Wie Sudoku-Schwierigkeit bewertet wird

Warum nennt eine App ein Sudoku „Schwer“, während eine andere dasselbe Rätsel als „Mittel“ einstuft?

Weil es für Sudoku keine einzige offizielle universelle Difficulty-Skala gibt.

Ein Rating ist das Ergebnis eines Modells. Dieses Modell muss definieren, welche Art von menschlicher Arbeit als schwierig gilt, welche Lösungstechniken berücksichtigt werden und wie unterschiedliche Merkmale gewichtet werden.

Die Zahl der Vorgaben kann dabei ein Feature sein. Als alleinige Erklärung reicht sie nicht.

Schwierigkeit ist nicht nur Vorgabenzahl

Die intuitive Annahme lautet häufig:

Weniger Vorgaben = schwereres Sudoku.

Das ist nicht zuverlässig.

Ein Sudoku mit relativ vielen Vorgaben kann einen schwer erkennbaren logischen Bottleneck enthalten. Ein anderes mit wenigen Vorgaben kann eine lange Folge offensichtlicher Singles und einfacher Locked Candidates bieten.

Vorgabenzahl beschreibt die Dichte des Ausgangsrasters.

Difficulty beschreibt dagegen die Arbeit, die ein bestimmtes Solver- oder Spielermodell benötigt, um vom Ausgangszustand zur Lösung zu gelangen.

Deshalb sollte G-009 Sudoku-Schwierigkeitsstufen erklären, also was Labels wie Leicht/Mittel/Schwer/Experte für Spieler bedeuten, während diese Seite die Bewertung und Einstufung selbst behandelt: Wie kommt ein System überhaupt zu seinem Rating?

Schwierigkeit beginnt mit einem Lösungsmodell

Bevor eine Software ein Sudoku bewerten kann, muss sie entscheiden, was als zulässiger Lösungsschritt zählt.

Ein Human-Style-Modell kann beispielsweise kennen:

• Singles;
• Locked Candidates;
• Naked/Hidden Subsets;
• Fish;
• Wings;
• Coloring;
• Chains;
• AIC und weitere fortgeschrittene Techniken.

Fehlt eine Technik im Modell, kann ein Rätsel für diesen Solver „unlösbar“ oder extrem schwer erscheinen, obwohl ein anderer Solver einen klaren menschlichen Schritt kennt.

Difficulty ist daher immer relativ zu einem definierten Technikkatalog und einer Lösungspolitik.

Human-Style-Lösungswege sind aussagekräftiger

Ein vollständiger Backtracking-Solver kann fast jedes normale 9×9-Sudoku sehr schnell lösen.

Seine Rechenzeit ist aber kein gutes Modell dafür, wie schwierig dasselbe Rätsel für einen Menschen ist.

Ein Human-Style-Solver erzeugt dagegen eine Folge erklärbarer Schritte.

Dieser Pfad liefert Features, die näher an menschlicher Erfahrung liegen:

• welche Techniken benötigt wurden;
• wie oft sie vorkamen;
• in welcher Reihenfolge;
• wie stark Schritte voneinander abhingen;
• wie viele Alternativen gleichzeitig sichtbar waren.

Darum eignet sich der menschliche Lösungspfad wesentlich besser als bloße Suchzeit für ein Difficulty-Rating.

Faktor 1 — Schwierigste benötigte Technik

Ein einfacher Ratingansatz nimmt die schwierigste Technik, die im Lösungsweg erforderlich war.

Beispiel:

• nur Singles → Leicht;
• Locked Candidates und Paare → Mittel;
• X-Wing oder XY-Wing → Schwer;
• komplexe Chains/AIC → Experte.

Dieses Modell ist verständlich und nützlich als Basis.

Es hat aber Grenzen.

Die schwierigste Technik ist nützlich, aber nicht genug

Zwei Rätsel können dieselbe schwierigste Technik benötigen und sich trotzdem deutlich anders anfühlen.

