A leggyakoribb orosz szavak – a szógyakoriság rejtelmei

Nemrég írtam arról, hogy a leggyakoribb orosz szavak 10-20 százaléka könnyedén megérthető, ha ismerünk más nyelveket (jövevényszavak, nemzetközi szavak, etc.).

További érdekes adatra bukkantam: a leggyakoribb ezer orosz szó lefedi a szövegek 64 százalékát, 2000 szó ismeretével elméletileg 71 százalékot értünk meg egy átlagos szövegből, 3000 szó 76%-ra, míg 5000 szó 82%-ra tornássza fel ezt az arányt. Ezek az adatok egyrészt bíztatóak, hisz már egy alapfokú nyelvtudással is (elméletileg) 1000-1500 szó (pontosabban: lexikai elem) birtokában vagyunk. Másrészt viszont az is látható, hogy a lexikai bázis növelése egy bizonyos pont után egyre kisebb „haladást” eredményez: ha 3000 szóhoz hozzátanulunk még 2000-ret, azzal csak 6 százalékkal nagyobb részt hasítunk ki a potenciálisan előforduló lexikából.

Persze ez nem túl nagy felismerés: a nyelvtanulás kezdetben mindig nagy lépésekkel halad, a későbbi szakaszokban pedig már kisebb, finomabb dolgokkal foglalkozunk inkább (és ez nem is kifejezetten csak a szótanulásra vonatkozik).

Na de: ha az első ezer szó ismerete lefedi egy átlagos orosz szöveg hetven százalékát, miért nem tudunk az alapfokú lexikával labdába rúgni Dosztojevszkijnél vagy egy cikk elolvasásakor? És valójában ugyanezt mondhatjuk el még középfokon is (2-3000 szó), ahol már ismerni illik majd’ a teljes nyelvtant?

Erre én nem fogok tudni választ adni, de miután rábukkantam az orosz nemzeti korpusz alapján készült, „Az orosz lexika új szógyakorisági szótára” c. műre, elkezdett derengeni egy-két dolog. A szógyakoriság-elemzés, ugyanis, komoly tudomány, és az elmúlt évtizedekben sokat fejlődött, hisz’ az addigi minden bizonnyal kínkeserves emberi munkát felváltotta a számítógépes szövegfeldolgozás. Az elemzendő szövegmennyiség a szó szoros értelmében ezerszeresére nőtt: a nyomtatott szótárak 100.000-400.000 szón alapuló korpuszait lecserélték már csak géppel feldolgozható százmilliós korpuszokra.

Adatbázissal sokkal több dolgot lehet csinálni, mint szótárral: például ki lehet deríteni a szavak gyakorisága mellett a koncentráltságukat is. A nyelv ugyanis sajnos olyan, hogy nem egyenletesen oszlanak el benne a szavak: a ritka szavak jellemzően gyakran fordulnak elő olyan szövegekben, amelyek valamilyen szempontból sajátosak (ez lehet téma vagy műfaj, például). Így hiába tudunk nagyon jól oroszul, lehet, hogy katonai vagy üzleti témájú szövegeket nem értünk meg. Azt is megfigyelhető az adatbázis segítségével, hogy különböző típusú és műfajú szövegek is alapvetően más lexikával dolgoznak. Teljesen más szavak számítanak gyakorinak a beszélt nyelvben, a sajtóban, vagy a szépirodalomban. Ez eléggé megnehezíti a nyelvkönyvírók dolgát, amikor ki kell találniuk: mely szavakra szűkítsék le a „megtanulandó” szavak körét?

Érdekességként kimásolom a leggyakoribb 50 főnevet (a többi itt van); érdekes lenne összehasonlítani, vajon más nyelvekben ez melyek? De ezt majd máskor…

1          год      év

2          человек          ember

3          время  idő

4          дело    dolog

5          жизнь élet

6          день    nap     

7          рука     kéz

8          работа munka 

9          слово  szó      

10        место  hely     

11        вопрос            kérdés 

12        лицо   arc

13        глаз     szem   

14        страна ország 

15        друг     barát   

16        сторона          oldal    

17        дом     ház      

18        случай            eset

19        ребенок          gyerek 

20        голова fej       

21        система          rendszer          

22        вид      kinézet

23        конец  vég

24        отношение viszony    

25        город  város   

26        часть   rész     

27        женщина        nő       

28        проблема       probléma        

29        земля  föld     

30        решение         megoldás        

31        власть hatalom           

32        машина          gép, autó         

33        закон   törvény

34        час      óra      

35        образ   alak

36        отец    apa

37        история          történelem       

38        нога    láb

39        вода    víz       

40        война  háború

41        возможность lehetőség         

42        компания       társaság

43        результат        eredmény        

44        дверь  ajtó     

45        бог      isten    

46        народ  nép     

47        область           terület  

48        число  szám

49        голос   hang

50        развитие        fejlődés