Tausend französische Wörter decken 80 Prozent ab — und sagen dir nichts

Was die 80-Prozent-Zahl wirklich misst

Die Messung hinter der Behauptung ist einfach und sie ist ehrlich. Nimm eine große Menge Französisch, zähle jedes Wortvorkommen, sortiere die verschiedenen Formen nach Häufigkeit und frage dann: wenn ich den Text durchliefe und nur die N häufigsten Formen kennte, welchen Anteil der begegnenden Wörter erkennte ich? Dieser Anteil heißt Abdeckung. Unsere Zahlen stammen aus 312 994 233 Wörtern französischer Untertitel, in denen 50 000 verschiedene Formen gezählt wurden. Die 10 häufigsten Formen decken allein 18,54 Prozent von allem Gesagten ab. Die ersten 100 decken 57,68 Prozent ab. Die ersten 1 000 decken 80,77 Prozent ab, die ersten 2 000 decken 85,90 Prozent ab.

Es lohnt, den Kopf dieser Liste anzusehen, bevor man irgendetwas daraus folgert. Der Reihe nach sind die zwanzig häufigsten Formen des Französischen in diesem Korpus: de, je, est, pas, le, que, la, vous, tu, un, c', à, et, il, a, l', ne, les, j', en. Kein einziges Substantiv darunter, kein Adjektiv, und kein Verb, das eine Handlung benennt statt ein Hilfsverb zu sein. Sie sind das Bindegewebe der Sprache — Präpositionen, Pronomen, Artikel, Verneinung, Kopula. Genau deshalb sind sie häufig: Französisch braucht sie in fast jedem Satz, worum es in dem Satz auch geht.

Die Kurve, die diese Formen zeichnen, ist am Anfang sehr steil und danach fast flach — die allgemeine Gestalt der Wortfrequenz in jeder Sprache. Der Artikel dieser Seite zum Zipfschen Gesetz passt die Steigung an sechs Büchern in sechs Sprachen an und sie wird hier nicht erneut hergeleitet. Für Lernende zählt die praktische Folge dieser Gestalt. Von null auf 80 Prozent Abdeckung kostet etwa tausend Formen. Von 80 auf 90 Prozent kostet etwa viertausend weitere. Von 90 auf 95 Prozent kostet noch einmal neuntausend obendrauf. Jeder zusätzliche Abdeckungspunkt wird zu steil steigendem Preis gekauft, und die vier Vorbehalte dieses Artikels handeln alle davon, warum diese letzten Punkte weit mehr zählen als die ersten achtzig.

Vorbehalt 1: der Nenner ist ein Ausschnitt von 50 000 Formen, nicht das Französische

Jede Zahl in der ersten Tabellenspalte ist ein Prozentsatz einer Liste, die bei 50 000 Formen aufhört. Das wirkliche Französisch hört dort nicht auf. Derselbe Herausgeber veröffentlicht auch die ungekürzte Liste zu diesem Korpus, und sie enthält 834 768 verschiedene Formen über 318 214 450 Wörter — wovon der Ausschnitt von 50 000 Formen 98,360 Prozent ausmacht. Der Ausschnitt ist also keine kleine Stichprobe, aber eben auch nicht das Ganze, und jede darin berechnete Abdeckung ist um einen Faktor von rund 1,017 überhöht. Am wirklichen Nenner decken die ersten 1 000 Formen 79,45 Prozent ab, nicht 80,77, und die ersten 2 000 decken 84,49 Prozent ab, nicht 85,90. Beide Spalten stehen in der Tabelle, damit du die Größe der Korrektur siehst, statt sie zu glauben.

Anderthalb Punkte klingen nach Rundungsfehler. Sie sind keiner, wegen der Stelle der Kurve, an der der Fehler landet. Umgekehrt formuliert — wie viele Formen braucht man für eine bestimmte Abdeckung —, sagt der abgeschnittene Ausschnitt, 9 556 Formen erreichten 95 Prozent und 20 984 erreichten 98 Prozent. Das ganze Korpus sagt, 13 909 Formen erreichen 95 Prozent und 40 652 erreichen 98 Prozent. Wo die Kurve flach ist, wird ein kleiner Abdeckungsfehler zu einem sehr großen Fehler in der Wortschatzgröße: an der 98-Prozent-Marke unterschätzt der abgeschnittene Nenner die Anforderung um fast den Faktor zwei. Wer ein Wortschatzziel aus einer abgeschnittenen Häufigkeitsliste zitiert, zitiert eine Zahl, die in der ihm angenehmen Richtung falsch ist.

