Test de vocabulario en español

El test reparte su lista en bandas de frecuencia, de las palabras más comunes a las más raras, y te enseña unas pocas de cada banda. La parte que marcas de una banda se aplica a toda ella. Antes se descuenta la parte de palabras inventadas que marcaste, porque revela cuánto se marca por intentar acertar al azar. Al final se suman todas las bandas.

Un ejemplo con la banda 10, que va de la palabra 22.501 a la 25.000 por frecuencia de uso. Supón que marcas 7 de sus 10 palabras reales, un 70 %, y 1 de las 34 inventadas, un 2,9 %. La banda queda en 70 % menos 2,9 %, es decir, 67,1 %. Esa parte se aplica a 2361 formas base, las 2500 de la banda por el 94 % que superó la revisión, y da 1583 palabras.

La ronda 1 enseña 40 palabras reales, 2 de cada una de las 20 bandas de 2500 formas base, mezcladas con 14 inventadas. En la versión estándar, la ronda 2 añade 60 reales y 20 inventadas. La versión rápida enseña 70 reales y 24 inventadas en total, y la larga, 160 y 54. Ninguna palabra sale dos veces en un mismo test.

La ronda 2 reparte sus palabras reales según tus primeras respuestas. Todas las bandas reciben al menos una. En un test estándar o largo, una banda con una palabra marcada y otra en blanco recibe más o menos el doble que una con las dos marcadas o ninguna. El test rápido las reparte de forma más pareja. Una banda que cuenta más formas base también recibe más. Es el reparto de Neyman, una elección propia del sitio para afinar donde hay más duda.

Después, las partes de las bandas se suavizan para que una banda más rara nunca cuente como mejor conocida que otra más común. Cada parte se multiplica por las formas base que cuenta su banda, se suman todas y el total se redondea a la centena. Restar las inventadas es el método que usaron Emmanuel Keuleers y su equipo en 2015, con el neerlandés, y Marc Brysbaert y el suyo en 2016, con el inglés americano. El suavizado y el reparto de la ronda 2 son del sitio.

Una persona imaginaria conoce todas las palabras de las 6 bandas más comunes, las 15.000 primeras formas base. En cada banda siguiente conoce un 6 % menos, hasta el 16 % de la última, y marca 1 de las 34 inventadas. Con la lista española, el test le da unas 31.700 palabras y un margen de 27.200 a 36.200. Son respuestas imaginadas para ilustrar el cálculo, no una norma.

Cuenta cada lema, es decir, la forma que encabeza una entrada de diccionario: «cantar» representa a «canto», «cantábamos» y «cantado». Esas variantes son formas flexivas y no suman aparte. Tampoco se agrupan las familias de palabras: «cantante» y «canción» son lemas distintos de «cantar» y cuentan por separado.

El Diccionario de la lengua española define el vocabulario, en una de sus acepciones, como el «conjunto de palabras que usa o conoce alguien». El test mide solo la segunda mitad de esa definición: las que conoces. El género de un sustantivo concreto se puede consultar en el buscador de masculino o femenino.

La lista parte de 50.000 formas base: sustantivos, verbos, adjetivos y adverbios que el Wiktionary en inglés recoge como palabras del español, según la extracción que publica kaikki.org. Se ordenan según cuántas veces aparecen sus formas en subtítulos de películas y series: el corpus OpenSubtitles 2018, a través de las listas FrequencyWords. Un corpus es una gran colección de textos reales en la que se puede contar cada palabra.

Los subtítulos se parecen más que los libros a la lengua que se oye a diario. Marc Brysbaert y Boris New mostraron en 2009, con el inglés americano, que su frecuencia predecía mejor que la de textos escritos cuánto se tarda en reconocer una palabra.

Una revisión propia del sitio repasó, contra diccionarios generales del español, una muestra aleatoria fija de cada banda, candidata por candidata. Quitó lo que no es una forma base: nombres propios, abreviaturas, palabras extranjeras, formas flexivas como «barrigona», erratas, palabras ofensivas, onomatopeyas y trozos de frases hechas. De 720 candidatas quedaron 671, el 93 %: el 100 % en la primera banda y el 83 % en la última.

Esa parte conservada fija cuántas formas base reales cuenta cada banda. Por eso la lista española vale 46.600 formas base y no 50.000, y ese es el techo del resultado.

Unas 25.000 palabras entre los 25 y los 30 años, y unas 34.000 hacia los 75 a 80, según el trabajo que publicó en 2020 el equipo de Aguasvivas. Las dos cifras salen de un test con unas 45.000 palabras: son el 55 % y el 75 % de ellas, no el léxico entero de nadie.

Los datos salen de SPALEX, una base reunida en internet que el mismo grupo describió en 2018. Participaron 169.628 personas en 227.655 sesiones, cada una con 70 palabras y 30 inventadas, tomadas de 45.389 palabras sin nombres propios ni formas flexivas. El estudio de 2020 restó el porcentaje de inventadas aceptadas al de reales reconocidas, igual que este test.

Todas estas cifras son de vocabulario receptivo: palabras que se reconocen, no que se usan. La escolaridad también pesa, como muestran las filas de estudios secundarios y doctorado. En cambio, los autores no hallaron diferencias entre las comunidades bilingües y las monolingües de España.

En inglés americano, Marc Brysbaert y sus colegas calcularon en 2016 una mediana de unos 42.000 lemas conocidos a los 20 años, de los 61.800 de su test. Es otra lengua, otra lista y otra edad, así que no se compara cifra a cifra con el español.

