Über dieses Projekt

Die strukturelle Lücke: 200 vs. 15–20

Hinter diesem Projekt steht eine einfache Überzeugung: Jedes Kind sollte in der eigenen Sprache willkommen geheißen werden. Die strukturelle Realität sieht anders aus.

In deutschen Klassenzimmern werden schätzungsweise rund 200 Herkunftssprachen gesprochen. Im offiziellen Erstsprachenunterricht (ESU bzw. HSU) können die Bundesländer typischerweise nur 15 bis 20 Sprachen anbieten. Auch nach der ESU-Reform in Niedersachsen (Runderlass „Schulische Förderung von Mehrsprachigkeit", 2024–25) bleibt diese Lücke bestehen — kein Land kann 200 Sprachen mit qualifizierten Lehrkräften abdecken. Wortmemo setzt genau hier an — nicht als Ersatz, sondern als digitale Ergänzung.

Drei konkrete Szenarien

1. Quereinsteigende auffangen. Wenn ein arabischsprachiges Kind mitten im Schuljahr neu in die Klasse kommt, kann es bereits am nächsten Tag in seiner Erstsprache mit dem deutschen Grundwortschatz arbeiten. Ohne Login, ohne Wartezeit, ohne Vorbereitungsaufwand für die Lehrkraft.

2. Eltern einbinden. Auch Eltern und Großeltern, die kaum Deutsch sprechen, können mitspielen — die Erstsprachen-Seite wird vollständig in ihrer Sprache angezeigt. Aus dem Elternhaus wird so ein gleichwertiger Lernpartner.

3. Schulübergreifende Online-Gruppen. Der Runderlass erlaubt schulübergreifende ESU-Gruppen ab 8–10 Kindern. Wortmemo bietet die gemeinsame Übungsbasis: ein Browser, eine URL, kein Login.

Word Catch — Spielprinzip und didaktische Verortung

Wortmemo bezeichnet die Plattform; Word Catch ist die zentrale Spielform, die nach dem Aufruf der App startet.

In Word Catch fängt das Kind aus vier schwebenden Blasen das richtige Wort heraus — niedrigschwellig, schnell, mit unmittelbarem Erfolgserlebnis. Lernforschung zeigt durchgängig, dass Recognition (Wiedererkennen) leichter ist als Recall (freie Wiedergabe) — und damit der natürliche Einstieg in den Wortschatzaufbau ist.

Didaktisch verortet sich Word Catch im BICS-Bereich des Cummins'schen BICS/CALP-Modells — also im Bereich der alltäglichen kommunikativen Grundkompetenz. Den anspruchsvolleren Bereich der kognitiv-akademischen Sprachkompetenz (CALP) zu erschließen, bleibt Aufgabe qualifizierter Lehrkräfte. Die Erstsprache des Kindes wird parallel als Ressource mitgeführt — eine Haltung, die mit dem Translanguaging-Konzept (García & Wei, 2014) gut zusammenpasst.

Die Forschung zum Erwerb von Herkunftssprachen (Polinsky, Montrul u. a.) empfiehlt einheitlich: niedrigschwellige, häufige, freudvolle Wiederholung als reguläre Intervention.

Die vier Stufen im Überblick

Die Staffelung folgt einem Hybridmodell — kombiniert lexikalische Schwierigkeit (Frequenz, Abstraktionsgrad) und orthografische Muster:

• Stufe 1 (ca. 100 Wörter · Grundlagen) — Konkrete Substantive, Grundverben, Pronomen, Fragewörter. Alltagswortschatz für den ESU-Einstieg.
• Stufe 2 (ca. 160 Wörter · Aufbau) — Wochentage, Zeit, Ort, Alltagsverben. Diphthonge (ei / au / eu) und häufige Funktions-Merkwörter.
• Stufe 3 (ca. 150 Wörter · Orthografie) — Konsonantenverdopplung, Umlautwechsel, unregelmäßige Verbformen — Wörter, an denen orthografische Regeln demonstriert werden.
• Stufe 4 (ca. 120 Wörter · Abstraktion und Konzept) — Abstraktwörter, Komposita, Fremdwörter, Emotionsvokabular, Monatsnamen, Jahreszeiten.

