On mesure la taille d'un vocabulaire en testant un échantillon aléatoire de mots tirés de chaque tranche de fréquence d'une langue, puis en extrapolant le score à la taille de la tranche entière. Prenez dix mots dans la troisième tranche de 1 000 mots, répondez juste à huit, et le test vous crédite d'environ 800 mots à cet endroit. L'arithmétique est simple. La difficulté se cache là-dessous : décider ce qui compte comme un mot.
Ce que vous comptez réellement#
Trois unités circulent, et elles produisent des totaux radicalement différents à partir d'une même connaissance. Une forme de surface est chaque forme écrite distincte, si bien que run, runs, running, ran en compte quatre. Un lemme regroupe un mot vedette et ses flexions au sein d'une même catégorie grammaticale, si bien que ces quatre formes se réduisent à une seule, tandis que runner reste à part. Une famille de mots inclut aussi les dérivations transparentes, ce qui fait de run, runs, running, ran, runner, rerun une seule et même famille. Bauer et Nation (1993) ont établi des niveaux gradués d'affixation afin que les chercheurs puissent préciser quelles dérivations ils comptaient.
| Unité | run, runs, running, ran, runner, rerun compte pour | Usage typique |
|---|---|---|
| Forme de surface | 6 | Comptage de tokens en corpus, correcteurs orthographiques |
| Lemme | 2 (run, runner) | Dictionnaires, la plupart des listes bilingues |
| Famille de mots | 1 | Recherches de Nation sur la couverture, tests de taille |
Voilà pourquoi « je connais 5 000 mots » n'est quasiment pas vérifiable en soi. Un même apprenant peut honnêtement être décrit comme connaissant 3 000 familles de mots, environ 5 000 lemmes, ou largement plus de 10 000 formes de surface. L'écart se creuse dans les langues morphologiquement riches, où un seul nom finnois, turc ou russe apparaît sous des dizaines de formes, ce qui avantage ces apprenants dans les comptages en formes de surface. Avant de comparer votre chiffre à un objectif publié, vérifiez que les deux utilisent la même unité. La plupart des objectifs sérieux, y compris ceux de combien de mots pour être à l'aise en espagnol, sont exprimés en familles de mots.
Comment fonctionnent les tests de taille de vocabulaire#
Une liste de fréquence est découpée en tranches de 1 000 familles de mots, classées de la plus courante à la plus rare. Un test de taille tire un petit échantillon fixe dans chaque tranche, généralement un item à choix multiple demandant le sens du mot cible dans un contexte neutre et court. Votre score sur une tranche estime la proportion que vous en connaissez, et les estimations sont additionnées.
La méthode est solide, mais l'échantillon est mince. Dix items par tranche signifient que chaque item pèse pour cent mots, si bien qu'une seule réponse devinée au hasard déplace l'estimation de 100. Les résultats par tranche sont bruités, tandis que le total est bien plus stable. Considérez tout résultat comme une fourchette de quelques centaines de mots, et remesurez à plusieurs mois d'intervalle.
Détecter la surestimation avec des non-mots#
Le format le moins coûteux est une liste à cocher oui/non : vous voyez des mots et vous cochez ceux que vous connaissez. Sans correction, il est largement gonflé, car les apprenants cochent des mots qui leur semblent simplement familiers, sans que rien ne pénalise l'optimisme. Le correctif standard consiste à glisser dans la liste des non-mots d'apparence plausible, construits à partir de l'orthographe réelle de la langue. Meara et Buxton (1987) ont posé cette approche : cocher un mot inventé mesure directement la surestimation, si bien que le score devient le nombre de vrais mots cochés moins le taux de fausses alertes.
LexTALE (Lemhöfer et Broersma, 2012) en est la version moderne la plus connue, avec des éditions en anglais, en néerlandais et en allemand. Il indique un pourcentage de maîtrise plutôt qu'une taille en mots, ce qui est l'affirmation la plus défendable.
Les tests de référence : VST et VLT#
Deux instruments issus du groupe de Paul Nation dominent le domaine, et ils répondent à des questions différentes. Le Vocabulary Size Test (Nation et Beglar, 2007) est le test de total : 140 items à choix multiple, dix pour chacune des quatorze premières tranches de 1 000 familles, chaque bonne réponse valant 100 familles, si bien que le score brut est multiplié par 100. Des versions bilingues existent dans de nombreuses langues maternelles, ce qui élimine le facteur parasite consistant à devoir déchiffrer une définition en anglais pour prouver que l'on connaît un mot anglais.
Le Vocabulary Levels Test (Nation, 1983, révisé par Schmitt, Schmitt et Clapham, 2001) est l'outil de diagnostic. Il sonde des tranches précises, traditionnellement 2 000, 3 000 et 5 000, plus des sections académique et 10 000, en faisant correspondre des mots à de courtes définitions. Son résultat est un profil : solide à 2 000, inégal à 3 000, mince à 5 000. Cela vous indique où investir les trois prochains mois, ce qu'un total ne vous dira jamais.
