Ile słów trzeba znać, żeby rozumieć filmiki native speakerów?
Przy 5000 najczęstszych angielskich słów typowy filmik native speakera składa się w 95,6% ze słów, 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, dla każdego języka i poziomu.
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% klipów osiąga 95%, czyli poziom, przy którym badania nad słuchaniem pokazują dobre rozumienie. W hiszpańskim typowy klip potrzebuje około 6800 słów, żeby dojść do 95%, a w 13 z 23 zmierzonych 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.
Pierwsze 1000 słów robi najwięcej roboty
Frekwencja słów jest mocno nierówna. Kilkaset słów (the, and, is, you, que, de) stanowi dużą część wszystkiego, co ludzie mówią, a każde kolejne słowo na liście 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 klip jest pokryty w 80,7% przez 1000 najczęstszych słów, w 86,7% przez 2000 i w 92,4% przez 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) stwierdzili, że osoby czytające beletrystykę samodzielnie potrzebują mniej więcej tyle, by rozumieć wystarczająco.
Przy 150 słowach na minutę, czyli normalnym tempie mowy, 95% oznacza około siedmiu nieznanych słów na minutę (Nation, 2006). 98% oznacza trzy. Tę różnicę poczujesz w demo poniżej. Używa prawdziwych zdań z klipów z badania i zakrywa każde słowo, którego nie ma wśród wybranej przez ciebie liczby najczęstszych słów.
Przy 2000 słów zdanie o pulpetach jest znane w 58,3%: albóndigas, parmesano, rallado i orégano w ogóle nie ma na liście, a perejil (pietruszka) stoi na pozycji 13 520. Zdanie o kocie jest przy tych samych 2000 słów znane w 96,2%. Oba klipy są po hiszpańsku i oba mają etykietę A2.
Angielski i hiszpański w liczbach
Angielski. Typowy klip osiąga 90% przy 2021 słowach, 95% przy 4462 słowach i 98% przy 9403 słowach. Przy 3000 słów 24,9% angielskich klipów jest na poziomie 95% lub wyżej. Przy 5000 słów jest to 58,4%, a 15,2% osiąga 98% lub więcej.
Hiszpański. Typowy klip osiąga 90% przy 2754 słowach i 95% przy 6781 słowach. Nie dochodzi do 98% w granicach 10 000 słów. Przy 3000 słów 10,8% hiszpańskich klipów jest na poziomie 95% lub wyżej. Przy 5000 słów jest to 32,0%.
Czyli przy hiszpańskim osoba z 3000 słów znajdzie mniej więcej jeden klip na dziesięć, w którym 95% słów jest znajomych. To realna pula do nauki, bo słowa, których jeszcze nie znasz, pojawiają się w otoczeniu tych znanych. Ten kolumbijski klip jest jednym z nich: 88,4% jego słów mieści się w pierwszym tysiącu, a 96,3% w pierwszych dwóch tysiącach.
Znać słowa to nie to samo co je wyłapać. Osoby w tym klipie mówią w medianie 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 strome
Krzywe nie mają tego samego kształtu. W duńskim, szwedzkim i niderlandzkim pierwsze 1000 słów pokrywa już 84,4% do 86,5% typowego klipu, a przejście z 1000 do 5000 słów dokłada tylko 8,3 do 9,3 punktu. Angielski, francuski, hiszpański, portugalski i włoski dokładają na tym samym odcinku 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 oznacza, że pierwszy tysiąc słów zostawia więcej nieznanego, a każdy kolejny tysiąc jest wart więcej. Po części wynika to z samego języka. Po części ze sposobu liczenia słów, a to trzeba wyjaśnić, 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 klipie 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 liczby są dolną granicą: realne pokrycie jest wyższe. W tabeli poniżej są oznaczone gwiazdką.
Złożenia działają podobnie na niekorzyść niemieckiego, niderlandzkiego i języków nordyckich. Niemieckie złożenie w rodzaju Küchenschrank (szafka kuchenna) liczy się jako nieznane, o ile całego złożenia nie ma na liście, nawet jeśli znasz obie części.
Etykieta poziomu niewiele zmienia w słownictwie
Każdy klip 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 potrzebowałyby więcej słów. Dla pierwszych 2000 słów prawie tego nie widać. Biorąc medianę po językach (A1 ma dość klipów w 11 z nich, C1 w 20), pierwsze 2000 słów pokrywa 84,0% klipu 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% klipów A1, 20,6% klipów A2, 22,6% klipów B1, 15,5% klipów B2 i 4,5% klipów C1. Częściowo chodzi o długość: medianowy klip C1 w próbce ma 338 słów, medianowy klip A1 ma 81. Krótki klip ma mniej okazji, żeby użyć rzadkiego słowa.
