Hány szó kell ahhoz, hogy megértsd az anyanyelvi videókat?
Az 5000 leggyakoribb angol szóval egy átlagos anyanyelvi klip szavainak 95,6%-át ismered. A spanyolhoz nagyjából 6800 szó kell a 95%-hoz, és a 23 nyelvből 13-nál még 10 000 szó sem elég. Az adatok 35 615 anyanyelvi klipből származnak, nyelvenként és szintenként.
Chief Language Geek @ Reelang
Ha ismered az 5000 leggyakoribb angol szót, egy átlagos angol anyanyelvi videóklip szavainak 95,6%-át ismered, és a klipek 58,4%-a éri el a 95%-ot, vagyis azt a szintet, ahol a hallás utáni értést vizsgáló kutatások szerint a tanulók már jól értenek. A spanyolhoz nagyjából 6800 szó kell ahhoz, hogy egy átlagos klip elérje a 95%-ot, és az általam mért 23 nyelvből 13-nál még a 10 000 szó sem elég.
Ezek a számok 35 615 anyanyelvi klipből jönnek, 23 nyelven, a Reelang katalógusából, szóról szóra összevetve az adott nyelv gyakorisági listájával. Válassz ki alább egy nyelvet és egy szókincsméretet, és nézd meg, mire elég.
Az első 1000 szó végzi el a munka nagy részét
A szavak gyakorisága nagyon egyenetlen. Néhány száz szó (the, and, is, you, que, de) teszi ki mindannak a nagy részét, amit bárki mond, és a listán lejjebb álló szavak egyre ritkábbak. Ezt a mintázatot Zipf-törvénynek hívják, és itt minden nyelvre igaz.
Abban a 18 nyelvben, amelyet fenntartás nélkül rangsorolhatok, egy átlagos klipet a legfelső 1000 szó 80,7%-ban fed le, a legfelső 2000 szó 86,7%-ban, a legfelső 5000 szó pedig 92,4%-ban. Az első ezer szóval öt szóból négyet ismersz. A következő négyezer körülbelül tizenkét pontot tesz hozzá.
A hallás utáni értés szempontjából fontos küszöbök ezen az utolsó pár ponton belül vannak. Kettő bukkan fel újra és újra a kutatásokban arról, hány szó kell:
- 95%, vagyis húsz szóból egy ismeretlen. Batia Laufer olvasásra javasolta 1989-ben. Hallás utáni értésnél van Zeeland és Schmitt (2013) azt találta, hogy a legtöbb hallgató már 90%-nál boldogult, 95%-nál pedig az idegen nyelvi hallgatók jól értettek, sokkal kisebb szórással.
- 98%, vagyis ötven szóból egy ismeretlen. Hu és Nation (2000) szerint a tanulóknak nagyjából ennyi kellett ahhoz, hogy önállóan olvasva megfelelően megértsenek egy szépirodalmi szöveget.
Percenként 150 szónál, ami normál beszédtempó, a 95% körülbelül hét ismeretlen szót jelent percenként (Nation, 2006). A 98% hármat. Ezt a különbséget az alábbi demóban érezni is lehet. Valódi mondatokat használ a vizsgálat klipjeiből, és kitakar minden szót, ami nincs benne az általad választott leggyakoribb szavak között.
2000 szóval a húsgolyós mondat 58,3%-ban ismerős: az albóndigas, parmesano, rallado és orégano egyáltalán nincs a listán, a perejil (petrezselyem) pedig a 13 520. helyen áll. A macskáról szóló mondat ugyanazzal a 2000 szóval 96,2%-ban ismerős. Mindkét klip spanyol, és mindkettő A2 jelzésű.
Az angol és a spanyol számokban
Angol. Egy átlagos klip 2021 szónál éri el a 90%-ot, 4462 szónál a 95%-ot és 9403 szónál a 98%-ot. 3000 szóval az angol klipek 24,9%-a van 95%-on vagy felette. 5000 szóval 58,4%-uk, és 15,2%-uk van 98%-on vagy felette.
