# Novaberg — Lesson: Abdeckung ist kein Beleg für Trennschärfe **Projekt:** Novaberg — The Nova Anima Resonance System **Dokument:** Lesson — Ein gefülltes Feld ist noch kein Schlüssel **Stand:** 30. August 2026 **Pfad:** novaberg/docs/novaberg-lesson_l_abdeckung-ohne-trennschaerfe.md **Typ:** Lesson (`_l`) — Archiv, wird nicht gekürzt **Auslöser:** Suche nach einer Gruppierungsachse für die Qualitäts-Schicht; drei Felder geprüft, drei ausgeschieden **Verwandt:** `novaberg-lesson_l_gelesen-ist-nicht-wirksam.md` · `novaberg-convention-magneten.md` · `novaberg-thinking-faszination_k.md` §5 --- ## 1. Die Fehlerklasse Ein Feld wird als Schlüssel oder Gruppierungsmerkmal verwendet. Geprüft wird, ob es gefüllt ist. Nicht geprüft wird, ob seine Werte sich wiederholen. > **Ein Zähler auf *„wie viele Zeilen haben einen Wert"* sieht nicht, ob es 8.000 > verschiedene Werte auf 12.000 Nennungen sind.** Die Abdeckung misst, ob geschrieben wurde. Ein Schlüssel muss etwas anderes können: **zwei Zeilen zusammenführen.** Das eine folgt aus dem anderen nicht. --- ## 2. Der Fund Bei der Suche nach einer Gruppierungsachse für die Qualitäts-Schicht wurden drei Felder geprüft. Alle drei fielen aus demselben Grund durch — und das am besten gefüllte war der schärfste Fall. **Alle Zahlen `[gemessen]` 30.08.2026 über 3.266 `lzg_knoten`.** | Feld | Abdeckung | verschiedene Werte | Nutzungen je Wert | |---|---:|---:|---:| | `lzg_knoten.themen` | **84,7 %** | 8.097 auf 12.044 Nennungen | **1,49** | | Sachlage-Eigenschaften | — | 139 auf 335 Nennungen | 2,41 | | `prompt_topic` | hoch | Freitext, laufzeitungeprüft | — | `themen` ist die am besten gefüllte der drei Magnetachsen — besser als `entitaet_ids` (20,8 %) und `timeline_id` (4,4 %). **In jeder Abdeckungsprüfung glänzt es. Als Gruppierungsschlüssel ist es wertlos.** ### 2.1 Die Zahl, die es entscheidet, ist nicht der Mittelwert `1,49 Nutzungen je Wert` ist bereits ein schlechter Wert. Die Verteilung dahinter ist schlechter, als der Mittelwert aussehen lässt: | | Werte | Anteil | |---|---:|---:| | kommen **genau einmal** vor | 6.631 | **81,9 %** | | kommen mehrfach vor | 1.466 | 18,1 % | Der meistgenutzte Wert steht 99-mal — er allein hebt den Mittelwert spürbar, während vier Fünftel des Vokabulars nichts gruppieren. **117 Werte sind länger als 60 Zeichen**: ganze Sätze, teils mit unbalancierten Klammern. > **Ein Mittelwert über eine Verteilung mit langem Schwanz beschreibt keinen einzigen ihrer > Fälle.** Wer die Trennschärfe wissen will, zählt den Anteil der Einzelstücke. --- ## 3. Die Regel **Wer ein Feld als Schlüssel verwenden will, zählt drei Zahlen, nicht eine:** 1. die **Abdeckung** — wie viele Zeilen tragen einen Wert, 2. die **Zahl verschiedener Werte** — und ihr Verhältnis zur Zahl der Nennungen, 3. den **Anteil der Werte, die genau einmal vorkommen**. Erst die dritte sagt, ob das Feld gruppieren kann. Die erste allein sagt es nie. **Und ein offenes Textfeld wird nie ein Schlüssel.** Dieselbe Sache bekommt drei Schreibweisen, und keine Migration holt das zurück. --- ## 4. Die Kennzahl kann selbst zwei Populationen verdecken Die Sachlage-Zeile oben trägt **2,41** — der beste Wert der drei. Er entsteht aus zwei Feldern mit gegensätzlicher Bauart, die in der Auswertung zusammengeworfen wurden: | Teilmenge | Nennungen | verschieden | je Wert | was sie ist | |---|---:|---:|---:|---| | `gedeckt` | 230 | 75 | **3,07** | beantwortete Eigenschaften | | `offen` | 105 | 87 | **1,21** | offene Wissenslücken | **Die 3,07 sind der beste gemessene Wert im ganzen Vergleich; die 1,21 der zweitschlechteste.** Ihr gemeinsamer Mittelwert 2,41 beschreibt keine von beiden — und hätte die eine brauchbare Teilmenge mit der unbrauchbaren zusammen aussortiert. > **Dieselbe Fehlerklasse eine Ebene höher:** Nicht nur ein Feld kann Abdeckung ohne > Trennschärfe haben, sondern auch die Kennzahl, mit der man Felder vergleicht. **Wer > aggregiert, prüft zuerst, ob er eine Population vor sich hat.** --- ## 5. Seitenbefund: die Themen-Kanten stehen auf schmalerer Grundlage `[gemessen]` 30.08.2026 über 495.610 `lzg_kanten` — eine Kante kann mehrere Gründe tragen, die Anteile summieren sich deshalb über 100 %: | Verbindungsgrund | Kanten | Anteil | |---|---:|---:| | `embedding` | 465.350 | 93,9 % | | `themen` | 36.706 | **7,4 %** | | `timeline` | 6.652 | 1,3 % | | `entitaet` | 3.078 | 0,6 % | Bei 1,49 Nutzungen je Themenwert hängen diese 7,4 % **an der Minderheit der Mehrfachnennungen** — an den 18,1 % des Vokabulars, die überhaupt zweimal vorkommen. Kein Widerspruch, aber die Zahl beschreibt eine schmalere Grundlage, als sie vermuten lässt. > **Berichtigt gegenüber dem ersten Entwurf:** Dort standen 10,9 % Themen-Kanten. Gemessen > sind es 7,4 %. Der Schluss ändert sich nicht, die Zahl schon. --- ## 6. Wo die Klasse sonst noch sitzt - **Eine Stichprobe über `ORDER BY random()` mit `setseed` ist nicht reproduzierbar, wenn der Bestand wächst.** Dieselbe Saat zog am 30.08.2026 vormittags 202 Themen-Nennungen und nachmittags 191 — der Korpus war um fünf Knoten gewachsen. Für eine Aussage über den Bestand ist die **Korpuszahl** zu nehmen, nicht die Stichprobe; die Stichprobe taugt für die Form der Werte, nicht für ihre Verteilung. - **`prompt_topic`** trägt dieselbe Bauart und ist laufzeitungeprüft. Es steht als Modulator-Kandidat der Faszination ausdrücklich nicht zur Verfügung.