इंग्रजीत प्रवाही होण्यासाठी किती शब्द माहित असावेत? कॉर्पस भाषाविज्ञान काय सुचवते - भाग १

जवळजवळ प्रत्येक भाषा शिकणाऱ्याच्या प्रवासात कधीतरी तोच प्रश्न समोर येतो:

“प्रवाही होण्यासाठी मला खरंच किती शब्द माहित असणे गरजेचे आहे?”

हा अगदी स्वाभाविक प्रश्न आहे. भाषा शिकणे कधी कधी अंतहीन वाटू शकते, आणि एखादा स्पष्ट आकडा मिळाला तर संपूर्ण प्रक्रिया अधिक हाताळण्यासारखी वाटते. जर कोणी सरळ सांगू शकले, “नेमके 5,000 शब्द शिका आणि आपण प्रवाही व्हाल,” तर भाषा शिकणे खूप सोपे वाटले असते.

पण प्रामाणिक उत्तर थोडे अधिक सूक्ष्म आहे.

कठोर भाषावैज्ञानिक दृष्टिकोनातून पाहिले, तर प्रवाहीपणा एका शब्दसंख्येत बसवता येत नाही. भाषा ही बंद डेटाबेस नाही. ती ध्वनी, अर्थ, व्याकरण, सामाजिक सवयी, सांस्कृतिक संदर्भ आणि वापराच्या लवचिक पद्धती यांची एक जिवंत प्रणाली आहे.

तरीही, कॉर्पस भाषाविज्ञान — म्हणजे प्रत्यक्ष भाषावापराच्या मोठ्या संग्रहांचा अभ्यास — आपल्याला अतिशय उपयुक्त मापदंड देते. Paul Nation, Stuart Webb आणि इतर संशोधकांनी वेगवेगळ्या पातळ्यांवर बोलली आणि लिहिली जाणारी इंग्रजी समजण्यासाठी किती शब्दसंग्रह आवश्यक असतो याचा अभ्यास केला आहे. त्यांच्या निष्कर्षांमधून एखादा जादुई आकडा मिळत नाही, पण एक वास्तववादी नकाशा नक्की मिळतो.

हा लेख मुख्यतः इंग्रजीवर केंद्रित आहे, कारण इंग्रजीसाठी शब्दवारंवारतेचा डेटा सर्वाधिक अभ्यासलेला आहे. सर्वसाधारण तत्त्वे इतर भाषांसाठीही उपयुक्त आहेत, पण व्याकरण, शब्दरचना, लिपी आणि संशोधक शब्दसंग्रह कसा मोजतात यानुसार अचूक आकडे बदलू शकतात.

तो नकाशा समजून घेण्यासाठी आधी एक महत्त्वाचा प्रश्न स्पष्ट करणे आवश्यक आहे.

आपण नेमके काय मोजत आहोत?

लोक जेव्हा विचारतात, “मला किती शब्द माहित असावेत?”, तेव्हा “शब्द” हा शब्द सोपा वाटतो. पण भाषाविज्ञानात तो अजिबात सोपा नाही.

इंग्रजी क्रियापद run घ्या.

ते आपल्याला अनेक रूपांत दिसू शकते: run, runs, ran, running

ही चार वेगवेगळी शब्दे म्हणून मोजायची का? की वेगवेगळी रूपे असलेला एकच शब्द म्हणून?

बहुतेक शिकणाऱ्यांना कदाचित असे वाटेल की जर त्यांना run हे क्रियापद माहित असेल, तर त्याचे प्रत्येक व्याकरणिक रूप पूर्णपणे नवीन शब्द म्हणून मोजले जाऊ नये. म्हणूनच शब्दसंग्रहाचा आकार मोजताना भाषातज्ज्ञ अनेकदा अधिक अमूर्त एकके वापरतात.

पहिली उपयुक्त संकल्पना म्हणजे लेमा.

