Частотний список сучасної української мови за лемами, згрупований за покриттям, зібраний як відкриті дані. Він дає відповідь на практичне питання конкретним числом: яку частку прочитаного насправді відкриває певний обсяг словника?
Звіт, з якого почалася ця серія, прямо називав проблему: для української частотні списки, потрібні серйозному учневі, є неповними, часто побудованими за словоформами, а подекуди тихцем скальковані з російської. Список за словоформами розпорошує частоту одного слова на десяток і більше відмінюваних форм, тож занижує те, що дає певний обсяг словника.
Цей список натомість рахує леми, тобто словникову форму, яку учень і вивчає, разом із частиною мови. Його виведено з великого, сучасного, україномовного корпусу, тож він відображає те, як українці пишуть сьогодні, а не підручник середини минулого століття.
Для порівняння: в англійській близько 2800 слів General Service List дають у середньому близько 82% покриття. Українській потрібно значно більше лем, щоб дійти туди ж. Це і є податок словозміни, виміряний.
Найчастотніші леми з частиною мови та частотою на тисячу. Усі 12000 у файлі для завантаження.
| № | Лема | ЧМ | на тисячу |
|---|---|---|---|
| 1 | в | ADP | 20.7489 |
| 2 | на | ADP | 20.6735 |
| 3 | у | ADP | 18.6486 |
| 4 | і | CCONJ | 16.5815 |
| 5 | з | ADP | 15.259 |
| 6 | бути | VERB | 10.6332 |
| 7 | не | PART | 10.4292 |
| 8 | що | SCONJ | 10.3296 |
| 9 | до | ADP | 9.1939 |
| 10 | за | ADP | 8.5376 |
| 11 | та | CCONJ | 8.4347 |
| 12 | який | DET | 7.9025 |
| 13 | рік | NOUN | 6.6948 |
| 14 | про | ADP | 6.2134 |
| 15 | він | PRON | 6.1849 |
| 16 | Україна | PROPN | 5.8085 |
| 17 | це | PRON | 5.7827 |
| 18 | а | CCONJ | 4.994 |
| 19 | цей | DET | 4.3466 |
| 20 | як | SCONJ | 4.203 |
| 21 | для | ADP | 4.1004 |
| 22 | від | ADP | 3.9154 |
| 23 | я | PRON | 3.642 |
| 24 | вони | PRON | 3.403 |
Розподіл списку за частинами мови. Власні назви включено й позначено, тож їх можна відфільтрувати.
Перша нитка вже вийшла. Решта чесно позначені як заплановані, і кожна називає відкрите джерело, на якому будуватиметься. Жодна нитка не заявляє результату, якого ще не має.
Дванадцять тисяч найуживаніших лем сучасної української, упорядкованих за частотою в корпусі, кожна з частиною мови, частотою на тисячу, накопиченим покриттям тексту та смугою за рангом. Виходить як CSV і JSON, а також основа колоди для Anki.
Вивчайте спершу ті слова, що справді окупляться, у правильному порядку, як леми, а не розпорошені словоформи. Бачте, скільки покриття тексту дає певний обсяг словника.
Прив'язати частотний список до вивірених рівнів CEFR (від A1 до C2) через звірку з корпусним профілем української лексики, щоб смуги означали рівень володіння, а не лише ранг за частотою.
Знати, які слова належать до якого рівня, щоб курс чи колоду можна було будувати до мети.
Позначити русизми та суржикові форми у списку й дати до них питомий український відповідник, спираючись на відкритий морфологічний і стилістичний інструментарій (VESUM і LanguageTool Правописник).
Вивчати питоме слово, а не скальковане, якому тихцем навчають старіші матеріали.
Додати до кожної леми вимову й повну парадигму відмінювання з відкритих таблиць Вікісловника та відкритого аудіо вимови, щоб колода Anki навчала лему разом із її формами, а не сам заголовок.
Чути слово й бачити, як воно змінюється за сімома відмінками та видовими парами, тобто там, де словозміна ускладнює.
Самооцінний тест обсягу словника за принципом так чи ні на основі цього списку: 60 реальних лем і 60 сконструйованих псевдослів, розподілених по 12 частотних смугах, оцінені стандартною поправкою на хибні спрацювання й переведені в криву покриття. Готового українського відповідника немає.
Вимірювати свій словник проти реального індикатора рівня, а не вгадувати, і бачити, скільки тексту цей словник насправді відкриває.
Усе на цій сторінці перераховується з цих файлів. Вони версіоновані та хешовані. Список під ліцензією CC-BY: користуйтеся, форкайте, будуйте далі.
Файл lemmas.anki.tsv імпортується прямо в Anki як основа частотної колоди.
Lawrence, J. (2026). Ukrainian Frequency: a lemma-based, coverage-graded open frequency list (v0.1.0). jakelawrence.xyz/research/ukrainian-frequency. Derived from UberText 2.0 (Chaplynskyi, 2023).
Ці перевірки виконуються у вашому браузері проти опублікованих чисел. Якщо якась не проходить, реліз неузгоджений, і сторінка це показує.
Джерело частотності це словник лем UberText 2.0 (lang-uk). Цей реліз перевидає похідні агреговані підрахунки, які є фактами, а не текст вихідного корпусу. Рядки відфільтровано до українських кириличних лем із лінгвістичною частиною мови за Universal Dependencies; пунктуацію, символи, цифрові токени, чужомовні чи некласифіковані токени та односимвольні власні назви відкинуто.
Покриття тут перераховано з сирих підрахунків уживань, а не взято з власних частотних колонок вихідного файлу, чия нормалізація не задокументована. Частотні смуги це прозорі кошики по тисячі за рангом, і це НЕ рівні CEFR; вивірене вирівнювання за CEFR це наступна запланована нитка. Корпус насичений новинами й довідковими текстами, тож воєнна та цивільна лексика посідає помітні місця. Це розкрито, а не згладжено.
Частина сталої роботи над подоланням розриву в цифровому інструментарії для української мови.