英语流利需要认识多少词？语料库语言学给出的启示——第 1 部分

几乎每个语言学习者在某个阶段都会遇到同一个问题：

“到底需要认识多少词，才能达到流利？”

这是个很自然的问题。学习一门语言有时像是没有尽头，如果能有一个明确数字，整个过程就会显得更可控。要是有人能直接说：“只要学会 5,000 个词，就能流利使用”，语言学习看起来就轻松多了。

但诚实的答案要更复杂一些。

从严格的语言学角度看，流利程度不能简化成一个单一的词汇量数字。语言不是封闭的数据库，而是由声音、意义、语法、社交习惯、文化 references 和灵活使用模式组成的活系统。

不过，语料库语言学——也就是研究大量真实语言使用材料的学科——确实给了我们非常有用的参考标准。Paul Nation、Stuart Webb 等研究者研究过，要在不同水平上理解英语口语和书面语，需要多少词汇量。他们的研究没有给出一个“魔法数字”，但给出了一张更现实的地图。

本文主要聚焦英语，因为英语拥有一些研究最充分的词频数据。这些基本原则对其他语言也有参考价值，但具体数字会因语法、形态变化、书写系统，以及研究者计算词汇的方式而不同。

要看懂这张地图，首先需要厘清一个重要问题。

我们到底在数什么？

当人们问“我需要认识多少个词？”时，“词”这个概念听起来很简单。但在语言学里，它一点也不简单。

以英语动词 run 为例。

可能会看到很多形式： run, runs, ran, running

这些应该算作四个不同的词吗？还是算作同一个词的不同形式？

大多数学习者可能会觉得，如果已经知道动词 run，就不希望每一种语法形式都被当成一个全新的词来计算。因此，语言学家在衡量词汇量时，常常会使用更抽象的单位。

第一个有用的概念是 词元。

词元指一个词的基本形式或词典形式。比如，go 是 go, goes, went, gone, going 背后的词元。查词典时，通常查的是基本形式，而不是把每一种可能的语法形式都单独查询。语料库工具也会用类似方式处理词元：把不同词形归到同一个核心条目下。

到这里为止，这个想法还挺直观。

但许多词汇研究——尤其是英语词汇研究——常常使用一个更宽泛的概念：词族。

什么是词族？

词族是一组围绕同一个基本词构成的相关词。它包括核心词，以及一些常见、关系清晰的派生形式。

例如，围绕 teach 的一个简化词族可能包括： teach, teaches, teaching, taught, teacher

围绕 nation 的一个简化词族可能包括： nation, national, international, nationality

这个概念并不是说这些词完全一样。在实际使用中，它们显然是不同的词。但它们之间的关系足够紧密，所以知道其中一个，往往有助于理解其他词。

这一点很重要，因为语言学习者并不是孤立地学习每一个词。知道 happy 之后，理解 unhappy 或 happiness 就会更容易。知道 move 之后，就更容易猜出 movement 的意思。知道 use 之后，像 useful、useless 和 reuse 这样的词也会更容易识别。

这就是词族背后的逻辑。

不过，词族并不总是那么简单。有些相关词很容易从基本词推断出来，有些却不容易。比如，sign 和 signature 有关联，但对初学者来说，这种联系未必明显。Compete、competition 和 competitive 有关联，但它们在句子中的用法并不一样。

因此，按词族计数对研究很有用，但对学习者来说也可能让人困惑。它能提供一个实用的词汇知识估算，但这并不等于说词族里的每个成员都已经自动掌握了。

在本文中，谈到词汇量时，最好把它理解为核心词汇单位：不是每一个独立词形都单独计算，但也不一定严格等同于一个词典词元。在许多英语词汇研究中，参考数字是基于词族计算的。

这个区别很重要。

认识 3,000 个词族的学习者，在真实文本中能识别的独立词形可能远远超过 3,000 个。但这并不意味着可以在口语或写作中主动使用其中所有词。

为什么词频如此重要？

语言并不是一个每个词出现频率都相同的均衡系统。

少量极常见的词会不断出现。成千上万的其他词只会偶尔出现。这种模式常常与齐普夫定律有关：一种统计趋势，指最高频的词会占据真实语言使用中非常大的比例。

在英语中，像 the, be, have, do, say, go, make, know, think, good 这样的词到处都会出现。低频词可能很有用、很优美，或在特定领域很重要，但它们在日常交流中出现的频率远没有那么高。

这形成了一个非常有力的学习原则：

最先掌握的几千个高频词，带来的回报最大。

学习最常见的 1,000 个词，就能帮助识别普通语言中相当大的一部分。但这并不意味着就能理解一切。剩下那些不认识的词，往往承载着句子里的关键信息。

例如：

I went to the ___ because my ___ was hurting.

也许能理解大部分语法和常见词，但空缺的词可能至关重要。是 doctor？dentist？pharmacy？hospital？knee？stomach？tooth？

这就是为什么覆盖率很重要。

“95% 覆盖率”是什么意思？

语料库研究者常常会谈到文本覆盖率。它指的是一篇文本中已经认识的词所占的百分比。

如果认识一篇文本中 95% 的词，听起来已经很棒了。但这也意味着每 20 个词里，可能仍有 1 个不认识。

在一个短句里，这也许问题不大。但在小说、播客、电影或讲座中，就会变得很累。不认识的词会反复出现，其中一些还可能对理解意义非常关键。

在大约 95% 覆盖率时，通常可以跟上大意，尤其是在话题熟悉，并且有视觉或情境支持的情况下。到了大约 98% 覆盖率时，理解会舒服得多。可以更多地依靠上下文猜测，阅读或听的时候被打断得更少，也能把注意力更多放在意义上，而不是逐句解码。

Paul Nation 被广泛引用的研究表明，要达到英语口语约 98% 的覆盖率，可能大约需要 6,000–7,000 个词族；而许多书面文本可能需要 8,000–9,000 个词族。

对于非正式英语口语、电影和电视节目，需要的数量可能会低一些。Webb 和 Rodgers 发现，最高频的 3,000 个词族，加上专有名词和边缘词，可以覆盖电视节目大约 95% 的内容；而大约 7,000 个词族 可以达到约 98% 覆盖率。

一项较新的非正式英语口语研究也表明，对于某些类型的非正式口语输入，约 2,000–3,000 个词族 可能就能达到约 95% 覆盖率；而要达到约 98%，可能需要 5,000–7,000 个词族，具体取决于体裁。

所以，答案取决于想理解什么。

随意聊天、情景喜剧、大学讲座、法律文件和文学小说，需要的词汇量并不完全相同。

实用词汇量参考

下面这张表不是严格的科学量表，而是基于语料库研究和词汇覆盖率研究，为学习者整理的一份实用指南。

最重要的一点是：

不需要认识一门语言里的每一个词，也能很好地使用它。

事实上，没有人认识一门语言里的所有词。即使是母语者，也经常会在专业领域、文学、法律、医学、科技或地区性表达中遇到不熟悉的词。

母语者的接受性词汇量也远大于主动词汇量。接受性词汇指的是能够识别和理解的词。主动词汇指的是能够在口语或写作中自信使用的词。关于英语母语者词汇量的研究显示，成年母语者可能能识别数以万计的词元，但在日常生活中主动使用的只是其中小得多的一部分。

这个区别对语言学习者非常重要。

不需要主动使用 20,000 个词，也能说得流利。但随着接受性词汇量增长，可以理解更多书籍、电影、对话、笑话、争论和文化 references。

准备看下一部分了吗？在这里阅读第 2 部分：