लेमा म्हणजे एखाद्या शब्दाचे मूळ किंवा शब्दकोशातील रूप. उदाहरणार्थ, go हा go, goes, went, gone, going या रूपांच्या मागचा लेमा आहे. शब्दकोशात आपण सहसा मूळ रूप शोधता, प्रत्येक शक्य व्याकरणिक रूप वेगवेगळे शोधत नाही. कॉर्पस साधनेही लेमा याच पद्धतीने वापरतात: ती वेगवेगळी शब्दरूपे एका मुख्य नोंदीखाली गटबद्ध करतात.

इथपर्यंत हे बऱ्यापैकी सहज समजण्यासारखे आहे.

पण अनेक शब्दसंग्रह अभ्यास — विशेषतः इंग्रजीमध्ये — याहूनही व्यापक संकल्पना वापरतात: शब्दकुटुंब.

शब्दकुटुंब म्हणजे काय?

शब्दकुटुंब म्हणजे त्याच मूळ शब्दाभोवती तयार झालेल्या संबंधित शब्दांचा समूह. यात मुख्य शब्द आणि त्याची काही सामान्य, सहज ओळखता येणारी रूपे समाविष्ट असतात.

उदाहरणार्थ, teach भोवतीचे एक सोपे शब्दकुटुंब असे असू शकते: teach, teaches, teaching, taught, teacher

nation भोवतीचे एक सोपे शब्दकुटुंब असे असू शकते: nation, national, international, nationality

याचा अर्थ हे सर्व शब्द अगदी सारखेच आहेत असा नाही. प्रत्यक्ष वापरात ते स्पष्टपणे वेगवेगळे शब्द आहेत. पण ते इतके संबंधित आहेत की त्यापैकी एक माहित असेल, तर इतर समजण्यास अनेकदा मदत होते.

हे महत्त्वाचे आहे, कारण भाषा शिकणारे प्रत्येक शब्द पूर्णपणे वेगळा म्हणून शिकत नाहीत. एकदा happy माहित झाले की unhappy किंवा happiness समजणे सोपे होते. एकदा move माहित झाले की movement चा अर्थ अंदाजाने कळणे सोपे होते. एकदा use माहित झाले की useful, useless आणि reuse यांसारखे शब्द ओळखणे सोपे होते.

शब्दकुटुंबांमागचे तत्त्व हेच आहे.

तरीही, शब्दकुटुंबे नेहमीच सोपी नसतात. काही संबंधित शब्द मूळ शब्दावरून सहज समजतात, तर काही तसे समजत नाहीत. उदाहरणार्थ, sign आणि signature संबंधित आहेत, पण नवशिक्याला तो संबंध स्पष्ट वाटेलच असे नाही. Compete, competition आणि competitive संबंधित आहेत, पण वाक्यांमध्ये त्यांचे वर्तन वेगवेगळे असते.

म्हणूनच शब्दकुटुंबांनुसार मोजणी संशोधनासाठी उपयुक्त असली, तरी शिकणाऱ्यांसाठी ती गोंधळात टाकू शकते. ती शब्दसंग्रहाच्या ज्ञानाचा व्यावहारिक अंदाज देते, पण याचा अर्थ असा नाही की त्या कुटुंबातील प्रत्येक सदस्य आपोआप पूर्णपणे आत्मसात झाला आहे.

या लेखात आपण शब्दसंग्रहाच्या आकाराबद्दल बोलताना मुख्य शब्दसंग्रह एकके असा विचार करणे योग्य ठरेल: प्रत्येक वेगळे शब्दरूप नव्हे, पण नेहमीच एकच कठोर शब्दकोशातील लेमा असेही नाही. इंग्रजी शब्दसंग्रहावरील अनेक अभ्यासांमध्ये मापदंडांचे आकडे शब्दकुटुंबांवर आधारित असतात.

हा फरक महत्त्वाचा आहे.

3,000 शब्दकुटुंबे माहित असलेल्या शिकणाऱ्याला प्रत्यक्ष मजकुरात 3,000 पेक्षा खूप अधिक वैयक्तिक शब्दरूपे ओळखता येऊ शकतात. पण याचा अर्थ असा नाही की ते सर्व शब्द ते बोलण्यात किंवा लेखनात सक्रियपणे वापरू शकतात.

