BNC/COCA 最頻3000語族リスト｜英単語を「なかま」でまとめて数える

結論: BNC/COCA の最頻 3,000 語族を、語形つきで全文公開する。1 語族は見出し語とその活用形をまとめた単位で、3,000 語族には 19,107 の語形が含まれる。編集部が英語小説で測ったところ、この 3,000 語族で本文の 93.9% をカバーできた。

英単語を「1 語ずつ」ではなく「なかま」で数えるリスト

このページが公開しているリストの数える単位は、単語ではなく語族 (word family) である。語族とは、見出し語と、そこから作られる活用形・派生形をひとまとめにした「なかま」のこと。中学生向けに言えば、同じ名字の家族を一人ずつではなく「1 軒」と数えるようなものだ。

例えば able を見出し語とする語族には、ability も unable も同じなかまとして入る。use を見出し語とする語族なら、used や useful や user が同居する。学習者の目には別々の単語に見えても、このリストはまとめて 1 つとして扱う。

この違いは見た目より大きい。greencafe 編集部が配布ファイルを実際に数えたところ、1st〜3rd 1000 の 3,000 語族には 19,107 個の語形が入っていた。帯ごとの内訳は、最初の 1,000 語族が 6,857 語形、次の 1,000 語族が 6,370 語形、3 番目の 1,000 語族が 5,880 語形。1 語族あたり平均で約 6.4 の語形になる。

なぜわざわざこの数え方をするのか。use を知っている人が useful を初めて見たとき、その語をゼロから覚え直すわけではないからだ。形と意味のつながりが見えていれば、覚える負担は新しい単語 1 個分より軽くなる。語族という単位は、この「ついでに分かる」分を重ねて数えないための工夫である。

つまり「3,000 語族を覚えた」という状態は、語形で数え直せば 6 倍以上の規模を指している。もっとも、語形が 1 つしかない語族も 140 あり、ふくらみ方は語によってかなり違う。英単語は何個覚えれば読める・聞けるのかという問いの答えが資料ごとにばらつく最大の理由は、この数える単位の食い違いにある。

なぜ 3,000 語族が節目として語られるのか

語彙量の研究では、カバー率 (coverage) という考え方を使う。文章に出てくる語のうち、読み手が知っている語が何割かを示す数字だ。100 語の英文で 95 語を知っていればカバー率は 95%、つまり 20 語に 1 語は知らない語が混ざる状態になる。

Hu と Nation (2000) は、この割合を人工的に変えた英文で読解テストを行った。ここでの Nation は、語彙リストの作り方を長年まとめてきたニュージーランドの研究者である。結果として、辞書なしで内容を十分につかめた学習者はカバー率 98% の条件にほぼ限られ、95% では大きく落ち込んだ。

Laufer と Ravenhorst-Kalovski (2010) は、この閾値をもう一度検証した。読める最低ラインを 95%、余裕を持って読めるラインを 98% と位置づけ、それぞれ約 4,000〜5,000 語族、約 8,000 語族が対応するとした。Nation (2006) も、小説や新聞を 98% で読むには 8,000〜9,000 語族が要ると見積もっている。

ただし Schmitt、Jiang、Grabe (2011) は、98% を境に急に読めるようになる段差はないと報告した。カバー率と理解度はゆるやかな直線に近い関係で、どこまで知っているかがそのまま理解度に効く、という見方だ。この線で読むと、3,000 語族はゴールではなく、伸ばした分だけ手応えが返ってくる区間の入口にあたる。

3,000 語族で本当に読めるのか、実際の英文で測った

閾値の話は多くの記事で引かれるが、自分が読む英文に当てはめた数字を見る機会は少ない。そこで greencafe 編集部は、著作権の切れた英語小説を使ってカバー率を実測した。素材は Conan Doyle の The Adventures of Sherlock Holmes の冒頭 10,816 語で、固有名詞などは除いてある。

結果は次のとおりだった。BNC/COCA の 1st〜2nd 1000 でカバー率 91.5%、1st〜3rd 1000 で 93.9%。同じ本文に対して 95% に届くには 4,000 語族、98% に届くには 7,000 語族が必要だった。

つまり 3,000 語族では 95% に届かない。20 語に 1 語より多く未知語が残る計算で、辞書を引かずに読み通すには足りない。ここを「3,000 語族で読める」と書いてしまうと、実際に読んだときの手応えと合わなくなる。

同時に、93.9% という数字は決して小さくない。本文の 10 語に 9 語以上はすでに知っている語になるので、残りを前後の文脈や辞書で埋めながら進める段階には入れる。英語の本をたくさん読むと本当に力がつくのかという多読の議論も、この「ほぼ読める」水準に達してから現実味を帯びる。

このリストがこの並びになっている理由

BNC/COCA word family lists は、2 つの大きなコーパスを組み合わせて作られている。コーパスとは、実際に使われた文章を大量に集めた電子的な資料庫のことで、言葉の人口調査のようなものだと考えるとわかりやすい。BNC はイギリス英語を約 1 億語集めたもの、COCA はアメリカ英語の現代文を集めた大規模なものだ。

Nation (2016) は、リストを作るときに単純な出現回数だけを見てはいけないと述べている。同じ回数でも、特定の分野に偏って出る語と、どんな文章にも広く出る語では学習者にとっての価値が違うからだ。この「広さ」を重く見る設計が、BNC/COCA リストの並びを決めている。

その結果、このリストは母語話者が語彙を増やしていく順番をそのまま写したものにはなっていない。外国語として英語を学ぶ人が、少ない努力で多くの英文をカバーできる順に並べ替えたリストだと考えるのが正確だ。編集部が別の頻出語リストと突き合わせたところ、NGSL の見出し語 2,809 のうち 2,794 までが、この最頻 3,000 語族の中に収まった。方針の違うリスト同士でも、土台の部分はほぼ同じ語で構成されているということになる。

このリストの使い方

このリストの一番実用的な使い方は、覚える順番を決めることではなく、自分が読みたい英文がどの帯まで必要としているかを測ることだ。手元の英文に出てくる語がどの帯に属するかを調べれば、いま足りていないのが 2nd 1000 なのか、それとも 3,000 語族より外側なのかがはっきりする。

下の表には「頻度の帯」という列がある。1000語目まで、2000語目まで、3000語目までの 3 段階で、前の帯ほど英文に出てくる回数が多い。知らない語がどの帯に集中しているかを見れば、手元の英文が自分にとってどれくらい背伸びなのかが数字で分かる。

測った結果、未知語の多くが 1st〜3rd 1000 に入っていたなら、まずこの表の中を埋めるのが最短になる。逆に未知語が 3,000 語族の外にばかりあるなら、土台はできているので、読む素材のほうを易しくするか、分野に特化した語を足す判断になる。

覚え方そのものは、このページの守備範囲ではない。単語帳を何周しても覚えられない人へやTOEIC 単語を効率よく覚える 4 原則で扱っている。覚えられないこと自体に苦しさを感じている場合は、英単語が覚えられない大人へのほうが先に読む価値がある。

参考文献

• Hu, M., & Nation, P. (2000). Unknown vocabulary density and reading comprehension. Reading in a Foreign Language, 13(1), 403-430.
• Laufer, B., & Ravenhorst-Kalovski, G. C. (2010). Lexical threshold revisited. Reading in a Foreign Language, 22(1), 15-30.
• Nation, I. S. P. (2006). How large a vocabulary is needed for reading and listening? Canadian Modern Language Review, 63(1), 59-82.
• Nation, I. S. P. (2016). Making and Using Word Lists for Language Learning and Teaching. John Benjamins.
• Schmitt, N., Jiang, X., & Grabe, W. (2011). The percentage of words known in a text and reading comprehension. The Modern Language Journal, 95(1), 26-43.

リスト全文