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?
З'ясуйте, де ви зараз, і вчіть слова, що дають найбільше тексту.
Визначте рівень тексту і подивіться, у чому збігаються мінімуми.
Відкриті файли з хешами, HTTP-лематизатор і пакет Python.
Кожна цифра перераховується у вашому браузері. Почніть з методу.
Інструменти: Тест словника · Профілювач текстів · Зіставлення · Пошук слова · API лематизатора
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.
Нитка два мала позначити кожну високочастотну лему рівнем CEFR, і тепер може. Існує рівно один корпусно вивірений, експертно погоджений профіль лексики CEFR для української (Synchak і колеги, 2025, на платформі PULS), і співавтор дав дозвіл поширювати його рівні за лемами від A1 до C1. Приєднана до цього частотного списку, з урахуванням частини мови, ця вивірена карта тепер позначає 6403 з перших 12000 лем. Це головне в цій нитці, нижче.
Поруч стоять два чесні супутники. Опублікований у статті розподіл лишається цитованим (це заморожений вигляд, який жива карта вже перевершує), звірений із кривою покриття цього списку, щоб показати, чому ранг за частотою не є рівнем володіння. А відкрите, невивірене накладання курсу лишається як пряма звірка: щойно з'явилася вивірена карта, вільний сигнал можна виміряти проти неї. Вивірена карта це датований знімок, а не остаточний, бо профіль ще розширюють.
Леми, розміщені експертно погодженим процесом (Synchak та ін., 2025) проти цілі проєкту на кожен рівень. Повний до B1, попередній вище.
Вивірене ядро A1 та A2 (2363 леми) проти ядра того ж розміру, узятого прямо з цього частотного списку, за покриттям суцільного тексту. Їх виміряно на різних корпусах, тож сприймайте розрив як орієнтовний: педагогічний добір свідомо міняє сире покриття на придатність до навчання.
Чому вони розходяться: вивірений профіль виводить наперед комунікативно корисні слова, які не є найчастотнішими (борщ, зошит), і піднімає високочастотні абстрактні іменники (наука, освіта) до B1 через концептуальне навантаження. Частотний список оптимізує покриття; рівень CEFR кодує придатність до навчання. Саме тому не можна механічно перейменувати одне на інше, і саме тому справжнє накладання CEFR тут чекає на відкриті дані вище за B1.
Це головне в нитці два: єдиний корпусно вивірений, експертно погоджений профіль CEFR для української (Synchak та ін., 2025, платформа PULS), приєднаний до цього частотного списку за лемами. Співавтор дав дозвіл поширювати рівні за лемами від A1 до C1; зіставлення враховує частину мови, тож омограф відкидається, а не позначається хибно. Рівень кожної леми це рівень її появи, найраніший, на якому профіль її вводить.
Це датований знімок, а не остаточна карта. Профіль ще розширюють (у живому списку вже більше лем B2 і C1, ніж в опублікованій статті), тож сприймайте ці рівні як вивірені, але попередні.
6,403 з перших 12000 лем тепер мають вивірений рівень CEFR, від A1 до C1
Зіставлення враховує частину мови, тож написання, яке профіль знає лише в незв'язаній частині мови, відкинуто, а не позначено хибно: 42 рядків. Але корпусний теґер і профіль проводять деякі межі в різних місцях, і до 2026-09-13 саме це відкидало 107 рядків, які є тим самим словом у двох традиціях, 34 з них у першій тисячі: означники, які профіль називає займенниками (який, цей, той), порядкові, які він називає числівниками (перший, другий), його клас незмінюваних слів (можна, треба), слова на межі прийменника й прислівника чи частки й прислівника, а також субстантивовані прикметники (військовий, дорослий). Тепер їх повертають десять явних правил, і кожен рядок завантаження каже, як він приєднався, тож суворе зіставлення на відстані одного фільтра. Один наслідок це число, а не виноска: 130 написань стоять на двох рангах, бо теґер розділив одне слово на два прочитання, і кожен рядок зберігає власний ранг і частину мови.
Лише слабко, і це і є висновок. Рангова кореляція між вивіреним рівнем і частотою в корпусі дорівнює 0.38: медіанний ранг за частотою рівно зростає від A1 до C1, тож упорядкування притомне, але відповідність слабка. Рівень CEFR і ранг за частотою просто не одна вісь, і саме тому не можна перейменувати одне на інше.
Наступна нитка будується на 1,604 лемах, які профіль уже позначає як B1, тож перше питання: де вони сидять у цьому списку. Скрізь: десята частина вивіреного B1 має ранг до 740, половина до 3,767, а десята частина після 9,370. Кожен рівень охоплює кожну тисячну смугу рангів. Сітка нижче показує частку кожного рівня в кожній смузі, у масштабі самого рівня.
Читайте два стовпчики як регістр, а не як помилку. Вихідний корпус переважно новинний, тож громадянські та журналістські слова B1 мають ранній ранг, а побутові, особисті слова B1 пізній. Смуга рангів відтяла б другий стовпчик і зберегла б чимало B2 з першого, і саме тому розширення тримає UberText єдиною частотною базою, а регістр трактує як окрему ознаку.
Виміряно на 1,976 лемах, які покривають і вивірена карта, і відкрите накладання курсу, порівнюючи первинну здогадку курсу (перша поява) з вивіреним рівнем. Значно суворіша перевірка, ніж мала ручна еталонна вибірка: це весь перетин.
| № | Лема | CEFR |
|---|---|---|
| 1 | в | A1 |
| 2 | на | A1 |
| 3 | у | A1 |
| 4 | і | A1 |
| 5 | з | A1 |
| 6 | бути | A1 |
| 8 | що | A2 |
| 11 | та | A2 |
| 20 | як | A2 |
| 25 | свій | B1 |
| 38 | під | A2 |
| 41 | весь | A2 |
| 45 | по | A2 |
| 61 | заявити | C1 |
| 69 | повідомити | B1 |
| 72 | рада | B2 |
| 73 | і | B1 |
| 75 | ж | B1 |
| 78 | й | B1 |
| 80 | при | B1 |
| 121 | зазначити | B2 |
| 155 | представник | B2 |
| 213 | верховний | B2 |
| 225 | управління | B2 |
| 252 | примітка | B2 |
| 292 | глава | C1 |
| 414 | чин | C1 |
| 432 | розслідування | C1 |
| 627 | виборчий | C1 |
| 756 | законодавство | C1 |
Вивірена карта вище потребує дозволу авторів на поширення. Це накладання це цілком відкрита альтернатива: воно позначає наші леми з відкритого курсу learn-ukrainian (Krisztian Koos, CC-BY-SA), експертного добору на основі українського Держстандарту 2024, без потреби в дозволі. Рівень леми тут це перший урок курсу, де вона з'являється, тож сприймайте це як приблизний сигнал порядку навчання, а не рівень володіння.
Тепер його роль це звірка, а не запасний варіант. Вивірене накладання вище зіставляє їх на всьому перетині; ця картка зберігає власне калібрування відкритого накладання проти опублікованих еталонних точок. Ані відкрита карта сама, ані заморожені таблиці статті не є завершеним інструментом, на який заслуговує учень, і подолати цей розрив це і є мета серії.
2,325 з перших 12000 лем мають відкриту позначку CEFR, від A1 до B2
Synchak та ін. публікують конкретні рівні CEFR для окремих лем. Там, де вони перетинаються з цим накладанням, розбіжність вимірюється напряму, тож накладання відкалібровано, а не просто заявлено. Вибірка мала (кілька десятків еталонних лем), тож зважайте на інтервал, а не на точкову оцінку.
| Лема | Вивірено | Накладання | |
|---|---|---|---|
| бути | A1 | A1 | ✓ |
| рік | A1 | A1 | ✓ |
| він | A1 | A1 | ✓ |
| для | A1 | B1 | ≠ |
| я | A1 | A1 | ✓ |
| вони | A1 | A1 | ✓ |
| також | A1 | A1 | ✓ |
| вона | A1 | A1 | ✓ |
| час | A1 | A1 | ✓ |
| мати | A1 | A1 | ✓ |
| могти | A1 | A1 | ✓ |
| людина | A1 | A1 | ✓ |
| після | A2 | A1 | ≠ |
| новий | A1 | A1 | ✓ |
| перший | A1 | A2 | ≠ |
| країна | A1 | A1 | ✓ |
| сказати | A1 | A1 | ✓ |
| стати | A1 | A2 | ≠ |
| особа | A2 | A1 | ≠ |
| через | A1 | B1 | ≠ |
| область | A1 | B1 | ≠ |
| заявити | C1 | B1 | ≠ |
| або | A1 | A1 | ✓ |
| щоб | A2 | A1 | ≠ |
| голова | A1 | A1 | ✓ |
| два | A1 | A1 | ✓ |
| місто | A1 | A1 | ✓ |
| повідомити | B1 | A2 | ≠ |
| слово | A1 | A1 | ✓ |
| день | A1 | A1 | ✓ |
| місце | A1 | A1 | ✓ |
| робота | A1 | A1 | ✓ |
| повідомляти | B1 | B1 | ✓ |
| себе | A2 | A2 | ✓ |
| якщо | A1 | A1 | ✓ |
| питання | A1 | A1 | ✓ |
| великий | A1 | A1 | ✓ |
| щодо | B1 | B1 | ✓ |
| рішення | B1 | B1 | ✓ |
| компанія | A1 | A2 | ≠ |
| район | A1 | A1 | ✓ |
| раніше | A2 | A1 | ≠ |
| отримати | A1 | A2 | ≠ |
| частина | A1 | A1 | ✓ |
| партія | B1 | B2 | ≠ |
| хто | A1 | A1 | ✓ |
| працювати | A1 | A1 | ✓ |
| результат | A1 | A2 | ≠ |
| можна | A1 | A1 | ✓ |
| дитина | A1 | A1 | ✓ |
| головний | A1 | A2 | ≠ |
| село | A1 | A1 | ✓ |
| склад | B1 | A1 | ≠ |
| держава | A2 | B2 | ≠ |
| чоловік | A1 | A1 | ✓ |
| хотіти | A1 | A1 | ✓ |
| життя | A1 | A2 | ≠ |
| право | B1 | B2 | ≠ |
| сьогодні | A1 | A1 | ✓ |
| уряд | B1 | B2 | ≠ |
| між | A2 | A2 | ✓ |
| вибори | B1 | B1 | ✓ |
| тисяча | A1 | A1 | ✓ |
| знати | A1 | A1 | ✓ |
| дія | B1 | A1 | ≠ |
| ситуація | A1 | B2 | ≠ |
| тут | A1 | A1 | ✓ |
| зараз | A1 | A1 | ✓ |
| центр | A1 | A1 | ✓ |
| становити | B1 | B2 | ≠ |
| допомога | A1 | A1 | ✓ |
| три | A1 | A1 | ✓ |
| березень | A1 | A1 | ✓ |
| зробити | A1 | B1 | ≠ |
| місцевий | A2 | A2 | ✓ |
| кількість | B1 | A2 | ≠ |
| початок | A1 | A1 | ✓ |
| другий | A1 | B1 | ≠ |
| почати | A1 | B1 | ≠ |
| гривня | A1 | A1 | ✓ |
| стан | B1 | B1 | ✓ |
| там | A1 | A1 | ✓ |
| писати | A1 | A1 | ✓ |
| жити | A1 | A1 | ✓ |
| мета | B1 | A2 | ≠ |
| освіта | B1 | A2 | ≠ |
| написати | A1 | A2 | ≠ |
| чорний | A1 | A1 | ✓ |
| наука | B1 | A2 | ≠ |
| білий | A1 | A1 | ✓ |
| підписати | A2 | B1 | ≠ |
| займатися | A2 | A2 | ✓ |
| червоний | A1 | A1 | ✓ |
| стіл | A1 | A1 | ✓ |
| зелений | A1 | A1 | ✓ |
| традиція | A1 | A2 | ≠ |
| підпис | A1 | B1 | ≠ |
| ліжко | A1 | A1 | ✓ |
| синій | A1 | A1 | ✓ |
| крісло | A1 | A1 | ✓ |
| годинник | A1 | B1 | ≠ |
| помаранчевий | A2 | A1 | ≠ |
| цікавитися | A2 | A2 | ✓ |
| типовий | A2 | A1 | ≠ |
| стілець | A1 | A1 | ✓ |
| меблі | A1 | A2 | ≠ |
| захоплюватися | A2 | A2 | ✓ |
| посуд | A1 | B1 | ≠ |
| допис | B1 | B1 | ✓ |
| лампа | A1 | A1 | ✓ |
| шафа | A1 | B1 | ≠ |
| холодильник | A1 | A2 | ≠ |
| рушник | A1 | A1 | ✓ |
| диван | A1 | A1 | ✓ |
Лише 114 з 200 еталонних лем потрапляють у перші 12000 і мають ту саму частину мови, що й накладання; решта це рідші слова або омографи іншого значення. Промахи йдуть в обидва боки: частіше курс ставить конкретний, але рідкісний у корпусі іменник (шафа, посуд) вище, ніж вивірений профіль, який виводить його на A1 для початківця; рідше він ставить абстрактний іменник (наука, освіта) на рівень нижче. Значна частина цього розриву це не помилка, а дві філософії: курс іде за тим, де слово викладають, а профіль робить свідомі винятки на користь початківця.
Зіставлення враховує частину мови, тож 75 омографів (наприклад, риба і числівник з однаковим написанням) відкинуто, а не позначено хибно. А там, де вивірений профіль публікує рівень, беремо саме його й позначаємо як вивірений, тож 114 позначок тут це власні рівні Synchak, а не евристики. Погодженість вище виміряно на евристиці ДО цих замін, тож число ними не прикрашене.
Слабко, і це чесна відповідь. Рангова кореляція між призначеним рівнем і частотою в корпусі дорівнює 0.283 (рівень CEFR це не частота, тож слабка відповідність очікувана), але медіанний ранг за частотою таки зростає від A1 до B2, тож упорядкування принаймні напрямково притомне.
| № | Лема | CEFR |
|---|---|---|
| 1 | в | A1 |
| 2 | на | A1 |
| 3 | у | A1 |
| 4 | і | A1 |
| 5 | з | A1 |
| 6 | бути | A1 |
| 9 | до | B1 |
| 10 | за | A2 |
| 22 | від | B1 |
| 38 | під | A2 |
| 45 | по | B1 |
| 47 | після | A2 |
| 57 | особа | A2 |
| 61 | заявити | C1 |
| 63 | щоб | A2 |
| 69 | повідомити | B1 |
| 83 | повідомляти | B1 |
| 85 | себе | A2 |
| 90 | щодо | B1 |
| 123 | дані | B2 |
| 284 | матч | B2 |
| 331 | парламент | B2 |
| 338 | акція | B2 |
| 403 | порушення | B2 |
| 408 | належати | B2 |
Огляд поля нижче раніше позначав лексичний мінімум A1 «1000 й 1 слово» (Ксенія Бородін і Оксана Туркевич, Школа української мови та культури, Український католицький університет) як замурований: ліцензія CC-BY-4.0, але публікація лише у форматі PDF, недосяжному для екстрактора, тож єдиний незалежний, емпірично обґрунтований орієнтир A1 для української не можна було приєднати, і модель строгості накладання чесно називала цю відсутню звірку прогалиною. Ця сторінка попросила в авторів машиночитану таблицю, і співавторка Ксенія Бородін надіслала список сама. Ця картка це той список, приєднаний до частотного списку й переопублікований як відкриті дані з атрибуцією, за власною ліцензією посібника.
