FALADO
OpenSubtitles 2018
Legendas de cinema e televisão. Excelentes para o inglês de conversa, e a razão por que uma lista feita só com elas sobrevaloriza as interjeições.
CC-BY-SA
Fonte
Método
Como se decide a ordem
Todo o site assenta numa afirmação: que esta é a ordem real do inglês por frequência. Essa afirmação só vale alguma coisa se as contas estiverem à vista, por isso aqui estão.
Os corpora
IMPRENSA
Leipzig Corpora — news 2023
Jornalismo em língua inglesa. Traz o vocabulário da vida pública — governo, economia, direito — que o diálogo mal aflora.
CC-BY
Fonte
ENCICLOPÉDICO
Leipzig Corpora — Wikipedia 2016
Prosa formal e descritiva, a fonte que mantém o vocabulário abstrato e técnico na devida proporção.
CC-BY
Fonte
Um corpus é um género, não uma língua. As legendas sozinhas ensinariam-no a seguir um filme e deixá-lo-iam perdido diante de um jornal; a Wikipédia sozinha faria o inverso. Cada palavra é ordenada pelo seu comportamento nos três.
Como são combinados
01
Taxas, não contagens
Os corpora têm tamanhos diferentes, por isso as contagens brutas não são comparáveis. Cada um é primeiro convertido em ocorrências por milhão de palavras.
02
Média geométrica
As três taxas são combinadas em escala logarítmica. Isso premeia a palavra moderadamente comum em toda a parte face à que dispara num só registo.
03
O que é retirado
Os nomes próprios, detetados pela frequência com que a palavra aparece em maiúscula nas fontes que preservam a caixa. Além de abreviaturas e detritos da web. Uma palavra tem de aparecer em pelo menos dois corpora para ser ordenada.
04
O que é acrescentado
A pronúncia, do CMUdict. Categorias, níveis, frases de exemplo e traduções são escritos à mão.
O que o inglês nos obrigou a mudar
- A pronúncia é guardada, não deduzida. A ortografia espanhola prevê o som suficientemente bem para o calcular; a inglesa não, por isso cada transcrição vem do CMUdict. É inglês americano padrão e em transcrição larga: a vogal britânica de “bath” não é a que aqui aparece.
- As fontes não concordam quanto aos apóstrofos. A Leipzig conserva-os; a lista de legendas parte neles, e assim “don’t” chega como “don” mais “t”. Só são ordenadas palavras puramente alfabéticas, e o corpus de legendas abstém-se nessas raízes em vez de as contar: caso contrário “don” ficaria na posição 535 com quatro milhões de ocorrências que são todas “don’t”.
- “I” escreve-se sempre com maiúscula, pelo que o filtro de nomes próprios o descartava até ser indicado como exceção. Afrouxar o filtro teria deixado voltar nomes próprios verdadeiros.
- As grafias britânica e americana surgem como entradas distintas — centre e center, defence e defense — porque as palavras são ordenadas tal como se escrevem. É honesto para com os dados e pouco útil a quem aprende, e poderá mudar.
O que não está terminado
- O léxico é escrito à mão, por lotes. 1.001 das 5.000 palavras têm categoria, nível e frase de exemplo; as restantes têm uma posição e uma pronúncia e mais nada, e a lista diz quais são em vez de o deixar descobrir.
- Os valores de cobertura são medidos nestes corpora, deixando nomes próprios e numerais no denominador. É por isso que são mais baixos do que os números habitualmente citados: as primeiras 1000 palavras cobrem 72.6% do diálogo legendado, mas apenas 59.4% em média entre diálogo, imprensa e prosa enciclopédica. Citar só o primeiro número foi como “1000 palavras são 75% do inglês” se tornou lugar-comum.
- Três corpora continuam a ser três corpora. O inglês falado que nunca chega a legenda, o vocabulário regional e os registos especializados estão sub-representados.
O mesmo método, para o espanhol
O cincomil ordena as 5000 palavras espanholas mais frequentes a partir dos mesmos três tipos de corpus, combinados da mesma maneira, com o mesmo filtro de nomes próprios e a mesma recusa em citar uma cobertura que não tenha medido.