Ile słów trzeba znać, żeby rozumieć filmy native speakerów?
Przy 5000 najczęstszych angielskich słów typowy filmik native speakera to w 95,6% słowa, które znasz. Hiszpański potrzebuje około 6800 słów, by dojść do 95%, a w 13 z 23 języków nawet 10 000 to za mało. Dane z 35 615 filmików native speakerów, w podziale na języki i poziomy.
Chief Language Geek @ Reelang
Jeśli znasz 5000 najczęstszych angielskich słów, typowy anglojęzyczny filmik native speakera składa się w 95,6% ze słów, które znasz, a 58,4% filmików osiąga 95%, czyli poziom, przy którym badania nad słuchaniem stwierdzają dobre rozumienie. W hiszpańskim typowy filmik dochodzi do 95% dopiero przy około 6800 słowach, a w 13 z 23 zbadanych przeze mnie języków 10 000 słów to za mało.
Te liczby pochodzą z 35 615 filmików native speakerów w 23 językach z katalogu Reelang, policzonych słowo po słowie względem listy frekwencyjnej dla każdego języka. Wybierz niżej język i wielkość słownictwa, żeby zobaczyć, co ci to daje.
Pierwszy tysiąc słów robi większość roboty
Frekwencja słów jest bardzo nierówna. Kilkaset słów (the, and, is, you, que, de) stanowi dużą część wszystkiego, co ktokolwiek mówi, a każde kolejne słowo z listy pojawia się rzadziej. Ten wzorzec znany jest jako prawo Zipfa i obowiązuje w każdym z tych języków.
W 18 językach, które mogę uszeregować bez zastrzeżeń, typowy filmik jest w 80,7% pokryty przez pierwsze 1000 słów, w 86,7% przez pierwsze 2000 i w 92,4% przez pierwsze 5000. Pierwszy tysiąc słów daje ci cztery znane słowa na pięć. Kolejne cztery tysiące dokładają około dwunastu punktów.
Progi, które mają znaczenie przy słuchaniu, mieszczą się w tych ostatnich punktach. Dwa z nich wracają w badaniach nad tym, ile słów potrzebujesz:
- 95%, czyli jedno nieznane słowo na 20. Batia Laufer zaproponowała ten próg dla czytania w 1989 roku. Dla słuchania van Zeeland i Schmitt (2013) ustalili, że większość słuchaczy radziła sobie już przy 90%, a przy 95% osoby uczące się języka obcego rozumiały dobrze i z dużo mniejszymi różnicami między sobą.
- 98%, czyli jedno nieznane słowo na 50. Hu i Nation (2000) ustalili, że osoby czytające beletrystykę samodzielnie potrzebowały mniej więcej tyle, żeby rozumieć wystarczająco.
Przy 150 słowach na minutę, czyli normalnym tempie mówienia, 95% oznacza około siedmiu nieznanych słów na minutę (Nation, 2006). 98% oznacza trzy. Tę różnicę poczujesz w demie poniżej. Używa prawdziwych zdań z filmików z badania i zakrywa każde słowo, którego nie ma w wybranym przez ciebie zakresie.
Przy 2000 słów zdanie o klopsikach jest znane w 58,3%: albóndigas, parmesano, rallado i orégano w ogóle nie ma na liście, a perejil (pietruszka) stoi na miejscu 13 520. Zdanie o kocie jest przy tych samych 2000 słów znane w 96,2%. Oba filmiki są po hiszpańsku i oba mają etykietę A2.
Angielski i hiszpański w liczbach
Angielski. Typowy filmik osiąga 90% przy 2021 słowach, 95% przy 4462 i 98% przy 9403. Przy 3000 słów 24,9% angielskich filmików jest na poziomie 95% lub wyżej. Przy 5000 słów jest ich 58,4%, a 15,2% sięga 98% lub więcej.
Hiszpański. Typowy filmik osiąga 90% przy 2754 słowach i 95% przy 6781. Do 98% nie dochodzi w granicach 10 000 słów. Przy 3000 słów 10,8% hiszpańskich filmików jest na poziomie 95% lub wyżej. Przy 5000 słów jest ich 32,0%.
Czyli przy hiszpańskim osoba znająca 3000 słów znajdzie mniej więcej co dziesiąty filmik, w którym 95% słów jest znajome. To już realna pula do nauki, bo słowa, których jeszcze nie znasz, pojawiają się w otoczeniu tych, które znasz. Ten kolumbijski filmik to jeden z nich: 88,4% jego słów mieści się w pierwszym tysiącu, a 96,3% w pierwszych dwóch tysiącach.