Der Schwanz ist auch nicht leer an allem, was du haben wolltest. Von den 834 768 Formen der Gesamtliste kommen 389 191 — fast die Hälfte des Korpuswortschatzes — genau einmal in 318 Millionen Wörtern vor. Das sind Eigennamen, Tippfehler, Fremdwörter und echte Seltenheiten; einzeln vernachlässigbar, zusammen 0,12 Prozent des Textes. Aber das Band zwischen Rang 20 000 und Rang 50 000 besteht nicht aus Rauschen: dort steht gewöhnliches, langweiliges, völlig lernbares Französisch, das ein Untertitler ein paar hundert Mal benutzt hat und das eine Abdeckungstabelle auf null rundet.

Vorbehalt 2: das ist Filmdialog, und die Rangliste zeigt es

Das Korpus ist OpenSubtitles: was Menschen einander auf der Leinwand sagen. Das Register ist in der Rangliste ohne jeden statistischen Apparat sichtbar. je ist laut dieser Liste die zweithäufigste Form der Sprache; vous steht auf acht und tu auf neun. Nach Vorkommensmasse machen die Personalpronomen der ersten und zweiten Person — je, j', me, m', moi, nous, tu, t', te, toi, vous — 9,09 Prozent aller Wörter des Korpus aus, während die Subjektpronomen der dritten Person il, elle, ils und elles zusammen 2,10 Prozent ausmachen. In erzählender Prosa oder im Journalismus ist dieses Verhältnis umgekehrt. Dreiundzwanzig der hundert häufigsten Formen sind Marker der ersten oder zweiten Person, und die Liste enthält außerdem non auf Rang 42, oui auf 54, quoi auf 61, pourquoi auf 75, bon auf 93 und merci auf 95.

Es gibt einen zweiten, schärferen Fingerabdruck. Unter den ersten 2 000 Formen sind 67 Bindestrich-Cluster aus Verb und Pronomen: est-ce, avez-vous, a-t-il, es-tu, dis-moi, laissez-moi, allez-y, vas-y, excusez-moi. Das sind Dinge, die man einem Gegenüber laut sagt. Eine französische Zeitung enthält fast keine davon. Die ehrliche Beschreibung der ersten Tabellenspalte lautet daher nicht „Abdeckung des Französischen“, sondern „Abdeckung des gesprochenen Französisch, wie Untertitler es aufschreiben“ — und die Abdeckungskurve eines Romans oder einer Tageszeitung wäre auf jedem Rang flacher und niedriger, weil geschriebene Register ihre Vorkommen über einen breiteren Wortschatz verteilen. Um wie viel, können wir nicht sagen: dafür bräuchte es ein zweites Korpus, und dieser Artikel misst nur das eine, das er hat.

Vorbehalt 3: Formen sind keine Wörterbucheinträge — aber der Abstand beträgt nur neun Prozent

Eine Häufigkeitsliste zählt Oberflächenformen. est, a, été, sont und ont sind darin fünf Einträge und im Wörterbuch zwei Verben. „1 000 Wörter“ ist also nicht, was die Liste liefert: sie liefert 1 000 Formen, und das sind weniger Wörter. Wir haben die Schrumpfung am eigenen französischen Lexikon dieser Seite gemessen, 46 159 aus dem Wiktionnaire importierten Einträgen, indem jede Form auf ihr Lemma aufgelöst wurde, wo der Eintrag sich als Flexion eines anderen ausweist. Die ersten 100 Formen sind 91 verschiedene Lemmata, davon 21 gebeugte Formen. Die ersten 500 sind 453 Lemmata mit 120 Flexionen. Die ersten 1 000 sind 912 Lemmata mit 239 Flexionen. Die ersten 2 000 sind 1 816 Lemmata mit 480 Flexionen. Die Schrumpfung beträgt 9,0, 9,4, 8,8 und 9,2 Prozent.

