Words database:

[DasNets]

Hi! Also ich bin gerade dabei eine Wörtersammlung aufzustellen. Ich möchte alle möglichen deutschen Wörter in meiner Datenbank stehen haben um eine PHP-Rechtschreibkorrektur zu programmieren. diese wird dann natürlich auf source-forge.net kostenlos bereitgestellt. Ich brauch aber noch Millionen von Wörtern! Helft mir bitte und macht meine Datenbank voll.
Danke!

Den Link zum eintragen eines eurer Worte: http://www.landinsicht.net/wort.php

[feuervogel]

und wer garantiert dir, dass die eingaben da korrekt sind?

[DasNets]

Das garantiert mir niemand, aber normalerweiße hat die mehrheit immer recht - Das wird ja erstmal ein testssystem. desto öffter ein Wort eigegeben wird, desto richtiger ist es. Und desto mehrere verschiedene Fehler hab ich dazu. Kapiert?!

[Indyk]

bei der jugend von heute würde ich mich da nicht sehr auf die rechtschreibung der mehrheit verlassen (- ;

edit: vor allem hatte ich das gefühl, das rote einträge schon existieren, und daher nicht gespeichert werden.

oder wird alles gespeichert?
was machst du mit tippfehlern?
wenn du stahtl Geld, eld hast

welchem wort ordnest du es zu?

ein sehr interessantes projekt

[Damir]

Also,

ich habe jetzt bestimmt 50 Stueck eingetragen - habe also meine Pflicht erledigt;-) Was aber interessant waere, schreibe doch drueber wieviele Wörter du schon hast!!!!!

Kategorien waeren auch toll - z.b Laender. Damit ich nicht etwas schreibe was schon in der Datenbank ist waere es super wenn ich bereits schon vorhandene sehen koennte.....

Damir

[xlb]

Gibt's sowas noch nicht ? Würd mich wundern ...

schreibe doch drueber wieviele Wörter du schon hast!

Dürfte auch net allzu aufwendig sein, einen "Zählerstand" in den Dialog zu basteln.

Wär's nicht effektiver "automatisiert" das Netz abzugrasen, als hier zu warten, dass da was zusammenkommt ?

[Indyk]

@damit
ich glaub ab einer gewissen wortzahl ist es effektiver es einfach abzuschicken
als erst danach zu suchen

des weiterem basiert das system ja auf der mehrheit, daher ist es wohl gewollt das man einige wörter öfter in der db hat

[feuervogel]

Zitat von xlb

Wär's nicht effektiver "automatisiert" das Netz abzugrasen, als hier zu warten, dass da was zusammenkommt ?

stimmt! meine uni macht sowas und hat 30.000.000 deutsche sätze in ihrer datenbank. zu sehen unter http://wortschatz.uni-leipzig.de :-)

[DasNets]

Ja stimmt - Rote Beiträge werden nicht gespeichert!
Nur die grünen!

In Phase 1 werde ich nur Wörter sammeln - Egal ob richtig geschreiben, oder nicht.
In Phase 2 werde ich Sätze eingeben lassen und zähle welche Wörter davon wie oft eingegeben wurden. Falls ein Wort nicht vorhanden sein sollte muss der User angeben ob es ein neues Wort ist, das einfach noch nicht in der DB steht oder ob das Wort falsch geschrieben ist. Wenn es flasch geschrieben ist, dann muss der User das falsche Wort mit dem richtigen verknüpfen indem er es aus einer Liste auswählt. Das falsche Wort bekommt dann also einen Anhang indem steht, dass es sich bei dieser Falschschreibung um das Verknüpfte Wort handelt.
Somit lernt mein Programm dann schonmal die häufigsten Tip- und Rechtschreibfehler.
In Phase 3 wird das ganze dann aufs Exempel gestellt indem es in ein Forum eingebaut wird und dort seinen Job anhand der Hits aus Phase 2 erledigt. Natürlich wird es für den User immer die Möglichkeit geben sein Orginalwort beizubehalten. Dies wird dann automatisch in der DB gespeichert mit einem Hit ohne Verknüpfung.

EDIT: Automatisiert abgrasen wäre eignetlich keine schlechte Idee, aber wirklich bringen wird es nichts, weil das Web einfach zu viel Mist enthält. Außerdem wie soll ich dann unterscheiden zwischen verschiedenen Sprachen?! Anhand der Domain wäre es Schwachsinn und anhand der Meta-Angaben auch, weil diese ja keine Pflicht sind.

[xlb]

wie soll ich dann unterscheiden zwischen verschiedenen Sprachen?

Eine deutsche Seite zu identifizieren ist nicht wirklich problematisch. Gibt ausreichend "Eigenschaften" eines Textes/Contents, die "typisch deutsch" sind und die statistisch gesehen, in jedem Text in repräsentativer/signifikanter Menge vorhanden sind.

- Umlaute (ä,ü,ö) und nach alter Rechtschreibung das "scharfe s" ß
- Artikel : der, die, das, ...
- ...

Aufgrund der Intention "hinter" deinem Projekt, das ein gewisses Grundinteresse an der deutschen Sprache voraussetzt, hättest du sowas mal andenken können.

weil das Web einfach zu viel Mist enthält.

Ich denke, dass (deutsche) Seiten mit kommerziellem Hintergrund, aber auch private "Heimseiten" durchaus für deine Zwecke verwertbar sind. Schliesslich geht es dir doch um (einzelne) "Wörter", nicht um den Gesamtsinn eines Textes.
Die von mir "besurften" Seiten sind dabei in der Mehrzahl überraschend korrekt, was Syntax und Grammatik angeht. Könnte mir vorstellen, dass da so mancher Web-Bastler 2 mal hinschaut, um sich bei den betrachtenden Web-Usern nicht die Blöße geben zu müssen ;)