Hány szó kell ahhoz, hogy megértsd az anyanyelvi videókat?
Az 5000 leggyakoribb angol szóval egy tipikus anyanyelvi klipben a szavak 95,6%-át ismered. A spanyolhoz körülbelül 6800 szó kell a 95%-hoz, és 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 tipikus angol nyelvű anyanyelvi videóklipben a szavak 95,6%-át ismered, és a klipek 58,4%-a eléri a 95%-ot. A hallás utáni értést vizsgáló kutatások szerint ezen a szinten a tanulók már jól értenek. A spanyolnál körülbelül 6800 szó kell ahhoz, hogy a tipikus klip elérje a 95%-ot, és az általam mért 23 nyelvből 13-nál még 10 000 szó sem elég.
Ezek a számok a Reelang katalógusából származnak: 35 615 anyanyelvi klip 23 nyelven, szóról szóra összevetve minden nyelv gyakorisági listájával. Válassz alább egy nyelvet és egy szókincsméretet, és megnézheted, mire jutsz vele.
Az első 1000 szó végzi 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 ritkábban bukkannak fel. Ezt a mintázatot Zipf-törvénynek hívják, és itt minden nyelvre igaz.
Abban a 18 nyelvben, amelyet fenntartás nélkül rangsorolni tudok, a tipikus klip 80,7%-át fedi le a top 1000 szó, 86,7%-át a top 2000 és 92,4%-át a top 5000. Az első ezer szóval minden öt szóból négyet ismersz. A következő négyezer körülbelül tizenkét pontot tesz hozzá.
A hallás utáni értés szempontjából fontos küszöbök ezekben az utolsó pontokban rejlenek. Kettő közülük újra és újra előkerül abban a kutatásban, hogy 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 legtöbben már 90%-nál boldogultak, 95%-nál pedig az idegen nyelvű hallgatók jól értettek, és sokkal kisebb szórással.
- 98%, vagyis ötven szóból egy ismeretlen. Hu és Nation (2000) szerint a szépirodalmat önállóan olvasó tanulóknak nagyjából ennyi kellett a megfelelő megértéshez.
Perces 150 szavas tempónál, ami normál beszédsebesség, a 95% percenként körülbelül hét ismeretlen szót jelent (Nation, 2006). A 98% hármat. Az alábbi demóban érezni fogod a különbséget. Valódi sorokat használ a vizsgálatban szereplő klipekből, és kitakar minden szót, ami nincs benne az általad választott leggyakoribb szavak között.
2000 szóval a húsgombócos sor 58,3%-ban ismert: az albóndigas, parmesano, rallado és orégano egyáltalán nincs a listán, a perejil (petrezselyem) pedig a 13 520. helyen áll. A macskáról szóló sor ugyanezzel a 2000 szóval 96,2%-ban ismert. Mindkét klip spanyol, és mindkettő A2-es címkét kapott.
Angol és spanyol számokban
Angol. A tipikus 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 fölötte. 5000 szóval 58,4%-uk, és 15,2%-uk van 98%-on vagy fölötte.
Spanyol. A tipikus 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 fölötte. 5000 szóval 32,0%-uk.
Spanyolnál tehát egy 3000 szavas tanuló körülbelül minden tizedik klipben találja azt, hogy a szavak 95%-a ismerős. Ez már valódi merítés a tanuláshoz, mert a még ismeretlen szavak ismert szavakkal körülvéve jelennek meg. Ez a kolumbiai klip is ilyen: szavainak 88,4%-a benne van a top 1000-ben, 96,3%-a pedig a top 2000-ben.
A szavak ismerete és az elkapásuk nem ugyanaz. Ebben a klipben a beszélők medián tempója percenként 243 szó, sokkal gyorsabb, mint egy tankönyvi hanganyag. A szókincsfedettség azt mutatja meg, hogy a leiratot megértenéd-e. Azt nem, hogy bírod-e tempóval.
Lapos és meredek nyelvek
A görbék alakja nem mindenhol egyforma. A dánban, a svédben és a hollandban a top 1000 szó már a tipikus klip 84,4–86,5%-át lefedi, és az 1000-ről 5000-re lépés csak 8,3–9,3 pontot ad hozzá. Az angol, a francia, a spanyol, a portugál és az olasz ugyanezen a tartományon 11,5–12,6 pontot tesz hozzá. A legmeredekebb görbék: indonéz (+20,8), ukrán (+18,3), arab (+18,1), orosz (+16,5), finn (+15,3), török (+15,2) és lengyel (+14,3).
A meredek görbe azt jelenti, hogy az első ezer szó után a klip nagyobb része marad ismeretlen, és minden további ezer szó többet ér. Ez részben magán a nyelven múlik. Részben pedig azon, hogyan számoljuk a szavakat, és ezt tisztázni kell, mielőtt két nyelvet összehasonlítasz.
Az itteni listák lemmatizáltak: a dije, dijo és decir mind egy szónak számít, decir. Ez igazságos 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 tipikus klip folyó szavainak 9,0–10,8%-a olyan alak, amelyet a lista egyetlen lemmához sem tudott hozzárendelni. Sok közülük hétköznapi szó olyan esetraggal, amelyet az eszköz nem vágott le. Itt ismeretlennek számítanak, tehát ennél az öt nyelvnél a számok alsó határok: a valódi fedettség magasabb. A lenti táblázatban csillaggal vannak jelölve.
Az összetett szavak hasonlóan hátrányba hozzák a németet, a hollandot és a skandináv nyelveket. Egy német összetétel, mint a Küchenschrank (konyhaszekrény), ismeretlennek számít, ha az egész összetétel nincs a listán, akkor is, ha mindkét tagját ismered.
A szintcímke alig változtat a szókincsen
A katalógus minden klipjének van KER-szintje, amelyet egy modell állapít meg a leirat alapján. Itt öt sávba soroltam őket, 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 ez alig igaz. A nyelvek mediánját véve (A1-ből 11 nyelvben van elég klip, C1-ből 20-ban) a top 2000 szó egy A1-es klip 84,0%-át fedi le, A2-nél 84,0%-át, B1-nél 85,2%-át, B2-nél 86,1%-át és C1-nél 84,1%-át.
A szint a tartomány tetején viszont megmutatkozik. 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 egyik oka a hossz: a mintában a medián C1-es klip 338 folyó szót tartalmaz, a medián A1-es 81-et. Egy rövid klipnek kevesebb esélye van ritka szót használni.
A legalacsonyabb fedettségű klipek többnyire az ételekről szólnak. A minta 25 legalacsonyabb fedettségű angol klipjéből 2000 szónál körülbelül kétharmad recept, ételkritika vagy nassolnivaló-kóstoló, és 21 A1-es vagy A2-es címkét kapott. Spanyolban a legalsó 25-ből 11 étellel foglalkozik, 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. szó, a tablespoon a 11 551. Spanyolban az ajo a 6605., a sartén (serpenyő) a 11 125.
Itt van két angol klip. Az első egy B2-es címkéjű filmelőzetes: szavainak 96,9%-a a top 2000-ben van, és 1300 szónál lépi át a 95%-ot. A második egy A2-es címkéjű lassúfőzős recept: szavainak 72,3%-a van a top 2000-ben, és csak 11 551 szónál lépi át a 95%-ot, vagyis a tablespoon helyezésénél.
Az előzetes sem könnyű, csak más okból: beszélőinek medián tempója percenként 215 szó. A szintcímke egyetlen betűbe keveri a sebességet, a nyelvtant és a szókincset, és éppen a szókincs vész el. Ha 2000 és 5000 közötti szókincsed van, a klip szintje mellett nézd a témáját is: az ételek, a főzés és a termékbemutatók sok szót használnak a lista aljáról.
A nyelvváltozatok is különböznek
Az arabnál minden dialektushoz külön gyakorisági lista tartozik. A többi nyelvnél egy lista vonatkozik az összes változatra. 2000 szóval a tipikus egyiptomi arab klip 86,1%-ban fedett, az iraki 79,6%-ban, a marokkói 72,5%-ban. A marokkóinál egy tipikus klip szavainak 9,5%-a egyáltalán nincs a listán, tehát a lemaradás egy része a listán múlik. A franciában a québeci klipek 90,6%-ot érnek el a franciaországiak 87,6%-ával szemben. A brazil portugál 87,4%-on áll, az európai portugál 80,3%-on, de csak 61 európai portugál klip ment át a szűrőkön, és más listához mérve kaptak pontszámot, úgyhogy ezt kezeld óvatosan.
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?”. Egy beszélt újzélandi angol korpuszon azt találta, hogy 3000 szócsalád plusz a tulajdonnevek 95% feletti fedettséget ad, és 6000–7000 szócsalád kell a 98%-hoz. Webb és Rodgers (2009) hasonló számokat kapott filmforgatókönyvekre: 3000 család plusz tulajdonnevek és peremszavak 95,76%-ot, 6000 család ugyanezekkel a kiegészítésekkel 98,15%-ot.
Az én angol számaim magasabbak: 4462 szó kell ahhoz, hogy a tipikus klip elérje a 95%-ot, és 9403 a 98%-hoz. Ha az összes angol klipet egyetlen hosszú szövegnek vesszük, 5000 szó 95,1%-ot fed le. Három oka van a különbségnek, és egyik sem jelenti azt, hogy bármelyik vizsgálat téved:
- A családok nagyobbak, mint a lemmák. Egy szócsalád egy egységbe fogja a happy, unhappy, happiness és happily szavakat. Egy lemmalista négynek számolja őket. Tehát 3000 család ennél több lemmának felel meg.