Auffällig ist, wie klein das ist. Die Korrektur, die man hier erwartet, ist dramatisch — halbiere die Zahl, heißt es, französische Verben werden ja konjugiert. Sie beträgt neun Prozent und ist über den gesamten Bereich stabil. Der Grund: der Kopf der Liste ist weitgehend unveränderlich. Präpositionen, Artikel, Pronomen und Adverbien haben kein Paradigma zum Zusammenfallen, und die Verben ganz oben sind so wenige, dass selbst all ihre Formen zusammen die Zählung kaum berühren. Eine andere Frage ist, ob die Formen überhaupt im Wörterbuch stehen: 94,0 Prozent der ersten 2 000 haben einen Eintrag im Lexikon dieser Seite. Die verbleibenden 6 Prozent bestehen überwiegend aus Zeichenketten, für die kein Wörterbuch ein Stichwort führt — die 14 elidierten Klitika c', j', l', d', qu', n', s', t', m' und ihresgleichen, die 67 Bindestrich-Cluster aus Verb und Pronomen, sowie zwei Abkürzungen. Elisionen allein sind 14 Formen, sie können also nicht die gesamte Lücke von rund 120 ausmachen; die ehrliche Aussage lautet, dass der Großteil der Lücke strukturell ist und der Rest die gewöhnliche Unvollständigkeit jedes Wörterbuchs.

Vorbehalt 4: die 80 Prozent, die du kennst, tragen fast nichts von der Bedeutung

Die ersten drei Vorbehalte stutzen die Zahl. Dieser zerlegt sie. Abdeckung gewichtet jedes Vorkommen gleich: le zählt so viel wie prévenu. Aber beide tragen nicht dieselbe Informationsmenge, und die Rangliste ist so gebaut, dass die informationsärmsten Vorkommen ganz oben stehen. Von den 80,77 Prozent, die die ersten tausend Formen abdecken, liefern die ersten hundert 71,4 Prozent — die gesamte 900-Formen-Strecke von Rang 101 bis Rang 1 000 fügt dem Gesamtwert nur 23,09 Punkte hinzu. Und was steht in diesen ersten hundert? Präpositionen, Artikel, Pronomen, die Verneinung, die Hilfsverben, eine Handvoll sehr häufiger Verben wie faire, dire und savoir, und die Gesprächsfüller oui, non, bon und merci. Das bestplatzierte gewöhnliche Substantiv der ganzen Hundert ist chose — „Ding“ — auf Rang 92. Ein Wortschatz, der nichts benennt, kann dir nicht sagen, wovon ein Satz handelt.

Hier die Demonstration an einem völlig gewöhnlichen französischen Satz: „Il a dit qu'on ne pouvait pas savoir si le prévenu avait été mis en examen pour recel aggravé.“ Er hat zwanzig Vorkommen. Sechzehn davon liegen in den Top 1 000 — il auf Rang 14, a auf 15, dit auf 71, qu' auf 26, on auf 21, ne auf 17, pouvait auf 697, pas auf 4, savoir auf 200, si auf 38, le auf 5, avait auf 125, été auf 99, mis auf 397, en auf 20, pour auf 27. Das sind exakt 80 Prozent Abdeckung, die Schlagzeilenzahl, erreicht an einem echten Satz. Die vier Vorkommen außerhalb sind prévenu (Rang 2 710), examen (2 175), recel (26 425) und aggravé (20 608).

Lies nun, was der Leser, der die Top 1 000 perfekt beherrscht und nichts darüber hinaus, tatsächlich sieht: „Il a dit qu'on ne pouvait pas savoir si le ___ avait été mis en ___ pour ___ ___.“ Er weiß, dass es einen Mann gibt, dass jemand etwas über ihn gesagt hat, dass es nicht zu wissen war, und dass die Zeitform Vergangenheit ist. Er weiß nicht, wer der Mann ist, was ihm widerfuhr, oder was ihm vorgeworfen wird — also den gesamten Inhalt des Satzes. Schlimmer noch: eine der vier Unbekannten ist eine Falle für Halbwissende. examen sieht nach einer Schulprüfung aus, und mis en examen ist eine feste juristische Wendung. Die Teile zu verstehen erzeugt hier eine selbstsichere Fehllesart statt einer Lücke. Das ist der Abstand zwischen 80 Prozent Abdeckung und Verstehen, und er schließt sich nicht allmählich — er schließt sich, wenn die Inhaltswörter kommen, tausende Ränge weiter unten in der Liste.