Зіставлення чесне щодо своєї зернистості. Одиниця авторів це опублікована стаття словника (окреме слово, видова пара, пара чоловічого й жіночого роду, часом ціла фраза), список не має частин мови, тож зіставлення йде за рядком леми на найкращому ранзі, грубіше за накладання вище, які враховують частину мови. Фразові статті пораховано, а не приєднано силоміць, і слово для початківця, якого корпус не ранжує, чесно лишається поза списком.
838 з 929 унікальних статей A1 приєднуються до перших 12000, сягаючи 833 окремих лем
З 806 приєднаних лем, які покриває й вивірена карта PULS, 75.7 відсотка мають вивірений рівень A1, а 96.8 відсотка сидять на A1 або A2. Два незалежні зусилля, корпусно вивірений профіль і експертний лексичний мінімум, сходяться на тому, що таке українська для початківця. Кілька слів вище за A2 це здебільшого ціна грубішого зіставлення: автомат з A1 (квитковий) пишеться так само, як автомат із C1 (зброя), і без частини мови цей список їх не розрізнить.
833 зіставлені леми покривають близько 34.7 відсотка суцільного тексту; 833 найчастотніших лем покрили б близько 57.6 відсотка. Це той самий висновок, що й для вивіреного ядра вище, тепер виміряний на джерелі, якого ця сторінка не будувала: педагогічний добір A1 свідомо міняє сире покриття на конкретні, придатні до навчання слова, і 72 його словникових статей (апельсин, виделка, бутерброд) взагалі не входять у ці новинно-важкі перші 12000.
| № | Опублікована стаття | Лема | PULS |
|---|---|---|---|
| 1 | в, у | в | A1 |
| 2 | на | на | A1 |
| 4 | і, й, та | і | A1 |
| 5 | з, із, зі | з | A1 |
| 6 | бути | бути | A1 |
| 7 | не | не | A1 |
| 1538 | готель | готель | A1 |
| 1545 | стать | стать | A2 |
| 1546 | дочка | дочка | A1 |
| 1549 | готувати | готувати | A1 |
| 1566 | папір | папір | A1 |
| 1570 | купувати – купити | купити | A1 |
| 11598 | цукерка | цукерка | A1 |
| 11703 | курка | курка | A1 |
| 11781 | крем | крем | A2 |
| 11811 | фотографувати | фотографувати | A1 |
Картка A1 вище закрила одну прогалину. Її примітка про походження чесно фіксувала й іншу, відкриту: том A2 тієї самої серії існував, але машиночитаного списку A2 ніхто не надавав. Відтоді цей том опублікували у відкритому доступі за ліцензією CC-BY-4.0 Ксенія Бородін і Олеся Лазаренко в Європейському університеті Віадріна, тож прогалина закривається публікацією, а не послугою. Ця картка це його реєстр на 1000 статей, видобутий із PDF самої публікації, приєднаний до частотного списку так само грубо й переопублікований як відкриті дані з атрибуцією.
Тепер можна відповісти на два питання, недосяжні раніше. Оскільки це наступний том тих самих авторок, два списки разом вимірюють, чого насправді коштує один крок CEFR, у частотних рангах, а не в кількості слів. А оскільки книжка A2 друкує всю свою лексику ще й перегрупованою за власною 51 темою, це перше джерело на цій сторінці, яке може сказати, ЯКІ семантичні поля пропускає новинно-важкий частотний список, а не лише скільки слів він пропускає.
710 з 1,000 опублікованих статей A2 приєднуються до перших 12000, сягаючи 709 окремих лем
Лише 45 статей A2 це слова, які вже мав мінімум A1 тих самих авторок, і майже всі вони дієслова, що доростають до видової пари. Решта 955 (95.5 відсотка) нові на A2, і вони відчутно глибші в корпусі: медіанний ранг 2,923 проти 1,643 для слів, піднятих із A1. Крок CEFR це не більша купа тих самих слів. Це рух назовні, до рідкісніших.
Книжка групує свої 1,124 тематичних одиниць під 51 темами. У зіставленні з частотним списком 21.4 відсотка з них узагалі не входять у перші 12000, і пропуски розподілені нерівномірно. Найгірше покриті поля конкретні, побутові, тілесні: їжа, особиста гігієна, побутова техніка й числівники, де поза списком опиняються і збірні форми, і порядкові, які авторки свідомо довели до тридцятого, щоб можна було назвати дату. Корпус опублікованих українських новин погано описує кухню.
З 673 приєднаних лем, які покриває й вивірена карта PULS, 70.1 відсотка сидять на A1 або A2, а 29.9 відсотка вище за A2, майже всі на B1. Це слабша згода, ніж знайшла картка A1, і так і має бути: саме на A2 два експертні зусилля починають розходитися щодо межі, а грубе зіставлення за рядком леми додає власного шуму. Сторінка показує це розходження, а не підганяє його.
709 зіставлені леми покривають близько 11.9 відсотка суцільного тексту; 709 найчастотніших лем покрили б близько 55.2 відсотка. Обмін, який виміряла картка A1, різко ширшає на A2, і 227 словникових статей узагалі не входять у ці новинно-важкі перші 12000, проти 72 на A1. Це чесна стеля навчання за частотою: за межами ядра для початківців частотний список і програма курсу перестають описувати ту саму мову.
| № | Опублікована стаття | Лема | PULS |
|---|---|---|---|
| 9 | до | до | A1 |
| 21 | для | для | A1 |
| 22 | від | від | A1 |
| 25 | свій | свій | B1 |
| 27 | Бува́й(те)! | те | A1 |
| 35 | той | той | A1 |
| 2813 | Бе́льгія | Бельгія | · |
| 2822 | звук (Р.в. одн. зву́ка) | звук | A2 |
| 2836 | відві́дувач / відві́дувачка | відвідувач | B1 |
| 2840 | зустріча́ти(ся) – зустрі́ти(ся) | зустріти | A1 |
| 2843 | підзе́мний | підземний | B1 |
| 2854 | деревʼя́ний | дерев’яний | A2 |
| 11864 | симпати́чний | симпатичний | B1 |
| 11907 | па́ска | паска | A2 |
| 11977 | знайо́мити(ся) – познайо́мити(ся) | знайомити | B1 |
| 11982 | тризу́б | тризуб | B1 |
Три картки вище читають кожне джерело окремо проти списку частотності. Ця читає два джерела одне проти одного. Українська тепер має і корпусно поінформовану навчальну програму, томи A1 та A2 «1000 і 1 слово», і корпусно вивірений описовий профіль, Профіль української лексики на PULS. Їх побудовано різними методами для різних питань, і досі ніхто не з'єднав їх лема за лемою. Ця картка це робить, на частотній основі, і класифікує кожну клітинку.
Мета не в тому, щоб оцінити котресь із них. Програма вирішує, що викладати у вівторок, а профіль фіксує, де слово вперше з'являється у градуйованому вжитку; вони мають право різнитися, і цікаво саме де і як. Сітка нижче є всім зіставленням. Оберіть клітинку, і слова з неї з'являться під нею, найчастотніші спершу.
