כמה מילים צריך לדעת כדי לדבר אנגלית בשטף? מה מציעה בלשנות הקורפוס – חלק 1

בשלב כלשהו במסע של כמעט כל לומדי שפה, עולה אותה שאלה:

“כמה מילים באמת צריך לדעת כדי לדבר בשטף?”

זו שאלה טבעית. לימוד שפה יכול להרגיש אינסופי, ומספר ברור היה הופך את התהליך להרבה יותר נוח לניהול. אם היה אפשר פשוט לומר: “למדו בדיוק 5,000 מילים ותדברו בשטף”, לימוד שפה היה נראה הרבה יותר קל.

התשובה הכנה מורכבת יותר.

מנקודת מבט לשונית קפדנית, אי אפשר לצמצם שטף בדיבור למספר מילים אחד. שפה היא לא מאגר נתונים סגור. היא מערכת חיה של צלילים, משמעויות, דקדוק, הרגלים חברתיים, אזכורים תרבותיים ודפוסי שימוש גמישים.

ובכל זאת, בלשנות הקורפוס — חקר אוספים גדולים של שימוש אמיתי בשפה — נותנת לנו מדדי ייחוס שימושיים מאוד. חוקרים כמו Paul Nation, Stuart Webb ואחרים בדקו כמה אוצר מילים נדרש כדי להבין אנגלית מדוברת וכתובה ברמות שונות. הממצאים שלהם לא נותנים מספר קסם, אבל כן נותנים מפה ריאלית.

המאמר הזה מתמקד בעיקר באנגלית, כי באנגלית קיימים כמה מנתוני תדירות אוצר המילים הנחקרים ביותר. העקרונות הכלליים שימושיים גם לשפות אחרות, אבל המספרים המדויקים יכולים להשתנות לפי דקדוק, מורפולוגיה, מערכת כתיבה והאופן שבו חוקרים סופרים אוצר מילים.

כדי להבין את המפה הזו, קודם צריך להבהיר שאלה חשובה אחת.

מה בעצם סופרים?

כששואלים “כמה מילים צריך לדעת?”, המילה ״מילה״ נשמעת פשוטה. אבל בבלשנות היא ממש לא פשוטה.

קחו את הפועל האנגלי run.

אפשר לראות אותו בצורות רבות: run, runs, ran, running

האם צריך לספור אותן כארבע מילים נפרדות? או כמילה אחת בצורות שונות?

רוב הלומדים כנראה ירגישו שאם מכירים את הפועל run, אין סיבה שכל צורה דקדוקית שלו תיספר כמילה חדשה לגמרי. לכן בלשנים משתמשים לעיתים קרובות ביחידות מופשטות יותר כשמודדים גודל אוצר מילים.

המושג השימושי הראשון הוא lemma — צורת היסוד המילונית.

lemma היא צורת הבסיס או הצורה המילונית של מילה. למשל, go היא ה־lemma שמאחורי go, goes, went, gone, going. במילון בדרך כלל מחפשים את צורת הבסיס, ולא כל צורה דקדוקית אפשרית בנפרד. כלי קורפוס משתמשים ב־lemmas בצורה דומה: הם מקבצים צורות שונות של אותה מילה תחת ערך מרכזי אחד.

עד כאן, זה די אינטואיטיבי.

אבל מחקרים רבים על אוצר מילים — במיוחד באנגלית — משתמשים לעיתים קרובות במושג רחב אפילו יותר: משפחת מילים.

מהי משפחת מילים?

משפחת מילים היא קבוצה של מילים קשורות שנבנות סביב אותה מילת בסיס. היא כוללת את מילת הליבה וחלק מהצורות הנפוצות והשקופות שלה.

לדוגמה, משפחת מילים פשוטה סביב teach עשויה לכלול: teach, teaches, teaching, taught, teacher

משפחת מילים פשוטה סביב nation עשויה לכלול: nation, national, international, nationality

הרעיון הוא לא שכל המילים האלה זהות. בשימוש אמיתי הן בבירור מילים שונות. אבל הן קשורות מספיק כדי שהיכרות עם אחת מהן תעזור לעיתים קרובות להבין את האחרות.

זה חשוב כי לומדי שפה לא לומדים כל מילה בבידוד. ברגע שמכירים את happy, קל יותר להבין את unhappy או happiness. ברגע שמכירים את move, קל יותר לנחש את המשמעות של movement. ברגע שמכירים את use, מילים כמו useful, useless ו־reuse נעשות קלות יותר לזיהוי.

זו הלוגיקה שמאחורי משפחות מילים.

עם זאת, משפחות מילים לא תמיד פשוטות. חלק מהמילים הקשורות קלות להבנה מתוך מילת הבסיס, ואחרות לא. למשל, sign ו־signature קשורות זו לזו, אבל הקשר לא בהכרח ברור למתחילים. Compete, competition ו־competitive קשורות, אבל הן מתנהגות אחרת במשפטים.

לכן ספירה לפי משפחות מילים שימושית למחקר, אבל עלולה לבלבל לומדים. היא נותנת הערכה מעשית של ידע באוצר מילים, אבל היא לא אומרת שכל בן משפחה כזה כבר נרכש אוטומטית.

במאמר הזה, כשמדברים על גודל אוצר מילים, עדיף לחשוב במונחים של יחידות אוצר מילים מרכזיות: לא כל צורת מילה נפרדת, אבל גם לא תמיד lemma מילונית אחת ונוקשה. במחקרים רבים על אוצר מילים באנגלית, מספרי הייחוס מבוססים על משפחות מילים.

ההבחנה הזו חשובה.

לומדים שמכירים 3,000 משפחות מילים עשויים לזהות הרבה יותר מ־3,000 צורות מילים בודדות בטקסטים אמיתיים. אבל זה לא אומר שהם יכולים להשתמש בכולן באופן פעיל בדיבור או בכתיבה.

למה תדירות כל כך חשובה?

שפות אינן מערכות מאוזנות שבהן כל מילה מופיעה באותה תדירות.

מספר קטן של מילים נפוצות מאוד מופיע כל הזמן. אלפי מילים אחרות מופיעות רק מדי פעם. הדפוס הזה קשור לעיתים קרובות לחוק זיף, נטייה סטטיסטית שלפיה המילים השכיחות ביותר מהוות חלק גדול מאוד מהשימוש האמיתי בשפה.

באנגלית, מילים כמו the, be, have, do, say, go, make, know, think, good מופיעות בכל מקום. מילים נדירות יכולות להיות שימושיות, יפות או חשובות בתחומים מסוימים, אבל הן לא מופיעות כמעט באותה תדירות בתקשורת יומיומית.

מכאן נובע עיקרון למידה חזק:

אלפי המילים השכיחות הראשונות נותנות את התשואה הגדולה ביותר.

לימוד 1,000 המילים הנפוצות ביותר יכול לעזור לזהות חלק גדול באופן מפתיע מהשפה הרגילה. אבל זה לא אומר שתבינו הכול. המילים הלא מוכרות שנותרות נושאות לעיתים קרובות את המשמעות החשובה של המשפט.

לדוגמה:

I went to the ___ because my ___ was hurting.

אפשר להבין את רוב הדקדוק והמילים הנפוצות, אבל המילים החסרות עשויות להיות חיוניות. האם מדובר ברופא? רופא שיניים? בית מרקחת? בית חולים? ברך? בטן? שן?

זו הסיבה שכיסוי חשוב.

מה המשמעות של “כיסוי של 95%”?

חוקרי קורפוס מדברים לעיתים קרובות על כיסוי טקסט. הכוונה היא לאחוז המילים בטקסט שכבר מוכרות.