Klipy z najniższym pokryciem to głównie te o jedzeniu. Spośród 25 angielskich klipów z próbki 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 najniższych 25 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 angielskiej liście garlic to słowo numer 6395, a tablespoon 11 551. W hiszpańskim ajo jest na 6605, a sartén (patelnia) na 11 125.
Oto dwa angielskie klipy. Pierwszy to zwiastun filmu z etykietą B2: 96,9% jego słów mieści się w pierwszych 2000, a próg 95% przekracza przy 1300 słowach. Drugi to przepis na wolnowar 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: jego lektorzy mówią w medianie 215 słów na minutę. Etykieta poziomu miesza tempo, gramatykę i słownictwo w jedną literę, a to właśnie słownictwo się w tym gubi. Jeśli znasz od 2000 do 5000 słów, patrz na temat klipu, nie tylko na poziom: jedzenie, gotowanie i opowieści o produktach używają wielu słów z dalekich miejsc listy.
Odmiany też się różnią
Arabski mierzę osobną listą frekwencyjną dla każdego dialektu. Pozostałe języki mają jedną listę dla wszystkich odmian. Przy 2000 słów typowy klip w arabskim egipskim jest pokryty w 86,1%, iracki w 79,6%, a marokański w 72,5%. W marokańskim 9,5% słów typowego klipu w ogóle nie ma na jego liście, więc część tej różnicy to kwestia listy. We francuskim klipy z Québecu wychodzą na 90,6% wobec 87,6% dla klipów z Francji. Portugalski brazylijski ma 87,4%, europejski 80,3%, ale filtry przeszło tylko 61 klipów europejskich i są oceniane względem innej listy, więc traktuj tę liczbę ostrożnie.
Jak to się ma do szacunków 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 dają ponad 95% pokrycia, a do 98% potrzeba 6000 do 7000 rodzin. Webb i Rodgers (2009) uzyskali podobne liczby dla scenariuszy filmowych: 3000 rodzin plus nazwy własne i słowa marginalne dało 95,76%, a 6000 rodzin z tymi samymi dodatkami 98,15%.
Moje liczby dla angielskiego są wyższe: 4462 słowa, żeby typowy klip doszedł do 95%, i 9403 do 98%. Biorąc wszystkie angielskie klipy razem jako jeden długi tekst, 5000 słów pokrywa 95,1%. Są trzy powody tej różnicy i żaden nie oznacza, że któreś badanie się myli:
- Rodziny są większe niż lematy. Rodzina wyrazowa grupuje happy, unhappy, happiness i happily w jedną jednostkę. Lista lematów liczy je jako cztery. Czyli 3000 rodzin odpowiada większej liczbie lematów.
- Lista jest zbudowana 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 filmiki trzymają się jednego tematu. Dwuminutowy przepis zużywa większość słów na słownictwo jednego tematu, podczas gdy długa rozmowa krąży i częściej powtarza słowa ogólne.
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 klipów native speakerów jest w zasięgu przy 95%, a stamtąd wiele nowych słów złapiesz z kontekstu zamiast z listy. Przewodnik Christiana Lauera dla początkujących pokazuje, jak szybko dojść do tego punktu.
Potem wybieraj klipy po temacie, nie tylko po poziomie. Osoba z 3000 hiszpańskich słów zrozumie scenkę o kocie z góry, a i tak zgubi się w przepisie na pulpety, choć oba mają etykietę A2. A w czeskim, fińskim, węgierskim, rosyjskim i ukraińskim licz na to, że liczby tutaj wyglądają trudniej, niż jest naprawdę: sporo z tego, co liczy się jako nieznane, to słowo, które znasz, z końcówką, której jeszcze nie spotkałeś.
Jeśli chcesz poćwiczyć na klipach takich jak powyżej, strony hiszpańskiego, angielskiego i niemieckiego pokazują klipy native speakerów według poziomu, z takimi samymi napisami słowo po słowie jak te na tej stronie. Więcej o tym, dlaczego rozumienie wyprzedza mówienie: jak przestać tłumaczyć w głowie.