Znajomość słów to nie to samo co ich wyłapanie. Osoby mówiące w tym filmiku trzymają medianę 243 słów na minutę, dużo szybciej niż nagranie z podręcznika. Pokrycie słownictwa mówi ci, czy zrozumiałbyś transkrypcję. Nie mówi, czy nadążysz za tempem.
Języki płaskie i języki strome
Krzywe nie mają tego samego kształtu. W duńskim, szwedzkim i niderlandzkim pierwsze 1000 słów pokrywa już 84,4% do 86,5% typowego filmiku, a przejście z 1000 na 5000 słów dokłada tylko 8,3 do 9,3 punktu. Angielski, francuski, hiszpański, portugalski i włoski dokładają na tym samym odcinku od 11,5 do 12,6 punktu. Najbardziej strome krzywe mają indonezyjski (+20,8), ukraiński (+18,3), arabski (+18,1), rosyjski (+16,5), fiński (+15,3), turecki (+15,2) i polski (+14,3).
Stroma krzywa znaczy, że po pierwszym tysiącu słów więcej filmiku zostaje nieznane, a każdy kolejny tysiąc jest wart więcej. Po części wynika to z samego języka. Po części ze sposobu liczenia słów, a to wymaga wyjaśnienia, zanim porównasz dwa języki.
Listy użyte tutaj są zlematyzowane: dije, dijo i decir liczą się jako jedno słowo, decir. To uczciwe wobec hiszpańskiego, który ma mnóstwo form czasownika. Ale lematyzator działa tylko wtedy, gdy rozpozna formę. W czeskim, fińskim, węgierskim, rosyjskim i ukraińskim od 9,0% do 10,8% słów w typowym filmiku to formy, których lista nie dopasowała do żadnego lematu. Wiele z nich to zwykłe słowa z końcówką przypadka, której narzędzie nie odcięło. Liczą się tu jako nieznane, więc dla tych pięciu języków podane liczby to dolna granica: realne pokrycie jest wyższe. W tabeli niżej są oznaczone gwiazdką.
Złożenia działają podobnie na niekorzyść niemieckiego, niderlandzkiego i języków nordyckich. Niemieckie złożenie w rodzaju Küchenschrank (szafka kuchenna) liczy się jako nieznane, dopóki całe złożenie nie trafi na listę, nawet jeśli znasz obie części.
Etykieta poziomu prawie nie zmienia słownictwa
Każdy filmik w katalogu ma poziom CEFR, ustalony przez model, który czyta transkrypcję. Tutaj są pogrupowane w pięć pasm, od A1 (A0 liczy się jako A1) do C1 (C2 liczy się jako C1). Gdyby etykieta szła za słownictwem, wyższe poziomy wymagałyby więcej słów. Przy pierwszych 2000 słów prawie tego nie widać. Biorąc medianę po językach (A1 ma dość filmików w 11 z nich, C1 w 20), pierwsze 2000 słów pokrywa 84,0% filmiku A1, 84,0% przy A2, 85,2% przy B1, 86,1% przy B2 i 84,1% przy C1.
Poziom widać dopiero na górze zakresu. Przy 5000 słów znałbyś 95% słów w 30,2% filmików A1, 20,6% filmików A2, 22,6% filmików B1, 15,5% filmików B2 i 4,5% filmików C1. Częściowo chodzi o długość: mediana filmiku C1 w próbie ma 338 słów, mediana filmiku A1 tylko 81. Krótki filmik ma mniej okazji, żeby użyć rzadkiego słowa.
Filmiki z najniższym pokryciem są głównie o jedzeniu. Spośród 25 angielskich filmików z próby o najniższym pokryciu przy 2000 słów około dwie trzecie to przepisy, recenzje jedzenia albo testowanie przekąsek, a 21 ma etykietę A1 lub A2. W hiszpańskim 11 z 25 najniższych dotyczy jedzenia, a trzy to piosenki dla dzieci. Gramatyka w przepisie jest prosta („dodaj czosnek, wymieszaj, gotowe”) i dlatego dostaje niską etykietę. Rzeczowniki już nie. Na liście angielskiej garlic to słowo 6395, a tablespoon 11 551. W hiszpańskim ajo to 6605, a sartén (patelnia) 11 125.
Oto dwa angielskie filmiki. Pierwszy to zwiastun filmu z etykietą B2: 96,9% jego słów mieści się w pierwszych 2000, a próg 95% przekracza już przy 1300 słowach. Drugi to przepis z wolnowaru z etykietą A2: 72,3% jego słów mieści się w pierwszych 2000, a 95% przekracza dopiero przy 11 551 słowach, czyli na pozycji słowa tablespoon.
