Mille mots français couvrent 80 % — et ne t'apprennent rien

Ce que mesure vraiment le chiffre de 80 %

La mesure derrière l'affirmation est simple et elle est honnête. Prends un grand ensemble de français, compte chaque occurrence de mot, trie les formes distinctes par fréquence, puis demande : si je parcourais le texte en ne connaissant que les N formes les plus fréquentes, quelle fraction des mots rencontrés reconnaîtrais-je ? Cette fraction s'appelle la couverture. Nos chiffres viennent de 312 994 233 mots de sous-titres français, où 50 000 formes distinctes ont été dénombrées. Les 10 formes les plus fréquentes couvrent à elles seules 18,54 % de tout ce qui est dit. Les 100 premières couvrent 57,68 %. Les 1 000 premières couvrent 80,77 %, et les 2 000 premières 85,90 %.

Il vaut la peine de regarder la tête de cette liste avant d'en tirer quoi que ce soit. Dans l'ordre, les vingt formes les plus fréquentes du français dans ce corpus sont : de, je, est, pas, le, que, la, vous, tu, un, c', à, et, il, a, l', ne, les, j', en. Pas un nom parmi elles, pas un adjectif, et pas un verbe qui nomme une action plutôt qu'un auxiliaire. Ce sont les tissus conjonctifs de la langue — prépositions, pronoms, articles, négation, copule. C'est précisément pour cela qu'elles sont fréquentes : le français en a besoin dans presque chaque phrase, quel que soit le sujet de la phrase.

La courbe que dessinent ces formes est très raide au départ puis presque plate, ce qui est la forme générale de la fréquence des mots dans toutes les langues — l'article du site sur la loi de Zipf ajuste la pente sur six livres en six langues et elle ne sera pas redémontrée ici. Ce qui compte pour un apprenant, c'est la conséquence pratique de cette forme. Passer de rien à 80 % de couverture demande environ mille formes. Passer de 80 % à 90 % en demande environ quatre mille de plus. Passer de 90 % à 95 % en demande neuf mille encore. Chaque point de couverture supplémentaire s'achète à un prix qui monte en flèche, et les quatre réserves de cet article disent toutes pourquoi ces derniers points comptent bien plus que les quatre-vingts premiers.

Réserve n° 1 : le dénominateur est une tranche de 50 000 formes, pas le français

Chaque chiffre de la première colonne du tableau est un pourcentage d'une liste qui s'arrête à 50 000 formes. Le vrai français ne s'arrête pas là. Le même éditeur publie aussi la liste non tronquée de ce corpus, et elle contient 834 768 formes distinctes pour 318 214 450 mots — dont la tranche de 50 000 formes représente 98,360 %. La tranche n'est donc pas un petit échantillon, mais elle n'est pas le tout non plus, et chaque couverture calculée à l'intérieur est gonflée d'un facteur d'environ 1,017. Rapportées au vrai dénominateur, les 1 000 premières formes couvrent 79,45 % et non 80,77 %, et les 2 000 premières 84,49 % et non 85,90 %. Les deux colonnes sont dans le tableau pour que tu voies la taille de la correction au lieu de la croire sur parole.

Un point et demi ressemble à une erreur d'arrondi. Ce n'en est pas une, à cause de l'endroit de la courbe où l'erreur tombe. Formulé à l'envers — combien de formes faut-il pour atteindre une couverture donnée —, la tranche tronquée dit que 9 556 formes atteignent 95 % et 20 984 atteignent 98 %. Le corpus entier dit que 13 909 formes atteignent 95 % et 40 652 atteignent 98 %. Là où la courbe est plate, une petite erreur de couverture devient une très grosse erreur de taille de vocabulaire : au seuil de 98 %, le dénominateur tronqué sous-estime l'exigence d'un facteur de presque deux. Quiconque cite un objectif de vocabulaire tiré d'une liste de fréquence tronquée cite un nombre faux dans le sens qui l'arrange.

La queue n'est pas non plus vide de tout ce qui t'intéresserait. Sur les 834 768 formes de la liste complète, 389 191 — près de la moitié du vocabulaire du corpus — n'apparaissent qu'une seule fois en 318 millions de mots. Ce sont des noms propres, des fautes de frappe, des mots étrangers et de vraies raretés ; individuellement négligeables, collectivement 0,12 % du texte. Mais la bande entre le rang 20 000 et le rang 50 000 n'est pas faite de bruit : elle contient du français ordinaire, ennuyeux, parfaitement apprenable, qu'un sous-titreur a employé quelques centaines de fois et qu'un tableau de couverture arrondit à rien.

