Les personnes qui apprennent une langue posent souvent une question très concrète :

« Combien de mots dois-je connaître pour parler couramment une langue ? »

À première vue, la question semble simple. Si l’on peut dire qu’il faut connaître environ 3 000 à 5 000 mots pour communiquer avec aisance en anglais au quotidien, on pourrait peut-être appliquer le même chiffre à l’espagnol, au mandarin, au japonais, à l’arabe, au russe ou au hindi.

Malheureusement, les langues ne fonctionnent pas toutes de la même manière.

Le chiffre de 5 000 peut sembler objectif, mais il ne signifie pas toujours la même chose d’une langue à l’autre. Dans une langue, un « mot » peut rester presque inchangé. Dans une autre, la même idée de base peut prendre des dizaines, voire des centaines de formes grammaticales différentes. Dans une autre encore, la principale difficulté ne tient pas forcément aux formes des mots, mais au système d’écriture.

Cela ne veut pas dire que les chiffres sur le vocabulaire sont inutiles. Ils sont même très utiles. Mais il faut les interpréter avec prudence.

Cet article vous explique pourquoi.

Le problème du mot « mot »

La notion de « mot » semble évidente, jusqu’à ce qu’on essaie de compter les mots.

En anglais, faut-il compter les formes suivantes comme un seul mot ou comme plusieurs ?

walk, walks, walked, walking

La plupart des apprenants diraient sans doute qu’il s’agit d’un même mot de base, avec différentes formes. La forme donnée dans le dictionnaire est walk. En linguistique, cette forme de base est souvent appelée un lemme.

Mais qu’en est-il des mots suivants ?

nation, national, nationality, international

Ils sont clairement liés, mais ils ne sont pas identiques. Ils peuvent appartenir à une même famille de mots, plus large, selon la définition retenue dans l’étude.

Cette distinction est importante, car de nombreuses études sur le vocabulaire anglais ne comptent pas chaque forme séparément. Elles comptent souvent des familles de mots : un mot de base et les formes apparentées courantes. C’est l’une des raisons pour lesquelles les recherches sur le vocabulaire anglais parlent souvent de milliers de « familles de mots » plutôt que de milliers de formes individuelles.

Pour l’anglais, ce système est utile, car de nombreuses formes sont relativement prévisibles. Si vous connaissez play, il n’est pas difficile de comprendre plays, played et playing. Si vous connaissez happy, il est plus facile de comprendre unhappy et happiness.

Mais plus on s’éloigne de l’anglais, plus les choses se compliquent.

Pourquoi les chiffres de l’anglais ne s’appliquent pas partout

L’anglais est l’une des langues les mieux étudiées dans les recherches sur le vocabulaire. Les travaux de Paul Nation, largement cités, suggèrent qu’il faudrait connaître environ 6 000 à 7 000 familles de mots pour couvrir une très grande part de l’anglais parlé, et 8 000 à 9 000 familles de mots pour de nombreux textes écrits. Des recherches ultérieures examinent et mettent à l’épreuve ces chiffres à partir de corpus plus vastes et d’hypothèses différentes.

Ces chiffres sont utiles, mais ce ne sont pas des lois universelles.

Ils reposent sur l’anglais, sur des corpus en anglais, sur des listes de familles de mots de l’anglais et sur la fréquence des mots dans cette langue. D’autres langues peuvent organiser le sens différemment.

Apprendre l’espagnol, le russe, le mandarin, l’arabe ou le japonais, ce n’est pas simplement apprendre « du vocabulaire anglais avec d’autres sons ». Chaque langue possède sa propre structure. Un même objectif d’apprentissage — communiquer au quotidien, lire les actualités, regarder des films, étudier à l’université — peut nécessiter différents types de connaissances lexicales.

Pour comprendre pourquoi, il faut s’intéresser à la morphologie.

La morphologie : comment les langues construisent les mots

La morphologie étudie la manière dont les mots se construisent à partir de petites unités de sens, appelées morphèmes.

Les langues diffèrent fortement dans leur façon d’organiser le sens au sein des mots. Les descriptions linguistiques traditionnelles distinguent souvent des types de langues comme les langues isolantes, agglutinantes, fusionnelles et polysynthétiques. Ces catégories sont des simplifications : les langues réelles se situent souvent sur un continuum plutôt que dans une catégorie bien délimitée. Elles restent néanmoins utiles pour l’apprentissage. L’Atlas mondial des structures linguistiques décrit un continuum qui comprend des fonctionnements isolants, agglutinants, fusionnels et introflexifs, avec des exemples comme le chinois, le turc, le latin et l’arabe standard moderne.

Passons au concret.

Les langues isolantes : quand les mots changent peu

Le chinois mandarin est souvent décrit comme une langue fortement isolante. Dans les langues isolantes, les mots varient généralement peu par flexion. Les informations grammaticales sont souvent exprimées par l’ordre des mots, des particules, le contexte ou des mots grammaticaux distincts, plutôt que par de longues terminaisons ajoutées à un mot.

Pour les personnes qui apprennent ces langues, cela peut simplifier certains aspects du comptage du vocabulaire. Un mot n’a pas nécessairement des dizaines de terminaisons de déclinaison ou de formes conjuguées.

Mais cela ne signifie pas que la langue est facile.

En mandarin, d’autres difficultés se présentent : les tons, les caractères, la segmentation en mots, les mots composés et le fait qu’un caractère écrit ne correspond pas toujours à un mot. On peut connaître de nombreux caractères tout en ayant du mal avec les mots et les expressions réellement employés. À l’inverse, on peut comprendre des phrases à l’oral sans encore pouvoir les lire avec aisance.

En mandarin, se demander « Combien de mots est-ce que je connais ? » ne suffit donc pas toujours. Une question plus pertinente serait :

Combien de mots à l’oral, de caractères écrits, de mots composés et d’expressions courantes puis-je reconnaître et utiliser ?

Les langues agglutinantes : quand les mots s’allongent

Dans les langues agglutinantes, un mot peut contenir plusieurs morphèmes assemblés les uns aux autres. Le turc en est un exemple classique. Le hongrois, le finnois et le coréen présentent eux aussi de nombreux traits agglutinants.

Dans ces langues, un seul mot peut contenir des informations que l’anglais exprimerait à l’aide de plusieurs mots distincts.

Par exemple, un mot turc ou hongrois peut comprendre une racine et des marques de possession, de cas, de nombre ou de direction. Le résultat peut être un mot long, qui semble intimidant quand on débute, même si les éléments qui le composent suivent des règles régulières.

Cela pose un problème pour compter le vocabulaire.

Si l’on compte chaque forme de surface comme un mot distinct, les langues agglutinantes peuvent donner l’impression d’avoir un vocabulaire bien plus vaste qu’il ne l’est réellement. Il n’est pas nécessaire de mémoriser séparément toutes les formes possibles. Il faut connaître la racine et comprendre le fonctionnement des terminaisons.

C’est pourquoi un simple comptage des formes peut être trompeur. Dans les langues agglutinantes, la morphologie n’est pas seulement une question de grammaire. Elle fait partie intégrante de la compréhension du vocabulaire.

Les langues fusionnelles : quand une terminaison exprime plusieurs informations

De nombreuses langues indo-européennes, dont l’espagnol, le russe, le polonais, le grec et le latin, présentent des traits fusionnels.

Dans les langues fusionnelles, une seule terminaison peut exprimer plusieurs informations grammaticales à la fois. Par exemple, une terminaison nominale peut indiquer le cas, le nombre et le genre. Une terminaison verbale peut indiquer la personne, le nombre, le temps et le mode.

Les difficultés d’apprentissage ne sont donc pas les mêmes que dans les langues agglutinantes. Les formes peuvent être plus courtes, mais moins transparentes. Une petite modification peut exprimer plusieurs informations.

Les verbes espagnols en sont un exemple bien connu. Un même verbe possède de nombreuses formes. Le russe ajoute un niveau de complexité avec les terminaisons de déclinaison et l’aspect verbal. Il ne s’agit pas seulement d’apprendre du vocabulaire, mais aussi de comprendre comment les mots changent au sein des phrases.

Là encore, cela complique le simple comptage des mots.

Faut-il compter uniquement le mot de base ? Le lemme ? L’ensemble de ses formes ? La famille de mots ? La réponse dépend de l’objectif.

Une façon de compter peut être pertinente pour un dictionnaire ou un corpus. Une autre peut être plus pratique pour l’apprentissage.

L’arabe et les langues sémitiques : racines et schèmes

L’arabe présente une autre difficulté.

L’arabe et d’autres langues sémitiques construisent souvent les mots à partir de racines consonantiques combinées à des schèmes. Une racine peut porter un sens général, tandis que différents schèmes permettent de former des mots apparentés.

Ce fonctionnement est très différent de la notion de famille de mots en anglais. En anglais, les mots apparentés se construisent souvent à l’aide de préfixes et de suffixes. En arabe, le lien entre les mots peut être plus profond et plus structurel.

À cela s’ajoute une autre particularité majeure de l’arabe : la diglossie. L’arabe standard moderne est utilisé dans les écrits formels, l’enseignement et les médias, tandis que les dialectes parlés au quotidien diffèrent sensiblement d’une région à l’autre.

La question « Combien de mots arabes dois-je connaître ? » en amène donc immédiatement une autre :

De quel arabe parle-t-on ? De l’arabe standard moderne, de l’arabe égyptien, de l’arabe levantin, de l’arabe du Golfe, de l’arabe marocain ou d’une autre variété ?

Ce n’est pas pour autant que l’arabe est impossible à apprendre. Cela signifie simplement que les objectifs de vocabulaire doivent être définis avec plus de précision.

Les systèmes d’écriture changent aussi la question

Le vocabulaire ne se limite pas aux sons et au sens. Il comprend aussi l’écriture.

L’espagnol et l’italien utilisent des systèmes d’écriture alphabétiques relativement transparents. Une fois les règles de prononciation comprises, lire de nouveaux mots est souvent assez simple.

L’orthographe anglaise est moins transparente. Le lien entre l’orthographe et la prononciation est souvent irrégulier.

Le mandarin utilise des caractères. Le japonais associe plusieurs systèmes : kanji, hiragana et katakana. Le hindi utilise l’écriture devanagari. L’arabe utilise un abjad, dans lequel les voyelles brèves ne sont souvent pas notées dans les textes courants.

Ces systèmes changent ce que signifie « connaître » un mot.

On peut reconnaître un mot à l’écoute, mais pas à l’écrit. À l’inverse, on peut reconnaître sa forme écrite tout en le prononçant mal. En japonais, on peut connaître un mot à l’oral sans connaître les kanji correspondants. En arabe, on peut connaître une racine à l’écrit sans pouvoir en déduire la bonne forme orale lorsque les voyelles ne sont pas indiquées.

La taille du vocabulaire ne dépend donc pas seulement du nombre de sens que vous connaissez. Elle dépend aussi de la façon dont ces sens sont reliés aux sons, à l’écriture et à la grammaire.

Alors, parler de « 5 000 mots » n’a aucun sens ?

Non. Les chiffres sur le vocabulaire restent utiles.

Ils aident à fixer des objectifs d’apprentissage. Ils aident les enseignants à concevoir des supports pédagogiques. Ils aident les applications à choisir les mots à présenter en premier. Ils nous rappellent aussi l’importance considérable du vocabulaire le plus fréquent.

Mais le chiffre doit être interprété en tenant compte de la structure de la langue.

Pour l’anglais, « 5 000 mots » désigne souvent quelque chose de proche de 5 000 familles de mots ou unités lexicales de base. Pour le mandarin, le lien entre les mots et les caractères est essentiel. Pour l’arabe, ce sont les racines, les schèmes et les dialectes qui comptent. Pour le turc ou le hongrois, ce sont les racines et les terminaisons. Pour le japonais, il faut suivre ensemble les progrès en vocabulaire et la maîtrise de l’écriture.

Le chiffre n’est utile que si l’on sait ce que l’on compte.

Une meilleure façon d’aborder le vocabulaire

Plutôt que de se demander uniquement :

« Combien de mots est-ce que je connais ? »

il vaut mieux se poser les questions suivantes :

Puis-je reconnaître rapidement les mots les plus fréquents ?
Est-ce que je comprends leurs formes courantes ?
Puis-je les utiliser dans de vraies phrases ?
Est-ce que je sais comment ils changent dans cette langue ?
Puis-je les comprendre à l’oral comme à l’écrit ?
Est-ce que je connais les expressions courantes dans lesquelles ils apparaissent ?

C’est une vision plus réaliste de l’apprentissage du vocabulaire.

Pour communiquer au quotidien, les quelques milliers d’unités lexicales les plus fréquentes restent la base. Mais chaque langue nécessite un modèle qui lui est propre. Un bon système d’apprentissage ne devrait pas traiter l’anglais, le mandarin, l’arabe, l’espagnol et le japonais comme s’ils avaient une structure identique.

L’objectif n’est pas d’accumuler un nombre arbitraire de mots.

L’objectif est de construire un réseau mental que vous pouvez réellement utiliser : mots, formes, sons, écriture, grammaire, expressions et contextes réels y fonctionnent ensemble.

C’est cela, la véritable connaissance du vocabulaire.

Dans le prochain article, nous nous intéresserons aux langues européennes comme l’espagnol, le français, l’allemand et le russe. Nous verrons pourquoi même des langues qui semblent plus familières peuvent nécessiter des stratégies d’apprentissage du vocabulaire très différentes.