Die vier Stufen sind eine eigene didaktische Staffelung des Heritage Office — kein offizieller Klassenstufenplan. Insgesamt 530 Wörter (S1 = 101, S2 = 163, S3 = 148, S4 = 118).

Was es ist — und was es nicht ist

Word Catch ist kein zugelassenes Lehrwerk und kann keines sein. KI-Übersetzungen enthalten Fehler — diese sicher zu erkennen, gelingt allein muttersprachlichen Lehrkräften.

Word Catch ist ein Lernassistent vom Typ Mikro-Learning — niedrigschwellig, spielerisch, ergänzend. Vergleichbar mit Apps der Duolingo-Schule, die zwischen den eigentlichen Unterrichtseinheiten den Wortschatz „warmhalten". Genau dort gehört Word Catch hin: zwischen qualitativ hochwertigen ESU-Unterricht und Familienleben — nicht an dessen Stelle.

Wortschatzquelle und Niedersachsen

Als Grundlage dient der Grundwortschatz NRW — Niedersachsen verfügt aktuell über keine in vergleichbarer Form veröffentlichte eigene Liste. Der NRW-Wortschatz ist eine strukturierte Datenbank mit Verschlagwortung nach orthografischen Prinzipien (Phonologie, Silbenstruktur, Morphologie). Damit harmoniert er mit der vom NIBIS empfohlenen kompetenzorientierten Rechtschreibvermittlung. Eine Abweichung von der niedersächsischen Rechtschreibnorm wurde geprüft und kann ausgeschlossen werden — der Wortschatz ist ohne Anpassung auch für niedersächsische Grundschulkinder einsetzbar.

Aussprache und Audio

Eingesetzt wird Microsoft Azure Neural TTS — eine hochwertige neuronale Sprachsynthese in 80 Sprachen. Für die übrigen 104 Sprachen dient die SpeechSynthesis-API des Browsers als Fallback. Insgesamt sind so alle 184 Sprachen hörbar. Eine Plakette (🤖 Neural / 🔇 Browser) macht jederzeit transparent, welche Audio-Qualität gerade läuft.

Qualitätssicherung — und unsere Bitte um Mitwirkung

Die häufigsten Herkunftssprachen werden besonders sorgfältig geprüft. Seltenere Sprachen werden zunächst als KI-generierte Variante aufgenommen. Rückmeldungen muttersprachlicher ESU-Lehrkräfte sind ausdrücklich willkommen. Korrekturhinweise sind kein Mangel — sie sind der reguläre Weg, auf dem das System reift.

184 Sprachen alleine perfekt zu halten, ist unmöglich. Wir sind auf Sie angewiesen — auf Ihre Erstsprache, auf fünf Minuten Korrekturhinweis, auf das eine „hier stimmt etwas nicht".

Serverlos. Keine Datenbank. 184 Sprachen — eine Lern-Engine, die am CDN-Edge lebt.

4-Schichten-Architektur

Layer 3 — UI Shell        HTML/CSS, i18n, Steuerung
Layer 2 — Variants        Catch (aktuell) · weitere geplant
Layer 1 — Engine Core     Item-Loader · Scheduler · Scorer
Layer 0 — Content         Items mit mehrsprachigen Faces

Mit Face ist die sprachspezifische Darstellungsvariante eines Items gemeint. Ein Item trägt intern mehrere Faces (de / ja / tr / ar …); das UI liest jeweils das zur aktuellen Sprache passende Face. Vollständiges Schema unten.

Warum so streng getrennt? Damit eine Spielidee, die am Wochenende entsteht, am Montag implementierbar ist — ohne den Rest des Systems anzufassen.