Réserve n° 2 : c'est du dialogue de cinéma, et le classement le montre

Le corpus, c'est OpenSubtitles : ce que les gens se disent à l'écran. Le registre se voit dans le classement sans le moindre appareil statistique. je est la deuxième forme la plus fréquente de la langue selon cette liste ; vous est huitième et tu neuvième. En masse d'occurrences, les pronoms personnels de première et deuxième personne — je, j', me, m', moi, nous, tu, t', te, toi, vous — pèsent 9,09 % de tous les mots du corpus, tandis que les pronoms sujets de troisième personne il, elle, ils et elles réunis pèsent 2,10 %. En prose narrative ou en presse, ce rapport est inversé. Vingt-trois des cent formes les plus fréquentes sont des marques de première ou de deuxième personne, et la liste contient aussi non au rang 42, oui au 54, quoi au 61, pourquoi au 75, bon au 93 et merci au 95.

Il y a une deuxième empreinte, plus nette. Parmi les 2 000 premières formes, 67 sont des blocs à trait d'union formés d'un verbe et de son pronom : est-ce, avez-vous, a-t-il, es-tu, dis-moi, laissez-moi, allez-y, vas-y, excusez-moi. Ce sont des choses qu'on dit à voix haute à quelqu'un qui se tient devant soi. Un journal français n'en contient presque aucune. La description honnête de la première colonne du tableau n'est donc pas « couverture du français » mais « couverture du français parlé tel que les sous-titreurs l'écrivent », et la courbe de couverture d'un roman ou d'un quotidien serait plus plate et plus basse à chaque rang, parce que les registres écrits répartissent leurs occurrences sur un vocabulaire plus large. De combien, nous ne pouvons pas le dire : il faudrait un second corpus, et cet article ne mesure que celui qu'il a.

Réserve n° 3 : une forme n'est pas une entrée de dictionnaire — mais l'écart n'est que de neuf pour cent

Une liste de fréquence compte des formes de surface. est, a, été, sont et ont y font cinq entrées et, dans un dictionnaire, deux verbes. « 1 000 mots » n'est donc pas ce que donne la liste : elle donne 1 000 formes, ce qui fait moins de mots. Nous avons mesuré la contraction sur le lexique français du site lui-même, 46 159 entrées importées du Wiktionnaire, en résolvant chaque forme vers son lemme lorsque l'entrée se déclare flexion d'une autre. Les 100 premières formes valent 91 lemmes distincts, dont 21 formes fléchies. Les 500 premières valent 453 lemmes, avec 120 flexions. Les 1 000 premières valent 912 lemmes, avec 239 flexions. Les 2 000 premières valent 1 816 lemmes, avec 480 flexions. La contraction est respectivement de 9,0 %, 9,4 %, 8,8 % et 9,2 %.

Ce qui frappe, c'est à quel point c'est peu. La correction qu'on attend ici est spectaculaire — divise par deux, dit-on, puisque les verbes français se conjuguent. Elle est de neuf pour cent, et elle est stable sur toute la plage. La raison est que la tête de liste est massivement invariable : prépositions, articles, pronoms et adverbes n'ont pas de paradigme à contracter, et les verbes qui apparaissent tout en haut sont si peu nombreux que même toutes leurs formes réunies entament à peine le compte. Autre question : ces formes figurent-elles seulement au dictionnaire ? 94,0 % des 2 000 premières ont une entrée dans le lexique du site. Les 6 % restants sont dominés par des chaînes dont aucun dictionnaire ne fait un mot-vedette — les 14 clitiques élidés c', j', l', d', qu', n', s', t', m' et leurs semblables, les 67 blocs verbe-pronom à trait d'union, et deux abréviations. Les élisions à elles seules font 14 formes : elles ne peuvent donc pas constituer la totalité d'un écart d'environ 120. L'énoncé honnête est que l'essentiel de l'écart est structurel, et que le reste est l'incomplétude ordinaire de tout dictionnaire.

Réserve n° 4 : les 80 % que tu connais ne portent presque aucun sens

Les trois premières réserves rabotent le chiffre. Celle-ci le démonte. La couverture pèse chaque occurrence à égalité : le compte autant que prévenu. Mais les deux ne portent pas la même quantité d'information, et le classement est construit de telle sorte que les occurrences qui en portent le moins se trouvent tout en haut. Sur les 80,77 % que couvrent les mille premières formes, les cent premières en fournissent 71,4 % — toute la tranche de 900 formes allant du rang 101 au rang 1 000 n'ajoute que 23,09 points au total. Et qu'y a-t-il dans cette première centaine ? Des prépositions, des articles, des pronoms, la négation, les auxiliaires, une poignée de verbes très fréquents comme faire, dire et savoir, et les béquilles de conversation oui, non, bon et merci. Le nom commun le mieux classé de toute la centaine est chose, au rang 92. Un vocabulaire qui ne nomme rien ne peut pas te dire de quoi parle une phrase.

Voici la démonstration, sur une phrase de français parfaitement ordinaire : « Il a dit qu'on ne pouvait pas savoir si le prévenu avait été mis en examen pour recel aggravé. » Elle compte vingt occurrences. Seize sont dans le top 1 000 — il au rang 14, a au 15, dit au 71, qu' au 26, on au 21, ne au 17, pouvait au 697, pas au 4, savoir au 200, si au 38, le au 5, avait au 125, été au 99, mis au 397, en au 20, pour au 27. Cela fait exactement 80 % de couverture, le chiffre vedette, obtenu sur une phrase réelle. Les quatre occurrences restées dehors sont prévenu (rang 2 710), examen (2 175), recel (26 425) et aggravé (20 608).

Lis maintenant ce que voit réellement le lecteur qui maîtrise parfaitement le top 1 000 et rien au-delà : « Il a dit qu'on ne pouvait pas savoir si le ___ avait été mis en ___ pour ___ ___. » Il sait qu'il y a un homme, que quelqu'un a dit quelque chose à son sujet, que ce n'était pas connaissable, et que le temps est le passé. Il ignore qui est cet homme, ce qui lui est arrivé, et ce qu'on lui reproche — c'est-à-dire tout le contenu de la phrase. Pire, l'une des quatre inconnues est un piège pour qui sait à moitié : examen ressemble à un examen scolaire, et mis en examen est une locution juridique figée. Comprendre les pièces produit ici une lecture fausse et assurée plutôt qu'un blanc. Voilà l'écart entre 80 % de couverture et la compréhension, et il ne se referme pas progressivement — il se referme quand arrivent les mots pleins, des milliers de rangs plus bas dans la liste.

Le chiffre qui vaut la peine d'être visé, et ce qu'il coûte en heures d'étude

La littérature sur la taille du vocabulaire n'utilise 80 % comme seuil de rien, parce que personne ne lit à 80 %. L'étude de Nation en 2006 place la couverture nécessaire à une compréhension autonome à 98 %, et estime le vocabulaire requis pour l'atteindre en anglais entre 8 000 et 9 000 familles de mots à l'écrit et entre 6 000 et 7 000 à l'oral. Laufer et Ravenhorst-Kalovski retrouvent le même seuil optimal de 98 %, autour de 8 000 familles, avec un seuil minimal de 95 % à 4 000-5 000 familles en deçà duquel la compréhension se dégrade brutalement. Les travaux de Cobb sur la même question sont l'endroit où aller si tu veux le débat sur la capacité de la seule lecture à t'y mener. Leurs nombres sont des familles de mots anglais et les nôtres des formes de surface françaises : les deux tailles de vocabulaire ne sont donc pas comparables — mais les seuils de couverture le sont, et ils disent la même chose : 80 % n'est pas une étape, c'est la ligne de départ.

Appliqués à ce corpus, ces seuils ont un prix. Atteindre 95 % du français parlé tel qu'il est sous-titré demande environ 13 909 formes. Atteindre 98 % en demande environ 40 652. Ce n'est pas une raison de désespérer, c'est une raison d'arrêter de traiter les mille premières comme un accomplissement et de commencer à les traiter comme gratuites. Elles le sont : elles arrivent seules en quelques semaines, car on ne lit pas une page sans croiser plusieurs fois de, je, est et pas. Ce qui coûte du temps, c'est tout ce qui vient après, et ce qui en réduit le coût, c'est de choisir le registre visé. Si tu comptes lire la presse, la liste de fréquence des sous-titres ne te donnera pas le vocabulaire de la presse, aussi loin que tu y descendes.

Pour un budget de temps plutôt qu'un budget de mots, le calculateur de cette page est l'instrument honnête. Il met à l'échelle les catégories de difficulté du Foreign Service Institute, qui classent le français dans le groupe le plus facile pour un anglophone, et demande ton rythme réel. Avec ses hypothèses par défaut — français, niveau visé B2, première langue étrangère, une heure par jour cinq jours par semaine — il renvoie 600 heures d'étude, soit à ce rythme 120 semaines, un peu moins de vingt-huit mois. Passe à deux heures par jour six jours par semaine et les mêmes 600 heures tiennent en 50 semaines. La courbe de vocabulaire te dit ce que tu achètes avec ces heures ; le calculateur te dit combien il en faut au rythme que tu tiendras vraiment.