Spanyol. Egy átlagos klip 2754 szónál éri el a 90%-ot és 6781 szónál a 95%-ot. A 98%-ot 10 000 szón belül nem éri el. 3000 szóval a spanyol klipek 10,8%-a van 95%-on vagy felette. 5000 szóval 32,0%-uk.
Tehát spanyolnál egy 3000 szavas tanuló nagyjából minden tizedik klipben találja azt, hogy a szavak 95%-a ismerős. Ez már valódi merítés a tanuláshoz, mert a még nem ismert szavak ismert szavakkal körülvéve bukkannak fel. Ez a kolumbiai klip is ilyen: szavainak 88,4%-a a legfelső 1000-ben, 96,3%-a a legfelső 2000-ben van.
A szavak ismerete nem ugyanaz, mint elkapni őket. Abban a klipben a beszélők mediánban percenként 243 szót mondanak, sokkal gyorsabban, mint egy tankönyvi felvétel. A szókincs-lefedettség azt mutatja meg, hogy megértenéd-e az átiratot. Azt nem, hogy bírod-e a tempót.
Lapos és meredek nyelvek
A görbék alakja nem egyforma. A dánban, a svédben és a hollandban a legfelső 1000 szó már egy átlagos klip 84,4–86,5%-át lefedi, és az 1000-ről 5000 szóra lépés csak 8,3–9,3 pontot tesz hozzá. Az angol, a francia, a spanyol, a portugál és az olasz ugyanezen a szakaszon 11,5–12,6 pontot ad. A legmeredekebb görbe az indonézé (+20,8), az ukráné (+18,3), az arabé (+18,1), az oroszé (+16,5), a finné (+15,3), a töröké (+15,2) és a lengyelé (+14,3).
A meredek görbe azt jelenti, hogy az első ezer szó után még sok ismeretlen marad a klipben, és minden további ezer szó többet ér. Ez részben a nyelven múlik. Részben azon, hogyan számoljuk a szavakat, és ezt el kell magyarázni, mielőtt két nyelvet összehasonlítasz.
Az itteni listák lemmatizáltak: a dije, dijo és decir mind egy szónak számít, a decirnek. Ez korrekt a spanyollal szemben, amelyben sok igealak van. De a lemmatizáló csak akkor működik, ha felismeri az alakot. A csehben, a finnben, a magyarban, az oroszban és az ukránban egy átlagos klip szóelőfordulásainak 9,0–10,8%-a olyan alak, amelyet a lista egyetlen lemmához sem tudott kötni. Ezek közül sok hétköznapi szó, csak esetraggal, amit az eszköz nem távolított el. Itt ismeretlennek számítanak, így ennél az öt nyelvnél a számok alsó becslések: a valódi lefedettség magasabb. Az alábbi táblázatban csillaggal jelöltem őket.
Az összetett szavak hasonlóan hátrányosak a németnek, a hollandnak és az északi nyelveknek. Egy olyan német összetétel, mint a Küchenschrank (konyhaszekrény), ismeretlennek számít, hacsak az egész összetétel nincs a listán, még akkor is, ha mindkét tagját ismered.
A szintjelölés alig változtat a szókincsen
A katalógus minden klipjének van KER-szintje, amelyet egy modell állapít meg az átirat alapján. Itt öt sávba csoportosítva szerepelnek, A1-től (az A0 A1-nek számít) C1-ig (a C2 C1-nek számít). Ha a címke a szókincset követné, a magasabb szintekhez több szó kellene. Az első 2000 szónál alig így van. A nyelvek mediánját véve (A1-ből 11 nyelvben, C1-ből 20-ban van elég klip), a legfelső 2000 szó egy A1-es klip 84,0%-át fedi le, A2-nél 84,0%-ot, B1-nél 85,2%-ot, B2-nél 86,1%-ot és C1-nél 84,1%-ot.
A szint a tartomány tetején viszont meglátszik. 5000 szóval az A1-es klipek 30,2%-ában, az A2-esek 20,6%-ában, a B1-esek 22,6%-ában, a B2-esek 15,5%-ában és a C1-esek 4,5%-ában ismernéd a szavak 95%-át. Ennek részben a hossz az oka: a minta medián C1-es klipje 338 szóból áll, a medián A1-es 81-ből. Egy rövid klipnek kevesebb esélye van ritka szót használni.
A legalacsonyabb lefedettségű klipek többsége ételekről szól. A minta 25 legalacsonyabb lefedettségű angol klipjéből 2000 szónál nagyjából kétharmad recept, ételkritika vagy nassolnivaló-kóstoló, és 21 van A1-nek vagy A2-nek jelölve. A spanyolban az alsó 25-ből 11 ételekről szól, három pedig gyerekdal. Egy recept nyelvtana egyszerű („add hozzá a fokhagymát, keverd meg, kész"), ezért kap alacsony címkét. A főnevek viszont nem azok. Az angol listán a garlic a 6395., a tablespoon a 11 551. szó. A spanyolban az ajo a 6605., a sartén (serpenyő) a 11 125.
Itt van két angol klip. Az első egy B2-nek jelölt filmelőzetes: szavainak 96,9%-a a legfelső 2000-ben van, és 1300 szónál lépi át a 95%-ot. A második egy A2-nek jelölt lassúfőzős recept: szavainak 72,3%-a van a legfelső 2000-ben, és csak 11 551 szónál lépi át a 95%-ot, ami a tablespoon helyezése.
Az előzetes sem könnyű, csak más okból: beszélői mediánban percenként 215 szót mondanak. A szintjelölés a tempót, a nyelvtant és a szókincset egyetlen betűbe gyúrja, és épp a szókincs vész el. Ha 2000 és 5000 szó között tartasz, a szint mellett nézd a klip témáját is: az étel, a főzés és a termékekről szóló beszéd sok szót használ a lista aljáról.
A nyelvváltozatok is eltérnek
Az arabnál minden dialektushoz külön gyakorisági lista tartozik. A többi nyelvnél egy lista szolgál az összes változatra. 2000 szóval egy átlagos egyiptomi arab klip 86,1%-ban fedett, az iraki 79,6%-ban, a marokkói 72,5%-ban. A marokkóinál egy átlagos klip szavainak 9,5%-a egyáltalán nincs a listáján, tehát a különbség egy része a listán múlik. A franciában a québeci klipek 90,6%-on állnak, a franciaországiak 87,6%-on. A brazil portugál 87,4%-on, az európai portugál 80,3%-on, de csak 61 európai portugál klip ment át a szűrőkön, és ezeket másik listához mérjük, úgyhogy ezt az adatot óvatosan kezeld.
Hogyan viszonyul ez Nation becsléséhez
A beszélt angolra vonatkozó legismertebb szám Paul Nation 2006-os tanulmányából származik: „How large a vocabulary is needed for reading and listening?". Beszélt új-zélandi angol korpuszon azt találta, hogy 3000 szócsalád plusz a tulajdonnevek 95% feletti lefedettséget adnak, a 98%-hoz pedig 6000–7000 szócsalád kell. Webb és Rodgers (2009) hasonló számokat kapott filmforgatókönyvekre: 3000 szócsalád plusz tulajdonnevek és határesetű szavak 95,76%-ot, 6000 szócsalád ugyanezekkel a kiegészítésekkel 98,15%-ot adott.
Az én angol számaim magasabbak: 4462 szó kell ahhoz, hogy egy átlagos klip elérje a 95%-ot, és 9403 a 98%-hoz. Az összes angol klipet egyetlen hosszú szövegként véve 5000 szó 95,1%-ot fed le. Három oka van, hogy a számok eltérnek, és egyik sem jelenti azt, hogy bármelyik vizsgálat téved:
- A szócsaládok nagyobbak a lemmáknál. Egy szócsalád egy egységként kezeli a happy, unhappy, happiness és happily szavakat. Egy lemmalista négynek számolja. Így 3000 szócsalád jóval több lemmának felel meg.
- A lista nagyrészt írott szövegből készült. A hétköznapi beszélt szavak lejjebb állnak benne, mint gondolnád: az alright a 3102., a kinda a 2333., a bye a 3273. szó.
- A rövid videók egy témánál maradnak. Egy kétperces recept a szavai nagy részét egyetlen téma szókincsére fordítja, míg egy hosszú beszélgetés ide-oda kalandozik, és több általános szót használ újra.
