ORAL
OpenSubtitles 2018
Sous-titres de films et de séries. Excellents pour l’anglais de conversation, et la raison pour laquelle une liste bâtie sur eux seuls surclasse les interjections.
CC-BY-SA
Source
Méthode
Comment l’ordre est établi
Tout le site repose sur une affirmation : que voici l’ordre réel de l’anglais par fréquence. Cette affirmation ne vaut quelque chose que si le calcul est visible, alors le voici.
Les corpus
PRESSE
Leipzig Corpora — news 2023
Presse de langue anglaise. Apporte le vocabulaire de la vie publique — politique, économie, droit — que le dialogue effleure à peine.
CC-BY
Source
ENCYCLOPÉDIQUE
Leipzig Corpora — Wikipedia 2016
Prose formelle et descriptive, la source qui maintient le vocabulaire abstrait et technique dans de justes proportions.
CC-BY
Source
Un corpus est un genre, pas une langue. Les sous-titres seuls vous apprendraient à suivre un film et vous laisseraient perdu devant un journal ; Wikipédia seule ferait l’inverse. Chaque mot est classé sur son comportement dans les trois.
Comment ils sont combinés
01
Des taux, pas des comptes
Les corpus n’ont pas la même taille : les comptes bruts ne sont pas comparables. Chacun est d’abord converti en occurrences par million de mots.
02
Moyenne géométrique
Les trois taux sont moyennés en échelle logarithmique. Cela récompense le mot moyennement fréquent partout face à celui qui explose dans un seul registre.
03
Ce qui est retiré
Les noms propres, repérés à la fréquence avec laquelle le mot apparaît en majuscule dans les sources qui conservent la casse. Plus les abréviations et les débris du web. Un mot doit figurer dans au moins deux corpus pour être classé.
04
Ce qui est ajouté
La prononciation, tirée de CMUdict. Les catégories, les niveaux, les phrases d’exemple et les traductions sont écrits à la main.
Ce que l’anglais nous a fait changer
- La prononciation est stockée, non déduite. L’orthographe espagnole prédit assez bien le son pour le calculer ; l’anglaise non, donc chaque transcription vient de CMUdict. Elle est en anglais américain standard et en transcription large : la voyelle britannique de « bath » n’est pas celle affichée ici.
- Les sources ne s’accordent pas sur les apostrophes. Leipzig les conserve ; la liste de sous-titres coupe dessus, si bien que « don’t » arrive sous la forme « don » plus « t ». Seuls les mots purement alphabétiques sont classés, et le corpus de sous-titres s’abstient sur ces radicaux au lieu de les compter : sinon « don » figurerait au rang 535 avec quatre millions d’occurrences qui sont toutes « don’t ».
- « I » s’écrit toujours en majuscule, si bien que le filtre à noms propres l’écartait jusqu’à ce qu’on le nomme comme exception. Assouplir le filtre aurait laissé revenir de vrais noms propres.
- Les graphies britannique et américaine figurent comme entrées distinctes — centre et center, defence et defense — parce que les mots sont classés tels qu’ils s’écrivent. C’est honnête envers les données et peu utile à qui apprend, et cela pourra changer.
Ce qui n’est pas terminé
- Le lexique s’écrit à la main, par tranches. 1 001 des 5 000 mots ont une catégorie, un niveau et une phrase d’exemple ; les autres n’ont qu’un rang et une prononciation, et la liste dit lesquels plutôt que de vous laisser le découvrir.
- Les taux de couverture sont mesurés sur ces corpus, noms propres et numéraux laissés au dénominateur. C’est pourquoi ils sont plus bas que les chiffres habituellement cités : les 1000 premiers mots couvrent 72.6% des dialogues sous-titrés, mais seulement 59.4% en moyenne sur le dialogue, la presse et la prose encyclopédique. Ne citer que le premier chiffre, voilà comment « 1000 mots font 75% de l’anglais » est devenu un lieu commun.
- Trois corpus restent trois corpus. L’anglais parlé qui ne devient jamais un sous-titre, le vocabulaire régional et les registres spécialisés sont sous-représentés.