Questions fréquentes

« 1 000 mots, c'est 80 % du français » est-il donc simplement faux ?

C'est arithmétiquement défendable et rhétoriquement malhonnête, ce qui est pire que d'être faux. L'arithmétique : sur ce corpus, les 1 000 premières formes valent bien 80,77 % des occurrences dans la tranche de 50 000 formes, et 79,45 % du corpus entier. La malhonnêteté est dans ce que la phrase invite à conclure. « 80 % du français » sonne comme « tu comprendras quatre phrases sur cinq », alors que cela signifie « quatre mots sur cinq te seront familiers » : deux affirmations radicalement différentes, parce que le cinquième mot est là où loge le sens. Une version plus exacte du même fait vrai serait : les mille premières formes du français sont la grammaire, elles arrivent vite, et une fois acquises la langue n'a pas encore commencé.

De combien de mots français ai-je donc réellement besoin ?

Vise un taux de couverture, pas un nombre de mots, puis convertis. Le consensus de la recherche est qu'une compréhension autonome demande environ 98 % de couverture, et que 95 % est le plancher sous lequel la lecture devient du décodage. Sur ce corpus de français parlé, 95 % de couverture demandent environ 13 909 formes et 98 % environ 40 652. Ce sont des formes de surface dans un seul registre : elles majorent donc le nombre d'entrées de dictionnaire et minorent ce qu'exigerait un journal — neuf pour cent d'entre elles se rabattent sur des lemmes partagés, et un corpus écrit étalerait la même couverture sur plus de vocabulaire. Toute réponse de l'ordre de quelques milliers répond à une autre question : combien de mots pour suivre une conversation simple sur des choses familières, ce qui est réel, utile, et n'est pas la même chose que comprendre le français.

Est-ce vraiment important que la liste compte des formes et non des mots de dictionnaire ?

Moins qu'on ne le suppose, du moins en tête de liste. Nous l'avons mesuré : les 1 000 premières formes se résolvent en 912 lemmes distincts, et le chiffre est de 91 pour les 100 premières, 453 pour les 500 premières et 1 816 pour les 2 000 premières — une contraction comprise entre 8,8 % et 9,4 % partout. L'intuition selon laquelle la conjugaison française diviserait le compte par deux est fausse pour cette partie de la liste, parce que la tête est dominée par des mots invariables. Là où cela compte, c'est pratiquement et non statistiquement : la liste te donnera avait et été comme deux entrées séparées, et si tu les apprends séparément tu as appris deux faits au lieu d'un système. Le remède ne coûte rien — cherche la forme, et l'entrée du dictionnaire te dira qu'il s'agit d'une forme d'avoir ou d'être et non d'un mot à part entière.

Les chiffres seraient-ils différents pour un journal ou un roman ?

Oui, et dans le sens qui aggrave l'affirmation des 80 % plutôt qu'il ne l'améliore. Les registres écrits emploient un vocabulaire plus large pour dire la même quantité de choses, donc leurs courbes de fréquence sont plus plates : les mille premières formes couvriraient moins, et chaque seuil se situerait plus bas dans la liste. La preuve dans nos propres données, c'est l'empreinte de registre — pronoms de première et deuxième personne à 9,09 % de toutes les occurrences, 67 formes d'inversion orales comme avez-vous et dis-moi dans les 2 000 premières, merci au rang 95. Rien de tout cela n'appartient au français de presse. Ce que nous ne pouvons pas faire, c'est vous donner l'ampleur de l'écart : il faudrait un second corpus de français écrit mesuré de la même façon, et cet article mesure le corpus qu'il a plutôt que d'estimer l'autre.

Ces chiffres valent-ils aussi pour l'anglais, l'allemand ou l'italien ?

La forme oui, les chiffres non. Toutes les langues produisent la même courbe de fréquence, raide puis plate, c'est la loi de Zipf, et l'article du site à ce sujet ajuste cette pente sur six langues. Mais les chiffres précis donnés ici — 80,77 % au rang 1 000, 13 909 formes pour 95 %, la contraction forme-lemme de 9 % — ont été mesurés sur le français et appartiennent au français. Une langue morphologiquement plus riche répartit ses occurrences sur davantage de formes et se contracterait plus fort vers les lemmes ; une langue plus analytique ferait l'inverse. Nous ne les avons pas mesurées, donc nous ne les citerons pas. Tout dans cette page porte sur la quantité de français nécessaire, ce qui est précisément ce que tu veux savoir, quelle que soit la langue dans laquelle tu lis cette page.