Mit jelent ez, ha nyelvet tanulsz
Az első 2000 vagy 3000 szót érdemes tudatosan megtanulni, gyakoriság szerint rendezett paklival vagy tanfolyamon. Addigra az anyanyelvi klipek egy valódi hányada elérhető lesz 95%-on, és onnantól sok új szót felszedhetsz a szövegkörnyezetből lista helyett. Christian Lauer kezdőknek szóló útmutatója arról szól, hogyan juss el ide gyorsan.
Utána téma szerint válassz klipet, ne csak szint szerint. Egy 3000 spanyol szavas tanuló követni tudja a fenti macskás jelenetet, de elveszhet a húsgolyós receptben, pedig mindkettő A2-nek van jelölve. A csehnél, a finnél, a magyarnál, az orosznál és az ukránnál pedig arra számíts, hogy az itteni számok nehezebbnek tűnnek a valóságnál: amit ismeretlennek számolunk, az jórészt egy ismert szó olyan raggal, amivel még nem találkoztál.
Ha a fentiekhez hasonló klipekkel szeretnél gyakorolni, a spanyol, az angol és a német oldalon szint szerint találsz anyanyelvi klipeket, ugyanazzal a szóról szóra követhető felirattal, mint az ezen az oldalon lévő klipeknél. Arról, hogy miért jön előbb a megértés, mint a beszéd: hogyan hagyd abba a fejben fordítást.
Hogyan mértem
A klipek. Minden klip 2026. szeptember 29-én a Reelang katalógusában volt és forgásban: nyilvánosan megjelenített, beszédet tartalmazó, anyanyelvi tartalom (nem nyelvlecke), nem szinkronizált és egynyelvű. Nyelvenként KER-szintenként legfeljebb 500 klipet mintáztam, és minden szintet a katalógusbeli arányával súlyoztam, így a számok a katalógus egészét írják le. Kimaradtak az 50 szónál rövidebb klipek, azok, ahol egy feliratsor ismétlődik (a sorok több mint 30%-ában), azok, amelyek a játékidőhöz képest percenként 330 szónál gyorsabbak, és azok, amelyekben a szavak több mint 35%-a nincs az adott nyelv listáján (általában rossz nyelvű átirat). Ezután 35 615 klip maradt a 23 rangsorolt nyelvben, 13,8 millió szóelőfordulással. A medián klip 81 másodperc hosszú. 35 600 közülük YouTube-ról, 8 TikTokról és 7 Instagramról származik.
A szavak. Minden átiratot szóközök és írásjelek mentén szavakra bontottam, kisbetűsítettem, és a számjegyeket eltávolítottam. Minden szót kikerestem a nyelve gyakorisági listájában, amely a wordfreq 3.1.1-ből (Speer, 2022) készült: a 25 000 leggyakoribb szóalak, lemma szerint csoportosítva a simplemma segítségével (az arabhoz, a héberhez és az ázsiai nyelvekhez más eszközökkel), és az egyes lemmák összgyakorisága szerint rangsorolva. A listán nem szereplő alakokat a simplemma lemmatizálja tartalékmegoldásként. A tulajdonnevek (nagybetűs, nem mondat elején áll, nincs a listán) és az olyan határesetű szavak, mint az uh, mhm és haha, ismertnek számítanak, ahogy Nationnél (2006) és Webbnél és Rodgersnél (2009) is. A német minden főnevet nagybetűvel ír, a hindiben és az arabban pedig nincsenek nagybetűk, így ezek a nyelvek nem kapnak tulajdonnév-jóváírást. Az angolban az összevont alakok felei a teljes szónak számítanak (a didn't a did és a not).
A számok. A lefedettség azoknak a szóelőfordulásoknak az aránya a klipben, amelyek lemmája a legfelső N között van. A fenti százalékok klipek közti mediánok. A „klipek 95%-on" adatoknál minden klip saját küszöbét a saját szóhelyezéseiből számoltam, így nincs interpoláció. Az „átlagos klip 95%-ot ér el ennyinél" érték az a legkisebb szókincsméret, amelynél a medián klip átlépi a 95%-ot.
Nem rangsorolva. A héber előtagokat (ve-, ha-, be-, le-) nem választottam le, így ismert szavak ismeretlennek számítanak. A tamil átiratok beszélt tamil nyelvűek, a lista viszont írott tamil. A japánt, a kínait és a koreait csak tartalmas szavakban, a vietnamit szótagokban számoltam, így ezek a számok nem hasonlíthatók a többihez. Egy nyelv rangsorolásához legalább 300 klip kell. A norvégnak 449 van; minden más rangsorolt nyelvnek több mint 1000. A török listában csak 9088 lemma van, ezért a töröknél az ábrák 8000 szónál megállnak, és a „10 000+" azt jelenti, hogy egy átlagos klip a teljes listával sem éri el a 95%-ot.
Ismert torzítások. A számok az átiratokat írják le, nem a hangot, így a beszédfelismerési hibák is szónak számítanak. A legfelső N szó tökéletes ismerete ideális eset, és az idiómák nem számítanak egy egységnek. A KER-szint egy modell ítélete az átiratról. A katalógus pedig tanulóknak készült: az érthető beszédű, széles körben érdekes klipek felé húz, tehát nem véletlen minta mindabból, ami a YouTube-on vagy a TikTokon van.
Használd ezeket az adatokat
Nyugodtan használd fel újra az ezen az oldalon lévő ábrákat és számokat a saját írásaidban, tanításodban vagy kutatásodban. Kérlek, hivatkozz forrásként erre az oldalra.
| Nyelv | Klipek | 1000 | 2000 | 5000 | 95%+ | 98%+ | 95% ennyinél |
|---|---|---|---|---|---|---|---|
| Dán | 1 122 | 86,5% | 91,1% | 94,8% | 47,0% | 8,4% | 5 292 |
| Angol | 2 002 | 83,7% | 89,9% | 95,6% | 58,4% | 15,2% | 4 462 |
| Svéd | 1 325 | 85,6% | 89,8% | 94,0% | 37,6% | 5,6% | 6 768 |
| Holland | 1 841 | 84,4% | 89,0% | 93,7% | 32,2% | 3,5% | 7 109 |
| Francia | 1 961 | 82,7% | 88,4% | 94,2% | 40,1% | 5,8% | 5 804 |
| Norvég | 449 | 83,5% | 88,1% | 93,0% | 25,0% | 3,8% | 9 478 |
| Spanyol | 2 195 | 81,6% | 87,3% | 93,5% | 32,0% | 5,4% | 6 781 |
| Portugál | 1 865 | 81,4% | 87,2% | 94,0% | 38,4% | 7,3% | 6 121 |
| Román | 1 602 | 81,4% | 87,0% | 92,5% | 25,3% | 5,8% | 9 586 |
| Eszperantó | 1 007 | 80,0% | 86,3% | 92,3% | 28,6% | 4,5% | 10 000+ |
| Olasz | 1 880 | 79,7% | 85,6% | 91,9% | 21,2% | 2,7% | 9 269 |
| Török | 1 322 | 77,1% | 85,6% | 92,3% | 25,4% | 5,5% | 10 000+ † |
| Német | 1 933 | 80,0% | 84,8% | 90,3% | 11,3% | 1,1% | 10 000+ |
| Görög | 1 796 | 78,0% | 83,5% | 89,0% | 6,7% | 1,0% | 10 000+ |
| Hindi | 1 417 | 77,2% | 82,4% | 88,3% | 6,6% | 1,2% | 10 000+ |
| Arab | 1 916 | 73,1% | 82,2% | 91,2% | 17,8% | 2,7% | 10 000+ |
| Lengyel | 1 503 | 73,9% | 81,0% | 88,2% | 8,2% | 1,0% | 10 000+ |
| Indonéz | 1 582 | 68,6% | 80,6% | 89,4% | 10,4% | 2,3% | 10 000+ |
| Cseh * | 1 239 | 73,4% | 80,0% | 86,8% | 3,9% | 0,5% | 10 000+ |
| Finn * | 1 565 | 71,7% | 79,3% | 87,0% | 3,6% | 0,8% | 10 000+ |
| Magyar * | 1 732 | 71,7% | 78,1% | 84,5% | 0,4% | 0,0% | 10 000+ |
| Orosz * | 1 305 | 70,0% | 77,8% | 86,5% | 2,9% | 0,1% | 10 000+ |
| Ukrán * | 1 056 | 65,4% | 73,4% | 83,7% | 0,8% | 0,0% | 10 000+ |
Az 1000, 2000 és 5000 oszlop: a klipben előforduló szavak medián aránya, amelyet a legfelső 1000, 2000 vagy 5000 lemma lefed. 95%+ és 98%+: azoknak a klipeknek az aránya, amelyekben a legfelső 5000 lemmát ismerő tanuló a szavak legalább 95%-át vagy 98%-át ismeri. 95% ennyinél: az a szókincsméret, amelynél a medián klip átlépi a 95%-ot (a 10 000+ azt jelenti, hogy 10 000-en belül nem). * Alsó becslés: egy átlagos klip szavainak legalább 9%-át nem lehetett a listához illeszteni, így a valódi lefedettség magasabb. † A török listában csak 9088 lemma van: egy átlagos török klip a teljes listával sem éri el a 95%-ot.