- A lista nagyrészt írott szövegből épül. A hétköznapi beszélt szavak lejjebb állnak benne, mint gondolnád: az alright a 3102. szó, a kinda a 2333., a bye a 3273.
- A rövid videók egy témánál maradnak. Egy kétperces recept a szavai nagy részét egyetlen téma szókincsére költi, míg egy hosszú beszélgetés ide-oda csapong, és több általános szót használ újra.
Mit jelent ez, ha nyelvet tanulsz
Az első 2000-3000 szót érdemes tudatosan megtanulni, gyakoriság szerint rendezett paklival vagy tanfolyammal. Ettől a ponttól kezdve az anyanyelvi klipek valós hányada elérhető 95%-on, és onnantól sok új szót felszedhetsz szövegkörnyezetből, nem listából. Christian Lauer kezdőknek szóló útmutatója arról szól, hogyan juss el ide gyorsan.
Utána a klipeket téma szerint válaszd, ne csak szint szerint. Egy 3000 szavas spanyoltanuló követni tudja a fenti macskás jelenetet, és mégis elveszhet a húsgombócreceptben, pedig mindkettő A2-es címkét kapott. A csehnél, a finnél, a magyarnál, az orosznál és az ukránnál pedig számíts arra, hogy az itteni számok nehezebbnek tűnnek a valóságnál: az ismeretlennek számító szavak nagy része ismerős szó egy olyan raggal, amellyel 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 benne volt a Reelang katalógusában és forgásban volt: nyilvánosan látható, beszédet tartalmaz, anyanyelvi tartalom (nem nyelvlecke), nem szinkronizált és egynyelvű. Nyelvenként KER-szintenként legfeljebb 500 klipet mintáztam, és minden szintet a katalógusbeli arányával súlyoztam, hogy a számok az egész katalógust írják le. Kikerültek az 50 szónál rövidebb klipek, azok, amelyekben egy feliratsor ismétlődik (a sorok több mint 30%-ában), azok, amelyek gyorsabbak percenként 330 szónál, és azok, amelyekben a szavak több mint 35%-a nincs az adott nyelv listáján (általában rossz nyelvű leirat). Ezután 35 615 klip maradt a 23 rangsorolt nyelven, 13,8 millió folyó szóval. A medián klip 81 másodperces. Ebből 35 600 a YouTube-ról, 8 a TikTokról és 7 az Instagramról származik.
A szavak. Minden leiratot szóközöknél és írásjeleknél bontottam szavakra, kisbetűsítettem, és eltávolítottam a számjegyeket. Minden szót megkerestem a nyelvéhez tartozó gyakorisági listán, amely a wordfreq 3.1.1 (Speer, 2022) alapján készült: a 25 000 leggyakoribb szóalak, simplemma segítségével lemmákba csoportosítva (arabhoz, héberhez és az ázsiai nyelvekhez más eszközökkel), és az egyes lemmák összesített gyakorisága szerint rangsorolva. A listán nem szereplő alakokat tartalékként a simplemma lemmatizálja. A tulajdonnevek (nagy kezdőbetű, nem mondat elején, nincs a listán) és a peremszavak, mint az uh, mhm és haha, ismertnek számítanak, ahogy Nationnél (2006), valamint Webbnél és Rodgersnél (2009). A német minden főnevet nagybetűvel ír, a hindiben és az arabban pedig nincs nagybetű, így ezek a nyelvek nem kapnak tulajdonnév-jóváírást. Az angolban a rövidült alakok felei a teljes szónak számítanak (a didn't a did és a not).
A számok. A fedettség azt mutatja, hogy egy klip folyó szavai közül mekkora hányadnak van a top N-ben a lemmája. A fenti százalékok a klipek mediánjai. A „95%-os klipek” adatoknál minden klip saját küszöbét a saját szóhelyezéseiből számoltam, tehát nincs interpoláció. A „a tipikus klip 95%-ot ér el ennyinél” érték az a legkisebb szókincsméret, amelynél a medián klip átlépi a 95%-ot.
Nem rangsorolt nyelvek. A héber előtagok (ve-, ha-, be-, le-) nincsenek leválasztva, így ismert szavak ismeretlennek számítanak. A tamil leiratok beszélt tamil nyelvűek, a lista viszont írott tamil. A japán, a kínai és a koreai csak tartalmas szavakban, a vietnami pedig szótagokban van számolva, így a számaik nem hasonlíthatók a többihez. Egy nyelvhez legalább 300 klip kell a rangsoroláshoz. A norvégnak 449 van; minden más rangsorolt nyelvnek több mint 1000. A török listán csak 9088 lemma van, így a töröknél az ábrák 8000 szónál véget érnek, és a „10 000+” azt jelenti, hogy a tipikus klip a teljes listával sem éri el a 95%-ot.
