Test de vocabulaire, des mots courants aux plus rares

Le test range des formes de base du français de la plus fréquente à la plus rare, puis découpe ce classement en tranches égales, appelées bandes. Il en tire un échantillon, mêlé à des mots fabriqués. Dans chaque bande, la part de vrais mots cochés, diminuée de la part de faux mots cochés, vaut pour toute la bande. L'addition des bandes donne l'estimation : une extrapolation à partir de quelques mots seulement.

Le premier tour affiche d'un coup 40 vrais mots, 2 par bande, et 14 faux, dans le désordre. Le second tour en ajoute 60 vrais et 20 faux. Chaque bande y reçoit au moins un mot de plus ; le reste va surtout aux bandes où les deux premiers mots ont reçu un oui et un non. Dans un test standard ou long, une telle bande en reçoit environ deux fois plus qu'une bande toute cochée ou toute vide. Le test rapide répartit ses mots plus également.

Une bande qui pèse davantage de formes de base reçoit aussi plus de mots. Ce partage suit l'allocation de Neyman, une méthode de sondage dont l'usage ici est un choix du site. Aucun mot ne revient deux fois dans un même test.

Prenons la bande de fréquence 10, qui couvre les rangs 22 501 à 25 000. Vous y voyez 10 vrais mots et en cochez 7, soit 70 %. Sur l'ensemble du test, 1 pseudo-mot sur 34 a été coché, soit 2,9 %. La bande vaut donc 70 % moins 2,9 %, c'est-à-dire 67,1 %. Elle compte pour 1 736 formes de base : ses 2 500 rangs multipliés par les 69 % que la revue a gardés. Le test y relève donc 1 164 mots connus.

Un lissage suit : une bande plus rare ne peut jamais paraître mieux connue qu'une bande plus courante. Si les réponses disent l'inverse, les parts des bandes en cause sont ramenées à leur moyenne, pondérée par le nombre de mots montrés. Ce lissage et le partage du second tour sont propres au site. La soustraction, elle, reprend celle de deux enquêtes de masse : Keuleers et ses collègues (2015) en néerlandais, Brysbaert et ses collègues (2016) en anglais.

Imaginons une personne qui connaît tous les mots des six bandes les plus courantes, soit les 15 000 premières formes de base. Dans chaque bande plus rare, sa part baisse de 6 %, jusqu'à 16 % dans la dernière, et elle coche 1 mot inventé. Sur la liste française, le test lui attribue environ 26 400 mots, probablement entre 22 700 et 30 100. Ces réponses illustrent le calcul ; elles ne décrivent pas un lecteur type.

Le test compte des lemmes, c'est-à-dire des formes de base. Le lemme est la forme sous laquelle un mot apparaît au dictionnaire : l'infinitif d'un verbe, le singulier d'un nom, le masculin singulier d'un adjectif. Chaque forme fléchie s'y rattache, si bien que « chantions », « chanterait » et « chanté » relèvent du seul lemme « chanter ». Lexique, la base de données lexicales du français, indique ainsi pour chaque forme le lemme dont elle dépend.

Une famille de mots réunit plusieurs lemmes bâtis sur un même radical, comme « raison », « raisonner » et « déraisonnable ». Le test compte chacun d'eux à part. Certaines études anglophones comptent plutôt les mots de base, une famille entière comptant pour un. L'équipe de Brysbaert en relève ainsi 11 100 en médiane chez les Américains de vingt ans.

Une entrée de dictionnaire ne recouvre pas toujours un lemme. Selon l'Académie française, chaque dictionnaire choisit sa règle : une entrée par forme ou une par sens, avec ou sans les mots composés. Pour un nom, le lemme porte aussi un genre : le détecteur masculin ou féminin donne celui de chaque nom avec son article.

La liste française part des noms, verbes, adjectifs et adverbes que recensent le Wiktionnaire anglais et le Wiktionnaire français, tels que kaikki.org les extrait. Elle les classe selon la fréquence de leurs formes dans les sous-titres de films et de séries d'OpenSubtitles 2018, à partir des listes FrequencyWords. Les 50 000 premières formes de base forment 20 bandes de 2 500.