वारंवारता इतकी महत्त्वाची का आहे?

भाषा अशा संतुलित प्रणाली नसतात की प्रत्येक शब्द सारख्याच प्रमाणात दिसतो.

अतिशय सामान्य शब्दांचा एक छोटा समूह सतत दिसत राहतो. हजारो इतर शब्द फक्त अधूनमधून दिसतात. हा नमुना अनेकदा Zipf’s law शी जोडला जातो — एक सांख्यिकीय प्रवृत्ती, ज्यात सर्वाधिक वारंवार येणारे शब्द प्रत्यक्ष भाषावापराचा फार मोठा भाग व्यापतात.

इंग्रजीमध्ये the, be, have, do, say, go, make, know, think, good यांसारखे शब्द सर्वत्र दिसतात. दुर्मीळ शब्द विशिष्ट क्षेत्रांत उपयुक्त, सुंदर किंवा महत्त्वाचे असू शकतात, पण रोजच्या संवादात ते जवळजवळ तितक्या वारंवार दिसत नाहीत.

यातून शिकण्याचे एक प्रभावी तत्त्व तयार होते:

उच्च वारंवारतेचे पहिले काही हजार शब्द आपल्याला सर्वात मोठा फायदा देतात.

सर्वाधिक सामान्य 1,000 शब्द शिकल्याने सामान्य भाषेचा आश्चर्यकारकपणे मोठा भाग ओळखण्यास मदत होऊ शकते. पण याचा अर्थ आपण सगळे काही समजाल असा नाही. उरलेले अपरिचित शब्द अनेकदा वाक्याचा महत्त्वाचा अर्थ घेऊन येतात.

उदाहरणार्थ:

I went to the ___ because my ___ was hurting.

आपल्याला बहुतेक व्याकरण आणि सामान्य शब्द समजू शकतात, पण रिकाम्या जागांतील शब्द अत्यावश्यक असू शकतात. ते doctor होते का? Dentist? Pharmacy? Hospital? Knee? Stomach? Tooth?

म्हणूनच कव्हरेज महत्त्वाचे ठरते.

“95% कव्हरेज” म्हणजे काय?

कॉर्पस संशोधक अनेकदा मजकूर-कव्हरेज बद्दल बोलतात. याचा अर्थ एखाद्या मजकुरातील किती टक्के शब्द आपल्याला आधीच माहित आहेत.

जर एखाद्या मजकुरातील 95% शब्द आपल्याला माहित असतील, तर ते उत्कृष्ट वाटते. पण तरीही दर 20 शब्दांपैकी 1 शब्द अपरिचित असू शकतो.

लहान वाक्यात ही मोठी अडचण नसू शकते. पण कादंबरी, पॉडकास्ट, चित्रपट किंवा व्याख्यानात ते थकवणारे होऊ शकते. अपरिचित शब्द पुन्हा पुन्हा येतात, आणि त्यांपैकी काही अर्थासाठी अत्यंत महत्त्वाचे असू शकतात.

सुमारे 95% कव्हरेज असताना आपण अनेकदा सर्वसाधारण कल्पना समजू शकता, विशेषतः विषय परिचित असेल आणि दृश्य किंवा परिस्थितीजन्य आधार असेल तर. सुमारे 98% कव्हरेज असताना आकलन खूप अधिक आरामदायक होते. आपण संदर्भावरून अधिक अंदाज बांधू शकता, कमी अडथळ्यांसह वाचू किंवा ऐकू शकता, आणि प्रत्येक वाक्य उलगडण्यापेक्षा अर्थावर अधिक लक्ष केंद्रित करू शकता.