Források
- Hu, M. H.-c., & Nation, I. S. P. (2000). Unknown vocabulary density and reading comprehension. Reading in a Foreign Language, 13(1), 403-430. doi.org/10.64152/10125/66973 (ingyenes teljes szöveg)
- Laufer, B. (1989). What percentage of text-lexis is essential for comprehension? In C. Lauren & M. Nordman (Eds.), Special language: From humans thinking to thinking machines (pp. 316-323). Multilingual Matters. Rekord
- Nation, I. S. P. (2006). How large a vocabulary is needed for reading and listening? The Canadian Modern Language Review, 63(1), 59-82. doi.org/10.3138/cmlr.63.1.59, ingyenes PDF
- Speer, R. (2022). wordfreq v3.0 [adat és szoftver]. Zenodo. doi.org/10.5281/zenodo.7199437. Ez a vizsgálat a 3.1.1-es kiadást használta innen: github.com/rspeer/wordfreq.
- van Zeeland, H., & Schmitt, N. (2013). Lexical coverage in L1 and L2 listening comprehension: The same or different from reading comprehension? Applied Linguistics, 34(4), 457-479. doi.org/10.1093/applin/ams074
- Webb, S., & Rodgers, M. P. H. (2009). The lexical coverage of movies. Applied Linguistics, 30(3), 407-427. doi.org/10.1093/applin/amp010
Kezdj el nézni
Válassz nyelvet, és indítsd el a feedet. Valódi anyanyelvi beszéd, szintezve aszerint, hogy mennyire nehéz követni. Nincs kvíz, nincs regisztráció.
Válassz nyelvetOlvass tovább
Érthető input kezdőknek
Az érthető input csak akkor működik, ha már követni tudod, amit mondanak. Christian Lauer arról ír, hogyan juthatsz el gyorsan idáig, és miről ismered fel, hogy megérkeztél.
Hogyan hagyd abba a fejben fordítást: miért jön a megértés a beszéd előtt
Úgy hagyod abba a fejben fordítást, hogy annyi érthető beszédet adsz az agyadnak, amíg már nincs szüksége fordításra. A fordítás csak kerülőút, amit az agyad épít, amikor még kevés közvetlen tapasztalata van egy nyelvvel. A megoldás nem trükk és nem önfegyelem, hanem mennyiség: órákon át hallgatsz olyan igazi beszédet, amit nagyrészt értesz, amíg az agyad közvetlen utat épít a hangtól a jelentésig, az anyanyelved kikerülésével.
Miért működik a comprehensible input a kínaiul tanulóknál?
A kínai legnagyobb akadályai, a tónusok, az írásjegyekre épülő olvasás és a beszélt meg az írott nyelv közti szakadék, mind olyan dolgok, amiket előbb füllel tanulsz meg, csak utána szabályból. A nyelvtani feladatok és a szókártyák elszigetelten tanítják meg a kínait. A comprehensible input úgy, ahogy az anyanyelvi beszélők tényleg használják: természetes tempóban, kontextusban, ép tónusokkal.