Rätsel A

Ein einzelner klar sichtbarer X-Wing öffnet das Raster. Danach folgen viele Singles.

Rätsel B

Mehrere ähnliche Kandidatenstrukturen konkurrieren um Aufmerksamkeit. Erst nach einer langen Vorbereitungsphase entsteht ein schwer erkennbarer X-Wing, dessen Eliminierung nur einen kleinen Fortschritt erzeugt.

Beide Rätsel haben theoretisch dieselbe „maximale Technik“.

Der tatsächliche Arbeitsaufwand ist aber sehr unterschiedlich.

Darum sollte die schwierigste Technik eher ein Feature unter mehreren sein.

Faktor 2 — Gesamter Lösungsaufwand

Ein Ratingmodell kann zusätzlich messen, wie viel Arbeit der gesamte Pfad erfordert.

Mögliche Größen:

• Zahl der Placements;
• Zahl der Eliminierungen;
• Zahl nichttrivialer Technikschritte;
• Wiederholung derselben Technik;
• Menge verwalteter Kandidateninformationen;
• Länge des vollständigen Human-Style-Pfads.

Ein Rätsel mit zehn mittelschweren Schritten kann subjektiv anstrengender sein als eines mit einem einzigen schwierigen Schritt und anschließendem schnellen Collapse.

Deshalb ist Gesamtarbeit ein eigenständiges Difficulty-Merkmal.

Faktor 3 — Abhängigkeit zwischen Schritten

Viele Sudoku-Folgerungen sind nur möglich, weil frühere Schritte genau die richtige Kandidatenstruktur erzeugt haben.

Ein Difficulty-Modell kann deshalb die Abhängigkeitstiefe betrachten.

Ein flacher Pfad bietet mehrere weitgehend unabhängige Fortschrittsmöglichkeiten.

Ein tiefer Pfad kann verlangen, dass Spieler eine spezifische Kette von Vorarbeiten erledigen, bevor der entscheidende Move überhaupt sichtbar wird.

Solche Abhängigkeiten können ein Rätsel deutlich anspruchsvoller machen, selbst wenn die verwendeten Techniken einzeln nicht extrem fortgeschritten sind.

Bottlenecks sind wichtig

Ein Rätsel kann lange leicht laufen und an genau einer Stelle fast vollständig zum Stillstand kommen.

Dieser Bottleneck prägt häufig die subjektive Schwierigkeit stärker als der Durchschnitt des restlichen Puzzles.

Ein Analyzer kann beispielsweise untersuchen:

• wie viele produktive Schritte in einem Zustand verfügbar sind;
• ob genau eine schwer erkennbare Option übrig bleibt;
• wie groß der Fortschritt nach diesem Schritt ist;
• wie häufig solche Engstellen auftreten.

Ein einzelner enger Zustand kann deshalb ein wichtigeres Signal sein als viele einfache Schritte davor und danach.

Faktor 4 — Erkennungsaufwand

Eine Technik zu kennen und ein konkretes Vorkommen zu erkennen sind unterschiedliche Dinge.

Ein X-Wing mit sauberem, symmetrischem Kandidatenmuster kann sofort auffallen.

Ein anderer X-Wing kann in einer dicht besetzten Kandidatenlandschaft versteckt sein und viele irrelevante Kandidaten enthalten.

Das formale Muster ist gleich, der Recognition Burden nicht.

Mögliche Features dafür sind:

• Zahl irrelevanter Kandidaten im Sichtbereich;
• räumliche Distanz beteiligter Zellen;
• Zahl ähnlicher falscher Muster;
• benötigtes Scanning über mehrere Einheiten;
• Komplexität der Darstellung für einen Menschen.

Diese Größe ist schwerer objektiv zu messen, aber für realistische Ratings wichtig.

Eine praktische Annäherung kann mehrere messbare Signale kombinieren, statt „Erkennbarkeit“ direkt vorzugeben. So kann ein System zum Beispiel Kandidatendichte, räumliche Verteilung und Zahl konkurrierender Muster erfassen und diese später mit realen Lösungsdaten kalibrieren.

Faktor 5 — Welchen Zug der Analyzer auswählt

In vielen Rasterzuständen gibt es mehrere gültige logische Schritte.

Wenn ein Solver immer die einfachste verfügbare Technik wählt, entsteht ein anderer Pfad als bei einem Solver, der zuerst den stärksten eliminierenden Move nimmt.

Das kann den Difficulty-Score verändern.

Ein robustes System muss deshalb seine Solving Policy festlegen und versionieren.

Mögliche Ansätze:

• einfachste Technik zuerst;
• feste Technikpriorität;
• deterministische Zell-/Einheitreihenfolge;
• mehrere mögliche Pfade analysieren;
• best- oder worst-case-nahe Pfade vergleichen.

Ohne definierte Policy ist das Rating schwer reproduzierbar.

Benötigte Techniken vs nur sichtbare Techniken

Ein Rätsel kann ein auffälliges Swordfish-Muster enthalten, obwohl der Spieler es niemals verwenden muss, weil ein einfacher Hidden Single denselben Bereich vorher auflöst.

Darum sollte ein Difficulty-Modell unterscheiden zwischen:

• sichtbar/vorhanden: das Muster existiert im aktuellen Zustand;
• produktiv: die Technik erzeugt eine gültige Eliminierung oder Platzierung;
• benötigt: ohne diese Technikklasse kommt der definierte Solver nicht weiter.

Für Difficulty ist „benötigt“ häufig aussagekräftiger als bloße Pattern-Präsenz.

Das ist besonders wichtig bei Trainingsrätseln, die gezielt eine Technik lehren sollen.

Faktor 6 — Zahl produktiver Optionen

Ein weiterer Faktor ist, wie viele sinnvolle Fortschrittsmöglichkeiten der Spieler in einem Zustand besitzt.

Offener Rasterzustand

Mehrere Singles, Locked Candidates oder andere klare Moves sind gleichzeitig verfügbar.

Der Spieler kann unterschiedliche Richtungen ausprobieren und findet relativ schnell Fortschritt.

Enger Rasterzustand

Nur ein oder sehr wenige produktive Schritte existieren, möglicherweise mit hohem Erkennungsaufwand.

Solche Zustände fühlen sich häufig schwieriger an, weil die Suchfläche groß und die Zahl echter Treffer klein ist.

Ein Ratingmodell kann diese „Branching“-Eigenschaft auf menschlicher Ebene als zusätzliches Feature nutzen.

Von Features zu einem Score

Sobald mehrere Difficulty-Merkmale berechnet werden, müssen sie zu einem Modell kombiniert werden.

Ein einfaches Schema könnte sein:

score =
  technikgewicht
+ arbeitsgewicht
+ abhängigkeitsgewicht
+ recognition-gewicht
+ bottleneck-gewicht

In der Praxis können die Features normalisiert, nichtlinear transformiert oder datenbasiert gelernt werden.

Wichtig ist weniger eine bestimmte Formel als die klare Definition:

• Welche Features existieren?
• Wie werden sie gemessen?
• Welche Solverversion erzeugte sie?
• Wie werden sie zum finalen Score kombiniert?

Von einem kontinuierlichen Score zu Labels

Ein interner Score kann fein abgestuft sein, etwa 0–1000.

Für Spieler sind oft gröbere Labels hilfreicher:

• Leicht;
• Mittel;
• Schwer;
• Experte.

Das System legt dafür Schwellenwerte fest.

Beispiel:

0–199   → Leicht
200–399 → Mittel
400–649 → Schwer
650+    → Experte

Die konkreten Werte sind nur ein Beispiel. Entscheidend ist, dass Labels aus einem konsistenten Modell entstehen und nicht aus der bloßen Vorgabenzahl.

Warum zwei Sudoku-Apps unterschiedlicher Meinung sein können

Zwei Apps können dasselbe Rätsel verschieden einstufen, weil sie unterschiedliche Entscheidungen treffen:

• anderer Technikkatalog;
• andere Gewichte;
• andere Solving Policy;
• andere Label-Schwellen;
• andere Annahmen über Kandidatennotizen;
• andere Zielgruppe;
• andere Kalibrierungsdaten.

Das bedeutet nicht automatisch, dass eine App „falsch“ liegt.

Difficulty ist ein Modell, und verschiedene Modelle können verschiedene, intern konsistente Ergebnisse liefern.

Spielerdaten können das Modell kalibrieren

Ein theoretisches Difficulty-Modell kann mit realen Nutzerdaten verbessert werden.

Nützliche Signale können sein:

• Lösungszeit;
• Abbruchrate;
• Fehlversuche;
• Hint-Nutzung;
• Zeit bis zum ersten wichtigen Move;
• Erfolgsrate bestimmter Spielersegmente.

Diese Daten sollten vorsichtig interpretiert werden, weil Spielerstärke, Gerät, Ablenkung und persönliche Vorlieben die Messung beeinflussen.

Trotzdem helfen große Datenmengen dabei, Schwellen und Gewichte besser an reale menschliche Erfahrung anzupassen.

Besonders wertvoll sind Vergleiche innerhalb ähnlicher Spielergruppen. Wenn zwei Rätsel im Modell denselben Score erhalten, aber bei tausenden Spielern systematisch sehr unterschiedliche Erfolgszeiten zeigen, ist das ein Hinweis darauf, dass ein relevantes Difficulty-Feature fehlt oder falsch gewichtet wird.

Spielerstärke muss von Rätselschwierigkeit getrennt werden

Wenn ein Anfänger 25 Minuten braucht und ein Experte 5 Minuten, hat das Sudoku nicht zwei verschiedene objektive Eigenschaften bekommen.

Man muss zwei Ebenen unterscheiden:

• Puzzle Difficulty: Eigenschaften des Rätsels unter einem definierten Modell;
• Player Skill: Fähigkeiten und Erfahrung des konkreten Spielers.

Personalisierte Systeme können beide verbinden, sollten sie aber nicht verwechseln.

Sonst würde ein Spieler, der besser wird, scheinbar alle Rätsel „leichter machen“, obwohl sich die Rätsel selbst nicht verändert haben.

Rätselschwierigkeit und persönliche Schwierigkeit sind verschieden

Ein bestimmtes Rätsel kann im globalen Modell als Mittel gelten und für einen einzelnen Spieler trotzdem sehr schwierig sein.

Vielleicht kennt der Spieler Hidden Pairs noch nicht oder übersieht häufig X-Wings.

Umgekehrt kann ein erfahrener Spieler ein offiziell schweres Rätsel schnell lösen, weil genau dessen Techniken zu seinen Stärken gehören.

Eine personalisierte Empfehlung darf daher sagen:

Dieses Rätsel ist für dich wahrscheinlich anspruchsvoll.

Das ist eine andere Aussage als:

Dieses Rätsel hat im allgemeinen Rating die Stufe Schwer.

Technikschwierigkeit und Erkennungsschwierigkeit sind verschieden

Auch innerhalb einer Technikklasse gibt es große Unterschiede.

Ein klarer XY-Wing kann leichter sein als ein sehr verstecktes Hidden Pair.

Deshalb ist eine feste Liste „Technik X = 50 Punkte“ nur eine Annäherung.

Bessere Modelle berücksichtigen zusätzlich den konkreten Zustand, in dem die Technik erscheint.

Die formale Komplexität einer Technik und die visuelle beziehungsweise kognitive Schwierigkeit ihres konkreten Vorkommens sollten getrennt gedacht werden.

Schwierigkeit kann sich ändern, wenn sich der Solver ändert

Wenn eine neue Human-Style-Solver-Version:

• zusätzliche Techniken unterstützt;
• eine andere Reihenfolge verwendet;
• effizientere Pattern-Erkennung besitzt;
• Abhängigkeiten anders bewertet,

kann dasselbe Sudoku einen anderen analysierten Pfad erhalten.

Damit kann sich auch sein Difficulty-Score ändern.

Für Produktionssysteme ist deshalb wichtig, Ratingdaten mit einer Solver- oder Modellversion zu verbinden und veröffentlichte Klassifikationen bewusst zu migrieren statt stillschweigend zu überschreiben.

Eine praktische Rating-Architektur

Eine robuste Pipeline kann in Schichten aufgebaut sein:

Puzzle
↓
Human-Style-Solver
↓
kanonischer oder analysierter Lösungspfad
↓
Feature Extraction
↓
kontinuierlicher Difficulty-Score
↓
kalibrierte Label-Schwellen
↓
Leicht / Mittel / Schwer / Experte

Daneben können reale Spielerdaten zur Kalibrierung verwendet werden.

Wichtig ist die Trennung der Verantwortlichkeiten:

• der Solver beweist Schritte;
• der Analyzer misst Eigenschaften des Pfads;
• das Ratingmodell kombiniert Features;
• die Produktlogik übersetzt Scores in Labels.

So kann jeder Teil unabhängig getestet und später verbessert werden.

FAQ

Gibt es eine offizielle Sudoku-Schwierigkeitsskala?

Nein. Unterschiedliche Publikationen und Apps verwenden eigene Modelle und Schwellen.

Bedeutet weniger Vorgaben ein schwierigeres Sudoku?

Nein. Vorgabenzahl allein ist kein zuverlässiges Difficulty-Maß.

Reicht die schwierigste benötigte Technik für ein Rating?

Sie ist ein starkes Signal, aber allein oft zu grob. Gesamtarbeit, Abhängigkeiten, Bottlenecks und Erkennungsaufwand können zusätzliche Unterschiede erklären.

Warum nennt eine andere App mein schweres Sudoku Mittel?

Wahrscheinlich verwendet sie einen anderen Technikkatalog, Solverpfad, Feature-Satz oder andere Label-Schwellen.

Können Spielerdaten Sudoku-Ratings verbessern?

Ja. Lösungszeiten, Erfolgsraten, Hints und andere aggregierte Signale können helfen, ein theoretisches Modell an reale Erfahrung anzupassen.

Kann dieselbe Technik in Rätseln unterschiedlicher Schwierigkeit vorkommen?

Ja. Kontext, Häufigkeit, Erkennungsaufwand und Abhängigkeiten können stark variieren.

Kann sich ein Difficulty-Rating später ändern?

Ja. Wenn Solver, Modell, Gewichte oder Kalibrierungsdaten verbessert werden, kann ein neuer Score entstehen. Produktseitig sollte das versioniert und kontrolliert erfolgen.

Ist Brute-Force-Suche eine Schwierigkeitsstufe?

Nein. Brute Force beziehungsweise exhaustive Suche ist eine Computerstrategie, kein sinnvolles menschliches Difficulty-Label.

Was du als Nächstes lernen solltest

Lies Sudoku-Schwierigkeitsstufen für die spielerorientierte Einordnung von Leicht, Mittel, Schwer und Experte.

Lies Wie Sudoku-Rätsel erzeugt werden, um zu sehen, wie ein Generator Difficulty als Qualitätsfilter verwendet.

Lies Sudoku und Mathematik für die Trennung zwischen vollständigen Solvern und Human-Style-Modellen.

Lies Strategien für schwere Sudoku, wenn du die Technikseite anspruchsvoller Rätsel vertiefen möchtest.