Die Schichtentrennung ist strikt: Content weiß nichts vom Spielmodus, Variants nichts von der Sprache, UI weder vom Inhalt noch vom Modus. Word Catch ist die erste Variant-Implementierung; weitere Spielmodi und ganz andere Inhaltsdomänen (Politik, Mathematik) sind perspektivisch denkbar.

Lazy Generation: 184 Sprachen on demand

Anfrage → Cache-Lookup (Vercel Blob)
        → wenn leer: KI-Übersetzung → Validierung → Cache schreiben
        → JSON an Client zurückgeben

Face-Resolution-Kette: angefragte Sprache → Browsersprache → de → erste verfügbare Sprache.

Einordnung im Tool-Vergleich

Audio-Pipeline

Microsoft Azure Neural TTS in 80 Sprachen, SpeechSynthesis-Fallback in 104 Sprachen — insgesamt 184 Sprachen vollständig abgedeckt. Audio-Schnipsel werden lazy bei Bedarf an Azure angefragt und im Vercel Blob gecacht — die Architektur passt in die kostenfreien Kontingente.

Item / Face — Schema

{
  "id": "nrw-k1-0042",
  "faces": {
    "de": { "text": "der Apfel" },
    "ja": { "text": "りんご" },
    "tr": { "text": "elma" },
    "ar": { "text": "تفاحة" }
  },
  "meta": { "article": "der", "stufe": 1, "theme": "food" }
}

Sprach-Erkennungs-Bot — die eigene Sprache, ganz einfach erkannt

Ist die eigene Sprache nicht in der Schnellauswahl? Dann erscheint ein kleines Bild (z. B. 🐱 oder 🐶) mit der Frage „Wie heißt das?". Die Nutzer:in schreibt das Wort einfach in der eigenen Sprache — schon ein bis zwei Begriffe reichen. Ein KI-basierter Erkennungs-Bot bestimmt daraus die Sprache, löst sie in einen ISO-639-Code auf und stellt das Interface entsprechend um.

Alternativ funktioniert auch weiterhin die direkte Eingabe des Sprachnamens in der eigenen Schrift — Polski, 中文, Türkçe, اردو, Tiếng Việt.

Die Motivation ist weniger technisch als barrierefrei. Sich an deutsche Sprachnamen („Polnisch", „Chinesisch" …) oder englische Sprachnamen erinnern zu müssen, wäre für genau die Familien, die das Deutsche erst aufbauen, eine zusätzliche sprachliche Hürde. Ob ein vertrautes Bild benannt wird oder der eigene Sprachname in der eigenen Schrift genügt — der erste Stolperstein fällt weg.

Stets aktuelle Auslieferung

Das Verzeichnis catch-multi/ ist bewusst vom Service Worker ausgeschlossen — die App entwickelt sich aktiv weiter, das Laden der jeweils aktuellsten Version hat Vorrang. Da die Implementierung rahmenwerksfrei in Vanilla JS + CSS erfolgt, ist auch ein vollständiger Fetch je Sitzung schnell genug — auch auf älteren Mobilgeräten. Wortlisten und Audio liegen im Vercel-Blob-Cache am CDN-Edge.

Serverlos und linear skalierend

Es gibt keinen Backend-Server. Eine Vercel Edge Function dient lediglich als Gateway zu KI-Übersetzung und Azure Speech — keine Datenbank, keine Sessions, keine Authentifizierung. Mit wachsender Nutzerzahl steigen die Betriebskosten praktisch nicht — der Betrieb bleibt im Rahmen der kostenfreien Kontingente von Vercel und Azure.

Datenschutz im Detail

• Lerngeschichte ausschließlich im localStorage des Browsers
• Übersetzungs-API erhält ausschließlich Wortlisten
• Keine Cookies, keine Drittanbieter-Skripte
• DSGVO-konform (insb. Art. 6 / Art. 8 — besonderer Schutz von Kinderdaten)