Test zasobu słownictwa

Lista testu jest podzielona na pasma frekwencyjne. Pasmo frekwencyjne to grupa 2500 form podstawowych o zbliżonej częstości w napisach: pierwsze zawiera najczęstsze słowa, ostatnie najrzadsze. Test pokazuje słowa z każdego pasma razem z wyrazami wymyślonymi. W każdym paśmie odejmuje odsetek zaznaczonych wyrazów wymyślonych od odsetka zaznaczonych słów i mnoży różnicę przez liczbę form, za które pasmo się liczy. Suma pasm, zaokrąglona do setek, jest wynikiem.

Pierwsza runda pokazuje naraz 40 prawdziwych słów, po 2 z każdego z 20 pasm, i 14 wyrazów wymyślonych, w przypadkowej kolejności. Zaznacza się każde słowo, którego znaczenie jest znane. W wersji standardowej druga runda dodaje 60 prawdziwych słów i 20 wyrazów wymyślonych. Wersje krótka i długa różnią się tylko drugą rundą, a żadne słowo nie wraca w tym samym teście dwa razy.

Druga runda daje najpierw każdemu pasmu jedno słowo więcej, a resztę rozdziela według odpowiedzi z pierwszej. W teście standardowym pasmo, w którym jedno słowo zaznaczono, a drugie nie, dostaje z tej reszty mniej więcej dwa razy więcej słów niż pasmo z dwoma zaznaczonymi albo dwoma pustymi. Więcej trafia też do pasm, które liczą się za więcej form. To alokacja Neymana, metoda doboru próby wybrana przez tę stronę.

Tak wygląda rachunek dla jednego pasma. Pasmo 10 obejmuje na liście miejsca od 22 501 do 25 000. Zaznaczono w nim 7 z 10 pokazanych słów, czyli 70%, a wśród wyrazów wymyślonych 1 z 34, czyli 2,9%. Różnica wynosi 67,1%, a gdyby wyszła ujemna, test liczyłby zero. Pasmo ma 2500 miejsc, a przegląd uznał za prawdziwe 81% sprawdzonych kandydatów, więc liczy się za 2014 form podstawowych. Jego wkład do wyniku to 1350 słów.

Przykładowa osoba zna wszystkie słowa sześciu najczęstszych pasm, czyli pierwszych 15 000 form, a w każdym kolejnym paśmie o 6 punktów procentowych mniej, aż do 16% w ostatnim. Zaznacza też 1 wyraz wymyślony. Na polskiej liście test daje jej około 31 000 słów, z przedziałem od 26 600 do 35 300. Odpowiedzi są wymyślone dla przykładu, a liczby policzyły funkcje samego testu: to nie jest norma.

Test liczy leksemy, czyli słowa w sensie słownikowym. Leksem zapisuje się w słowniku jako wyraz hasłowy: rzeczownik w mianowniku liczby pojedynczej, czasownik w bezokoliczniku, przymiotnik w mianowniku rodzaju męskiego. Ta postać to forma podstawowa. Rodzaj gramatyczny rzeczownika, kolejną cechę zapisaną w słowniku, sprawdza wyszukiwarka rodzaju rzeczownika.

Odmiana przez przypadki, liczby, osoby i czasy tworzy z jednego leksemu wiele postaci. Każda z nich to forma fleksyjna: dom, domu, domowi i domami są dla testu jednym słowem. Pytanie, ile słów ma język polski z odmianami, dotyczy więc innej jednostki. Form fleksyjnych jest wielokrotnie więcej niż leksemów, a ich liczba zależy od tego, co liczy dany słownik.

Rodzina wyrazów to jeszcze szersza jednostka: słowa o wspólnym rdzeniu, jak dom, domowy i domownik. Test liczy je osobno, jako trzy leksemy. Wybór jednostki mocno zmienia liczby. W pracy zespołu Marca Brysbaerta z 2016 roku mediana dla osób dwudziestoletnich, mówiących amerykańską angielszczyzną, wyniosła 42 000 lematów, wywodzących się z 11 100 rodzin wyrazów.

Lista testu to 50 000 form podstawowych: rzeczowników, czasowników, przymiotników i przysłówków, które podają angielskojęzyczny Wiktionary i polski Wikisłownik w danych udostępnianych przez kaikki.org. O kolejności decyduje częstość występowania wszystkich form danego leksemu w napisach do filmów i seriali z OpenSubtitles 2018. Te częstości zebrał Hermit Dave w listach FrequencyWords. Forma należąca do kilku leksemów dzieli się między nie.

Przegląd wykonany przez tę stronę sprawdził ze słownikami ogólnymi polszczyzny stałą, losową próbkę każdego pasma, kandydat po kandydacie. Odpadły nazwy własne, skróty, słowa obce, formy odmienione, literówki, słowa obraźliwe, wykrzykniki i dźwiękonaśladowania oraz fragmenty stałych zwrotów. Odsetek zachowanych kandydatów ustala, za ile prawdziwych form liczy się pasmo. Zostało 90% sprawdzonych kandydatów, więc cała lista liczy się za 44 900 form podstawowych.

Średnio 75 125 słów znali rodzimi użytkownicy języka polskiego w teście PVST (Polish Vocabulary Size Test), który Fokin, Płużyczka i Golovin opisali w 2025 roku w czasopiśmie „Behavior Research Methods”. Wynik dotyczy 417 osób, a skala testu kończy się na 140 000.

Wyniki PVST to liczby na skali, której górną granicę autorzy przyjęli za słownikiem ortograficznym PWN. Rozrzut wśród rodzimych użytkowników był duży, a wynik rósł z wiekiem (współczynnik korelacji 0,496). Uczestnicy zgłaszali się sami przez internet, więc nie była to próba losowa.

PVST łączy odpowiedzi tak albo nie, pytania wielokrotnego wyboru i pseudosłowa, a słowa dobiera z korpusu plTenTen19. Jest testem adaptacyjnym: kolejne pytania zależą od wcześniejszych odpowiedzi.

Ten test daje niższe liczby, bo liczy tylko formy podstawowe ze swojej listy, najwyżej 44 900, a nie słowa na skali dużego słownika. Okrągłe liczby słów powtarzane w artykułach i quizach często nie podają źródła ani jednostki. Wiersze z pracy Brysbaerta dotyczą amerykańskiej angielszczyzny i służą tylko porównaniu jednostek.

Wyrazy wymyślone, nazywane w badaniach pseudosłowami, wyglądają jak polskie słowa, ale nic nie znaczą. Bez nich test na zasób słownictwa nagradzałby zgadywanie, bo zaznaczenie wszystkiego dawałoby najwyższy wynik. Dlatego zaznaczony wyraz wymyślony obniża wynik każdego pasma.

Tak liczyli Keuleers i współpracownicy w pracy z 2015 roku: od udziału rozpoznanych słów odejmowali udział przyjętych pseudosłów. U Keuleersa pseudosłowa stanowiły 28% pozycji. Ten sam rachunek zastosował w 2016 roku zespół Brysbaerta, z sesjami po 67 słów i 33 pseudosłowa. W standardowej wersji tego testu pseudosłowa stanowią 25% wszystkich pozycji.

Jeśli zaznaczonych wyrazów wymyślonych jest więcej niż 20%, wynik dostaje ostrzeżenie. Taki odsetek sugeruje, że i prawdziwe słowa bywały zaznaczane na wyrost, a duże odejmowanie mocno zmienia wynik. Na liście pod wynikiem zaznaczone pseudosłowa są wyróżnione.

Pseudosłowa tego testu powstały przez zamianę grup liter w prawdziwych formach podstawowych. To prosta, własna wersja pomysłu programu Wuggy, który opisali Keuleers i Brysbaert w 2010 roku. Spośród kandydatów przegląd strony wybrał takie, które nie są słowem ani formą polszczyzny, a ich lista liczy 132 pozycje.

Polskie badania korzystają też z gotowych zestawów. Imbir, Spustek i Żygierewicz opublikowali w 2015 roku listę 3023 pseudosłów utworzonych z 540 rzeczowników, z ocenami sędziów kompetentnych. Z tej listy korzysta PVST.

Słownictwo czynne to słowa, których używa się samemu w mowie i piśmie, a słownictwo bierne to słowa rozumiane w cudzej wypowiedzi lub tekście. Bierne jest większe, bo rozumie się wiele słów, po które samemu się nie sięga. W językoznawstwie stosowanym ta sama para to słownictwo produktywne i słownictwo receptywne.

Ten test mierzy słownictwo bierne, i to w wąskim sensie: rozpoznanie znaczenia słowa podanego bez kontekstu. Nie sprawdza, czy słowo przychodzi na myśl samo ani czy umie się go poprawnie użyć. Brysbaert i współpracownicy nazywają swoje liczby górnymi szacunkami, bo znajomość słowa bywa płytka, czasem sprowadza się do wiedzy, że ono istnieje.

W grach słownych liczy się słownictwo czynne: słowo trzeba przywołać samemu, jak w grze słownej z kostkami liter, gdzie szuka się wyrazów na planszy.

Wynik testu to szacunek, ile form podstawowych z polskiej listy 50 000 najczęstszych słów zna się na tyle, by rozumieć ich znaczenie. Po przeglądzie lista liczy się za 44 900 form podstawowych, więc tyle wynosi najwyższy możliwy wynik. W wersji standardowej test pokazuje w dwóch rundach 100 prawdziwych słów i 34 pseudosłowa. W każdym paśmie częstości od udziału znanych słów odejmuje udział zaznaczonych pseudosłów, mnoży różnicę przez liczbę form, za które liczy się pasmo, i sumuje pasma.

Przykładowa osoba, która zna całe najczęstsze pasma i coraz mniej słów rzadkich, dostaje około 31 000 słów, czyli 69% listy. Przedział od 26 600 do 35 300 to margines błędu, który wynika z małej liczby słów sprawdzonych w każdym paśmie. Wynik nie obejmuje całego zasobu słownictwa i nie jest poziomem języka ani oceną szkolną. W porównaniach z badaniami liczy się jednostka: PVST podaje słowa na skali do 140 000, a ten test formy podstawowe własnej listy.

Przedział to statystyka tej strony: przedział 95%, wyliczony z rozrzutu odpowiedzi w każdym paśmie i wśród wyrazów wymyślonych. Obejmuje szacunek plus minus 1,96 błędu standardowego, zaokrąglony na zewnątrz do setek. Żadne z przywołanych badań nie podaje błędu standardowego dla takiej sumy pasm.

Przed sumowaniem odsetki pasm są wygładzane, żeby rzadsze pasmo nigdy nie wyszło lepiej znane niż częstsze. To również rozwiązanie strony, a samo odejmowanie pochodzi z prac Keuleersa i Brysbaerta. Pod liczbą widać paski dla każdego pasma, od najczęstszych słów, listę niezaznaczonych prawdziwych słów i listę wyrazów wymyślonych.

Testy tak albo nie z pseudosłowami dobrze zgadzają się z dłuższymi testami słownictwa. Lemhöfer i Broersma w pracy z 2012 roku o teście LexTALE przywołują wyniki Mochidy i Harringtona z 2006 roku, w których korelacja przekraczała 0,8.

Przeglądarka zapamiętuje 10 ostatnich wyników: język, długość testu, wynik, przedział i liczbę zaznaczonych pseudosłów, bez żadnego słowa z testu. Dzięki temu wynik pokazuje też poprzedni rezultat w tym samym języku.

Kolejność listy wyznaczają napisy filmowe, a nie słownik. Brysbaert i New pokazali w 2009 roku dla amerykańskiej angielszczyzny, że częstości z napisów lepiej przewidują szybkość rozpoznawania słów niż częstości z tekstów pisanych.

Dla polszczyzny takie dane przygotowali w 2015 roku Mandera, Keuleers, Wodniecka i Brysbaert jako bazę SUBTLEX-PL, z częstościami także dla lematów. Autorzy piszą, że korpusy tekstów pisanych przeceniają słowa formalne. Lista tego testu nie korzysta jednak z SUBTLEX-PL, tylko z otwartych list FrequencyWords, opartych na OpenSubtitles 2018.

Korpus to duży, uporządkowany zbiór tekstów, w którym liczy się wystąpienia słów. Narodowy Korpus Języka Polskiego powstał we współpracy IPI PAN, IJP PAN, PWN i Uniwersytetu Łódzkiego. Według jego strony liczy ponad półtora miliarda słów, ale to słowa tekstowe: ten sam wyraz liczy się przy każdym użyciu.

Na liście testu ostatnie, 20. pasmo zaczyna się od miejsca 47 501. Słów rzadszych od całej listy test nie pokazuje, więc wynik nic nie mówi o ich znajomości.

Wynik nie jest oceną szkolną ani certyfikatem i nie przekłada się na poziom B2 ani inny poziom od A1 do C2. Test liczy słowa jednej listy, a nie sprawdza gramatyki, wymowy, pisania ani rozumienia dłuższych tekstów.

Nation szacował w pracy z 2006 roku, że do znajomości 98% słów czytanego tekstu angielskiego potrzeba 8000–9000 rodzin wyrazów, a w mowie 6000–7000. To liczby dla angielskiego i w innej jednostce niż formy podstawowe tego testu.

Test działa też po angielsku, niemiecku, hiszpańsku, francusku, włosku i niderlandzku, na listach zbudowanych tą samą metodą z napisów filmowych i danych Wiktionary. Cudzoziemcy uczący się polskiego mogą potraktować polską listę jak test słownictwa polskiego, a osoby uczące się innego języka wybrać listę tego języka. Wynik pokazuje wtedy, jak daleko w głąb listy częstości sięga znajomość słów.

Badania łączą wielkość słownictwa z kontaktem z językiem. Tytuł pracy Brysbaerta i współautorów z 2016 roku wymienia wprost ilość kontaktu z językiem i wiek, a czytelnictwo jest jedną z dróg takiego kontaktu. W niderlandzkim badaniu Keuleersa z 2015 roku wykształcenie wiązało się z większym zasobem: licencjat oznaczał średnio około 2000 słów więcej niż szkoła średnia, a magisterium kolejne 1500.