10,366 лем в об'єднанні двох джерел, 1 200 з них обидва джерела ставлять на той самий рівень
Рядки це том мінімуму, який містить слово, стовпці це рівень, який дає вивірений профіль. Оберіть клітинку, щоб побачити її слова.
| Мінімум | A1 | A2 | B1 | B2 | C1 | немає | Σ |
|---|---|---|---|---|---|---|---|
| A1 | 992 | ||||||
| A2 | 1,137 | ||||||
| жодного | 8,237 | ||||||
| Σ | 968 | 1,379 | 2,385 | 3,522 | 1,940 | 172 | 10,366 |
24 найчастотніші, з опублікованого випуску. Повна таблиця у файлі для завантаження.
| № | Лема | ЧМ | Том | PULS |
|---|---|---|---|---|
| 9 | до | ADP | A2 | A1 |
| 21 | для | ADP | A2 | A1 |
| 22 | від | ADP | A2 | A1 |
| 35 | той | DET | A2 | A1 |
| 56 | стати | VERB | A2 | A1 |
| 59 | область | NOUN | A2 | A1 |
| 87 | якщо | SCONJ | A2 | A1 |
| 95 | компанія | NOUN | A2 | A1 |
| 102 | національний | ADJ | A2 | A1 |
| 104 | отримати | VERB | A2 | A1 |
| 110 | частина | NOUN | A2 | A1 |
| 118 | світ | NOUN | A2 | A1 |
| 119 | раз | NOUN | A2 | A1 |
| 130 | без | ADP | A2 | A1 |
| 135 | територія | NOUN | A2 | A1 |
| 141 | життя | NOUN | A2 | A1 |
| 168 | допомога | NOUN | A2 | A1 |
| 181 | початок | NOUN | A2 | A1 |
| 184 | почати | VERB | A2 | A1 |
| 196 | команда | NOUN | A2 | A1 |
| 297 | біля | ADP | A2 | A1 |
| 335 | число | NOUN | A2 | A1 |
| 352 | кінець | NOUN | A2 | A1 |
| 370 | вік | NOUN | A2 | A1 |
Із 174 слів, які профіль валідує на A1, а програма відкладає до A2, чотири це прийменники та сполучник, які корпус ставить у перші 130: до (9), для (21), від (22) і без (130), а також якщо (87). Том A1 таки містить по, про і через, тож це межа, яку авторки провели навмисно і відтоді підтвердили: прийменник відкладають, доки не викладено відмінок, яким він керує. Це саме той тип рішення, який зіставлення робить видимим, а підрахунок слів не може.
Три обмеження, і жодне прочитання тут не витримує їх ігнорування. Мінімуми не мають частиномовної розмітки, тож омографи зливаються в один рядок. Рівень у профілі це початок вжитку найранішого значення леми, тож слово може бути вивірене на A1 у значенні, якого програма не викладає. І три джерела не погоджуються, що є однією лемою: те очолює список відсутніх на ранзі 27 не тому, що хтось його забув, а тому, що основа й профіль вважають його лемою, а програма вважає його середнім родом від той, який містить том A2. Читайте стовпець відсутніх як кандидатів для перевірки.
Картка вище каже, що 229 словникових статей мінімуму A2 не входять у перші 12000 цього списку, і читає це як стелю навчання за частотою. Але це прочитання спирається на неперевірене припущення. Цей список побудовано на ОБ’ЄДНАНОМУ корпусі UberText 2.0, а найбільша його частина з великим відривом це новини. Тож слово поза списком може бути рідкісним в українській, а може бути звичайним і просто відсутнім у журналістиці, яка нечасто говорить про виделки, гарбузи чи краватки. Ці два прочитання дають протилежні поради тому, хто укладає словник, і ніщо вище не може їх розрізнити.
Тому ми побудували два частотні списки замість одного, з художнього та новинного підкорпусів UberText: та сама збірка, те саме очищення, той самий лематизатор, та сама форма вибірки, обидва обмежені однаковою кількістю токенів. Різниться лише жанр. Ранги нижче зіставні між собою і свідомо НЕ зіставні з основним списком на цій сторінці, який зробив інший лематизатор.
Новини сягають 658 статей (70.3 відсотка). Художня література 648 (69.2 відсотка). Майже стільки ж, і не ті самі слова: разом вони сягають 744 (79.5 відсотка). Другий жанр того самого розміру дає 9.2 пункти, яких не дало б збільшення першого. Для педагогічної мети різноманіття корпусу вартує більше за його розмір.
Обмін майже симетричний, і саме це робить його справжнім результатом, а не більшим молотком: художня література сягає 30.9 відсотків того, що пропускають новини, а новини 33.3 відсотків того, що пропускає художня література. Жоден жанр не кращий. Вони дивляться на різні частини мови.
Прочитайте два рядки разом, і механізм стає очевидним. Журналістика дає інституційне й географічне; художня література дає побутове, тілесне й чуттєве. Жодна з них сама по собі не є описом мови.
Ці ранги отримано нашим власним лематизатором на двох підкорпусах, а не тим, що стоїть за основним списком на цій сторінці. Вони зіставні між собою і більше ні з чим тут, і жодна цифра вище не змішує їх з основним списком. Лематизатор також хибно обробляє кілька частотних займенників, однаково в обох жанрах, тож він не може створити різницю між ними.
Нитка два тепер приєднує вивірений профіль (за дозволом авторів), наданий авторами лексичний мінімум A1 і відкрите накладання курсу. Те, що для цього знадобилося два прямі запити, і є суть: відкритий список за лемами з рівнями CEFR, стандартний ресурс для вивчення мови, зробили приблизно для десятка мов і жодного разу не опублікували як відкриті українські дані. Ось усе поле.
| Джерело | Доступ | Рівні |
|---|---|---|
| Ukrainian Vocabulary Profile (PULS)вивірено | за дозволом | A1-C1 (до B1) |
| State Standard 2024 (SLSUFL) | лише документи | A1-C2 |
| CEFR & Ukrainian-English Language Portfolios (PCUH) | лише документи | A1-B1 |
| learn-ukrainian course | відкрито, CC-BY-SA | A1-B2 |
| 1000+1 Words (Borodin, Turkevych) | надано авторами | A1 |
| 1000+1 Words A2 (Borodin, Lazarenko) | відкрито, CC-BY | A2 |
Ця сторінка долучить відкритий український список CEFR, щойно він з'явиться, і це не гіпотеза: мінімум A1 вище надійшов саме так, бо його автори відповіли на лист. Потрібна схема проста: лема, частина мови та рівень CEFR, у форматі CSV чи JSON.
Вивірена карта позначає 1604 лем цього списку як B1. Ця нитка будує над цими позначками шар збагачення, якого справді потребує той, хто йде до B2: яке дієслово з яким утворює пару, який відмінок кожне дієслово керує, з чим кожне слово водиться і по справжньому реченню на кожне. Кожна цифра це підрахунок над відкритими даними, і кожна таблиця виходить як завантаження.
Решта 5597 лем не мають вивіреного рівня. Модель вгадує рівень для повнозначних слів серед них, і здогадка виходить окремим файлом із власними похибками, ніколи не зливаючись із вивіреним стовпчиком. Там, де модель не впевнена, вона каже це просто в рядку.
Вид в українській лексичний: доконане і його недоконане це дві леми, тож таблиця їх пов'язує, а не позначає одну. Для 443 дієслів B1 Вікісловник подає пару для 378, згори накладено ручну таблицю суплетивних пар (серед них брати і взяти), 0 з яких стосуються дієслова B1, а корпус дає кожен засвідчений префіксальний дериват. Кожне пов'язане дієслово зберігає власний вивірений рівень, і це робить видимими 102 пар з розбіжним рівнем: дієслово B1, партнера якого профіль ставить деінде.
102 із 346 партнерів з рівнем стоять не на B1. Хто вивчив член пари на B1, зазвичай ще не зустрічав другого.
| Дієслово B1 | Партнер | Вид | Рівень партнера | UberText |
|---|---|---|---|---|
| захотіти B1 | хотіти | impf | A1 | 1,047,986 |
| зіграти B1 | грати | impf | A1 | 293,227 |
| посидіти B1 | сидіти | impf | A1 | 214,612 |
| відсвяткувати B1 | святкувати | impf | A1 | 38,780 |
| розповідати B1 | розповісти | pf | A2 | 592,456 |
| використати B1 | використовувати | impf | A2 | 400,531 |
| помирати B1 | померти | pf | A2 | 364,816 |
| виступити B1 | виступати | impf | A2 | 342,427 |
| підписувати B1 | підписати | pf | A2 | 325,422 |
| зайнятися B1 | займатися | impf | A2 | 323,510 |
| запропонувати B1 | пропонувати | impf | A2 | 274,648 |
| зібратися B1 | збиратися | impf | A2 | 207,282 |
Окрім зазначених партнерів, у таблиці 596 засвідчених у корпусі префіксальних дериватів недоконаних дієслів B1 (перечитати, дочитати і подібні), 103 з них вивірені як B2 або C1. PULS і Вікісловник розходяться щодо виду 15 дієслів; обидва читання збережено, а думку ВЕСУМу записано третьою.
Шістнадцять префіксів на вісім основних пар, означені й неозначені. Згенеровано 804 написань, а клітинка заповнена лише тоді, коли UberText засвідчує форму щонайменше сто разів і лексикон ВЕСУМ знає її як цей інфінітив: 211 із 256 клітинок. Рівень під кожною формою вивірений там, де профіль його має.
| корінь | в- | ви- | від- | до- | з- | за- | на- | над- | о- | об- | пере- | під- | по- | при- | про- | роз- |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ходити неозн. | входитиB1 +1 | виходитиA2 | відходитиB1 | доходитиB2 | сходитиB1 +2 | заходитиA2 +1 | находити +1 | надходитиC1 | · | обходитисяB2 +1 | переходитиA2 | підходитиB1 | походитиB1 | приходити +1 | проходитиB1 +1 | розходитися |
| іти/йти озн. | · | вийтиA2 | відійтиB1 | · | зійтиB1 +1 | зайтиA2 +1 | найтиC1 +1 | надійти | · | обійтисяC1 +1 | перейтиA2 +1 | підійтиB1 | пітиA1 | прийтиA2 +1 | пройтиB1 +1 | розійтисяB2 |
| їздити неозн. | в'їздити | виїздити | від'їздити | доїздити | з'їздити +1 | заїздити | наїздити +1 | · | · | об'їздити | переїздитиB2 | під'їздити | поїздитиB1 | приїздитиB2 | проїздити | · |
| їхати озн. | в'їхати | виїхатиB1 | від'їхати | доїхатиB1 | з'їхатиB2 +1 | заїхатиB2 | наїхати | над'їхати | · | об'їхати | переїхатиB1 | під'їхатиB1 | поїхатиA2 | приїхатиA2 | проїхатиB1 +1 | роз'їхатися |
| носити неозн. | вноситиB2 +2 | виноситиB2 +1 | відноситися +1 | доносити +1 | зноситиB2 +1 | заносити +1 | наносити +1 | · | · | обносити +1 | переноситиB2 +1 | підноситиC1 +1 | поносити | приноситиB1 +1 | проноситися +1 | розносити +1 |
| нести озн. | внестиB2 +1 | винести | віднестиB1 +1 | донести +1 | знестиB2 +1 | занестиB2 | нанести | · | · | обнести | перенестиB2 +1 | піднестиB2 +1 | понестиB2 +1 | принестиA2 | пронести +1 | рознести +1 |
| возити неозн. | ввозитиB2 +1 | вивозитиB2 +1 | відвозити | довозити | звозити +1 | завозити +1 | навозити | · | · | · | перевозитиB2 +1 | підвозитиB2 +1 | повозити +1 | привозитиB1 +1 | провозити +1 | розвозити +1 |
| везти озн. | ввезти +1 | вивезтиB2 | відвезтиB1 | довезтиB2 | звезти | завезти | навезти | · | · | · | перевезтиB1 +1 | підвезтиB2 | повезтиB1 | привезтиB1 | провезти | розвезти |
| водити неозн. | вводити +3 | виводитиB2 +1 | відводити +1 | доводитисяB2 +1 | зводитиB2 +1 | заводити +1 | наводитиB1 +1 | · | · | обводити | переводити +1 | підводити +1 | поводитисяB2 +1 | приводитиB2 +1 | проводитиA2 +1 | розводитиC1 +1 |
| вести озн. | ввестиB2 +1 | вивестиB2 +1 | відвестиB1 | довестисяB2 +1 | звестиB2 +1 | завестиB2 +1 | навестиB1 | · | · | обвести | перевестиB2 +1 | підвестисяB2 +1 | повестиB1 +1 | привестиB1 | провестиA2 | розвести +1 |
| бігати неозн. | вбігати | вибігатиB2 | відбігати | добігати | збігатисяC1 +1 | забігати | набігати +1 | надбігати | · | оббігати | перебігати | підбігати | побігатиB1 | прибігатиB1 | пробігатиB2 | розбігатисяB2 |
| бігти озн. | вбігтиC1 +1 | вибігтиB2 | відбігти | добігтиB2 | збігтисяC1 +1 | забігтиB1 | набігти | надбігти | · | оббігти | перебігти | підбігтиB1 | побігтиA2 | прибігтиB1 | пробігтиB2 +1 | розбігтися |
| літати неозн. | влітати | вилітати | відлітатиB1 | долітати | злітати +1 | залітати | налітати | · | · | облітати | перелітати | підлітати | політатиB1 | прилітатиB1 | пролітатиC1 | розлітатися |
| летіти озн. | влетіти +1 | вилетітиB1 | відлетіти | долетітиB2 | злетітиB2 +1 | залетіти | налетіти | надлетіти | · | облетіти | перелетітиB1 | підлетіти | полетітиB1 | прилетітиB1 | пролетітиB2 | розлетітися |
| плавати неозн. | · | · | · | · | · | · | · | · | · | · | · | · | поплаватиB1 | · | · | · |
| плисти/пливти озн. | вплисти | виплисти +1 | відплисти +1 | доплисти +1 | спливти +1 | заплисти +1 | напливти | · | · | · | переплисти +1 | підплисти +1 | поплистиB2 +1 | приплисти +1 | проплисти +1 | розпливтися +1 |
Зібрано над 2,880,835 розібраними токенами вікіпедійного підкорпусу UberText, єдиного, чий текст ліцензійно сумісний із цим релізом. Керування це дієслово + прийменник + відмінок із часткою серед іменних залежних дієслова; модель показано від десяти відсотків і трьох спостережень, а сирі підрахунки лишаються в завантаженні. 365 із 443 дієслів B1 мають п'ять і більше спостережень, 285 мають двадцять і більше. У Вікіпедії свій регістр: дякувати не трапляється.
Ключі зіставлення це заголовні слова PULS у конвенціях ВЕСУМу. Леми парсера це леми pymorphy3, чий український словник походить із ВЕСУМу, і перевірка конвенції тримається: 99.9 відсотка заголовних слів B1 нормалізуються самі в себе (2 ні, серед них кошти), нижче однопроцентної межі, яку ставить план. 73 відсотка розібраних повнозначних токенів потрапляють на лему цього списку; решту звітовано, ніколи не злито в ранги.
Парсер є парсер, тож його похибку на непрямих залежних оцінено, а не припущено. Для 60 дієслів B1 укладений автором список подає підручникове керування (це не незалежний анотатор, і ця сторінка так і каже). Верхня модель корпусу збігається з підручниковою для 59 із них і входить у першу двійку для 60.
Пари, пов'язані залежністю, упорядковані за logDice, як це робить лексикограф, бо сирі поверхневі біграми витягують шум службових слів. 6,219 рядків для 1,087 лем B1, найсильніші вісім на лему. Число після кожного колоката це його logDice.
2,919 справжніх речень Вікіпедії для 1,497 лем B1, дослівно, під CC-BY-SA. Нічого не згенеровано. Кожне речення пройшло фільтр русизмів, таблиці замін LanguageTool, які нитка три вже використовує, застосовані до кожного токена; фільтр відкидає за замовчуванням і відкинув 167 із 5,571 перевірених кандидатів.
Ці таблиці зіставляються за лемами, тому лематизатор тут не дрібниця. Вони несуть леми pymorphy3; профіль збудовано на nlp_uk, а цей список несе власну лематизацію lang-uk, тому план закладав перехід на nlp_uk, припускаючи, що це затягне зіставлення. Прочитавши ту саму вибірку обома, речення за реченням, бачимо 92.6 відсотків збігу токенів, а повнозначні слова потрапляють у цей список у 73 проти 72.6 відсотків. Припущення було хибне, тому таблиці залишили як є.
Розбіжність це угода про конвенцію, а не помилка. nlp_uk вважає субстантивований прикметник окремою лемою, тому російською читається як російська (мова) там, де цей список має російський, а слово з великої літери на початку часто читається як власна назва. Обидві версії захисні; жодна не є тією, на якій збудовані ранги.
Найчастіші з 29 598 типів розбіжностей.
Частотний список ранжує леми, тому фраза для нього невидима. "тому що" постає як один дуже частий сполучник плюс один дуже частий займенник, і ніде як сполучник, яким воно є. Ця таблиця дає 142 виразам власні ідентифікатори: 63 дискурсивних сполучників із UK-DiMLex і 79 багатослівних статей двох опублікованих лексичних мінімумів, підрахованих на тих самих 4 694 436 словоформах Вікіпедії, з яких відрізано таблиці вживання.
Рівні несуть частини, а не ціле: профіль позначає слова, а не вирази. Читання частин дає лише нижню межу, і для 87 із 98 виразів, у яких вивірена кожна частина (88.8 відсотків), ця межа є B1 або легшою. Тому покриття, підраховане слово за словом, зараховує їх як уже відомі, і саме цю прогалину таблиця вимірює.
Межа це не рівень. Таким чином це застиглий орудний відмінок іменника рівня C1, і частина за частиною воно читається як C1, що для цілого так само неправильно, як і A1. Стовпчик каже, чого варті частини, і більше нічого.
Два читання одного виразу: рівні, які несуть частини, і сам вираз.
Незалежний корпус вручну розмічених багатослівних виразів (PARSEME 2.0, 5 993 розмічених входжень на новинних текстах) засвідчує 35 із цих 142 виразів (24.6 відсотків). Читання лише в одному напрямку: жоден вираз не входить у цю таблицю через те, що він є в тому корпусі. Корпус некомерційний, тому тут він ніколи не вбудований, і нічого похідного від нього поокремих виразах не потрапляє ні у завантаження, ні у пакет.
33 виразів ні разу не зустрічаються у вибірці корпусу. Більшість із них це побутова лексика, яку початковий мінімум мусить дати, а новинному корпусові вона мало потрібна. Це факт про корпус, а не вада мінімуму.
Навчена на 6,403 вивірених позначках і запитана про 5,597 лем, які їх не мають. Власні назви, службові слова та леми, невідомі лексикону, спершу виведено поза межі, тож модель передбачає для 4,218 повнозначних слів. Відкладені частини згруповано: леми, що ділять основу, видовий зв'язок або написання (3,394 груп), ніколи не розходяться між навчанням і перевіркою, тож родину не можна завчити.
| Модель | Точно | У межах одного | Макро-F1 | MAE | QWK |
|---|---|---|---|---|---|
| найчастіший клас | 34% | 71% | 0.102 | 1.084 | 0 |
| лише смуга рангу | 34.6% | 70.9% | 0.142 | 1.081 | 0.102 |
| лише частота (порядкова) | 37.7% | 76.6% | 0.227 | 0.926 | 0.329 |
| гребенева + пороги | 39.8% | 81.5% | 0.294 | 0.82 | 0.459 |
| порядкова логістична (пропорційні шанси) (відвантажено) | 40% | 82.3% | 0.313 | 0.806 | 0.479 |
| мультиноміальна логістична | 40.5% | 78.3% | 0.335 | 0.877 | 0.475 |
За звичайних випадкових частин відвантажена модель дає 41.5 відсотка точних збігів проти 40 за згрупованих; усюди на цій сторінці подано згруповану цифру, а різниця це розмір витоку, який наївний поділ приховав би.
| A frequency only | 37.7% | 76.6% | 0.227 |
| B + morphology | 39.1% | 79.5% | 0.272 |
| C + part of speech and length | 39.3% | 79.7% | 0.283 |
| D + lexicon flags and band | 39.3% | 79.7% | 0.284 |
| E + Wiktionary polysemy and loanword flag | 39.1% | 80.3% | 0.293 |
| F + subtitle and web frequency (wordfreq) | 40% | 82.1% | 0.315 |
| G + UniMorph derivational family | 40.2% | 82.3% | 0.317 |
| H + Wiktionary derived-term family (size, fold-safe lowest level) | 40% | 82.3% | 0.313 |
Позначки відсутні не випадково: вони з підручників, тож їхня наявність спадає з рангом. Відкладений точний збіг становить 40 відсотків у перших п'яти тисячах і 40 відсотків нижче. Передбачення у 2 смугах рангу, де менше ніж 35 відсотків лем мають позначку, виходять із прапорцем тонкої опори; список обрізано на рангу 12000, і ніщо тут не екстраполює далі.
| смуга рангу | 1k | 2k | 3k | 4k | 5k | 6k | 7k | 8k | 9k | 10k | 11k | 12k |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| наявність позначки | 87.1% | 80.3% | 71.1% | 65% | 58.6% | 55.7% | 46% | 41.9% | 38.5% | 35.8% | 31.1% | 29.2% |
| відкладено точно | 43.6% | 37.9% | 36.7% | 39.2% | 42.5% | 42% | 38.5% | 40.3% | 41.6% | 41.3% | 39.9% | 35.3% |
Очікувана похибка калібрування відвантажених імовірностей дорівнює 0.019. Поріг утримання це найнижча з перевірених упевненостей, на якій відкладена точність сягає 50 відсотків: 0.5. Нижче нього рядок виходить як непевний; 1,728 із 4,218 передбачень його долають.
| упевненість не менша | покриття | точність |
|---|---|---|
| 0.35 | 62% | 46% |
| 0.4 | 51% | 47% |
| 0.45 | 40% | 48% |
| 0.5 | 24% | 51% |
| 0.55 | 4% | 65% |
| 0.6 | 3% | 64% |
| 0.65 | 2% | 67% |
| 0.7 | 1% | 74% |
| 0.8 | 1% | 81% |
| # | Лема | Передбачено | Упевненість | Стан |
|---|---|---|---|---|
| 36 | український ADJ | A1 | 0.344 | непевно |
| 68 | російський ADJ | A1 | 0.324 | непевно |
| 109 | грн NOUN | A1 | 0.666 | упевнено |
| 123 | дані NOUN | A1 | 0.468 | непевно |
| 162 | млн NOUN | A1 | 0.688 | упевнено |
| 175 | європейський ADJ | B1 | 0.292 | непевно |
| 183 | проект NOUN | A1 | 0.332 | непевно |
| 199 | посилання NOUN | B1 | 0.338 | непевно |
| 244 | київський ADJ | B1 | 0.319 | непевно |
| 249 | повідомлятися VERB | B2 | 0.504 | упевнено |
Три застереження, які винен дизайн. Найсильнішої ознаки французького зразка, частот за рівнями з градуйованого учнівського корпусу, для української не існує, тож ця модель працює з питомою частотою, морфологією та кількома відкритими ресурсами (значення й позначки запозичень з Вікісловника, частота субтитрів, родини UniMorph, граф родин з Вікісловника), і її стеля структурно нижча; драбина абляції показує, що дає кожен блок. Належність до відкритих лексичних мінімумів A1 і A2 обчислено й показано, але свідомо не включено до відвантаженої моделі: це була найсильніша вага, близько дев'яти пунктів точних збігів, і цей приріст був градуйованим списком слів, прочитаним назад як ознака, яка спрацьовує на більшості вивірених позначок A1 і майже на жодній з лем, які треба передбачити. Розсіяння тут це документи на вживання; DP Ґріса по п'яти підкорпусах потребує підрахунків за підкорпусами, яких відвантажений словник не містить. А судження LLM зарезервовано щонайбільше як одну виміряну ознаку і в цій версії його немає.
Це кандидати для авторів профілю, а не рівні. Вивірене накладання жодним із них не зачеплено.
Профіль групує свою лексику у словотвірні родини, і це групування ще не оприлюднено. Ось відкрита заміна: граф словотвірних родин, побудований з українських статей англійського Вікісловника (витяг kaikki.org від 2026-09-20), де два слова споріднені, коли одне наводить інше серед похідних, етимологія одного це афікс над іншим, або вони зазначені як видова пара. Складні слова вилучено, щоб слово на кшталт високооплачуваний не зв'язувало високий із платити. 17,543 таких ребер об'єднують 4,171 із 12000 лем списку в 1,919 родин; решта не мають вікісловникової рідні у списку.
Серед 640 родин із двома чи більше вивіреними членами профіль ставить усіх членів на один рівень лише в 219 (34.2 відсотків); 198 охоплюють два рівні чи більше. Це власна теза статті з eLex (писати на A1, його родина розкидана по рівнях), і саме тому модель використовує найнижчий вивірений рівень родини як одну з ознак, а не копіює його.
План, крок за кроком, із тим, що зроблено і що закріплено: docs/ukrainian-frequency/b1-extension-pipeline.md
Частотний список каже, які слова вчити. Але він не каже, що частина слів, які ви зустрінете в реальному українському тексті, це форми, які уважний редактор замінив би: русизми, суржик і кальки, що їх тихцем передавали старіші навчальні матеріали. Нитка три позначає їх на тому самому списку, з якого ви вчитеся.
Єдиного усталеного списку русизмів для звірки немає. Є натомість відкритий і підтримуваний інструментарій української стилістики: таблиці замін LanguageTool для української (проєкт brown-uk, той самий, що стоїть за морфологією VESUM). Ця нитка приєднує той інструментарій до частотного списку і для кожної з перших 12000 лем, які він позначає, показує питомий відповідник, який він радить.
Читайте це так само, як відкрите накладання CEFR з нитки два: це ВІДКРИТИЙ, придатний до звірки сигнал, але невивірений і приписовий. Це те, що замінив би стилістичний перевіряч, редакторська думка, а не усталений мовний присуд. Його ядро це дерусифікація, але обсяг інструментарію ширший за суто російські запозичення, і кілька позицій (поліцейський, безкоштовний) це живі дискусії про вжиток. Власні назви та правописні виправлення відкинуто. Кожна запропонована форма це власна форма інструментарію, збережена дослівно.
83 з перших 12000 лем мають позначку від стилістичного інструментарію
З 69 позначених форм, чий питомий відповідник це одне слово, 44 (63.8%) мають позначену форму щонайменше настільки ж частотною в реальному тексті, як її відповідник: питоме слово рідше або й узагалі поза першими 12000. Це і є унаочнення того, як старіші матеріали навчали кальки, а корпус досі її несе.
По одному рядку на частотну смугу, від найнижчого рангу. Кожна позначена форма, питомий відповідник, який радить інструментарій, і де цей відповідник лежить у списку. Повний список у файлі для завантаження.
| № | Позначена форма | Радять | Ранг питомої |
|---|---|---|---|
| 1,257 | поліцейськийNOUN | поліційний | поза 12000 |
| 2,206 | прийомNOUN | приймання | поза 12000 |
| 3,085 | безкоштовнийADJ | безплатний | поза 12000 |
| 4,177 | безкоштовноADV | безплатно | поза 12000 |
| 5,233 | передвиборнийADJ | передвиборчий | #4,407 |
| 6,676 | держдепартаментNOUN | Держдепартамент | поза 12000 |
| 7,099 | місцезнаходженняNOUN | місце | #81 |
| 8,184 | властьNOUN | влада | #100 |
| 9,219 | міліцейськийADJ | міліціонер | #3,301 |
| 10,263 | подаліADV | трохи далі | конструкція |
| 11,228 | затребуванийADJ | потрібний | #706 |
12 із позначених прикметників це калька активного дієприкметника (діючий, існуючий): форми на -ючий, які має російська, а стандартна українська передає підрядним реченням (що діє). Інструментарій ставить таку перебудову першою.
Жодне з 83 позначених слів ще не перевірив носій мови. Оплачувані рецензії замовлено; кожен прийнятий вердикт з'явиться тут із зазначенням рецензента.
Прийнятих відповідей ще немає. Щойно вони з'являться, ця картка опише людей, які за ними стоять: носіїв мови, у вигляді підрахунків груп, ніколи окремих осіб.
Підрахунки взято з анкети, яку кожен рецензент заповнює під час реєстрації. Групу менше ніж 3 осіб ніколи не показано, навіть назвою, а ще одну групу приховано, якщо приховану можна обчислити відніманням. Групи показано по одному питанню, ніколи не перехресно.
Кожна нитка досі працювала з голою лемою, словниковою формою. Але учень мови з розвиненою словозміною зустрічає в тексті не заголовки, а форми. рік з'являється як року, роки, років, рокам. Дієслово має десятки форм. Нитка чотири додає ці форми, і звук, до всього списку з перших 12000 лем.
Джерело відкрите й машиночитне: таблиці відмінювання й дієвідмінювання Вікісловника (через видобуток kaikki.org), а також транскрипція IPA й аудіо носіїв, що лежать у тих самих статтях на Wikimedia Commons. Форми збережено дослівно, з наголосами; аудіо саме прилінковане, а не перерозміщене; а покриття оцінене чесно, а не припущене.
Вікісловник + Wikimedia, CC BY-SA8,553 лем із перших 12000, що відмінюються, розгортаються у 122,021 окремих словоформ, у середньому 14.3 на лему. Нитка один виміряла податок словозміни як повільне покриття тексту; це той самий податок, полічений у поверхневих формах, які треба впізнавати. Іменник має близько десяти форм, дієслово ближче до тридцяти.
Кілька частотних слів, відмінених чи дієвідмінених, з IPA й відкритим аудіо носія. Виберіть слово; форми це власні форми Вікісловника.
Саме це перетворює основу колоди Anki з нитки один із простого списку заголовків на колоду, що навчає кожне слово разом із його формами та звучанням.
Український наголос вільний і рухомий: він може стояти на будь-якому складі, переходить усередині парадигми, і написання не підказує, де саме. Словники його позначають, а звичайний текст ні, тож учень зустрічає 12 000 лем і не знає, як їх вимовити. Ця нитка додає наголошену форму до кожного рядка списку. Вона почалася з листа Андрія Рудницького, який вказав на відкритий словник наголосів lang-uk як на джерело.
Той словник є основою: його читано просто з trie і відфільтровано за частиною мови самого списку, тож читання голої леми ніколи не є здогадом тегера. Там, де він дає два читання, en.wiktionary та uk.wiktionary відрізняють вільний варіант від омографа і від рідкісного варіанта; де три джерела розходяться, вирішують два з трьох; кілька довідкових розв'язань і кожне ручне рішення записано відкрито. Жодне джерело не перемагає за замовчуванням: і дані Вікісловника, і словник було спіймано на помилках.
lang-uk (MIT) + Вікісловник, CC BY-SA9,673 з 9,920 багатоскладових загальних слів мають один упевнений наголос, 97.5 відсотка. Ще 226 позначено, а не вгадано: вільний варіант, де прийнятні обидва наголоси, омограф, де наголос розрізняє два слова, словниковий дублет, якого не вирішує жодне відкрите джерело. 21 досі бракує. 1,348 власних назв поза межами: більшість навчальних списків імена не включає, тож знайдений наголос лишається в рядку з позначкою і ні в чому не рахується.
Тут наголос це не вимова, а значення. Виберіть слово. Там, де два слова десь у парадигмі пишуться по-різному, основним є читання, чиї форми частіше трапляються в UberText 2.0, і підрахунок показано; там, де вони пишуться однаково в кожній формі, основним є перша стаття en.wiktionary, і рядок каже, що це не перевірено.
to go, to pass, to walk
to walk (:a certain distance)
Вільний варіант: прийнятні обидва наголоси, і рядок каже про це замість того, щоб обирати за вас.
Дві помилки в даних словника ukrainian-word-stress: його записано як йо́го (ранг 40; норма його́) і підозрюватися як підозрюва́тися (підо́зрюватися). Дефісні складні слова там подають головний і побічний наголос як альтернативні читання.
11 заголовних слів у власному файлі парадигм цього сайту успадкували хибний наголос з en.wiktionary (ви́на замість вина́, наре́чений замість нарече́ний). Їх опубліковано поруч із файлом як виправлення, а не вписано в дослівне дзеркало, і поставлено в чергу для Вікісловника.
«Упевнений» вище означає, що відкриті джерела збіглися; це ще не означає, що погодився носій мови. 2026-10-02 один раз, із опублікованим зерном, витягнуто стратифіковану випадкову вибірку з 348 рядків: 200 упевнених, 60 позначених варіантів і дублетів та всі 88 омографів. Кожен рядок іде до оплачуваного носія мови з чотирма відповідями: правильно, неправильно (із формою, як каже він чи вона), обидва вживаються, не впевнений.
Правило зафіксовано першим: упевнений рівень вважається підтвердженим, щойно оцінено 150 рядків і нижня межа 95-відсоткового інтервалу частки «не хибних» становить принаймні 95 відсотків. Вердикт «неправильно» це сигнал для реєстру, а не автоматичне виправлення.
Відповідей ще немає: перевірено 0 із 348. Вибірка і правило це зобов'язання.
Усі п'ять ниток уже вийшли. Кожна називає відкрите джерело, на якому побудована, і кожна цифра на цій сторінці перераховується з наявного релізу. Жодна нитка не заявляє результату, якого не може показати.
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.
Вивірений полемний шар CEFR: єдиний корпусно вивірений профіль CEFR для української (Synchak та ін., 2025 / PULS), зведений із частотним списком, від A1 до C1, для 6 403 з 12 000 найчастотніших лем, поширений з дозволу авторів як датований зріз. Поряд лишається цитований розподіл з опублікованої статті, а шар відкритого курсу збережено як вимірювану перехресну перевірку. Висновок тримається: вивірений рівень лише слабко пов'язаний із частотою, тож частотний ранг не є рівнем володіння.
Вивчати найчастотніші слова у вивіреному порядку CEFR, бачити, яка частина списку має вивірений рівень і як далеко він сягає, і бачити, наскільки слабко рівень володіння та сира частота насправді збігаються.
Позначити у списку невластиві українській форми й дати до кожної питомий відповідник, який радить відкритий український стилістичний інструментарій (таблиці замін LanguageTool, brown-uk, зі спертям на морфологію VESUM). Ядро це дерусифікація (русизми, суржик, калька з активним дієприкметником); чесний обсяг ширший, і його відгороджено як невивірений, приписовий сигнал, а не як усталений присуд.
Вивчати питоме слово, а не скальковане, якому тихцем навчають старіші матеріали, і бачити, як часто калька насправді є поширенішою формою в реальних текстах.
Додати до кожної з перших 12000 лем вимову й парадигму відмінювання з відкритих таблиць Вікісловника (kaikki.org) та відкритого аудіо Wikimedia, щоб лему подавали як її форми, а не сам заголовок. Покриття оцінене чесно, а множник словозміни виміряний.
Чути слово, бачити, як воно змінюється за сімома відмінками та видовими парами (там, де словозміна ускладнює), і бачити, у скільки словоформ насправді розгортаються слова, які ви вчите.
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.
Наголошена форма для кожної з 12 000 лем: відкритий словник наголосів lang-uk, прочитаний за частиною мови самого списку, en.wiktionary та uk.wiktionary для розрізнення вільних варіантів, омографів і рідкісних варіантів, голосування два з трьох там, де джерела розходяться, і реєстр кожного ручного рішення. Де відповідь одна, її подано; де їх більше, рядок каже про це замість вгадувати.
Вимовляти слова, які ви вчите, правильно з першого дня, бачити, де наголос розрізняє два слова, і довіряти позначці, яка каже, коли відповідей дві.
Вставте український текст і побачте, яку його частину зможе прочитати учень: покриття суцільного тексту проти вивіреного рівня CEFR або проти того, що клас насправді пройшов (вставлений список, завантажений CSV, мінімуми Бородіної, складені разом і названі), з глосарієм того, що лишилося. Три підрахунки подаються разом: суворий як заголовок, а зв'язок за видом і за родиною як діапазон під ним, із позначенням тих слів, де припущення про родину не спрацьовує. Список читання курсу повертається як план послідовності (накопичене навантаження нових слів, повторені слова, сироти, запропонований порядок, що поважає закріплені позиції). Перевірено на 29 текстах курсу з позначеним рівнем, і результат опубліковано таким, яким він вийшов. Відкривається українською; нічого вставленого не покидає браузер.
Перевірте текст проти власного класу перед тим, як задати його, отримайте глосарій одним натисканням, упорядкуйте читання семестру так, щоб кожен текст коштував найменше нових слів, і побачте, де саме профілювачеві можна довіряти, а де ні.
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.
v0.2.0 - це v0.1.0, до якого застосовано перевірений реєстр виправлень над тим самим джерелом: з рядків v0.1.0 18 вилучено, 68 злито з лемою, до якої вони належать, і 86 увійшли з-під межі, тож 11182 збережених рядків змінили ранг. Усі таблиці на цій сторінці тепер прив'язані до рангів v0.2.0. v0.1.0 лишається замороженим і заархівованим; усе, що прив'язане до його рангів, переходить через зіставлення, опубліковане разом із цим релізом.
Переглянути попередній реліз →pip install ukvocabpip install ukvocab дає цей список, вивірене накладання CEFR, обидва мінімуми, зіставлення та таблиці B1 у форматі Parquet, з пошуком, пакетними рівнями та покриттям; кожне значення несе своє джерело і дату знімка.
POST /api/lemmatize повертає заголовне слово ВЕСУМ, частину мови й теґи для кожного токена в конвенції цього списку, з обмеженням частоти запитів і без збереження тексту; контракт і перевірка збігу з цим списком опубліковані.
GET /api/uk/lookup/<слово> відповідає на будь-яку форму слова з пам'яті: наголос, вивірений рівень, ранг, значення з курсу, відкрите аудіо й тлумачення зі словника dmklinger/ukrainian (CC BY-SA 3.0), у форматі JSON або простим текстом для годинника.
Lawrence, J. (2026). Ukrainian Frequency: a lemma-based, coverage-graded open frequency list (v0.2.0). 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.
Щотижнева перевірка читає розгорнуті сторінки, файли й API проти цього репозиторію: кожен опублікований хеш віддається як обіцяно, пошук слова та лематизатор відповідають так, як каже збережена перевірка збігу, реєстри Zenodo, PyPI і Hugging Face узгоджені, а кожна датована цифра має свій годинник. Її висновок з'являється тут разом із відкритими пунктами.
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 нитка 2, яка профілює єдиний вивірений ресурс, а не вигадує рівні. 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.