Jak to zmierzyłem
Klipy. Wszystkie klipy były w katalogu Reelang 29 września 2026 i w rotacji: publicznie widoczne, z mową, treści native speakerów (nie lekcje językowe), bez dubbingu i w jednym języku. Dla każdego języka wylosowałem do 500 klipów na poziom CEFR i zważyłem każdy poziom jego udziałem w katalogu, żeby liczby opisywały katalog jako całość. Usunąłem klipy poniżej 50 słów, klipy, w których jedna linia napisów się powtarza (ponad 30% linii), klipy szybsze niż 330 słów na minutę nagrania oraz klipy, w których ponad 35% słów nie ma na liście danego języka (zwykle transkrypcja w złym języku). Po tym zostało 35 615 klipów w 23 uszeregowanych językach, z 13,8 miliona słów. Medianowy klip trwa 81 sekund. 35 600 z nich pochodzi z YouTube, 8 z TikToka i 7 z Instagrama.
Słowa. Każda transkrypcja jest dzielona na słowa po spacjach i interpunkcji, zamieniana na małe litery, z usuniętymi cyframi. Każde słowo jest sprawdzane na liście frekwencyjnej swojego języka, zbudowanej z wordfreq 3.1.1 (Speer, 2022): 25 000 najczęstszych form wyrazowych, pogrupowanych według lematu z simplemma (inne narzędzia dla arabskiego, hebrajskiego i języków azjatyckich) i uszeregowanych według łącznej frekwencji każdego lematu. Formy spoza listy są lematyzowane przez simplemma jako zapasowe rozwiązanie. Nazwy własne (z wielkiej litery, nie na początku zdania, spoza listy) oraz słowa marginalne jak uh, mhm i haha liczą się jako znane, tak jak u Nationa (2006) oraz Webba i Rodgers (2009). Niemiecki zapisuje wielką literą każdy rzeczownik, a hindi i arabski nie mają wielkich liter, więc te języki nie dostają bonusu za nazwy własne. W angielskim połówki form ściągniętych liczą się jako pełne słowa (didn't liczy się jako did i not).
Liczby. Pokrycie to udział słów w klipie, których lemat mieści się w pierwszych N. Procenty powyżej to mediany po klipach. Przy liczbach „klipy na poziomie 95%” dokładny próg każdego klipu jest liczony z jego własnych pozycji słów, więc nie ma interpolacji. Wartość „typowy klip osiąga 95% przy” to najmniejsza wielkość słownictwa, przy której medianowy klip przekracza 95%.
Bez rankingu. W hebrajskim przedrostki (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 liczone są tylko w słowach treściowych, a wietnamski w sylabach, więc ich liczb nie da się porównać z resztą. Język potrzebuje co najmniej 300 klipów, 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 klip nie dochodzi do 95% nawet z całą listą.
Znane obciążenia. Liczby opisują transkrypcje, nie dźwięk, więc błędy rozpoznawania mowy liczą się jako słowa. Idealna znajomość pierwszych N słów to przypadek modelowy, a idiomy nie są liczone jako całości. Poziom CEFR to ocena modelu na podstawie transkrypcji. Katalog jest też dobierany pod osoby uczące się: przeważają w nim klipy z wyraźną mową i szeroką tematyką, więc to nie jest losowa próbka wszystkiego z YouTube czy TikToka.
Korzystaj z tych danych
Możesz śmiało wykorzystać wykresy i liczby z tej strony we własnych tekstach, w nauczaniu albo badaniach. Podlinkuj proszę tę stronę jako źródło.
| Język | Klipy | 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: medianowy udział słów w klipie pokrytych przez 1000, 2000 lub 5000 najczęstszych lematów. 95%+ i 98%+: udział klipów, w których osoba znająca 5000 najczęstszych lematów zna co najmniej 95% lub 98% słów. 95% przy: wielkość słownictwa, przy której medianowy klip przekracza 95% (10 000+ znaczy, że nie mieści się w 10 000). * Dolna granica: 9% lub więcej słów typowego klipu nie dało się dopasować do listy, więc realne pokrycie jest wyższe. † Lista turecka ma tylko 9088 lematów: typowy turecki klip 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 quizu, 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 idzie przed mówieniem
Przestajesz tłumaczyć w głowie wtedy, gdy dasz mózgowi tyle zrozumiałej mowy, że tłumaczenie przestaje mu być potrzebne. To nie kwestia sztuczki ani silnej woli, tylko godzin słuchania prawdziwej mowy, którą w większości rozumiesz.
Dlaczego zrozumiały input działa przy nauce mandaryńskiego
Zrozumiały input sprawdza się w mandaryńskim, bo największe przeszkody w tym języku, czyli tony, pismo znakowe i duża różnica między mową a tekstem, poznaje się najpierw uchem, a dopiero potem przez reguły. Ćwiczenia gramatyczne i fiszki uczą rozpoznawać mandaryński w izolacji. Zrozumiały input uczy rozpoznawać go tak, jak naprawdę mówią native speakerzy: w naturalnym tempie, w kontekście, z zachowanymi tonami i rytmem.