Pourquoi l'auto-évaluation surestime#
La reconnaissance est bien plus facile que le rappel, et les deux sont plus faciles que l'usage. Le cadre de Nation sépare la forme, le sens et l'usage d'un mot ; l'auto-évaluation ne capture que le premier. Vous voyez contemplar, vous ressentez une étincelle de reconnaissance, et vous le cochez, sans pouvoir le produire dans une phrase ni le distinguer d'un mot voisin. Les cognats amplifient l'effet : un lecteur venant de l'anglais reconnaît des centaines de mots romans à vue, sans savoir lesquels sont de faux amis.
Le choix multiple ajoute sa propre inflation, puisque quatre options rapportent 25 % en devinant à l'aveugle, et l'élimination fait encore monter ce chiffre. Les estimations sérieuses corrigent donc pour le hasard, ajoutent des contrôles par non-mots, ou utilisent un format de rappel. Pour un contrôle personnel, cachez les traductions de cinquante de vos mots sauvegardés et écrivez-en le sens ; l'écart avec votre score de reconnaissance est votre taux de surestimation.
La couverture : la mesure qui prédit vraiment la lecture#
Si votre objectif est de lire, la quantité utile n'est pas votre total mais la part des mots d'une page que vous connaissez déjà. Laufer (1989) a identifié une couverture d'environ 95 % comme le seuil à partir duquel la compréhension devient gérable avec un dictionnaire. Hu et Nation (2000) ont montré qu'une compréhension confortable et sans aide de la fiction demande en général plutôt 98 %. Nation (2006) a estimé que 98 % d'un texte écrit demande de 8 000 à 9 000 familles de mots, tandis que le texte parlé en demande environ 6 000 à 7 000, puisque le discours oral puise dans un registre plus restreint.
Ces pourcentages se jugent plus facilement en termes de densité. À 95 %, un mot sur vingt est inconnu, soit environ un par ligne d'un livre de poche. À 98 %, c'est un sur cinquante, à peu près un par court paragraphe, que le contexte résout en général sans casser votre élan. C'est toute la différence entre étudier un texte et le lire. Cette même logique sous-tend l'input compréhensible et explique pourquoi les lecteurs de niveau intermédiaire bloquent, un phénomène traité dans le plateau intermédiaire.
Ce qu'une taille de vocabulaire donnée vous permet de lire#
Les chiffres ci-dessous sont approximatifs, tirés des recherches de Nation sur la couverture de l'anglais écrit. D'autres langues déplacent ces seuils, et des textes particuliers peuvent s'en écarter.
| Familles de mots | Couverture approx. du texte écrit | Ce que cela permet réellement |
|---|---|---|
| 1 000 | ~75–80 % | Lectures graduées de niveau A1, étiquettes, dialogues simples |
| 2 000 | ~85–90 % | Lectures graduées A2, sujets du quotidien familiers |
| 3 000 | ~90 % | La plupart des conversations courantes, textes adaptés B1 |
| 4 000–5 000 | ~95 % | Actualité et non-fiction ordinaires, avec un dictionnaire |
| 8 000–9 000 | ~98 % | Romans et articles non simplifiés, lus pour le plaisir |
| ~15 000–20 000 | Au-delà de 98 % | La fourchette généralement estimée pour un lecteur natif cultivé |
Les estimations pour les locuteurs natifs varient d'une étude à l'autre, car elles aussi dépendent de l'unité de comptage ; lisez donc cette dernière ligne comme un ordre de grandeur. Faire correspondre ces tranches à des étiquettes de niveau est imprécis mais utile, et les niveaux du CECRL expliqués détaille comment les descripteurs s'articulent.
Mesurer la couverture sur vos propres textes#
Vous pouvez vous passer d'un test formel et mesurer directement ce qui vous intéresse. Prenez une page que vous voulez lire, comptez 100 mots qui se suivent, et repérez ceux que vous ne comprenez pas. Deux ou moins vous placent près de la zone des 98 % : lisez, simplement. Environ cinq vous placent près de 95 % : lisible avec un peu d'aide, et productif pour le vocabulaire. Plus de dix, et vous décodez plutôt que vous ne lisez, ce qui fait du texte le problème, pas de vous.
Avec la dernière version de l'application, LingoBlend répond aussi à la question de ce chapitre à votre place : l'écran Pratique affiche une estimation continue de votre vocabulaire — « environ 320 mots · A2 » — qui ne compte que les mots dont vous avez prouvé la maîtrise au fil des révisions en répétition espacée, les flexions étant regroupées en un seul mot de dictionnaire.
Ce chiffre vous indique aussi comment régler un outil. LingoBlend fixe la couverture délibérément : vous collez un texte que vous aviez déjà envie de lire, et un curseur contrôle la part des mots qui apparaît dans votre langue cible, de sorte que la densité de mots inconnus reste dans la fourchette productive plutôt que là où l'auteur l'a laissée. Les mots que vous touchez s'enregistrent avec leur contexte grammatical et reviennent selon un programme de répétition espacée. Le reste des outils de lecture et de révision de LingoBlend se trouve sur la page des fonctionnalités.