Zwiastun też nie jest łatwy, ale z innego powodu: mówiące w nim osoby trzymają medianę 215 słów na minutę. Etykieta poziomu miesza tempo, gramatykę i słownictwo w jedną literę, a to właśnie część o słownictwie się gubi. Jeśli znasz od 2000 do 5000 słów, patrz na temat filmiku, nie tylko na poziom: jedzenie, gotowanie i opowiadanie o produktach używają wielu słów z dalekich miejsc listy.
Odmiany też się różnią
Arabski jest mierzony osobną listą frekwencyjną dla każdego dialektu. Pozostałe języki mają jedną listę dla wszystkich odmian. Przy 2000 słów typowy filmik w arabskim egipskim ma pokrycie 86,1%, iracki 79,6%, a marokański 72,5%. W marokańskim 9,5% słów w typowym filmiku w ogóle nie ma na jego liście, więc część tej różnicy to kwestia listy. We francuskim filmiki z Québecu wychodzą na 90,6% wobec 87,6% dla filmików z Francji. Portugalski brazylijski jest na 87,4%, europejski na 80,3%, ale filtry przeszło tylko 61 filmików po portugalsku europejskim i są liczone względem innej listy, więc traktuj ten wynik ostrożnie.
Jak to się ma do szacunku Nationa
Najbardziej znana liczba dla mówionego angielskiego pochodzi z pracy Paula Nationa z 2006 roku „How large a vocabulary is needed for reading and listening?”. Na korpusie mówionego angielskiego z Nowej Zelandii ustalił, że 3000 rodzin wyrazowych plus nazwy własne daje ponad 95% pokrycia, a do 98% potrzeba od 6000 do 7000 rodzin. Webb i Rodgers (2009) uzyskali podobne liczby dla scenariuszy filmowych: 3000 rodzin plus nazwy własne i słowa marginalne dają 95,76%, a 6000 rodzin z tymi samymi dodatkami 98,15%.
Moje liczby dla angielskiego są wyższe: 4462 słowa, żeby typowy filmik doszedł do 95%, i 9403 do 98%. Jeśli potraktować wszystkie angielskie filmiki jako jeden długi tekst, 5000 słów pokrywa 95,1%. Różnice mają trzy powody i żaden nie znaczy, że któreś badanie się myli:
- Rodziny są większe niż lematy. Rodzina wyrazowa grupuje happy, unhappy, happiness i happily jako jedną jednostkę. Lista lematów liczy je jako cztery. Więc 3000 rodzin odpowiada większej liczbie lematów.
- Lista powstała głównie z tekstów pisanych. Codzienne słowa mówione stoją w niej niżej, niż byś się spodziewał: alright to słowo 3102, kinda 2333, a bye 3273.
- Krótkie filmy trzymają się jednego tematu. Dwuminutowy przepis zużywa większość słów na słownictwo jednego tematu, a długa rozmowa krąży po tematach i częściej wraca do słów ogólnych.
Co to znaczy, jeśli uczysz się języka
Pierwsze 2000 czy 3000 słów warto przerobić świadomie, z talią albo kursem ułożonym według frekwencji. W tym momencie realna część filmików native speakerów jest w zasięgu przy 95%, a stamtąd wiele nowych słów złapiesz z kontekstu zamiast z listy. Poradnik dla początkujących Christiana Lauera opisuje, jak dojść do tego punktu szybko.
Potem wybieraj filmiki po temacie, nie tylko po poziomie. Osoba z 3000 hiszpańskich słów zrozumie powyższą scenkę o kocie, a i tak zgubi się w przepisie na klopsiki, choć oba mają etykietę A2. A przy czeskim, fińskim, węgierskim, rosyjskim i ukraińskim licz się z tym, że te liczby wyglądają trudniej, niż jest naprawdę: wiele z tego, co liczy się jako nieznane, to słowo, które znasz, z końcówką, której jeszcze nie spotkałeś.
Jeśli chcesz ćwiczyć na filmikach takich jak te wyżej, strony hiszpańskiego, angielskiego i niemieckiego zbierają filmiki native speakerów według poziomu, z tymi samymi napisami słowo po słowie co filmiki na tej stronie. Więcej o tym, dlaczego rozumienie przychodzi przed mówieniem: jak przestać tłumaczyć w głowie. Ile godzin wideo to zajmuje, język po języku, znajdziesz w ile czasu zajmuje nauka języka, razem z kalkulatorem dla twojego poziomu i dziennego czasu.
