95% de mots connus, 5% de nouveaux : ce que dit la recherche

Read95 propose à chaque lecteur des textes dont il connaît déjà environ 95% des mots, afin que les 5% restants puissent être appris en contexte. Ce chiffre vient de la recherche sur la lecture, où il est souvent cité avec plus d’assurance que ne le permettent les études sur lesquelles il repose. Nous examinons ici ce que ces études ont trouvé, dans quelle mesure on peut se fier à leurs seuils, et pourquoi nous considérons malgré tout que 95% est une cible raisonnable.

Les apprenants qui atteignent un niveau avancé dans une langue y ont généralement beaucoup lu. La difficulté, pour la plupart d’entre eux, est de trouver des textes qui valent la peine d’être lus et qu’ils sont aussi capables de suivre : les textes authentiques sont souvent trop difficiles pour un apprenant de niveau intermédiaire, et les textes écrits pour les apprenants contiennent souvent peu de choses nouvelles. L’hypothèse de l’input de Krashen postulait qu’une langue s’acquiert en comprenant un input situé légèrement au-delà du niveau actuel de l’apprenant [1]. Cette hypothèse a eu une grande influence, mais elle ne précisait pas jusqu’où devait aller cet au-delà, ce qui la rendait difficile à tester et peu utile pour décider de ce qu’une personne donnée devrait lire ensuite.

La recherche sur la couverture lexicale pose une version mesurable de la même question. La couverture lexicale est le pourcentage des mots d’un texte, comptés à chaque occurrence, qu’un lecteur donné connaît. Un lecteur dont la couverture est de 95% sur une page d’environ 300 mots y rencontre, en moyenne, 15 mots qu’il ne connaît pas [2]. La couverture dépend à la fois du lecteur et du texte, ce qui en fait une grandeur naturelle à viser lorsqu’on choisit un texte pour une personne précise.

Combien de mots faut-il connaître pour comprendre un texte ?

Laufer [3] a demandé à des apprenants d’anglais langue étrangère de souligner les mots qu’ils ne connaissaient pas dans un texte universitaire, a vérifié ces mots par un test de traduction, puis a comparé la couverture ainsi obtenue aux résultats des apprenants à un test de compréhension. Une compréhension raisonnable était définie par un score de 55%, qui était alors la note de passage dans son université [2]. Les lecteurs dont la couverture atteignait au moins 95% avaient plus de chances d’obtenir ce score que ceux qui se situaient en dessous, et 95% est cité depuis comme un seuil lexical.

Hu et Nation [4] ont manipulé directement la couverture. Ils ont remplacé des mots d’une nouvelle par des mots inventés afin d’en produire quatre versions, à 80%, 90%, 95% et 100% de couverture, et ont donné une version à chacun de quatre groupes constitués à partir de 66 apprenants d’un cours d’anglais préuniversitaire en Nouvelle-Zélande, si bien que chaque groupe comptait 16 ou 17 lecteurs [5]. La compréhension adéquate était définie à partir d’un questionnaire à choix multiples et d’un rappel écrit guidé. Aucun lecteur ne l’a atteinte à 80% de couverture, trois sur 16 l’ont atteinte à 90%, et à 95% entre 35% et 41% des lecteurs y sont parvenus, selon le test [6]. À partir d’une régression de la compréhension sur la couverture, les auteurs ont estimé qu’une couverture d’environ 98% serait nécessaire pour que la plupart des apprenants lisent correctement un tel texte sans aide [4].

Laufer et Ravenhorst-Kalovski [7] ont ensuite mis en relation la taille du vocabulaire de 745 apprenants, la couverture que ce vocabulaire leur donnait de textes universitaires et leurs résultats à un test national standardisé de lecture. Leur étude a proposé deux seuils : un seuil minimal de 95% de couverture, atteint avec un vocabulaire de 4 000 à 5 000 familles de mots, et un seuil optimal de 98%, atteint avec environ 8 000. Une famille de mots est un mot accompagné de ses flexions et de ses dérivés courants, et les deux chiffres comptent les noms propres comme connus [2]. Au seuil minimal, a écrit Laufer par la suite, on peut attendre des apprenants qu’ils viennent à bout d’un texte avec l’aide ponctuelle d’un dictionnaire [2]. À partir de corpus, Nation [8] a estimé que lire un large éventail de textes écrits en anglais avec 98% de couverture exige de connaître 8 000 à 9 000 familles de mots.

Schmitt, Jiang et Grabe [6] ont adopté une autre approche, avec 661 participants de huit pays. Au lieu de modifier les textes, ils ont mesuré la connaissance qu’avait chaque lecteur des mots de deux textes et l’ont mise en relation avec sa compréhension de ces mêmes textes. Dans l’intervalle qu’ils pouvaient observer, de 90% à 100% de couverture, la compréhension augmentait de manière à peu près linéaire, d’environ 50% à 90% de couverture jusqu’à environ 75% à 100%, sans point où elle s’améliorait brusquement. Dans leurs données, une compréhension de 60% correspondait à une couverture d’environ 95%, et une compréhension de 70% à une couverture de 98% ou 99%. Les lecteurs qui connaissaient tous les mots n’obtenaient encore qu’environ 75% en moyenne, ce qui a conduit les auteurs à décrire une couverture élevée comme une condition essentielle, mais insuffisante, de la compréhension écrite (notre traduction) [6].

95% et 98% sont-ils vraiment des seuils ?

Ces études sont souvent résumées comme montrant qu’un lecteur a besoin d’une couverture de 95% ou de 98%. Nous serions néanmoins prudents avant de lire l’un ou l’autre chiffre comme un seuil au sens clinique, une valeur en deçà de laquelle la compréhension échoue et au-delà de laquelle elle réussit, et ce pour cinq raisons.

Premièrement, les seuils découlent en grande partie de la manière dont le critère de jugement a été dichotomisé. La compréhension était mesurée par un score continu, et chaque étude a choisi sa propre valeur de coupure pour la compréhension adéquate : 55% dans l’étude de Laufer [3], et un critère plus strict, équivalant à environ 71% en moyenne sur deux tests, dans celle de Hu et Nation [2]. Laufer elle-même attribuait l’écart entre les chiffres de 95% et de 98% à ces deux définitions [2]. Lorsque la compréhension augmente régulièrement avec la couverture, comme dans toutes les études ci-dessus, toute valeur de coupure placée sur la compréhension produit un seuil correspondant sur la couverture. Le seuil décrit alors le choix de la valeur de coupure autant que le lecteur.

Deuxièmement, le chiffre de 98% n’a pas été observé. Le protocole de Hu et Nation ne comportait pas de condition à 98% ; le chiffre a été déduit d’une régression ajustée sur quatre groupes de 16 ou 17 lecteurs, à un niveau de couverture qu’aucun d’eux n’a lu [5]. Avec des groupes de cette taille, une estimation de ce type serait vraisemblablement entachée d’une incertitude considérable.

Troisièmement, l’estimation de 98% s’est mal répliquée. Kremmel et ses collègues [5] ont repris le protocole de Hu et Nation avec 104 apprenants adultes au Sri Lanka, en ajoutant une version à 98% et un texte informatif, et en utilisant à la fois des questions à choix multiples et des questions à réponse courte. Ils ont confirmé une relation globalement linéaire entre couverture et compréhension pour la nouvelle et le format de questions d’origine, mais n’ont pas pu reproduire le résultat selon lequel 98% suffirait à une compréhension adéquate, et leurs résultats variaient selon le genre du texte et le format des questions. Une réplication approximative antérieure, menée en Thaïlande et qu’ils résument, a trouvé que la couverture expliquait moins d’un tiers de la variance de la compréhension qu’elle expliquait dans l’étude d’origine [5]. Dans une petite étude reprenant le texte et la tâche d’origine avec des élèves arabophones du secondaire, Laufer [9] n’a trouvé aucune différence significative de compréhension entre 90%, 95% et 98% de couverture [5]. Plus récemment, Webb, Pellicer-Sánchez et Wang [10] ont fait lire une nouvelle à 94 apprenants avancés, à 90%, 95%, 98% ou 100% de couverture. La compréhension tendait à augmenter avec la couverture, mais les différences entre 90%, 95% et 98% n’étaient pas statistiquement significatives, et la couverture expliquait 11% de la variance des scores de compréhension.

Quatrièmement, la couverture est elle-même mesurée avec erreur. Les lecteurs de Laufer signalaient eux-mêmes les mots qu’ils ne connaissaient pas [3] ; d’autres études ont déduit la couverture de chaque lecteur d’un test de vocabulaire et du profil de fréquence du texte [6,7]. On sait que les lecteurs prennent des mots inconnus pour des mots familiers [2], et un test de vocabulaire estime ce que connaît un lecteur à partir d’un échantillon de mots. Si cette erreur de classement est non différentielle, c’est-à-dire indépendante de la compréhension, elle tendrait à atténuer l’association observée, et la relation réelle pourrait être un peu plus marquée que celle rapportée.

Cinquièmement, les populations étudiées sont restreintes. Presque toutes ces études portaient sur des apprenants d’anglais, pour la plupart à l’université, lisant un ou deux textes courts en situation de test. Kremmel et ses collègues suggèrent que le contexte d’apprentissage et les apprenants eux-mêmes, des adultes extérieurs au milieu universitaire et non les étudiants de l’étude d’origine, pourraient expliquer leur réplication partielle [5], et nous soupçonnons qu’une prudence semblable s’impose d’une langue à l’autre. La famille de mots, l’unité de comptage de la plupart de ces travaux, a été définie pour l’anglais, et la couverture dans les langues où un même mot prend beaucoup plus de formes, comme le finnois, le russe ou l’arabe, a été bien moins étudiée.

Malgré ces limites, un résultat s’est vérifié dans toutes les études que nous avons examinées : la compréhension augmente avec la couverture. La relation apparaît avec des textes manipulés [4,5,10] comme avec des connaissances lexicales qui varient naturellement [3,6,7], dans des échantillons de plusieurs pays, et elle présente un gradient. La cohérence et la relation dose-effet font partie des critères que Bradford Hill a proposés pour juger du caractère causal d’une association [11], et elles s’accompagnent ici de données expérimentales issues des études qui ont manipulé la couverture. La difficulté d’un texte dépend aussi de la familiarité avec le sujet, des connaissances préalables, de la syntaxe et de la cohésion [5], si bien que la couverture n’explique qu’une partie des variations de la compréhension. Ce que les données soutiennent, c’est donc une direction : connaître davantage de mots aide, et le bénéfice se poursuit au-delà de 95%. Elles ne soutiennent pas l’existence d’une frontière nette à 95% ou à 98%.

Pourquoi ne pas lire à 100% ?

Si la compréhension était le seul objectif, les données ci-dessus plaideraient pour une couverture aussi proche que possible de 100%. Un lecteur qui veut apprendre des mots dans un texte doit cependant rencontrer des mots qu’il ne connaît pas. Carver [12] a constaté que des élèves et des étudiants de troisième cycle lisant des textes correspondant à leur niveau rencontraient environ 1% de mots de base inconnus, et presque aucun dans des textes faciles ; il en concluait que la lecture libre de textes faciles offre peu d’occasions d’apprendre du vocabulaire. La question, pour un apprenant, est de savoir combien de mots inconnus un texte peut contenir avant que ceux-ci cessent de pouvoir être appris.

Les mots s’apprennent par la lecture, mais lentement. Dans une méta-analyse de 20 expériences sur l’apprentissage incident des mots au cours d’une lecture normale, Swanborn et de Glopper [13] ont estimé que les élèves apprennent environ 15% des mots inconnus qu’ils rencontrent. Une méta-analyse plus récente d’études en langue seconde a montré que les apprenants avaient appris de 9% à 18% des mots cibles juste après un input centré sur le sens, et de 6% à 17% aux tests différés, avec des gains semblables à la lecture et à l’écoute [14].

La répétition compte. Sur 26 études regroupant 1 918 participants, le nombre de rencontres avec un mot était modérément corrélé à son apprentissage (r = 0,34) [15]. Waring et Takaki [16] ont donné à 15 apprenantes japonaises un livre de lecture gradué dans lequel 25 mots cibles apparaissaient d’une fois à 18 fois. En moyenne, le sens d’un seul mot cible était retenu trois mois plus tard, et celui d’aucun des mots rencontrés moins de huit fois. Pigada et Schmitt [17], qui ont suivi un apprenant de français pendant un mois de lecture extensive et testé 133 mots, ont trouvé davantage : la connaissance de 65% des mots s’est améliorée d’une manière ou d’une autre, surtout pour l’orthographe, moins pour le sens.

Le contexte qui entoure un mot influe aussi sur l’apprentissage. Les apprenants qui rencontraient les mots cibles dans des contextes plus informatifs réussissaient mieux les tests portant sur leur sens que ceux qui les rencontraient dans des contextes plus pauvres [18], et Liu et Nation [19] ont constaté que les mots inconnus étaient plus faciles à deviner à une densité d’un mot sur 25 qu’à une densité d’un mot sur 10. Laufer note que les indices nécessaires pour inférer un mot se trouvent souvent dans d’autres mots que le lecteur ne connaît pas [2]. Comme le nombre de mots connus autour de chaque mot inconnu diminue avec la couverture, ces résultats suggèrent, sans le prouver, que la probabilité d’apprendre un mot inconnu donné diminue elle aussi lorsque la couverture baisse.

Les données directes sur la couverture et l’apprentissage sont rares. Dans une étude d’oculométrie, Pellicer-Sánchez, Webb et Wang [20] ont donné à des apprenants avancés un texte à 90%, 95%, 98% ou 100% de couverture. La lecture demandait moins d’effort à 98% selon l’une des trois mesures globales, mais la couverture ne modifiait pas significativement l’attention que les lecteurs portaient aux mots inconnus, et un traitement plus long de ces mots prédisait des gains de vocabulaire plus importants.

Pris ensemble, ces deux ensembles de travaux décrivent un compromis. Une couverture plus faible place davantage de mots nouveaux sur chaque page et laisse moins de contexte compris autour de chacun d’eux. Le tableau 1 en donne l’arithmétique pour une page d’environ 300 mots, la longueur de page que Laufer utilise pour illustrer la couverture [2].

Ces chiffres sont des moyennes sur un texte. En pratique, les mots inconnus sont répartis de façon inégale.

À 98%, un lecteur rencontre environ six mots inconnus par page et comprend l’essentiel du texte. À 90%, il en rencontre 30 et répond à environ la moitié des questions de compréhension. À 95%, la plupart des lecteurs peuvent suivre un texte avec un peu d’aide, et ils rencontrent deux à trois fois plus de mots nouveaux par page qu’à 98%. Nous n’avons pas connaissance d’une étude qui ait mesuré où, entre ces points, le nombre de mots appris par heure de lecture est le plus élevé, et le choix de 95% repose donc sur une inférence tirée de ces deux ensembles de travaux.

Ce qui aide les mots nouveaux à rester

Deux autres résultats éclairent ce qu’un lecteur devrait pouvoir faire à 95%. Le premier est qu’une aide pour les mots inconnus améliore l’apprentissage. Hulstijn, Hollander et Greidanus [21] ont fait lire une nouvelle à des apprenants néerlandais avancés de français, avec des traductions des mots inconnus en marge, avec un dictionnaire bilingue, ou sans aucune aide. La répétition d’un mot favorisait davantage sa rétention lorsque son sens avait été fourni par une glose ou cherché dans le dictionnaire que lorsque les lecteurs n’avaient aucune aide ; sans aide, les lecteurs ignoraient souvent les mots inconnus ou en inféraient mal le sens.

Le second concerne le moment où l’on retrouve un mot. Dans une synthèse de 317 expériences, Cepeda et ses collègues [22] ont montré que l’intervalle entre les séances d’étude et le délai avant le test final agissent conjointement, et que l’intervalle optimal augmente avec la durée pendant laquelle il faut retenir la matière. Une méta-analyse de 48 expériences en langue seconde, portant sur 3 411 participants, a trouvé un bénéfice moyen à important de la pratique espacée par rapport à la pratique massée, un espacement plus long étant plus efficace aux tests différés. Les intervalles croissants n’étaient pas plus efficaces que des intervalles égaux [23].

À l’échelle de programmes entiers, les méta-analyses de la lecture extensive, c’est-à-dire la lecture de grandes quantités de texte à un niveau confortable, rapportent un effet moyen sur la compétence en lecture par rapport à des groupes témoins (d = 0,46 sur 34 études) [24], et des effets faibles à moyens sur 49 études [25]. Ces études évaluent des programmes de lecture dans leur ensemble, et non un niveau de couverture particulier.

Comment Read95 met cela en pratique

Read95 propose à chaque lecteur des textes tirés de vrais livres, essais et articles, dont il connaît environ 95% des mots. À ce niveau, d’après les études ci-dessus, la plupart des lecteurs peuvent suivre l’essentiel d’un texte tout en rencontrant un nombre utile de mots nouveaux sur chaque page. Comme la couverture n’est jamais plus exacte que l’estimation de ce que connaît le lecteur, Read95 estime d’abord son vocabulaire par une courte calibration, au cours de laquelle il sélectionne les mots qu’il connaît, puis affine cette estimation avec chaque texte lu et chaque mot consulté, dans les deux sens.

Tout mot peut être maintenu enfoncé (ou cliqué, sur un Mac) pour afficher son sens dans la phrase. C’est l’aide que suppose le seuil minimal de Laufer [2], et la condition dans laquelle Hulstijn et ses collègues ont constaté que retrouver un mot améliorait sa rétention [21]. Les mots consultés reviennent en révision à des intervalles de plus en plus longs, conformément aux données sur l’espacement [22,23], même si ces données soutiennent plus clairement l’espacement lui-même qu’un calendrier particulier.

La couverture n’explique qu’une partie de la difficulté d’un texte [5,10]. C’est pourquoi un lecteur peut signaler qu’un texte est trop difficile ou trop facile, et les textes suivants s’ajustent ; les textes sont aussi choisis selon ses centres d’intérêt, ce qui pourrait aider sur le plan de la familiarité avec le sujet, dont la compréhension dépend aussi.

Ce que nous ne savons pas encore

L’argument en faveur de 95% combine deux ensembles de travaux qui n’ont pas été conçus pour répondre à notre question : les études sur la compréhension n’ont pas mesuré l’apprentissage et, à une exception près [20], les études sur l’apprentissage n’ont pas fait varier la couverture. La plupart des données concernent en outre des apprenants d’anglais, et les études présentées ici sont les plus citées, choisies à la main ; une recherche systématique en aurait peut-être trouvé d’autres. Nous n’avons pas non plus évalué Read95 lui-même dans une étude contrôlée, et rien ici ne doit être lu comme la preuve qu’il fonctionne mieux que d’autres façons de lire.

Ce que la recherche soutient, c’est une relation cohérente et à peu près linéaire entre la part des mots qu’un lecteur connaît et sa compréhension d’un texte, ainsi qu’un rythme lent mais réel d’apprentissage de mots nouveaux par la lecture, qui s’améliore avec la répétition, avec un contexte informatif et avec une aide pour trouver le sens. Elle ne soutient pas un seuil fixe à 95% ou à 98%. Nous avons choisi environ 95% comme compromis de travail entre compréhension et apprentissage, et nous comptons le réviser à mesure que s’accumuleront des données directes sur la couverture et l’apprentissage du vocabulaire.

L’auteur travaille sur Read95, l’application dont il est question dans cet article.

Références

1. Krashen SD. Principles and Practice in Second Language Acquisition. Oxford: Pergamon; 1982.
2. Laufer B. Lexical thresholds for reading comprehension: What they are and how they can be used for teaching purposes. TESOL Quarterly. 2013;47(4):867–872. doi: 10.1002/tesq.140.
3. Laufer B. What percentage of text-lexis is essential for comprehension? In: Laurén C, Nordman M, editors. Special Language: From Humans Thinking to Thinking Machines. Clevedon: Multilingual Matters; 1989. p. 316–323.
4. Hu M, Nation P. Unknown vocabulary density and reading comprehension. Reading in a Foreign Language. 2000;13(1):403–430. doi: 10.64152/10125/66973.
5. Kremmel B, Indrarathne B, Kormos J, Suzuki S. Unknown vocabulary density and reading comprehension: Replicating Hu and Nation (2000). Language Learning. 2023;73(4):1127–1163. doi: 10.1111/lang.12622.
6. Schmitt N, Jiang X, Grabe W. The percentage of words known in a text and reading comprehension. The Modern Language Journal. 2011;95(1):26–43. doi: 10.1111/j.1540-4781.2011.01146.x.
7. Laufer B, Ravenhorst-Kalovski GC. Lexical threshold revisited: Lexical text coverage, learners' vocabulary size and reading comprehension. Reading in a Foreign Language. 2010;22(1):15–30. doi: 10.64152/10125/66648.
8. Nation ISP. How large a vocabulary is needed for reading and listening? The Canadian Modern Language Review. 2006;63(1):59–82. doi: 10.3138/cmlr.63.1.59.
9. Laufer B. Lexical coverages, inferencing unknown words and reading comprehension: How are they related? TESOL Quarterly. 2020;54(4):1076–1085. doi: 10.1002/tesq.3004.
10. Webb S, Pellicer-Sánchez A, Wang A. Lexical coverage and reading comprehension revisited. Reading in a Foreign Language. 2025;37(1):1–21. doi: 10.64152/10125/67517.
11. Hill AB. The environment and disease: Association or causation? Proceedings of the Royal Society of Medicine. 1965;58(5):295–300. doi: 10.1177/003591576505800503.
12. Carver RP. Percentage of unknown vocabulary words in text as a function of the relative difficulty of the text: Implications for instruction. Journal of Reading Behavior. 1994;26(4):413–437. doi: 10.1080/10862969409547861.
13. Swanborn MSL, de Glopper K. Incidental word learning while reading: A meta-analysis. Review of Educational Research. 1999;69(3):261–285. doi: 10.3102/00346543069003261.
14. Webb S, Uchihara T, Yanagisawa A. How effective is second language incidental vocabulary learning? A meta-analysis. Language Teaching. 2023;56(2):161–180. doi: 10.1017/S0261444822000507.
15. Uchihara T, Webb S, Yanagisawa A. The effects of repetition on incidental vocabulary learning: A meta-analysis of correlational studies. Language Learning. 2019;69(3):559–599. doi: 10.1111/lang.12343.
16. Waring R, Takaki M. At what rate do learners learn and retain new vocabulary from reading a graded reader? Reading in a Foreign Language. 2003;15(2):130–163. doi: 10.64152/10125/66776.
17. Pigada M, Schmitt N. Vocabulary acquisition from extensive reading: A case study. Reading in a Foreign Language. 2006;18(1):1–28. doi: 10.64152/10125/66611.
18. Webb S. The effects of context on incidental vocabulary learning. Reading in a Foreign Language. 2008;20(2):232–245. doi: 10.64152/10125/66826.
19. Liu N, Nation ISP. Factors affecting guessing vocabulary in context. RELC Journal. 1985;16(1):33–42. doi: 10.1177/003368828501600103.
20. Pellicer-Sánchez A, Webb S, Wang A. How does lexical coverage affect the processing of L2 texts? Applied Linguistics. 2024;45(6):953–972. doi: 10.1093/applin/amae062.
21. Hulstijn JH, Hollander M, Greidanus T. Incidental vocabulary learning by advanced foreign language students: The influence of marginal glosses, dictionary use, and reoccurrence of unknown words. The Modern Language Journal. 1996;80(3):327–339. doi: 10.1111/j.1540-4781.1996.tb01614.x.
22. Cepeda NJ, Pashler H, Vul E, Wixted JT, Rohrer D. Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin. 2006;132(3):354–380. doi: 10.1037/0033-2909.132.3.354.
23. Kim SK, Webb S. The effects of spaced practice on second language learning: A meta-analysis. Language Learning. 2022;72(1):269–319. doi: 10.1111/lang.12479.
24. Nakanishi T. A meta-analysis of extensive reading research. TESOL Quarterly. 2015;49(1):6–37. doi: 10.1002/tesq.157.
25. Jeon EY, Day RR. The effectiveness of extensive reading on reading proficiency: A meta-analysis. Reading in a Foreign Language. 2016;28(2):246–265. doi: 10.64152/10125/66901.