אם מכירים 95% מהמילים בטקסט, זה נשמע מצוין. אבל זה עדיין אומר שמילה אחת מכל 20 מילים עשויה להיות לא מוכרת.

במשפט קצר זו אולי לא בעיה גדולה. ברומן, פודקאסט, סרט או הרצאה, זה יכול להיות מעייף. מילים לא מוכרות מופיעות שוב ושוב, וחלק מהן עשויות להיות קריטיות להבנת המשמעות.

בסביבות 95% כיסוי, לרוב אפשר לעקוב אחרי הרעיון הכללי, במיוחד אם הנושא מוכר ויש תמיכה חזותית או הקשרית. בסביבות 98% כיסוי, ההבנה נעשית הרבה יותר נוחה. אפשר לנחש יותר מתוך ההקשר, לקרוא או להאזין עם פחות עצירות, ולהתמקד יותר במשמעות במקום לפענח כל משפט.

עבודתו המצוטטת רבות של Paul Nation מציעה שנדרשות בערך 6,000–7,000 משפחות מילים כדי להגיע לכ־98% כיסוי של אנגלית מדוברת, ו־8,000–9,000 משפחות מילים עבור טקסטים כתובים רבים.

באנגלית מדוברת לא פורמלית, בסרטים ובטלוויזיה, המספרים עשויים להיות מעט נמוכים יותר. Webb ו־Rodgers מצאו ש3,000 משפחות המילים השכיחות ביותר, יחד עם שמות פרטיים ומילים שוליות, נתנו כ־95% כיסוי של תוכניות טלוויזיה, בעוד שכ־7,000 משפחות מילים נתנו כ־98% כיסוי.

מחקר עדכני יותר על אנגלית מדוברת לא פורמלית מציע גם שכ־2,000–3,000 משפחות מילים עשויות לתת כ־95% כיסוי עבור סוגים מסוימים של קלט מדובר לא פורמלי, בעוד ש־5,000–7,000 עשויות להידרש לכ־98%, בהתאם לז’אנר.

כך שהתשובה תלויה במה שרוצים להבין.

שיחה יומיומית, סיטקום, הרצאה באוניברסיטה, מסמך משפטי ורומן ספרותי לא דורשים בדיוק את אותו אוצר מילים.

מדדי אוצר מילים מעשיים

הטבלה הבאה אינה סולם מדעי נוקשה. זהו מדריך מעשי וידידותי ללומדים, המבוסס על מחקרי קורפוס ועל מחקרי כיסוי אוצר מילים.

הלקח החשוב ביותר הוא זה:

לא צריך לדעת כל מילה בשפה כדי להשתמש בה היטב.

למעשה, אף אחד לא מכיר כל מילה בשפה. גם דוברי שפת אם נתקלים באופן קבוע במילים לא מוכרות בתחומים מקצועיים, בספרות, במשפט, ברפואה, בטכנולוגיה או בדיבור אזורי.

לדוברי שפת אם יש גם אוצר מילים סביל גדול בהרבה מאוצר המילים הפעיל שלהם. אוצר מילים סביל פירושו המילים שאפשר לזהות ולהבין. אוצר מילים פעיל פירושו המילים שאפשר להשתמש בהן בביטחון בדיבור או בכתיבה. מחקרים על גודל אוצר המילים של דוברי אנגלית כשפת אם מראים שמבוגרים דוברי שפת אם עשויים לזהות עשרות אלפי lemmas, אבל בחיי היומיום הם משתמשים באופן פעיל בתת־קבוצה קטנה בהרבה.

ההבחנה הזו חשובה מאוד ללומדי שפה.

לא צריך להשתמש באופן פעיל ב־20,000 מילים כדי לדבר בשטף. אבל ככל שאוצר המילים הסביל גדל, אפשר להבין יותר ספרים, סרטים, שיחות, בדיחות, ויכוחים ואזכורים תרבותיים.

מוכנים לחלק הבא? קראו את חלק 2 כאן: