36 lines
1.1 KiB
Markdown
36 lines
1.1 KiB
Markdown
# S02 – Säubern + Deduplizieren
|
||
|
||
Lies `prompts/suggestions/00-MASTER.md`. Nutze die Ausgabe aus S01.
|
||
|
||
## Auftrag
|
||
|
||
Erzeuge `web/scripts/clean-phrases.json`:
|
||
|
||
```json
|
||
{
|
||
"activities": [{ "text": "...", "count": 14, "sources": ["..."] }],
|
||
"themes": [{ "text": "...", "count": 5 }],
|
||
"school": [{ "text": "...", "count": 2 }]
|
||
}
|
||
```
|
||
|
||
## Filter (muss weg)
|
||
|
||
- `Abteilung`, `Ausbildungsnachweis`, `Für die Zeit`, `Name`, `Datum`
|
||
- `Lfd. Nr.`, `Unterschrift`, `Ausbilderin`, Punkte-Linien `……`
|
||
- reine Zahlen / lange Ziffernblöcke / XML-Artefakte
|
||
- `Ferien` als Activity (gehört nur ins Berufsschule-Feld der Woche)
|
||
- doppelte Zeilen durch Tabellen-Duplikate in Word (gleiche Phrase 2× im selben Heft → count sinnvoll)
|
||
|
||
## Dedup
|
||
|
||
- case-insensitive
|
||
- trim, Whitespace normalisieren
|
||
- optionale Endpunkt-Varianten zusammenführen (`Termine geplant und vergeben.` ≈ ohne Punkt)
|
||
|
||
## Abnahme
|
||
|
||
- [ ] Top-Activities sehen aus wie echte Heftzeilen
|
||
- [ ] `Termine vereinbart` / `Ablage …` / `Rechnungen …` sind oben, wenn häufig
|
||
- [ ] Kein sichtbarer Müll in den Top 50
|