Die Zahl, die sich zu verfolgen lohnt, und was sie an Lernstunden kostet

Die Literatur zur Wortschatzgröße verwendet 80 Prozent als Schwelle für gar nichts, weil niemand bei 80 Prozent liest. Nations Studie von 2006 setzt die für selbstständiges Verstehen nötige Abdeckung bei 98 Prozent an und schätzt den dafür erforderlichen Wortschatz im Englischen auf 8 000 bis 9 000 Wortfamilien für geschriebenen und 6 000 bis 7 000 für gesprochenen Text. Laufer und Ravenhorst-Kalovski finden dieselbe optimale Schwelle von 98 Prozent bei rund 8 000 Familien, mit einer Mindestschwelle von 95 Prozent bei 4 000 bis 5 000 Familien, unterhalb derer das Verstehen steil abfällt. Cobbs Arbeit zur selben Frage ist die Anlaufstelle, wenn du die Debatte darüber willst, ob Lesen allein dorthin führt. Deine Zahlen sind englische Wortfamilien, unsere französische Oberflächenformen — die beiden Wortschatzgrößen sind also nicht vergleichbar. Die Abdeckungsschwellen sind es, und sie sagen dasselbe: 80 Prozent ist kein Meilenstein, sondern die Startlinie.

Auf dieses Korpus angewandt haben diese Schwellen Preise. 95 Prozent des gesprochenen, untertitelten Französisch zu erreichen kostet rund 13 909 Formen. 98 Prozent zu erreichen kostet rund 40 652. Das ist kein Grund zu verzweifeln, sondern ein Grund, die ersten tausend nicht mehr als Leistung, sondern als geschenkt zu behandeln. Geschenkt sind sie: sie kommen binnen Wochen von selbst, denn man liest keine Seite, ohne de, je, est und pas mehrfach zu begegnen. Zeit kostet alles danach, und billiger wird es, wenn man das Register wählt, das man will. Wenn du Zeitungen lesen willst, wird dir die Häufigkeitsliste von Untertiteln den Zeitungswortschatz nicht liefern, so tief du auch in sie hineingehst.

Für ein Zeitbudget statt eines Wortbudgets ist der Rechner auf dieser Seite das ehrliche Instrument. Er skaliert die Schwierigkeitskategorien des Foreign Service Institute, die Französisch für Englischsprachige in die leichteste Gruppe einordnen, und fragt nach deinem tatsächlichen Tempo. Bei seinen Standardannahmen — Französisch, Zielniveau B2, erste Fremdsprache, eine Stunde am Tag an fünf Tagen die Woche — gibt er 600 Lernstunden aus, bei diesem Tempo 120 Wochen, also knapp achtundzwanzig Monate. Stell das Tempo auf zwei Stunden an sechs Tagen um, und dieselben 600 Stunden passen in 50 Wochen. Die Wortschatzkurve sagt dir, was du mit diesen Stunden kaufst; der Rechner sagt dir, wie viele davon der Plan braucht, den du wirklich durchhältst.

Häufige Fragen

Ist „1 000 Wörter sind 80 Prozent des Französischen“ also schlicht falsch?

Sie ist rechnerisch vertretbar und rhetorisch unredlich, was schlimmer ist als falsch zu sein. Die Rechnung: In diesem Korpus machen die ersten 1 000 Formen tatsächlich 80,77 Prozent der Vorkommen innerhalb des 50 000-Formen-Ausschnitts aus und 79,45 Prozent des gesamten Korpus. Die Unredlichkeit liegt darin, wozu der Satz einlädt. „80 Prozent des Französischen“ klingt nach „du verstehst vier von fünf Sätzen“ und heißt „vier von fünf Wörtern kommen dir bekannt vor“ — zwei völlig verschiedene Aussagen, weil im fünften Wort die Bedeutung wohnt. Eine genauere Fassung derselben wahren Tatsache lautete: die ersten tausend Formen des Französischen sind die Grammatik, sie kommen schnell, und wenn du sie hast, hat die Sprache noch nicht angefangen.

Wie viele französische Wörter brauche ich denn wirklich?

Ziele auf eine Abdeckungszahl, nicht auf eine Wortzahl, und rechne dann um. Der Forschungskonsens lautet, dass selbstständiges Verstehen etwa 98 Prozent Abdeckung braucht und 95 Prozent der Boden ist, unter dem Lesen zum Entziffern wird. In diesem Korpus gesprochenen Französisch kostet 95 Prozent Abdeckung rund 13 909 Formen und 98 Prozent rund 40 652. Das sind Oberflächenformen in einem einzigen Register: sie sind damit eine Obergrenze für Wörterbucheinträge und eine Untergrenze für das, was eine Zeitung verlangte — neun Prozent von ihnen fallen auf gemeinsame Lemmata zusammen, und ein geschriebenes Korpus verteilte dieselbe Abdeckung auf mehr Wortschatz. Jede Antwort im niedrigen Tausenderbereich beantwortet eine andere Frage: wie viele Wörter, um einem einfachen Gespräch über Vertrautes zu folgen — was echt und nützlich ist und nicht dasselbe wie Französisch verstehen.

Spielt es wirklich eine Rolle, dass die Liste Formen statt Wörterbuchwörter zählt?

Weniger, als man annimmt, jedenfalls am Kopf der Liste. Wir haben es gemessen: die ersten 1 000 Formen lösen sich in 912 verschiedene Lemmata auf, und die Zahl beträgt 91 für die ersten 100, 453 für die ersten 500 und 1 816 für die ersten 2 000 — durchgehend eine Schrumpfung zwischen 8,8 und 9,4 Prozent. Die Intuition, die französische Konjugation müsse die Zählung halbieren, ist für diesen Teil der Liste falsch, weil der Kopf von unveränderlichen Wörtern beherrscht wird. Wo es zählt, ist praktisch, nicht statistisch: die Liste liefert dir avait und été als zwei getrennte Einträge, und wer sie getrennt lernt, hat zwei Fakten statt eines Systems gelernt. Die Abhilfe kostet nichts — schlag die Form nach, und der Wörterbucheintrag sagt dir, dass sie eine Form von avoir oder être ist und kein eigenes Wort.

Wären die Zahlen für eine Zeitung oder einen Roman anders?

Ja, und zwar in der Richtung, die die 80-Prozent-Behauptung verschlechtert statt verbessert. Geschriebene Register benutzen für dieselbe Menge Inhalt einen breiteren Wortschatz, ihre Häufigkeitskurven sind also flacher: die ersten tausend Formen deckten weniger ab, und jede Schwelle läge weiter unten in der Liste. Der Beleg dafür in unseren eigenen Daten ist der Registerfingerabdruck — Pronomen der ersten und zweiten Person bei 9,09 Prozent aller Vorkommen, 67 gesprochene Inversionsformen wie avez-vous und dis-moi in den ersten 2 000, merci auf Rang 95. Nichts davon gehört zum Zeitungsfranzösisch. Was wir nicht können, ist die Größe des Unterschieds zu beziffern: dafür bräuchte es ein zweites, gleich gemessenes Korpus geschriebenen Französisch, und dieser Artikel misst das Korpus, das er hat, statt das andere zu schätzen.

Gelten diese Zahlen auch für Englisch, Deutsch oder Italienisch?

Die Gestalt ja, die Zahlen nein. Jede Sprache erzeugt dieselbe erst steile, dann flache Häufigkeitskurve — das Zipfsche Gesetz —, und der Artikel dieser Seite dazu passt die Steigung über sechs Sprachen an. Aber die konkreten Werte hier — 80,77 Prozent auf Rang 1 000, 13 909 Formen für 95 Prozent, die Form-zu-Lemma-Schrumpfung von 9 Prozent — wurden am Französischen gemessen und gehören dem Französischen. Eine morphologisch reichere Sprache verteilt ihre Vorkommen auf mehr Formen und schrumpfte stärker auf Lemmata; eine analytischere täte das Gegenteil. Wir haben sie nicht gemessen, also zitieren wir sie nicht. Alles auf dieser Seite handelt davon, wie viel Französisch du brauchst — und genau das willst du wissen, in welcher Sprache du diese Seite auch liest.