 96 von 104¶
Die acht Fehler gehen ausnahmslos auf eine falsche ist_ein-Kante zurück,
keiner auf die Auszeichnung:
| abgeleitet | Ursache |
|---|---|
| Karnevalsumzug / Oktoberfest → urban | ist_ein Stadt ist falsch |
| Tintenfisch / Flussdelta → salzig | ist_ein Meer ist falsch |
| Thermometer → messbar | ist_ein Temperatur ist falsch |
| Hypothese → systematisch | ist_ein Wissenschaft ist falsch |
| Maske / Schauspieler → szenisch | ist_ein Theater ist falsch |
Das ist die bekannte Grenze aus Problem (1) — als Test festgeschrieben, damit
sie sichtbar bleibt statt zu überraschen. Sie verschwindet, sobald die
Quell-Kante korrigiert wird; die Ableitung trägt sie über inherited_from mit.
Antwortsichtbarkeit: geprüft, nicht angenommen¶
answer_allowed wird im Antwortpfad nirgends gelesen — es ist kein Tor.
Deshalb geprüft: eine Kopie des Live-Graphen, alle 79 Ableitungen
hineingeschrieben, dann derselbe volle Pfad (_bot_answer).
Amazonas → „wasserreichst und tropisch" nicht „fliessend"
Karnevalsumzug → „verkleideter und festzug" nicht „urban"
Rot → „warm" nicht „sichtbar"
Tintenfisch → „weichtier" nicht „salzig"
Keine Ableitung dringt durch — auch die falschen nicht. Grund, belegt am
Fragment: frische Ableitungen bestehen fragment_trusted_for_bridging nicht
(raw, ohne stability, ohne external_verification). Das Tor ist die
bestehende Vertrauensregel, nicht ein neues Flag.
Was daraus folgt: das Flag umzulegen ändert sofort keine einzige Antwort. Die 104 liegen als Kandidaten im Graphen und können erst sichtbar werden, wenn der Stabilitäts-Pass sie trägt.
Nachtrag 2: und was passiert, wenn der Stabilitäts-Pass sie trägt? (12.08.)¶
Die offene Frage von gestern. Zuerst als Vollprobe versucht — Pass gegen eine Graph-Kopie — und abgebrochen: er lief 34 min bei 281 % CPU auf der Produktivmaschine, ohne absehbares Ende. Der Aufwand stand nicht zum Ertrag.
Der billige Weg führte zur selben Antwort. compute_stability rechnet
pro BEGRIFF, nicht pro Fragment (stability_criteria.py:221:
compute_stability(frag.term, …)) — aus Muster-Unterstützung, Relations-Eingrad
und Nutzung in Ableitungen. Die Prüfung sieht die abgeleitete Behauptung nie
an. Also genügt es, den Wert je Begriff auszurechnen: read-only, Sekunden
statt Stunden.
Ergebnis über alle 104¶
| würden sichtbar | 18 |
| bleiben unsichtbar | 86 |
| davon falsche sichtbar | 0 |
Die 18 im Einzelnen — alle richtig:
Rot · Blau · Grün · Orange · Schwarz · Weiss · Braun → sichtbar (Farbe)
Erkenntnis · Kenntnis · Wissenschaft → erlernbar (Wissen)
Ablauf · Bildung · Wahrnehmung → laufend (Prozess)
Ozean → salzig · Strom → fliessend · Lebewesen → lebendig
Antike → geschichtlich · Angst → subjektiv
Keine der acht falschen Ableitungen kommt durch: Karnevalsumzug, Oktoberfest, Tintenfisch und Flussdelta haben Stabilitäts-Score 0,000, Thermometer 0,380, Hypothese 0,040 — alle unter der Schwelle.
Warum das funktioniert — und warum es keine Garantie ist¶
Es ist eine Korrelation, keine Konstruktion: dieselbe schwache Vernetzung,
die eine ist_ein-Kante unzuverlässig macht, hält auch den Stabilitäts-Score
unten. Junk-Begriffe sind schlecht vernetzt, weil sie Junk sind.
Das Tor prüft die Behauptung aber weiterhin nicht. Säße eine falsche
ist_ein-Kante an einem gut vernetzten Begriff, ginge die falsche Eigenschaft
durch. Auf dem heutigen Bestand tut das keine — auf einem künftigen kann es.
Empfehlung damit umgekehrt zu gestern: Flag kann an. Ertrag 18 richtige Fakten, 0 falsche. Bedingung: nach dem ersten echten Stabilitäts-Pass dieselbe Rechnung wiederholen, statt anzunehmen, dass es so bleibt.