Las palabras inventadas, que en psicolingüística se llaman pseudopalabras, siguen las reglas del español pero no significan nada. Sirven para medir el exceso de confianza: quien marca una que no existe probablemente marca también alguna real sin conocerla. Cada inventada marcada es una de las falsas alarmas que el test resta en todas las bandas.

Se fabricaron intercambiando grupos de letras de formas base reales, la idea del programa Wuggy de Emmanuel Keuleers y Marc Brysbaert, de 2010, en una versión sencilla propia. Después las eligió la revisión del sitio. La lista española tiene 158, y un test estándar enseña 34 de 134 palabras, un 25 %. El estudio de Brysbaert de 2016 usaba 33 inventadas de cada 100.

Decidir si una cadena de letras es una palabra se llama decisión léxica, y es la tarea de muchos tests de laboratorio. Lextale-Esp, de Cristina Izura, Fernando Cuetos y Marc Brysbaert, de 2014, usa 60 palabras y 30 inventadas para estimar con rapidez el vocabulario en español. Castiga más que este test: resta el doble de las inventadas aceptadas.

Con esa fórmula, quien acepta 50 palabras y 4 inventadas saca 50 menos el doble de 4, es decir, 42. La media de los hablantes nativos de aquel estudio fue de 53,9 puntos. Este test pide además algo más estricto que reconocer la forma: marcar solo lo que entiendes.

Si marcas más del 20 % de las inventadas, el resultado sale con un aviso. La resta lo corrige, pero con tantas falsas alarmas la cifra es menos segura.

El vocabulario pasivo reúne las palabras que entiendes al leerlas u oírlas; el vocabulario activo, las que usas al hablar o escribir. El pasivo suele ser mucho mayor, y este test solo mide ese: marcar una palabra no dice si la usarías.

A veces se distingue también un vocabulario de reserva: palabras que se conocen pero salen poco, solo cuando el tema las pide. La frontera entre los tres es borrosa y cambia de una persona a otra, y también con la edad y el oficio.

El equipo de Brysbaert, con datos de inglés americano, estima que el vocabulario productivo no llega a la mitad del receptivo. También advierte de que «conocer» una palabra puede ser algo tan superficial como saber que existe, y lo mismo vale aquí.

Las cifras de cuántas palabras usa alguien al día circulan mucho, pero ninguna fuente fiable las sostiene, así que aquí no se dan. Lo que sí se puede medir es un texto concreto: para saber cuánto dura un discurso leído en voz alta, basta con su número de palabras.

A la pregunta «¿cuántas palabras conozco?» el test responde con las formas base de su lista que conoces, redondeadas a la centena. Con las respuestas del ejemplo salen unas 31.700, el 68 % de las 46.600 que cuenta la lista española. Debajo aparece el margen de error, un intervalo del 95 % que aquí va de 27.200 a 36.200. El sitio lo calcula con la dispersión de las respuestas de cada banda y de las inventadas.

Ningún estudio publica un margen para este tipo de suma, así que es estadística propia. La cifra tampoco es tu vocabulario entero: deja fuera nombres propios, siglas, frases hechas y todo lo que queda más allá del final de la lista. Sirve para comparar tus propios intentos en el mismo idioma y con la misma duración, y para ver en qué bandas empiezan las dudas.

Las barras muestran, banda a banda y de las palabras más frecuentes a las más raras, la parte que cuenta como conocida. Debajo están las palabras reales que no marcaste y las inventadas, con las que marcaste señaladas. Si ya hiciste el test en el mismo idioma, aparece también tu resultado anterior. El botón «Copiar el resultado» lleva la cifra y el margen al portapapeles, junto con el enlace.

Los subtítulos de la lista no se separan por país. Por eso entre las palabras hay americanismos, es decir, voces propias de alguna zona de América, junto a otras más oídas en España. Una palabra que no se usa donde vives cuenta igual que las demás, y puede bajar un poco la parte de su banda.

La 23.ª edición del Diccionario de la lengua española, publicada en 2014, recoge 93.111 entradas y 195.439 acepciones. La Real Academia Española compara en el preámbulo esa cifra con las 88.431 entradas de la 22.ª edición.

Una entrada es una palabra con todas sus acepciones, es decir, sus distintos significados. Un diccionario general deja fuera mucho léxico técnico, regional o reciente, así que su número de entradas no mide el tamaño del español. El idioma no tiene una cifra cerrada: crea derivados y compuestos sin parar.

La lista del test responde a otra pregunta. No recoge lo que registra la Academia, sino las palabras que más se oyen, ordenadas por su frecuencia en subtítulos. Por eso su techo de 46.600 formas base no se compara con las entradas del diccionario.

La cifra no corresponde a ningún nivel del MCER, el Marco común europeo de referencia para las lenguas. Sus niveles, de A1 a C2, describen lo que alguien sabe hacer con la lengua y no fijan un número de palabras. En español, el Instituto Cervantes los certifica con los diplomas DELE.

En la escuela tampoco hay una cifra oficial. El Real Decreto 157/2022, que fija las enseñanzas mínimas de Educación Primaria conforme a la LOMLOE, habla de «procedimientos elementales de adquisición de vocabulario» y no cuenta palabras.

Tampoco es una prueba clínica ni un test de inteligencia. Los tests de vocabulario que se usan en consulta, como el Peabody, se aplican en persona y comparan con baremos por edad. Este no tiene baremos ni está validado: es un pasatiempo con un método publicado detrás.