Paul Nation यांच्या मोठ्या प्रमाणावर उद्धृत केल्या जाणाऱ्या कामानुसार, बोलल्या जाणाऱ्या इंग्रजीचे सुमारे 98% कव्हरेज मिळवण्यासाठी साधारण 6,000–7,000 शब्दकुटुंबे आवश्यक असू शकतात, आणि अनेक लिखित मजकुरांसाठी 8,000–9,000 शब्दकुटुंबे आवश्यक असू शकतात.

अनौपचारिक बोलली जाणारी इंग्रजी, चित्रपट आणि दूरदर्शनसाठी आकडे काहीसे कमी असू शकतात. Webb आणि Rodgers यांना असे आढळले की सर्वाधिक वारंवार येणारी 3,000 शब्दकुटुंबे, विशेषनामे आणि सीमांत शब्दांसह, दूरदर्शन कार्यक्रमांचे सुमारे 95% कव्हरेज देतात, तर सुमारे 7,000 शब्दकुटुंबे सुमारे 98% कव्हरेज देतात.

अनौपचारिक बोलल्या जाणाऱ्या इंग्रजीवरील अधिक अलीकडील अभ्यासही सुचवतो की काही प्रकारच्या अनौपचारिक बोलक्या इनपुटसाठी सुमारे 2,000–3,000 शब्दकुटुंबे साधारण 95% कव्हरेज देऊ शकतात, तर प्रकारानुसार सुमारे 98% साठी 5,000–7,000 आवश्यक असू शकतात.

म्हणून उत्तर आपण काय समजून घ्यायचे आहे यावर अवलंबून असते.

साधे संभाषण, सिटकॉम, विद्यापीठातील व्याख्यान, कायदेशीर दस्तऐवज आणि साहित्यिक कादंबरी — या सर्वांसाठी नेमका तोच शब्दसंग्रह लागत नाही.

व्यावहारिक शब्दसंग्रह मापदंड

खालील तक्ता कठोर वैज्ञानिक मोजपट्टी नाही. कॉर्पस संशोधन आणि शब्दसंग्रह कव्हरेज अभ्यासांवर आधारित, शिकणाऱ्यांसाठी अनुकूल असा हा व्यावहारिक मार्गदर्शक आहे.

सर्वात महत्त्वाचा धडा हा आहे:

एखादी भाषा चांगल्या प्रकारे वापरण्यासाठी त्या भाषेतील प्रत्येक शब्द माहित असणे आवश्यक नाही.

खरे तर, कोणालाही एखाद्या भाषेतील प्रत्येक शब्द माहित नसतो. मूळ भाषिकांनाही विशेष क्षेत्रे, साहित्य, कायदा, वैद्यकशास्त्र, तंत्रज्ञान किंवा प्रादेशिक बोलण्यात अनोळखी शब्द नियमितपणे भेटतात.

मूळ भाषिकांचा ग्रहणशील शब्दसंग्रह हा त्यांच्या सक्रिय शब्दसंग्रहापेक्षा खूप मोठा असतो. ग्रहणशील शब्दसंग्रह म्हणजे आपण ओळखू आणि समजू शकणारे शब्द. सक्रिय शब्दसंग्रह म्हणजे बोलताना किंवा लिहिताना आत्मविश्वासाने वापरू शकणारे शब्द. मूळ इंग्रजी भाषिकांच्या शब्दसंग्रहाच्या आकारावरील संशोधन दाखवते की प्रौढ मूळ भाषिक दहा-दहा हजार लेमा ओळखू शकतात, पण दैनंदिन जीवनात त्यातील खूपच लहान भाग सक्रियपणे वापरतात.

हा फरक भाषा शिकणाऱ्यांसाठी अत्यंत महत्त्वाचा आहे.

प्रवाहीपणे बोलण्यासाठी 20,000 शब्द सक्रियपणे वापरता येणे आवश्यक नाही. पण आपला ग्रहणशील शब्दसंग्रह वाढत गेला की आपण अधिक पुस्तके, चित्रपट, संभाषणे, विनोद, युक्तिवाद आणि सांस्कृतिक संदर्भ समजू शकता.

पुढील भागासाठी तयार आहात? भाग २ येथे पाहा: