Ile słów trzeba znać, żeby rozumieć filmy native speakerów?
Przy 5000 najczęstszych angielskich słów typowy klip native speakera to w 95,6% słowa, które znasz. Hiszpański potrzebuje około 6800 słów, żeby dojść do 95%, a w 13 z 23 języków nawet 10 000 to za mało. Dane z 35 615 klipów, w podziale na języki i poziomy.
Chief Language Geek @ Reelang
Jeśli znasz 5000 najczęstszych angielskich słów, typowy anglojęzyczny klip 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 dochodzi do 95% dopiero przy około 6800 słowach, a w 13 z 23 zmierzonych przeze mnie języków 10 000 słów to za mało.
Te liczby pochodzą z 35 615 klipów 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 większość roboty
Częstość 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 to prawo Zipfa i sprawdza się w każdym z tych języków.
W 18 językach, które mogę uszeregować bez zastrzeżeń, typowy klip jest pokryty w 80,7% przez pierwsze 1000 słów, w 86,7% przez pierwsze 2000 i w 92,4% przez pierwsze 5000. Pierwszy tysiąc słów daje cztery znane słowa na pięć. Kolejne cztery tysiące dodają około dwunastu punktów.
Progi, które mają znaczenie przy słuchaniu, leżą 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) stwierdzili, że większość słuchaczy radziła sobie już przy 90%, a przy 95% osoby uczące się drugiego języka rozumiały dobrze i z dużo mniejszymi różnicami między sobą.
- 98%, czyli jedno nieznane słowo na 50. Hu i Nation (2000) ustalili, że tyle mniej więcej potrzebują osoby czytające prozę samodzielnie, żeby rozumieć wystarczająco.
Przy 150 słowach na minutę, czyli w normalnym tempie mowy, 95% oznacza około siedmiu nieznanych słów na minutę (Nation, 2006). 98% oznacza trzy. Tę różnicę czuć w demie poniżej. Korzysta ono z prawdziwych zdań z klipów użytych w badaniu 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 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 ma 95% lub więcej. Przy 5000 słów jest to 58,4%, a 15,2% ma 98% lub więcej.
Hiszpański. Typowy klip osiąga 90% przy 2754 słowach i 95% przy 6781 słowach. Do 98% nie dochodzi w granicach 10 000 słów. Przy 3000 słów 10,8% hiszpańskich klipów ma 95% lub więcej. Przy 5000 słów jest to 32,0%.
Czyli w hiszpańskim osoba znająca 3000 słów znajdzie mniej więcej jeden klip na dziesięć, w którym 95% słów jest znanych. To już realny zasób do nauki, bo słowa, których jeszcze nie znasz, pojawiają się otoczone tymi, które znasz. Ten kolumbijski klip jest właśnie taki: 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 tempie mediany 243 słów na minutę, dużo szybciej niż nagranie z podręcznika. Pokrycie słownictwa mówi ci, czy zrozumiał(a)byś 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 klipu, a przejście z 1000 do 5000 słów dodaje tylko 8,3 do 9,3 punktu. Angielski, francuski, hiszpański, portugalski i włoski dodają w tym samym zakresie 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 klipu nieznanego, a każdy kolejny tysiąc jest wart więcej. Częściowo wynika to z samego języka. Częściowo ze sposobu liczenia słów, a to wymaga wyjaśnienia, zanim porównasz dwa języki.
Listy są tu 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 narzędzie nie dopasowało 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: prawdziwe pokrycie jest wyższe. W tabeli poniżej są oznaczone gwiazdką.
Podobnie działają złożenia w niemieckim, niderlandzkim i językach 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 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 wymagałyby więcej słów. W zakresie 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 na górze zakresu. Przy 5000 słów znał(a)byś 95% słów w 30,2% klipów A1, 20,6% klipów A2, 22,6% klipów B1, 15,5% klipów B2 i 4,5% klipów C1. Część powodu to długość: mediana klipu C1 w próbce ma 338 słów, mediana klipu A1 tylko 81. Krótki klip ma mniej okazji, żeby użyć rzadkiego słowa.
Klipy o najniższym pokryciu dotyczą głównie jedzenia. Wśród 25 angielskich klipów z najniższym pokryciem przy 2000 słów około dwóch trzecich 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, zamieszaj, gotowe”) i dlatego etykieta jest niska. Rzeczowniki proste nie są. Na liście angielskiej garlic to słowo 6395, a tablespoon 11 551. W hiszpańskim ajo to 6605, a sartén (patelnia) 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: mówią w nim w tempie mediany 215 słów na minutę. Etykieta poziomu miesza tempo, gramatykę i słownictwo w jedną literę, a to właśnie słownictwo się w tym gubi. Jeśli znasz między 2000 a 5000 słów, patrz nie tylko na poziom klipu, ale i na temat: 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 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 Quebecu dają 90,6% wobec 87,6% dla klipów z Francji. Portugalski brazylijski ma 87,4%, europejski 80,3%, ale filtry przeszło tylko 61 klipów portugalskich europejskich i są liczone 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 6000–7000 rodzin. Webb i Rodgers (2009) uzyskali podobne liczby dla scenariuszy filmowych: 3000 rodzin plus nazwy własne i słowa marginalne dawało 95,76%, a 6000 rodzin z tymi samymi dodatkami 98,15%.
Moje liczby dla angielskiego są wyższe: 4462 słowa, żeby typowy klip osiągnął 95%, i 9403 dla 98%. Biorąc wszystkie angielskie klipy razem jako jeden długi tekst, 5000 słów pokrywa 95,1%. Są trzy powody tej różnicy i żaden z nich nie oznacza, że któreś badanie jest błędne:
- Rodziny są większe niż lematy. Rodzina wyrazowa łączy happy, unhappy, happiness i happily w jedną jednostkę. Lista lematów liczy je jako cztery. Czyli 3000 rodzin odpowiada większej liczbie lematów.
- Lista powstała głównie z tekstów pisanych. Codzienne słowa mówione stoją w niej niżej, niż można by sądzić: alright to słowo 3102, kinda 2333, a bye 3273.
- Krótkie filmy trzymają się jednego tematu. Dwuminutowy przepis zużywa większość słów na słownictwo jednego tematu, podczas gdy długa rozmowa krąży i częściej wraca do słów ogólnych.
Co to znaczy, jeśli uczysz się języka
Pierwsze 2000 albo 3000 słów warto przerobić świadomie, z talią albo kursem ułożonym według częstości. Od tego momentu realna część klipów native speakerów jest w zasięgu na poziomie 95%, a stamtąd wiele nowych słów wyłapiesz z kontekstu zamiast z listy. Poradnik dla początkujących Christiana Lauera pokazuje, jak szybko dojść do tego punktu.
Potem wybieraj klipy po temacie, nie tylko po poziomie. Osoba z 3000 hiszpańskich słów zrozumie scenkę z kotem z góry i i tak polegnie na przepisie na klopsiki, choć oba mają etykietę A2. A w czeskim, fińskim, węgierskim, rosyjskim i ukraińskim liczby z tego tekstu wyglądają trudniej, niż jest naprawdę: sporo z tego, co liczy się jako nieznane, to słowo, które znasz, tylko z końcówką, której jeszcze nie spotkałeś lub nie spotkałaś.
Jeśli chcesz ćwiczyć na klipach takich jak powyższe, strony hiszpański, angielski i niemiecki zbierają klipy native speakerów według poziomu, z tymi samymi napisami słowo po słowie. Więcej o tym, dlaczego rozumienie idzie przed mówieniem: jak przestać tłumaczyć w głowie.
Jak to zmierzyłem
Klipy. Wszystkie klipy 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 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). Zostało 35 615 klipów w 23 uszeregowanych językach i 13,8 miliona słów. Mediana długości klipu to 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 znakach interpunkcyjnych, zamieniana na małe litery, z usuniętymi cyframi. Każde słowo jest sprawdzane w liście frekwencyjnej dla swojego 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 częstości lematu. Formy spoza listy są lematyzowane przez simplemma jako rozwiązanie zapasowe. Nazwy własne (z wielkiej litery, nie na początku zdania, nieobecne na liście) 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 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 wyżej to mediany po klipach. Przy wartościach „klipy na poziomie 95%” dokładny próg każdego klipu liczony jest z jego własnych pozycji słów, więc nie ma interpolacji. Wartość „typowy klip osiąga 95% przy” to najmniejsza wielkość słownictwa, przy której klip medianowy 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 osiąga 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 jednostki. Poziom CEFR to ocena modelu na podstawie transkrypcji. Katalog jest dobierany pod osoby uczące się: przechyla się w stronę klipów z wyraźną mową i szerokim zasięgiem, więc nie jest losową próbką wszystkiego z YouTube czy TikToka.
Korzystaj z tych danych
Możesz używać wykresów i liczb z tej strony we własnych tekstach, w nauczaniu albo w badaniach. Podaj proszę link do tej strony jako źródła.
| 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: mediana udziału słów w klipie pokrytych przez pierwsze 1000, 2000 lub 5000 lematów. 95%+ i 98%+: udział klipów, w których osoba znająca pierwsze 5000 lematów zna co najmniej 95% lub 98% słów. 95% przy: wielkość słownictwa, przy której klip medianowy przekracza 95% (10 000+ oznacza, że nie mieści się w 10 000). * Dolna granica: 9% lub więcej słów typowego klipu nie dało się dopasować do listy, więc prawdziwe pokrycie jest wyższe. † Lista turecka ma tylko 9088 lematów: typowy turecki klip nie osiąga 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 [data and software]. 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 w nauce mandaryńskiego
Zrozumiały input sprawdza się w mandaryńskim, bo największe przeszkody, czyli tony, pismo znakowe i przepaść między językiem mówionym a pisanym, poznajesz uchem, zanim poznasz je z reguł. Ćwiczenia gramatyczne i fiszki uczą rozpoznawać mandaryński w izolacji, a zrozumiały input uczy go tak, jak naprawdę mówią native speakerzy.