Quels mots les Brésiliens utilisent-ils ? Les données de fréquence

D’où viennent les observations

FrequencyWords publie des formes de mots avec leur nombre d’occurrences et indique OpenSubtitles comme source de ses versions 2016 et 2018. Le portugais brésilien dispose d’un jeu de données distinct, pt_br. Ce sont des observations de corpus, et non une enquête demandant aux locuteurs quels mots ils jugent importants. Documentation de FrequencyWords.

Les sous-titres sont associés aux dialogues de films et de séries, ce qui les rend utiles pour le vocabulaire de conversation. Ils restent toutefois une représentation écrite de dialogues d’écran, façonnée par le genre, l’intrigue, la traduction et les contraintes du sous-titrage. Un corpus riche en histoires policières ne ressemble pas forcément à une conversation ordinaire dans une boulangerie. Le contenu d’un corpus n’est pas une preuve directe du caractère d’un pays ni de ses centres d’intérêt quotidiens.

Comment le projet traite les formes de mots

Mnezo applique plusieurs étapes de traitement pour assembler ses listes d’étude. Les formes verbales sont regroupées sous l’infinitif : les occurrences des formes de fazer, par exemple, comptent pour l’étude du verbe comme une seule entrée. La documentation cite les listes de noms, de verbes et d’adjectifs du Corpus do Português de Mark Davies comme contrôle de l’appartenance à une catégorie grammaticale.

Regrouper les formes sous une entrée de dictionnaire s’appelle la lemmatisation. Cela sert l’apprentissage : étudier un verbe et ses formes est souvent plus utile que de traiter chaque conjugaison comme un mot sans rapport. Cela demande aussi de l’interprétation. Para peut être une préposition ou une forme de parar ; era peut être une forme de ser ou le nom qui signifie « ère ». Une erreur d’analyse attribue des occurrences à la mauvaise entrée.

Les notes du projet décrivent le nettoyage de ces ambiguïtés. Cependant, les scripts d’audit d’origine n’ont pas été conservés comme un pipeline reproductible du dépôt. La description honnête est celle d’une transformation pédagogique validée, aux méthodes documentées, et non l’affirmation que chacun peut reproduire chaque position du classement avec une seule commande.

Ce que signifient réellement les premières positions

La liste actuelle des noms commence par senhor, dia, coisa, tempo, casa. C’est l’ordre au sein de cette liste d’étude. Cela n’établit pas que senhor soit le mot portugais le plus courant en général. Inclure les mots-outils et d’autres catégories grammaticales change la question mesurée.

Une entrée fréquente peut malgré tout avoir plusieurs sens possibles. Tempo peut désigner le temps qui passe ou le temps qu’il fait, selon le contexte. Senhor peut servir d’appellatif et a d’autres sens. Pour apprendre, la construction que tu entends et que tu emploies compte autant que la position de l’entrée.

La liste combinée est un choix pédagogique

La liste combinée de Mnezo entrelace noms, verbes et adjectifs selon leur rang dans ces groupes, puis supprime les graphies de mots-vedettes en double. Ce n’est pas un tri global de tous les mots selon un unique comptage brut. Deux entrées voisines n’ont donc pas forcément des totaux d’occurrences proches dans la source.

L’attribution des niveaux comporte elle aussi des choix éditoriaux : les tranches de fréquence ont été alignées sur les niveaux d’apprentissage du catalogue. La fréquence et le niveau CECR répondent à des questions différentes. L’une concerne l’occurrence dans un jeu de données ; l’autre, l’organisation de l’apprentissage et la difficulté d’emploi. Un verbe irrégulier très fréquent ne devient pas grammaticalement simple pour autant.

La couverture d’un texte n’est pas la compréhension

Imagine une phrase de dix mots dont tu connais neuf, mais pas le seul verbe. Ta couverture formelle est élevée, alors que l’action centrale reste inconnue. Dans une autre phrase, ignorer un adjectif peut à peine gêner la compréhension d’une demande. Une simple proportion ne peut pas rendre compte de ces apports différents.

La couverture compte aussi les occurrences répétées, alors que la taille du vocabulaire compte des unités distinctes. Une seule préposition peut apparaître très souvent. Ne transforme pas un chiffre de couverture élevé en promesse de comprendre le même pourcentage des conversations, d’un examen ou d’un film. Le contexte, la grammaire et la capacité à reconnaître la parole enchaînée comptent toujours.

Prends la fréquence comme point de départ

Commence par les cent premiers mots, puis ajoute ta prochaine tâche concrète. Si tu discutes d’une location demain, un mot lié au contrat sera peut-être plus utile que l’entrée suivante d’une liste générale. Crée une petite sélection personnelle et répète les questions avec les réponses probables.

Vérifie l’utilité par rapport à tes rencontres réelles. Remarques-tu le mot dans un dialogue familier ? Peux-tu l’identifier sans voir la transcription ? Peux-tu le produire toi-même ? La difficulté peut venir de sa prononciation ou d’une forme fléchie plutôt que du choix de la tranche de fréquence.

Évite de traiter tout mot inconnu comme également urgent. Un verbe général récurrent mérite ton attention, tandis qu’un terme spécialisé peut attendre que le sujet te concerne. La fréquence aide à répartir l’effort ; ta situation apporte des informations qu’une collection de sous-titres ne peut pas connaître.

Questions à poser à tout classement

Avant d’étudier une nouvelle liste, vérifie sa source, la variété de langue, la date du jeu de données, l’unité de comptage et le traitement des formes ambiguës. Demande-toi si le résultat est une donnée brute ou une sélection pédagogique. Si ces réponses manquent, considère l’ordre comme une recommandation de l’auteur plutôt que comme une mesure exacte de toute la parole vivante.