Quand on apprend une langue, on se pose souvent une question très concrète :

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

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

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

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

Cela ne veut pas dire que chiffrer le vocabulaire est inutile. C’est au contraire très utile. Mais ces chiffres doivent être interprétés avec prudence.

Cet article explique pourquoi.

Le problème du mot « mot »

Le sens du mot « mot » semble évident… jusqu’à ce qu’on essaie de compter les mots.

En anglais, faut-il compter ces formes comme un seul mot ou comme plusieurs mots ?

walk, walks, walked, walking

Pour la plupart des personnes qui apprennent la langue, il s’agit sans doute d’un même mot sous différentes formes. La forme du dictionnaire est walk. En linguistique, cette forme de base est souvent appelée un lemme.

Mais qu’en est-il de ces mots ?

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 les travaux de recherche.

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 ses formes apparentées courantes. C’est l’une des raisons pour lesquelles la recherche sur le vocabulaire anglais parle souvent de milliers de « familles de mots » plutôt que de milliers de formes distinctes.

Pour l’anglais, ce système est utile, car de nombreuses formes de mots 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 on ne peut pas généraliser les chiffres de l’anglais

L’anglais est l’une des langues les plus 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 grande partie du vocabulaire de l’anglais parlé et 8 000 à 9 000 familles de mots pour de nombreux textes écrits. Des recherches ultérieures examinent et testent 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, des corpus en anglais, des listes de familles de mots anglaises et les fréquences d’usage propres à cette langue. D’autres langues peuvent organiser le sens autrement.

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

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

Morphologie : comment les langues construisent les mots

La morphologie étudie la façon dont les mots sont construits à partir de petites unités de sens, appelées morphèmes.

Les langues diffèrent considérablement dans la façon dont elles organisent le sens au sein des mots. Les descriptions linguistiques traditionnelles distinguent souvent les langues isolantes, agglutinantes, fusionnelles et polysynthétiques. Ces catégories sont des simplifications : dans les faits, les langues se situent souvent sur un continuum plutôt que dans une catégorie parfaitement définie. Elles restent néanmoins utiles pour l’apprentissage. Le World Atlas of Language Structures décrit un continuum comprenant des fonctionnements isolants, agglutinants, fusionnels et introflexifs, avec pour exemples le chinois, le turc, le latin et l’arabe standard moderne.

Voyons ce que cela signifie concrètement.

Langues isolantes : quand les mots changent peu

Le chinois mandarin est souvent décrit comme une langue fortement isolante. Dans les langues isolantes, les mots changent généralement peu par flexion. Le sens grammatical s’exprime souvent 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 qui apprend la langue, certains aspects du décompte des mots peuvent ainsi sembler plus simples. Un mot n’a pas nécessairement des dizaines de terminaisons de cas 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 tels qu’ils sont réellement employés. À l’inverse, on peut comprendre des phrases à l’oral sans encore les lire avec aisance.

En mandarin, se demander « Combien de mots connais-je ? » 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 ?

Langues agglutinantes : quand les mots s’allongent

Dans les langues agglutinantes, les mots peuvent contenir plusieurs morphèmes liés 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 ainsi que des marques de possession, de cas, de nombre ou de direction. Le résultat peut être un mot long qui semble intimidant au début de l’apprentissage, même si ses éléments s’assemblent selon des règles régulières.

Cela complique le décompte des mots.

Si l’on compte chaque forme de surface comme un mot distinct, les langues agglutinantes peuvent sembler 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 décompte des formes peut être trompeur. Dans les langues agglutinantes, la morphologie n’est pas qu’une question de grammaire. Elle fait partie intégrante de la compréhension du vocabulaire.

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, la terminaison d’un nom peut indiquer le cas, le nombre et le genre. Celle d’un verbe peut indiquer la personne, le nombre, le temps et le mode.

Les conséquences pour l’apprentissage sont différentes de celles des langues agglutinantes. Les formes peuvent être plus courtes, mais moins transparentes. Un petit changement peut véhiculer plusieurs informations.

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

Là encore, cela complique le simple décompte des mots.

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

Pour un dictionnaire ou un corpus, une méthode peut être utile. Pour l’apprentissage, une autre peut être plus pratique.

L’arabe et les langues sémitiques : racines et schèmes

L’arabe illustre une autre difficulté.

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

C’est très différent de la notion de famille de mots en anglais. En anglais, les mots apparentés sont souvent construits 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 question majeure : 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 considérablement d’une région à l’autre.

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

Quel arabe ? L’arabe standard moderne, l’arabe égyptien, l’arabe levantin, l’arabe du Golfe, l’arabe marocain ou une autre variété ?

Cela ne rend pas l’apprentissage de l’arabe impossible. Il faut simplement définir plus précisément ses objectifs de vocabulaire.

Les systèmes d’écriture entrent aussi en jeu

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. La correspondance entre l’écrit et la prononciation est souvent irrégulière.

Le mandarin utilise des caractères. Le japonais utilise un système mixte : kanji, hiragana et katakana. L’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 modifient ce que signifie « connaître » un mot.

On peut reconnaître un mot à l’oral sans le reconnaître à l’écrit. À l’inverse, on peut reconnaître sa forme écrite, mais mal le prononcer. 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 prévoir la forme orale correcte lorsque les voyelles ne sont pas indiquées.

L’étendue du vocabulaire ne dépend donc pas seulement du nombre de sens que l’on connaît. Elle dépend aussi de la manière dont ces sens sont liés 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 se fixer des objectifs, permettent aux enseignants de concevoir des supports pédagogiques et aux applications de choisir les mots à présenter en premier. Ils rappellent aussi à quel point le vocabulaire le plus fréquent est important.

Mais ces chiffres doivent être interprétés en tenant compte de la structure de la langue.

Pour l’anglais, « 5 000 mots » renvoie souvent à quelque chose de proche de 5 000 familles de mots ou unités lexicales de base. Pour le mandarin, le lien entre mots et 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 à la fois l’acquisition du vocabulaire et la maîtrise de l’écriture.

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

Une meilleure façon d’aborder le vocabulaire

Au lieu de se demander seulement :

« Combien de mots connais-je ? »

mieux vaut se poser les questions suivantes :

Est-ce que je reconnais rapidement les mots les plus fréquents ?
Est-ce que je comprends leurs formes courantes ?
Est-ce que je sais les utiliser dans de vraies phrases ?
Est-ce que je sais comment ils changent dans cette langue ?
Est-ce que je les comprends à l’oral et 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 exige son propre modèle. Un bon système d’apprentissage ne devrait pas traiter l’anglais, le mandarin, l’arabe, l’espagnol et le japonais comme si leurs structures étaient identiques.

Le but n’est pas d’accumuler un nombre arbitraire de mots.

Le but est de construire un réseau mental utilisable : des mots, des formes, des sons, de l’écriture, de la grammaire, des expressions et des contextes réels qui fonctionnent ensemble.

Voilà ce que signifie vraiment connaître du vocabulaire.

Dans le prochain article, nous nous pencherons sur des 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.