Jak to policzyłem
Filmiki. Wszystkie filmiki były w katalogu Reelang 29 września 2026 roku i w rotacji: publicznie widoczne, z mową, treść native speakerów (nie lekcje językowe), bez dubbingu i w jednym języku. Dla każdego języka wylosowałem do 500 filmików na poziom CEFR i zważyłem każdy poziom jego udziałem w katalogu, żeby liczby opisywały katalog jako całość. Usunąłem filmiki poniżej 50 słów, filmiki, w których powtarza się ta sama linia napisów (ponad 30% linii), filmiki szybsze niż 330 słów na minutę nagrania oraz te, w których ponad 35% słów nie ma na liście danego języka (zwykle transkrypcja w złym języku). Po tym zostało 35 615 filmików w 23 uszeregowanych językach, z 13,8 miliona słów. Mediana długości filmiku to 81 sekund. 35 600 z nich pochodzi z YouTube’a, 8 z TikToka i 7 z Instagrama.
Słowa. Każda transkrypcja jest dzielona na słowa po spacjach i interpunkcji, zamieniana na małe litery, bez cyfr. Każde słowo jest sprawdzane na liście frekwencyjnej dla jego języka, zbudowanej z wordfreq 3.1.1 (Speer, 2022): 25 000 najczęstszych form, pogrupowanych według lematu narzędziem simplemma (inne narzędzia dla arabskiego, hebrajskiego i języków azjatyckich) i uszeregowanych według łącznej frekwencji każdego lematu. Formy spoza listy są lematyzowane simplemmą jako wariant zapasowy. Nazwy własne (z wielkiej litery, nie na początku zdania, spoza listy) oraz słowa marginalne w rodzaju uh, mhm i haha liczą się jako znane, tak jak u Nationa (2006) oraz Webba i Rodgersa (2009). Niemiecki pisze każdy rzeczownik wielką literą, a hindi i arabski nie mają wielkich liter, więc te języki nie dostają bonusu za nazwy własne. W angielskim połówki form skróconych liczą się jako pełne słowa (didn't liczy się jako did i not).
Liczby. Pokrycie to udział słów w filmiku, których lemat mieści się w pierwszych N. Procenty powyżej to mediany po filmikach. Przy wartościach „filmiki na poziomie 95%” próg każdego filmiku jest liczony z jego własnych pozycji frekwencyjnych, więc nie ma interpolacji. Wartość „typowy filmik osiąga 95% przy” to najmniejsza wielkość słownictwa, przy której mediana filmiku przekracza 95%.
Bez rankingu. W hebrajskim prefiksy (ve-, ha-, be-, le-) nie są odcinane, więc znane słowa liczą się jako nieznane. Transkrypcje tamilskie są w tamilskim mówionym, a lista w pisanym. Japoński, chiński i koreański są liczone tylko w słowach treściowych, a wietnamski w sylabach, więc ich liczb nie da się porównać z resztą. Język potrzebuje co najmniej 300 filmików, żeby trafić do rankingu. Norweski ma 449; każdy inny uszeregowany język ma ponad 1000. Lista turecka ma tylko 9088 lematów, więc dla tureckiego wykresy kończą się na 8000 słów, a „10 000+” znaczy, że typowy filmik nie dochodzi do 95% nawet z całą listą.
Znane obciążenia. Liczby opisują transkrypcje, nie dźwięk, więc błędy rozpoznawania mowy liczą się jako słowa. Doskonała znajomość pierwszych N słów to przypadek idealny, a idiomy nie są liczone jako jednostki. Poziom CEFR to ocena transkrypcji przez model. Katalog jest dobierany pod osoby uczące się: przeważają w nim filmiki z wyraźną mową i szeroką tematyką, więc nie jest to losowa próba wszystkiego z YouTube’a czy TikToka.
Korzystaj z tych danych
Możesz używać wykresów i liczb z tej strony we własnych tekstach, zajęciach czy badaniach. Podlinkuj proszę tę stronę jako źródło.