Une revue a ensuite parcouru, candidat par candidat, un échantillon aléatoire fixe de chaque bande, au regard des dictionnaires généraux du français. Elle a écarté les noms propres, sigles, mots étrangers, formes fléchies, fautes d'orthographe, mots grossiers, onomatopées et morceaux de locutions. Sur 734 candidats examinés, 554 ont été gardés, soit 75 %. La part gardée dans chaque bande règle le poids de celle-ci : la liste compte ainsi pour 37 900 formes de base réelles.

Aucun des travaux cités sur cette page ne donne un nombre de mots mesuré chez les adultes de France. Les grandes enquêtes portent sur l'anglais américain et sur le néerlandais ; pour le français, LexTALE_FR fournit un score sur 56 vrais mots, pas un effectif de vocabulaire.

Dans l'enquête de Brysbaert, Stevens, Mandera et Keuleers (2016), menée sur l'anglais d'Amérique, la médiane atteint 42 000 lemmes à vingt ans. Neuf personnes sur dix de cet âge se situent entre 27 100 et 51 700. Ce chiffre vaut pour leur liste anglaise, pas pour le français.

Ces deux enquêtes de masse reposent sur la même méthode que ce test : des mots réels mêlés à des mots fabriqués, avec la même soustraction. Leurs chiffres ne se transposent pas pour autant au français. Chaque enquête a sa liste et son unité, et chaque langue sa propre façon de former les mots.

Un locuteur natif, dont le français est la langue maternelle, reconnaît bien plus de mots qu'une personne qui l'apprend. Sur LexTALE_FR, les natifs obtiennent en moyenne 42,8, les apprenants 8,3. Selon Brysbaert (2013), ce score ne plafonne pas chez les natifs, ce qui permet aussi de les départager. Le résultat de ce test se lit donc pour lui-même, sans norme française à laquelle le comparer.

Les mots inventés du test, appelés pseudo-mots, respectent l'orthographe du français sans appartenir à la langue. Ils servent de témoin : en cocher un produit un faux positif, signe qu'une partie des oui ne repose pas sur une vraie connaissance. Leur part cochée est retirée de chaque bande, ce qui corrige l'excès de confiance comme la précipitation.

Le site les a fabriqués en échangeant des groupes de lettres entre de vraies formes de base. C'est une version simple de l'idée de Wuggy, le générateur de pseudo-mots de Keuleers et Brysbaert (2010). La revue a gardé les candidats qui ont l'air français sans l'être. La liste en retient 126, et un test standard en montre 34, soit 25 % des items. L'enquête américaine de 2016 en glissait 33 pour 67 vrais mots ; dans l'enquête néerlandaise de 2015, ils formaient 28 % des items.

Au-delà de 20 % de pseudo-mots acceptés, le résultat affiche un avertissement. La correction devient alors lourde et l'estimation moins sûre : de nombreux faux positifs laissent penser que des cases ont été cochées au jugé ou trop vite.

Le même principe sert dans LexTALE_FR, le test de Brysbaert (2013), qui mêle 56 vrais mots et 28 pseudo-mots et retire des points pour chaque faux mot accepté. Pour l'anglais, Lemhöfer et Broersma (2012) rapportent des corrélations supérieures à 0,8 entre ces tests oui ou non et un test de vocabulaire classique, d'après Mochida et Harrington (2006). Ce test-ci reprend la méthode, mais n'a fait l'objet d'aucune étude de validation.

Le vocabulaire passif réunit les mots que l'on comprend en les lisant ou en les entendant ; le vocabulaire actif, ceux que l'on emploie soi-même. Le Larousse définit ce dernier comme « l'ensemble des mots qu'un locuteur est capable d'employer spontanément ». Le vocabulaire passif, qu'on appelle aussi vocabulaire réceptif, est le plus étendu des deux.

Ce test mesure la reconnaissance : cocher un mot signifie en connaître le sens, pas savoir s'en servir dans une phrase. Pour l'anglais, Brysbaert et ses collègues (2016) estiment que le vocabulaire productif représente moins de la moitié du vocabulaire réceptif. Aucune des sources citées ici ne donne de rapport comparable pour le français.

Mesurer l'usage demanderait une autre épreuve : faire produire des mots, par une définition ou une phrase, puis noter les réponses une à une. Un clic sur une case ne peut pas le faire, si bien que le résultat décrit seulement ce que vous reconnaissez.

Le chiffre final indique combien des 37 900 formes de base de la liste française vous connaissez. Il additionne, bande par bande, la part de vrais mots cochés moins celle des pseudo-mots cochés, multipliée par le poids de la bande. Le total est arrondi à la centaine la plus proche. La fourchette probable, à 95 %, vient de la dispersion des réponses dans chaque bande et parmi les pseudo-mots : c'est la marge d'erreur d'un petit échantillon. Les études citées ne publient pas d'erreur type pour une telle somme ; cet intervalle est la propre statistique du site. Le chiffre décrit les mots que vous reconnaissez dans cette liste, et non tout votre vocabulaire, ni un niveau de langue.

Sous la fourchette, une ligne donne la part de la liste que vous connaissez et le total qu'elle compte. Suivent le nombre de faux mots cochés sur ceux montrés et, si vous avez déjà passé le test dans la même langue, le résultat précédent avec sa date.

Les barres suivent les 20 bandes dans l'ordre de fréquence et montrent chacune la part comptée comme connue. Grâce au lissage, aucune barre ne dépasse celle d'une bande plus courante : la pente révèle où les mots rares commencent à échapper. Deux listes à déplier donnent ensuite les vrais mots non cochés et les pseudo-mots, ceux que vous avez cochés étant marqués.

La longueur joue sur la précision. La version rapide montre 70 vrais mots et 24 faux, la standard 100 et 34, la longue 160 et 54. Le premier tour garde la même taille ; seul le second s'allonge, et plus il compte de mots, plus la fourchette se resserre en général. Le bouton « Copier le résultat » copie la langue, l'estimation, la fourchette et le lien de la page.

Le Dictionnaire de l'Académie française a achevé sa neuvième édition en novembre 2024. Selon la présentation de l'Académie, sa nomenclature passe de 32 000 mots dans la huitième à plus de 53 000. Ses entrées sont choisies par l'Académie, alors que la liste du test suit la fréquence des mots dans les sous-titres de films et de séries.

Plus près des mots courants, l'Académie évoque le français fondamental et le français élémentaire, deux listes bâties sur des enquêtes de fréquence. Elles comptent entre un peu plus de 1 000 et 3 000 entrées. La première bande du test réunit à elle seule 2 500 formes de base, les plus courantes dans les sous-titres.

New, Brysbaert, Veronis et Pallier (2007) ont construit SUBTLEX-FR à partir de 52 millions de mots de sous-titres de films. Selon ses auteurs, ces fréquences apportent sur la vitesse de reconnaissance des mots une information que les fréquences de l'écrit ne donnent pas. Brysbaert et New (2009) ont fait le même constat pour l'anglais américain.

Lexique, la base de données lexicales du français, repose dans sa quatrième version sur un corpus de sous-titres de 316 millions de mots. Le test n'utilise ni ses fréquences ni celles de SUBTLEX-FR : ses rangs viennent d'une autre liste tirée des sous-titres, décrite plus haut.

Le résultat n'est ni un niveau du CECRL, le Cadre européen commun de référence pour les langues, ni une note scolaire, ni un diagnostic. Il compte des mots reconnus, sans rien mesurer de la grammaire, de la compréhension d'un texte ou de l'expression. Il ne remplace pas davantage un bilan chez un orthophoniste.

Une personne qui apprend le français langue étrangère (FLE) peut passer le test en français ou dans une autre langue. Le menu propose aussi l'anglais, l'allemand, l'espagnol, l'italien, le néerlandais et le polonais. Chaque langue a sa liste, ses faux mots et son total. Deux résultats obtenus dans deux langues ne se comparent donc pas tels quels.

Pour situer des apprenants avancés, la recherche emploie des tests courts du même type. LexTALE, créé pour l'anglais par Lemhöfer et Broersma (2012), compte 40 mots et 20 pseudo-mots ; LexTALE_FR en reprend la formule pour le français.

L'étendue du vocabulaire, que mesure ce test, diffère de la richesse lexicale, la variété des mots qu'un texte emploie. Celle-ci se juge sur ce qu'une personne écrit ou dit. Pour compter les mots d'un texte et le temps qu'il faut pour le prononcer, le calcul du temps de parole part du texte lui-même.