GESPROCHEN
OpenSubtitles 2018
Film- und Fernsehuntertitel. Hervorragend für das gesprochene Englisch — und der Grund, warum eine Liste allein daraus Interjektionen zu weit oben führt.
CC-BY-SA
Quelle
Methode
Wie die Reihenfolge entsteht
Die ganze Seite steht und fällt mit einer Behauptung: dass dies die echte Häufigkeitsreihenfolge des Englischen ist. Das ist nur etwas wert, wenn der Rechenweg sichtbar ist — hier ist er.
Die Korpora
NACHRICHTEN
Leipzig Corpora — news 2023
Englischsprachiger Journalismus. Bringt den Wortschatz des öffentlichen Lebens mit — Politik, Wirtschaft, Recht —, den der Dialog kaum berührt.
CC-BY
Quelle
ENZYKLOPÄDISCH
Leipzig Corpora — Wikipedia 2016
Formale, beschreibende Prosa, und die Quelle, die abstrakten und fachlichen Wortschatz im richtigen Verhältnis hält.
CC-BY
Quelle
Ein Korpus ist ein Genre, keine Sprache. Untertitel allein brächten dir bei, einem Film zu folgen, und ließen dich vor einer Zeitung stehen; Wikipedia allein genau umgekehrt. Jedes Wort wird danach eingeordnet, wie es sich in allen dreien verhält.
Wie sie kombiniert werden
01
Raten statt Zählungen
Die Korpora sind unterschiedlich groß, rohe Zählungen lassen sich also nicht vergleichen. Jedes wird zuerst in Vorkommen pro Million Wörter umgerechnet.
02
Geometrisches Mittel
Die drei Raten werden im Logarithmus gemittelt. Das belohnt ein Wort, das überall mittelhäufig ist, gegenüber einem, das nur in einem Register ausschlägt.
03
Was entfernt wird
Eigennamen, erkannt daran, wie oft das Wort in den Quellen großgeschrieben auftaucht, die Groß- und Kleinschreibung bewahren. Dazu Abkürzungen und Web-Reste. Ein Wort muss in mindestens zwei Korpora vorkommen, um überhaupt zu ranken.
04
Was hinzukommt
Die Aussprache aus CMUdict. Wortarten, Niveaus, Beispielsätze und Übersetzungen werden von Hand geschrieben.
Was das Englische uns geändert hat
- Die Aussprache wird gespeichert, nicht abgeleitet. Die spanische Schreibung sagt den Laut gut genug voraus, um ihn zu berechnen; die englische nicht, also stammt jede Umschrift aus CMUdict. Sie ist amerikanisches Standardenglisch und breit transkribiert — der britische Vokal in „bath“ steht hier also nicht.
- Die Quellen sind sich bei Apostrophen uneinig. Leipzig behält sie; die Untertitelliste trennt an ihnen, sodass „don’t“ als „don“ plus „t“ ankommt. Gerankt werden nur rein alphabetische Wörter, und das Untertitelkorpus enthält sich bei diesen Stämmen, statt sie zu zählen — sonst stünde „don“ auf Rang 535, mit vier Millionen Vorkommen, die alle „don’t“ sind.
- „I“ wird immer großgeschrieben, also hat der Eigennamenfilter es aussortiert, bis es als Ausnahme benannt wurde. Den Filter stattdessen zu lockern hätte echte Namen wieder hereingelassen.
- Britische und amerikanische Schreibungen stehen als getrennte Einträge — centre und center, defence und defense —, weil Wörter so gerankt werden, wie sie geschrieben stehen. Das ist ehrlich gegenüber den Daten und wenig hilfreich beim Lernen, und es kann sich ändern.
Was nicht fertig ist
- Das Lexikon wird von Hand geschrieben, Tranche für Tranche. 1.001 der 5.000 Wörter haben eine Wortart, ein Niveau und einen Beispielsatz; der Rest hat einen Rang und eine Aussprache und sonst nichts, und die Liste sagt, was wovon gilt, statt es dich herausfinden zu lassen.
- Die Abdeckungswerte sind an diesen Korpora gemessen, wobei Eigennamen und Zahlwörter im Nenner bleiben. Deshalb liegen sie unter den sonst zitierten Zahlen: Die ersten 1000 Wörter decken 72.6% des Untertiteldialogs ab, aber nur 59.4% im Mittel über Dialog, Nachrichten und enzyklopädische Prosa. Nur die erste Zahl zu nennen ist der Weg, auf dem „1000 Wörter sind 75% des Englischen“ zum Gemeinplatz wurde.
- Drei Korpora bleiben drei Korpora. Gesprochenes Englisch, das nie zum Untertitel wird, regionaler Wortschatz und Fachsprachen sind unterrepräsentiert.