Ismert torzítások. A számok leiratokat írnak le, nem hangot, így a beszédfelismerés hibái is szónak számítanak. A top N szó tökéletes ismerete ideális eset, és az idiómák nem számítanak egy egységnek. A KER-szint egy modell ítélete a leiratról. A katalógust pedig tanulóknak válogatták: a tiszta beszédű, széles körben érdekes klipek felé húz, tehát nem véletlenszerű minta a YouTube vagy a TikTok teljes kínálatából.
Használd ezeket az adatokat
Az oldalon szereplő ábrákat és számokat nyugodtan felhasználhatod a saját írásodban, tanításodban vagy kutatásodban. Kérlek, hivatkozz forrásként erre az oldalra.
| Nyelv | Klipek | 1000 | 2000 | 5000 | 95%+ | 98%+ | 95% ennyinél |
|---|---|---|---|---|---|---|---|
| dán | 1122 | 86,5% | 91,1% | 94,8% | 47,0% | 8,4% | 5292 |
| angol | 2002 | 83,7% | 89,9% | 95,6% | 58,4% | 15,2% | 4462 |
| svéd | 1325 | 85,6% | 89,8% | 94,0% | 37,6% | 5,6% | 6768 |
| holland | 1841 | 84,4% | 89,0% | 93,7% | 32,2% | 3,5% | 7109 |
| francia | 1961 | 82,7% | 88,4% | 94,2% | 40,1% | 5,8% | 5804 |
| norvég | 449 | 83,5% | 88,1% | 93,0% | 25,0% | 3,8% | 9478 |
| spanyol | 2195 | 81,6% | 87,3% | 93,5% | 32,0% | 5,4% | 6781 |
| portugál | 1865 | 81,4% | 87,2% | 94,0% | 38,4% | 7,3% | 6121 |
| román | 1602 | 81,4% | 87,0% | 92,5% | 25,3% | 5,8% | 9586 |
| eszperantó | 1007 | 80,0% | 86,3% | 92,3% | 28,6% | 4,5% | 10 000+ |
| olasz | 1880 | 79,7% | 85,6% | 91,9% | 21,2% | 2,7% | 9269 |
| török | 1322 | 77,1% | 85,6% | 92,3% | 25,4% | 5,5% | 10 000+ † |
| német | 1933 | 80,0% | 84,8% | 90,3% | 11,3% | 1,1% | 10 000+ |
| görög | 1796 | 78,0% | 83,5% | 89,0% | 6,7% | 1,0% | 10 000+ |
| hindi | 1417 | 77,2% | 82,4% | 88,3% | 6,6% | 1,2% | 10 000+ |
| arab | 1916 | 73,1% | 82,2% | 91,2% | 17,8% | 2,7% | 10 000+ |
| lengyel | 1503 | 73,9% | 81,0% | 88,2% | 8,2% | 1,0% | 10 000+ |
| indonéz | 1582 | 68,6% | 80,6% | 89,4% | 10,4% | 2,3% | 10 000+ |
| cseh * | 1239 | 73,4% | 80,0% | 86,8% | 3,9% | 0,5% | 10 000+ |
| finn * | 1565 | 71,7% | 79,3% | 87,0% | 3,6% | 0,8% | 10 000+ |
| magyar * | 1732 | 71,7% | 78,1% | 84,5% | 0,4% | 0,0% | 10 000+ |
| orosz * | 1305 | 70,0% | 77,8% | 86,5% | 2,9% | 0,1% | 10 000+ |
| ukrán * | 1056 | 65,4% | 73,4% | 83,7% | 0,8% | 0,0% | 10 000+ |
Az 1000, 2000 és 5000 oszlop: egy klip folyó szavainak medián aránya, amelyet a top 1000, 2000 vagy 5000 lemma lefed. 95%+ és 98%+: azoknak a klipeknek az aránya, amelyekben egy a top 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 határ: egy tipikus klip szavainak legalább 9%-a nem volt a listához illeszthető, így a valódi fedettség magasabb. † A török listán csak 9088 lemma van: a tipikus 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 [adatok 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 az érthető input a kínaiul tanulóknál
Az érthető input azért működik kínaiul, mert a nyelv legnagyobb akadályait, a hangsúlyokat, a karakteres írásbeliséget és a beszélt és írott nyelv közti szakadékot füllel tanulod meg, nem szabályokból. A nyelvtani gyakorlatok és a kártyák megtanítják felismerni a kínait elszigetelten. Az érthető input úgy tanít meg rá, ahogy az anyanyelvi beszélők tényleg beszélnek: természetes tempóban, szövegkörnyezetben, ép dallammal. Erről szól ez a cikk.