Türkçede en çok kullanılan kelimeler ve ne söylüyorlar
Bir dilde en çok kullanılan kelimeler çoğu zaman en az dikkat çekenlerdir: “ve”, “bir”, “bu”. Ama bu kısa kelimeler hem dil öğrenenler hem de kelime bulmacası çözenler için en bilgilendirici veridir. Bu yazıda Türkçe metinlerin sıklık sayımına baktık.
Nasıl ölçtük?
Wordfreq kütüphanesinin Türkçe sıklık verisini kullandık. Veri; ansiklopedi metni, film ve dizi altyazıları, haber ve başka yazılı kaynaklardan derlenmiş. Kelimeler çekimli hâlleriyle ayrı sayılır: “ev” ve “evde” iki ayrı kelimedir. Sayılar yuvarlaktır ve her derleme biraz farklı çıkar; bu yüzden sıralamanın ana hatlarına bakmak, tek tek rakamlara takılmaktan iyidir.
İlk 40 kelime
| Sıra | Kelime | Milyon kelimede |
|---|---|---|
| 1 | ve | 23.400 |
| 2 | bir | 21.900 |
| 3 | bu | 12.900 |
| 4 | için | 7.940 |
| 5 | de | 7.410 |
| 6 | da | 6.460 |
| 7 | çok | 6.460 |
| 8 | ile | 5.250 |
| 9 | ne | 4.370 |
| 10 | daha | 4.070 |
| 11 | en | 3.890 |
| 12 | gibi | 3.800 |
| 13 | olarak | 3.800 |
| 14 | her | 3.630 |
| 15 | kadar | 3.630 |
| 16 | o | 3.630 |
| 17 | olan | 3.470 |
| 18 | ben | 3.390 |
| 19 | var | 3.390 |
| 20 | ama | 3.240 |
| Sıra | Kelime | Milyon kelimede |
|---|---|---|
| 21 | sonra | 2.820 |
| 22 | ki | 2.510 |
| 23 | iyi | 2.340 |
| 24 | yok | 2.340 |
| 25 | ya | 2.240 |
| 26 | değil | 2.140 |
| 27 | sen | 1.910 |
| 28 | büyük | 1.820 |
| 29 | yeni | 1.780 |
| 30 | güzel | 1.700 |
| 31 | sadece | 1.700 |
| 32 | zaman | 1.700 |
| 33 | ilk | 1.660 |
| 34 | iki | 1.620 |
| 35 | mi | 1.580 |
| 36 | hiç | 1.510 |
| 37 | ise | 1.480 |
| 38 | oldu | 1.450 |
| 39 | bile | 1.380 |
| 40 | nasıl | 1.380 |
Sütundaki sayı, bu kelimenin her bir milyon kelimede kaç kez geçtiğidir. “ve” yaklaşık her 43 kelimede bir karşımıza çıkıyor (23.400 / 1.000.000).
İlk birkaç kelime metnin ne kadarını tutuyor?
- İlk 10 kelime metnin yaklaşık %10’unu,
- ilk 100 kelime yaklaşık %24’ünü,
- ilk 1000 kelime yaklaşık %46’sını oluşturuyor.
Yani yaklaşık bin kelimeyle yazılı Türkçenin yarısına yakınını okuyabilirsin; kalan yarısı ise çok sayıda nadir kelimeye dağılıyor. Bu, kelime bulmacalarında da geçerli: cevaplar nadiren ilk bin kelimeden çıkar, ama ipuçları çoğunlukla onlarla yazılır.
Metinde harfler: sözlükten farklı mı?
Sözlük maddelerini sayınca harf sıklığı bir sonuç veriyor; gerçek metinde ise sık geçen kelimeler daha çok ağırlık taşıdığı için sıra biraz değişiyor. En sık 3000 kelimeyi kullanım sıklığına göre ağırlıklandırınca harflerin payı:
Metinde A (%11,5), E (%10,3) ve İ (%9,3) önde; ünlülerin toplamı %43,3. Sözlük maddelerinde (fiiller dahil) ünlüler %40,7. Sözlüğün fiilsiz sayımıyla karşılaştırınca E (%9,0 → %10,3), İ (%7,9 → %9,3), N (%5,5 → %7,2) ve D (%2,4 → %4,5) metinde yukarı çıkıyor; K (%5,9 → %4,9) ve M (%4,4 → %3,2) aşağı iniyor. Nedeni büyük olasılıkla “bir”, “ne”, “de”, “en” gibi çok kullanılan kelimeler; ama bunu ayrıca sınamadık.
Bundan ne çıkarırız?
- Kısa kelimeler dilin iskeleti. İlk 40 kelimenin çoğu bir ile beş harf arasında. Dört-beş harfli bir kalıpta önce bu sık kelimeleri dene.
- Ek taşımayan kelimeler en sık olanlardır. Ekler bir kökü çok sayıda biçime böler; bu yüzden tek tek çekimli kelimeler sıralamada aşağıda kalır.
- Sık kelimeleri bilmek ipucu okumayı hızlandırır. “Bir ... gibi” ya da “en ... olan” kalıplarını tanımak, ipucundaki asıl kelimeye odaklanmanı sağlar.
Sınırlar: sayımda altyazılar da var, bu yüzden konuşma dili (“ben”, “sen”, “yok”) yazılı resmî dile göre yukarıda çıkıyor. Gazete metni sayarsak sıra bir miktar değişir.
Bu kelimelerle günlük pratik için: Dilimin Ucunda.
Kaynak
wordfreq 3.1, Robyn Speer (github.com/rspeer/wordfreq): Türkçe kelime sıklıkları; Wikipedia, OpenSubtitles (OPUS üzerinden), haber ve başka metinlerden derlenmiştir. Kod Apache 2.0, veri CC BY-SA 4.0. Hesabı yeniden yapmak için: scripts/go/freq.py. Sözlük karşılaştırması için Zemberek NLP Türkçe sözlüğü (master-dictionary.dict, github.com/ahmetaa/zemberek-nlp), Apache License 2.0. Hesabı yeniden yapmak için: scripts/go/stats.mjs.