Sıklığa göre kelime listeleri - Word lists by frequency

Sıklığa göre kelime listeleri bir dilin kelimelerinin bir kısmı içinde geçme sıklığına göre gruplandırılmış listeleridir. metin külliyat ya seviyelere göre ya da sıralı bir liste olarak, amacına hizmet eden kelime bilgisi edinme. Sıklığa göre bir kelime listesi "öğrencilerin kelime öğrenme çabalarından en iyi getiriyi elde etmeleri için rasyonel bir temel sağlar" (Ulus 1997 ), ancak doğrudan öğrenciler için değil, esas olarak ders yazarları için tasarlanmıştır. Frekans listeleri ayrıca sözlükbilimsel amaçlar için yapılır ve bir tür kontrol listesi ortak kelimelerin dışarıda bırakılmamasını sağlamak için. Bazı önemli tuzaklar, külliyat içeriği, korpus Kayıt ol ve "nin tanımıkelime ". Kelime sayımı bin yaşında olsa da, 20. yüzyılın ortalarında elle yapılan devasa analizlerle, doğal dil elektronik işleme Film altyazıları (SUBTLEX megastudy) gibi büyük külliyatın araştırma alanını hızlandırmıştır.

İçinde hesaplamalı dilbilimleri, bir frekans listesi sıralı bir listedir kelimeler (kelime türleri) onların Sıklık, burada sıklık genellikle belirli bir olaydaki oluşumların sayısı anlamına gelir külliyat, buradan sıralamadaki konum olarak türetilebilir.

TürOlaylarSıra
37896541 inci
o20987622.
[...]
kral578971.356.
oğlan569751.357.
[...]
ip gibi534.589.
[...]
transdüksiyonelleştirmek1123.567.

Metodoloji

Faktörler

Ulus (Ulus 1997 ), bilgi işlem yeteneklerinin sağladığı inanılmaz yardıma dikkat çekerek, külliyat analizini çok daha kolay hale getirdi. Frekans listelerinin oluşturulmasını etkileyen birkaç temel meseleye değindi:

  • külliyatın temsili
  • kelime frekansı ve aralığı
  • kelime ailelerinin tedavisi
  • deyimlerin ve sabit ifadelerin işlenmesi
  • bilgi aralığı
  • çeşitli diğer kriterler

Corpora

Geleneksel yazılı külliyat

Sıklığı kişi zamirleri içinde Sırp-Hırvat

Şu anda mevcut çalışmaların çoğu yazılı metin külliyat, daha kolay ulaşılabilir ve işlenmesi kolaydır.

SUBTLEX hareketi

Ancak, Yeni ve ark. 2007 çok sayıda konuşmayı analiz etmek için çevrimiçi olarak mevcut çok sayıda altyazıdan yararlanmayı önerdi. Brysbaert ve Yeni 2009 geleneksel metin analizi yaklaşımının uzun bir eleştirel değerlendirmesini yaptı ve yazılı külliyattan sözlü külliyat analizine doğru bir geçişi destekledi ve çevrimiçi olarak bulunan açık film altyazıları sayesinde. Bunu son zamanlarda bir avuç takip çalışması izledi[1], çeşitli diller için değerli sıklık sayım analizi sağlar. Nitekim, SUBTLEX hareketi Fransızca için beş yıllık tam çalışmaları tamamladı (Yeni ve ark. 2007 ), Amerika İngilizcesi (Brysbaert ve Yeni 2009; Brysbaert, New & Keuleers 2012 ), Hollandaca (Keuleers ve Yeni 2010 ), Çince (Cai ve Brysbaert 2010 ), İspanyolca (Cuetos vd. 2011 ), Yunanca (Dimitropoulou vd. 2010 ), Vietnamca (Pham, Bolger ve Baayen 2011 ), Brezilya Portekizcesi (Tang 2012 ) ve Portekiz Portekizcesi (Soares vd. 2015), Arnavutça (Avdyli ve Cuetos 2013 ) ve Lehçe (Mandera vd. 2014 ). SUBTLEX-IT (2015) yalnızca ham veri sağlar[1].

Sözcüksel birim

Her durumda, temel "kelime" birimi tanımlanmalıdır. Latin alfabeleri için, kelimeler genellikle boşluk veya noktalama işaretleriyle ayrılmış bir veya birkaç karakterdir. Ancak İngilizce "yapamam", Fransızca "aujourd'hui" veya deyimler gibi istisnalar ortaya çıkabilir. Ayrıca bir kelimeyi gruplamak da tercih edilebilir. kelime dağarcığı temsili altında temel kelime. Böylece, mümkün, imkansız, olasılık temel kelime ile temsil edilen aynı kelime ailesinden kelimelerdir * olasılık *. İstatistiksel amaç için, tüm bu kelimeler temel kelime formu * possib * altında toplanır, bu da bir kavramın sıralanmasına ve oluşumuna izin verir. Dahası, diğer diller belirli zorluklar yaratabilir. Kelimeler arasında boşluk kullanmayan ve birkaç karakterden oluşan belirli bir zincir, ya benzersiz karakterli kelimelerden oluşan bir ifade ya da çok karakterli bir kelime olarak yorumlanabilen Çince için durum böyledir.

İstatistik

Öyle görünüyor Zipf yasası herhangi bir doğal dilin daha uzun metinlerinden alınan frekans listeleri için tutar. Frekans listeleri, elektronik bir sözlük oluştururken yararlı bir araçtır ve bu, çok çeşitli uygulamalar için bir önkoşuldur. hesaplamalı dilbilimleri.

Alman dilbilimciler, Häufigkeitsklasse (frekans sınıfı) listedeki bir öğenin 2 tabanlı logaritma sıklığı ile en sık kullanılan maddenin sıklığı arasındaki oranın. En yaygın öğe 0 (sıfır) frekans sınıfına aittir ve yaklaşık yarısı sıklıkta olan herhangi bir öğe 1. sınıfa aittir. Yukarıdaki örnek listede, yanlış yazılmış kelime çirkin 76/3789654 oranına sahiptir ve 16. sınıfa aittir.

nerede ... kat işlevi.

Frekans listeleri ile birlikte anlamsal ağlar, en az yaygın olan özel terimleri tanımlamak için kullanılırlar. Hypernyms bir süreçte anlamsal sıkıştırma.

Pedagoji

Bu listelerin doğrudan öğrencilere verilmesi amaçlanmamıştır, bunun yerine öğretmenler ve ders kitabı yazarları için bir kılavuz görevi görmesi amaçlanmıştır (Ulus 1997 ). Paul Nation Modern dil öğretimi özeti, önce "yüksek frekanslı kelime dağarcığı ve özel amaçlı [tematik] kelime dağarcığından düşük frekanslı kelime dağarcığına geçmeyi, ardından öğrenenlere otonom kelime dağarcığının genişlemesini sürdürmek için stratejiler öğretmeyi" (Ulus ve 2006la).

Kelimelerin sıklığının etkileri

Kelime sıklığının çeşitli etkileri olduğu bilinmektedir (Brysbaert vd. 2011; Rudell 1993 ). Ezberleme, daha yüksek kelime sıklığından olumlu olarak etkilenir, çünkü muhtemelen öğrenci daha fazla maruz kalmaya maruz kalır (Laufer 1997). Sözcüksel erişim, yüksek sözcük frekansından olumlu olarak etkilenir, bu fenomen kelime frekansı etkisi (Segui vd. ). Kelime sıklığının etkisi, edinme yaşı, kelimenin öğrenildiği yaş.

Diller

Aşağıda mevcut kaynakların bir incelemesi bulunmaktadır.

ingilizce

Daha fazla bilgi: İngilizcede en çok kullanılan kelimeler

Kelime sayma tarihi Helenistik zaman. Thorndike & Lorge, meslektaşlarının yardımıyla, modern bilgisayarlar bu tür projeleri çok daha kolay hale getirmeden önce, 1944'teki ilk büyük ölçekli frekans listesini sağlamak için 18.000.000 kısa sözcük saydı (Ulus 1997 ).

Geleneksel listeler

Bunların hepsi yaşlarından muzdarip. Özellikle, 2014 yılında 7665. sırada olan "blog" gibi teknolojiyle ilgili kelimeler[2] Corpus of Contemporary American English'de,[3] ilk olarak 1999'da onaylandı,[4][5][6] ve bu üç listenin hiçbirinde görünmez.

30.000 kelimelik Öğretmenler Kelime Kitabı (Thorndike ve Lorge, 1944)

TWB 30.000 lemma veya ~ 13.000 kelime ailesi içerir (Goulden, Nation and Read, 1990). 18 milyon yazılı kelimeden oluşan bir külliyat elle analiz edildi. Kaynak külliyatının boyutu kullanışlılığını artırdı, ancak yaşı ve dil değişiklikleri uygulanabilirliğini azalttı (Ulus 1997 ).

Genel Servis Listesi (Batı, 1953)

GSL, 1.000 kelimelik iki kümeye bölünmüş 2.000 başlık içerir. 1940'larda 5 milyon yazılı kelimeden oluşan bir külliyat analiz edildi. Baş sözcüğün farklı anlamlar ve konuşma bölümleri için oluş oranı (%) verilmiştir. Korpusa sıklık ve aralık dışında çeşitli kriterler dikkatle uygulanmıştır. Bu nedenle, yaşına, bazı hatalarına ve külliyatının tamamen yazılı metin olmasına rağmen, hala mükemmel bir kelime frekansı, anlam sıklığı ve gürültü azaltma veritabanıdır (Ulus 1997 ). Bu liste 2013 yılında Dr. Charles Browne, Dr. Brent Culligan ve Joseph Phillips tarafından Yeni Genel Hizmet Listesi.

Amerikan Miras Kelime Frekans Kitabı (Carroll, Davies ve Richman, 1971)

Amerika Birleşik Devletleri okullarında (çeşitli sınıflar, çeşitli konu alanları) kullanılan yazılı metinlerden 5 milyon akıcı kelimeden oluşan bir külliyat. Değeri, okul öğretim materyallerine odaklanması ve kelimelerin her bir kelimenin sıklığına göre, okul sınıflarının her birinde ve konu alanlarının her birinde etiketlenmesidir (Ulus 1997 ).

The Brown (Francis ve Kucera, 1982) LOB ve ilgili külliyat

Bunlar şimdi İngilizce'nin farklı lehçelerini temsil eden yazılı bir külliyattan 1 milyon kelime içeriyor. Bu kaynaklar, frekans listelerini oluşturmak için kullanılır (Ulus 1997 ).

Fransızca

Geleneksel veri kümeleri

Tarafından bir inceleme yapıldı Yeni, Pallier ve 3.011950'lerde - 60'larda bir girişimde bulunuldu. Français düşkün. 1.500 yüksek frekanslı kelimeden oluşan F.F.1 listesini, 1.700 orta frekans kelimeli daha sonraki bir F.F.2 listesiyle tamamlanan ve en çok kullanılan sözdizimi kurallarını içerir.[7] 70 gramer kelimenin iletişim cümlesinin% 50'sini oluşturduğu iddia ediliyor,[8] 3.680 kelime ise kapsamın yaklaşık% 95 ~ 98'ini oluşturur.[9] 3.000 sık kullanılan kelimenin bir listesi mevcuttur.[10]

Fransız Eğitim Bakanlığı ayrıca en sık görülen 1.500 kelime aileleri, lexicologue tarafından sağlanır Étienne Brunet.[11] Jean Baudot, American Brown çalışmasının modeli üzerine "Fréquences d'utilisation des mots en français écrit contemporain" başlıklı bir çalışma yaptı.[12]

Daha yakın zamanlarda proje Lexique3 142.000 Fransızca kelime sağlar imla, fonetik, hece, konuşmanın bölümü, Cinsiyet, kaynak derlemedeki oluşum sayısı, sıklık sıralaması, ilişkili lexemes vb., açık bir lisans altında mevcuttur CC-by-sa-4.0.[13]

Subtlex

Bu Lexique3, sürekli bir çalışmadır. Subtlex hareketi yukarıda anılan. Yeni 2007 çevrimiçi film altyazılarına göre tamamen yeni bir sayım yaptı.

İspanyol

Ana makale: İspanyolcada en çok kullanılan kelimeler

İspanyolca kelime frekansı üzerine birkaç çalışma yapılmıştır (Cuetos vd. 2011 ).[14]

Çince

Çin külliyatları uzun süredir frekans listeleri perspektifinden incelenmektedir. Çince kelime öğrenmenin tarihsel yolu, karakter sıklığına (Allanic 2003 ). Amerikalı sinolog John DeFrancis yabancı dil öğrenimi ve öğretimi olarak Çince için öneminden bahsetti. Johnny Neden Çince Okuyamıyor? (DeFrancis 1966 ). Bir frekans araç takımı olarak Da (Da 1998 ) ve Tayvan Eğitim Bakanlığı (TME 1997 ) karakterler ve sözcükler için frekans sıralamalarına sahip büyük veritabanları sağladı. HSK 8.848 yüksek ve orta frekanslı kelimelerin listesi Çin Halk Cumhuriyeti, ve Çin Cumhuriyeti (Tayvan) 's ÜST Yaklaşık 8.600 yaygın geleneksel Çince kelime listesi, yaygın Çince kelimeleri ve karakterleri gösteren diğer iki listedir. SUBTLEX hareketini takiben, Cai ve Brysbaert 2010 son zamanlarda Çince kelime ve karakter sıklıkları hakkında zengin bir çalışma yaptı.

Diğer

Wikipedia'ya veya birleşik külliyatına göre farklı dillerde en sık kullanılan kelimeler.[15]

Ayrıca bakınız

Notlar

  1. ^ a b "Crr» Altyazı Kelime Frekansları ".
  2. ^ "Kelimeler ve kelime öbekleri: Frekans, türler, eşdizimler, uygunluklar, eş anlamlılar ve WordNet".
  3. ^ "Çağdaş Amerikan İngilizcesi Corpus (COCA)".
  4. ^ "Bağlantılar, aptal". Ekonomist. 2006-04-20. Alındı 2008-06-05.
  5. ^ Merholz, Peter (1999). "Peterme.com". İnternet Arşivi. Arşivlenen orijinal 1999-10-13 tarihinde. Alındı 2008-06-05.
  6. ^ Kottke, Jason (2003-08-26). "kottke.org". Alındı 2008-06-05.
  7. ^ "Le français fondamental". Arşivlenen orijinal 4 Temmuz 2010.
  8. ^ Uzoulias, André (2004), Comprendre et aider les enfants en hardé scolaire: Le Vocabulaire fondamental, 70 mots essentiels (PDF), Retz - V.A.C Henmon'dan alıntı
  9. ^ "Genellikler".
  10. ^ "PDF 3000 Fransızca kelimeler".
  11. ^ "Maitrise de la langue à l'école: Vocabulaire". Ministère de l'éducation nationalale.
  12. ^ Baudot, J. (1992), Fréquences d'utilisation des mots en français écrit contemporain, Presses de L'Université, ISBN  978-2-7606-1563-2
  13. ^ "Lexique".
  14. ^ "İspanyolca kelime frekans listeleri". Vocabularywiki.pbworks.com.
  15. ^ Farklı dillerde en sık kullanılan kelimeler, ezglot

Referanslar

Teorik kavramlar

Yazılı metin tabanlı veritabanları

SUBTLEX hareketi