一本书的生词,到底该收多少?二十本名著的数据给出答案
读原版书的人,迟早会面对一个问题:生词太多了,收不过来。
每个不认识的词都查、都收进生词本,读一章要停几十次,生词本一个月就涨到几千个,复习根本跟不上。可如果一个都不收,又好像白读了。
到底该收多少?我们用二十本英文名著的完整文本算了一遍,答案比想象的清楚。
先说清楚:什么算「生词」
「生词」听起来很明确,算起来却有几个边界要先划好:
- 词形算一个:ran、running、runs 都算 run;
- 人名地名不算:Gatsby、Daisy 读者不用查;
- 「超纲」按词频划线:英语里最常用的 5,000 个词以内算「认识」,之外算「生词」。这条线对应大约中高级的词汇量;文中也会给 3,000 和 8,000 两条线的结果。
这套口径和我们在英文站发布的「名著词汇难度排名」一致,数据可以互相对照。
一本书里有多少生词:以《了不起的盖茨比》为例
假设你的词汇量是 5,000,读《了不起的盖茨比》(约 4.8 万词):
- 超出你词汇量的词:1,543 个;
- 其中 1,043 个(68%)全书只出现一次,296 个出现两次;
- 出现 3 次以上的:只有 204 个;
- 但这 204 个词,占了全书所有生词出现次数的 36%。
换句话说:如果把 1,543 个生词都收进生词本,三分之二的工夫花在了这本书里只见一次、以后也未必再见的词上。而只收那 204 个反复出现的词,你在书里会反复遇到它们,读着读着就记住了。
二十本书的规律
把同样的计算放到二十本名著上(读者词汇量 5,000),挑几本有代表性的:
| 书 | 篇幅(词) | 超纲词 | 只出现一次 | 出现 3 次以上 | 出现 10 次以上 | 3 次以上的词占生词出现次数 |
|---|---|---|---|---|---|---|
| 化身博士 | 25,047 | 1,008 | 742(74%) | 96 | 2 | 27% |
| 爱丽丝漫游奇境 | 26,277 | 430 | 257(60%) | 93 | 15 | 59% |
| 了不起的盖茨比 | 47,746 | 1,543 | 1,043(68%) | 204 | 6 | 36% |
| 金银岛 | 68,600 | 1,527 | 886(58%) | 352 | 54 | 62% |
| 福尔摩斯探案集 | 102,588 | 2,130 | 1,229(58%) | 493 | 50 | 56% |
| 傲慢与偏见 | 122,010 | 1,748 | 853(49%) | 572 | 108 | 73% |
| 简·爱 | 184,310 | 4,102 | 1,818(44%) | 1,490 | 219 | 74% |
| 白鲸 | 212,228 | 5,166 | 2,125(41%) | 2,065 | 395 | 81% |
二十本书放在一起看,有三条规律:
1. 一半以上的生词只出现一次。 二十本书的中位数是 57%,最低 41%(《白鲸》),最高 74%(《化身博士》)。
2. 反复出现的生词数量不多,但分量很重。 出现 3 次以上的生词,中位数是每读 1 万词遇到 53 个;它们占了生词出现次数的 61%(中位数)。
3. 书越长,「反复出现」越有用。 短篇(《化身博士》)里,生词大多一闪而过,3 次以上的词只占 27%;长篇(《傲慢与偏见》《简·爱》《白鲸》)里这个比例到了 73%–81%:作者会反复用同一批词,书读到后半本,前半本收的词会一再出现。
那到底收多少
按上面的数据,给一个可以照着做的建议(以 5,000 词左右的读者为例):
- 出现 10 次以上的:一定收。 不认识它们,整本书都读不顺。《傲慢与偏见》里有 108 个,《盖茨比》里只有 6 个。
- 出现 3 次以上的:值得收。 平均每读 1 万词大约 50 个,相当于每读一个小时收几十个词,复习量可控。
- 只出现一两次的:一般不收。 除非它挡住了你对句子的理解,或者是你自己会想用的词。挡路的词查一下就好,不一定进生词本。
如果你的词汇量更低(3,000 左右),生词会更多:每 1 万词里反复出现的大约 88 个,建议更严格地只收「10 次以上」和「挡路的」;词汇量更高(8,000 左右)时只剩约 30 个,可以放心多收一些。
具体哪些词值得收、哪些不要收,可以配合《读原版书时,哪些词值得收进生词本》一起看。查词是为了读懂,收词是为了记住,两件事不必一一对应。
在 WordCatcher 里怎么做
- 上传一本书后,书详情页的生词表会标出每个词在这本书里出现了多少次(×N),勾选「按书中出现次数排」,从上往下挑就行;
- 读的时候遇到挡路的词,划词查一下,不一定收;
- 收进生词本的词,带着原书里的句子,复习时能回到当时的语境。
数据怎么算的
二十本书都来自古腾堡计划的公版文本。我们统计每个词出现的次数,把词形归并到原形,排除人名地名;用开放词库 ECDICT 的词频排名(当代语料与英国国家语料库)判断一个词是否在最常用的 3,000 / 5,000 / 8,000 词以内。这里按「原形」计,happy 和 happiness 算两个词,所以生词个数会比按「词族」统计的研究略多;但各本书用的是同一口径,规律是可比的。脚本和每本书的完整数据都保留在项目里,可以复算。