| Język | Filmiki | 1000 | 2000 | 5000 | 95%+ | 98%+ | 95% przy |
|---|---|---|---|---|---|---|---|
| duński | 1 122 | 86,5% | 91,1% | 94,8% | 47,0% | 8,4% | 5 292 |
| angielski | 2 002 | 83,7% | 89,9% | 95,6% | 58,4% | 15,2% | 4 462 |
| szwedzki | 1 325 | 85,6% | 89,8% | 94,0% | 37,6% | 5,6% | 6 768 |
| niderlandzki | 1 841 | 84,4% | 89,0% | 93,7% | 32,2% | 3,5% | 7 109 |
| francuski | 1 961 | 82,7% | 88,4% | 94,2% | 40,1% | 5,8% | 5 804 |
| norweski | 449 | 83,5% | 88,1% | 93,0% | 25,0% | 3,8% | 9 478 |
| hiszpański | 2 195 | 81,6% | 87,3% | 93,5% | 32,0% | 5,4% | 6 781 |
| portugalski | 1 865 | 81,4% | 87,2% | 94,0% | 38,4% | 7,3% | 6 121 |
| rumuński | 1 602 | 81,4% | 87,0% | 92,5% | 25,3% | 5,8% | 9 586 |
| esperanto | 1 007 | 80,0% | 86,3% | 92,3% | 28,6% | 4,5% | 10 000+ |
| włoski | 1 880 | 79,7% | 85,6% | 91,9% | 21,2% | 2,7% | 9 269 |
| turecki | 1 322 | 77,1% | 85,6% | 92,3% | 25,4% | 5,5% | 10 000+ † |
| niemiecki | 1 933 | 80,0% | 84,8% | 90,3% | 11,3% | 1,1% | 10 000+ |
| grecki | 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+ |
| arabski | 1 916 | 73,1% | 82,2% | 91,2% | 17,8% | 2,7% | 10 000+ |
| polski | 1 503 | 73,9% | 81,0% | 88,2% | 8,2% | 1,0% | 10 000+ |
| indonezyjski | 1 582 | 68,6% | 80,6% | 89,4% | 10,4% | 2,3% | 10 000+ |
| czeski * | 1 239 | 73,4% | 80,0% | 86,8% | 3,9% | 0,5% | 10 000+ |
| fiński * | 1 565 | 71,7% | 79,3% | 87,0% | 3,6% | 0,8% | 10 000+ |
| węgierski * | 1 732 | 71,7% | 78,1% | 84,5% | 0,4% | 0,0% | 10 000+ |
| rosyjski * | 1 305 | 70,0% | 77,8% | 86,5% | 2,9% | 0,1% | 10 000+ |
| ukraiński * | 1 056 | 65,4% | 73,4% | 83,7% | 0,8% | 0,0% | 10 000+ |
Kolumny 1000, 2000 i 5000: mediana udziału słów w filmiku pokrytych przez pierwsze 1000, 2000 lub 5000 lematów. 95%+ i 98%+: udział filmików, w których osoba znająca pierwsze 5000 lematów zna co najmniej 95% lub 98% słów. 95% przy: wielkość słownictwa, przy której mediana filmiku przekracza 95% (10 000+ znaczy, że nie mieści się w 10 000). * Dolna granica: 9% lub więcej słów w typowym filmiku nie dało się dopasować do listy, więc realne pokrycie jest wyższe. † Lista turecka ma tylko 9088 lematów: typowy turecki filmik nie dochodzi do 95% nawet z całą listą.
Źródła
- 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 (pełny tekst za darmo)
- 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, darmowy PDF
- Speer, R. (2022). wordfreq v3.0 [dane i oprogramowanie]. Zenodo. doi.org/10.5281/zenodo.7199437. W tym badaniu użyto wydania 3.1.1 z 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
Zacznij oglądać
Wybierz język i przejdź do feedu. Prawdziwa mowa native speakerów z oznaczonym poziomem trudności. Bez testu poziomującego, bez rejestracji.
Wybierz językCzytaj dalej
Zrozumiały input dla początkujących
Zrozumiały input działa dopiero wtedy, gdy nadążasz za tym, co słyszysz. Christian Lauer tłumaczy, jak szybko dojść do tego punktu i po czym poznać, że już w nim jesteś.
Jak przestać tłumaczyć w głowie: dlaczego rozumienie jest przed mówieniem
Przestajesz tłumaczyć w głowie wtedy, gdy dasz mózgowi tyle zrozumiałej mowy, że tłumaczenie przestaje być mu potrzebne. Tłumaczenie to obejście, które mózg buduje, gdy ma za mało bezpośredniego kontaktu z językiem. Lekarstwem nie jest trik ani silna wola, tylko ilość: godziny słuchania prawdziwej mowy, którą w większości rozumiesz, aż mózg zbuduje drogę wprost od dźwięku do znaczenia, bez objazdu przez język ojczysty.
Dlaczego zrozumiały input działa w nauce mandaryńskiego
Zrozumiały input działa w mandaryńskim, bo największe trudności tego języka (tony, pismo znakowe i duża przepaść między mową a tekstem) opanowujesz uchem, zanim opanujesz je regułami. Ćwiczenia gramatyczne i fiszki uczą rozpoznawać mandaryński w izolacji, a zrozumiały input uczy go tak, jak naprawdę mówią native speakerzy: w naturalnym tempie, w kontekście, z zachowanymi wzorcami tonalnymi i rytmicznymi.