НИЗКОЧАСТОТНЫЕ СЛОВА В РУССКОМ ЯЗЫКЕ И ПОДХОДЫ К МОДЕЛИРОВАНИЮ ОБЩЕЯЗЫКОВОЙ ЧАСТОТНОСТИ Текст научной статьи по специальности «Языкознание и литературоведение»

2019

СОЦИО- И ПСИХОЛИНГВИСТИЧЕСКИЕ ИССЛЕДОВАНИЯ Вып. 7

УДК 81'32

НИЗКОЧАСТОТНЫЕ СЛОВА В РУССКОМ ЯЗЫКЕ И ПОДХОДЫ К МОДЕЛИРОВАНИЮ ОБЩЕЯЗЫКОВОЙ ЧАСТОТНОСТИ 1

Ольга Владимировна Блинова

к. филол. н., доцент кафедры общего языкознания Санкт-Петербургский государственный университет

199034, Санкт-Петербург, Университетская набережная 7/9. [email protected]

Целью настоящей статьи является выработка методики формирования списков низкочастотных слов путем сравнения данных, предоставляемых русскими корпусами. В статье сравниваются частотные списки лемм, представленные в «Новом частотном словаре русской лексики» на базе НКРЯ и полученные на базе веб-корпуса ruTenTenll. Перед сравнением исходные списки были преобразованы; в результате преобразования получены списки общей длиной, соответственно, 51 681 слово и 457 935 слов. Сопоставлены списки слов, имеющих относительные частоты <5 ipm по данным хотя бы одного из корпусов. В качестве нижнего порога отсечения вынужденно выбрано значение абсолютной частоты, равное 37. Посчитаны значения мер «coverage» (охват) и «enrichment» (обогащение). Выяснилось, что мера «coverage», отражающая долю перекрытия между списками лемм, принимает значение в 9,4%.

Ключевые слова: русский язык; языковые корпусы; веб-корпусы; частотный список лемм; общеязыковая частотность; низкочастотные слова; лексическая сложность.

1. Постановка задачи

Информация о частотности слов применяется в самых разнообразных исследованиях (см., например, [Gries, Divjak 2012]). В настоящей статье рассматривается проблема определения так называемой общеязыковой частотности слова, точнее, более узкая проблема выделения слов с низкой общеязыковой частотностью (такие слова будем называть также редкими).

Термин «общеязыковая частотность» (general-language frequency) подразумевает, что встречаемость слова устанавливается для языка вообще. Со всей ясностью понимая, что корпус - это не язык, к эмпирическому решению проблемы установления общеязыковой частотности приходится подходить с корпусными данными в руках.

Такие данные предоставляют в том числе большие русские корпусы, то есть частотные списки на их основе. Кроме того, важнейшим источником информации об общеязыковой частотности слов является «Новый частотный словарь русской лексики» (НЧСРЛ), основанный на жанрово-сбалансированном подкорпусе Национального корпуса русского языка объемом в 92 млн. графических слов [Ляшевская, Шаров 2009].

Информация об общеязыковой частотности необходима при оценке лексической сложности

текстов корпуса русских локальных документов СогЯ^А в рамках реализации проекта по изучению объективной и перцептивной сложности русских официальных документов (см., например, [Белов и др. 2018]). Так, лексическая сложность может быть определена через установление в тексте доли редких (resp., низкочастотных) слов [Ляшевская 2017]. Корпус СогЯ^А (1,5 млн. слов) собран в 2018 г. и включает тексты, взятые из Интернета. Словник НЧСРЛ не покрывает всего лексического разнообразия, наблюдаемого в текстах корпуса СогЯГОА, кроме того, у нас нет данных об общеязыковой частотности для вхождений, наблюдаемых внутри СогЯ^А с высокой периодичностью (среди таких вхождений, например, аббревиатуры ГБУЗ 'государственное бюджетное учреждение здравоохранения', ОМС 'обязательное медицинское страхование', ЦРБ 'центральная районная больница', РБ 'районная больница', ДМС 'дополнительное медицинское страхование', ЛПУ 'лечебно-профилактическое учреждение', СНИЛС 'страховой номер индивидуального лицевого счета' и др.). Таким образом, даже если взять НЧСРЛ в качестве источника информации об общеязыковой частотности и пользоваться традиционным «порогом отсечения» низкочастотных слов (тогда слова с относительной частотой ниже 5 ipm

© Блинова О.В. 2019

будут считаться «низкочастотными»), охарактеризовать тексты корпуса с указанных позиций не получится.

Между тем, не вполне ясно, какие слова в принципе можно считать редкими. Так, например, в работе М.В. Хохловой «Large Corpora and Frequency Nouns» [Khokhlova 2016] указано, что, во-первых, «выбор низкочастотных существительных довольно сложен», во-вторых, показатели частотности в НЧСРЛ и в больших корпусах (Russian Web Corpus, ruTenTen, ruTenTen Sample) для низкочастотных слов сильно различаются (и различия между указанными корпусами и НЧСРЛ для низкочастотных слов более очевидно, чем для высокочастотных).

В настоящей статье сравниваются данные о частотности слов, взятые из двух источников: НЧСРЛ и корпуса ruTenTen 11 (15 млрд слов). Представляется, что на этом этапе можно ограничиться использованием лишь одного из крупных русских веб-корпусов, так как веб-корпусы Russian Web Corpus, ruTenTen и ruTenTen Sample при сравнении между собой показали достаточно высокую согласованность в том, что касается показателей частотности, см. [там же].

Целью статьи является выработка методики формирования списков низкочастотных слов путем сравнения данных, предоставляемых русскими корпусами.

2. Некоторые подходы к проблеме выделения низкочастотных слов

Распределение частот слов (а также последовательностей слов, например, биграмм, триграмм и т. д.) в корпусах и коллекциях текстов обычно формулируется как некая универсалия типа «несколько очень высокочастотных слов и длинные "хвосты" очень редких слов» (см., например, [Baroni 2008: 812]). Закономерность распределения частот описывает закон Ципфа, устанавливающий обратно пропорциональную зависимость между частотой слова и его рангом (порядковым номером в ранжированном списке, где все слова корпуса/коллекции расположены по убыванию частоты) [Piantadosi 2014]. Закон предсказывает быстрое снижение частоты, это снижение становится медленнее с ростом ранга, при этом наблюдаются очень длинные «хвосты» слов с одинаковыми низкими частотами [Baroni 2008: 813]. Одним из практических последствий наблюдаемого распределения частот является так называемая «проблема разреженности данных» (data sparsity problem): независимо от того, насколько велик корпус, большинство слов будет иметь низкую частотность и даже большие кор-

пусы не смогут осуществить выборку всего словаря языка [там же].

На практике составители частотных словарей пользуются пороговыми значениями, ограничивающими список слов по частоте употребления [Ляшевская 2016: 236]. Например, для 100-миллионных корпусов принято ограничивать частотные списки словами с относительной частотой около 5 ipm [там же]. Частотный порог в НЧСРЛ для алфавитного списка составляет 0,4 ipm.

В разнообразных работах, привлекающих сведения о частотности лексических единиц, для выделения высокочастотных/частотных, средне-частотных и низкочастотных слов используются различные пороговые значения. Это значения, характеризующие позиции элементов в ранжированном частотном списке (т. е. ранги), значения относительных, логарифмированных (или даже просто абсолютных) частот, значения, учитывающие распределение слов по сегментам или документам корпуса (т. е. дисперсию) [Ахутина 2014: 71-73]. Скажем, в [Laznicka, Janda 2019] низкочастотными считаются слова с ipm < 7; в [Zhao, Jurafsky 2009] в качестве низкочастотных рассматриваются слова из нижнего квартиля ранжированного частотного списка. В работе [Bell et al. 2009] частотный диапазон разделен на три части: высокочастотные слова, среднеча-стотные слова и низкочастотные слова. Первый порог деления выбран в точке 5-го процентиля списка полнозначных слов, а второй порог деления - в точке 95-го процентиля списка полнозначных слов. В значительном количестве работ пороговые значения (как и вообще основания для выбора слов из частотных списков как «высокочастотных» или «низкочастотных») не эксплицируются.

3. Сбор и представление данных

В настоящей статье сравниваются алфавитный список лемм, данный в сsv-версии НЧСРЛ, и данные корпуса ruTenTen 11 из семьи TenTen c платформы Sketch Engine [Kilgariff et al. 2014]. В используемой версии Sketch Engine есть возможность выгружать списки слов не длиннее 1000 строк. Поэтому для получения наиболее полного частотного списка была выбрана стратегия, согласно которой из ruTenTen 11 выгружались частотные списки лемм, начинающихся на возможные двухбуквенные сочетания (последовательно: аб, ав, аг и т. д.). Список двухбук-венных сочетаний, возможных в начале лемм, получен на основе 52-тысячного списка лемм НЧСРЛ. Для однобуквенных лемм был выполнен отдельный поиск.

Сформированный таким способом частотный список лемм на базе корпуса гиТепТеп11 состоит из 457 935 строк. В нём содержатся только сведения об абсолютной частоте, поэтому относительные частоты леммам нужно было присваивать самостоятельно (что и было сделано из расчета, что объем корпуса составляет 14 553 856 113 слов). Данных, которые могли бы служить основанием для суждений о распределении лемм по документам или сегментам корпуса, в моем распоряжении нет. В списке присутствуют ошибки лемматизации, лексические дублеты, например абажур (абс. частота 21 618) и абажурах (абс. частота 299), неорфографичные письменные репрезентации слов, например аба-жаю (абс. частота 487).

Перед сравнением частотные списки из НЧСРЛ и из гиТепТеп 11 следовало подвергнуть предобработке, в частности, заменить все «ё» на «е», так как в НЧСРЛ «ё» не используется,

Фрагмент объединенного ч{

и суммировать частоты омографов, так как в списке ruTenTen11 леммы типа але (междометие) и але (частица), бездомный (существительное) и бездомный (прилагательное), будто (союз) и будто (частица) и т. д. не разведены.

Затем в каждом из списков каждому вхождению был присвоен ранг. Ранг присваивался по принципу, реализованному в НЧСРЛ (т. е. у каждого следующего слова в ранжированном частотном списке ранг больше на единицу, а леммы с одинаковым количеством вхождений имеют разные ранги) [Ляшевская 2016: 229].

Кроме того, были посчитаны средние значения ipm (imp mean) для всех лемм, содержащихся в списке, а сам список был отсортирован по убыванию imp mean. В результате для объединенного частотного списка лемм НЧСРЛ и ruTenTen11 был сформирован традиционный «rank/frequency profile» (см. Таблицу 1).

Таблица 1

отного списка, отн. частота

Lemma ipm RNC ipm ruTenTen11 ipm mean rank RNC rank ruTenTen11

и 35801,800 34622,753 35212,276 1 1

в 31374,200 34440,504 32907,352 2 2

на 15870,800 16575,012 16222,906 5 3

не 18028,000 13288,503 15658,251 3 4

что 16098,300 9658,545 12878,422 4 7

с 11316,000 11219,013 11267,507 9 5

быть 12160,700 10148,599 11154,650 7 6

он 11791,100 7827,361 9809,230 8 8

я 12684,400 5881,327 9282,863 6 11

а 8226,600 5940,911 7083,756 10 10

по 5790,800 7567,131 6678,966 13 9

как 6626,700 5686,558 6156,629 11 14

это 6174,500 5812,341 5993,420 12 13

этот 5414,000 5203,444 5308,722 15 17

к 5389,000 4973,073 5181,037 16 19

они 4850,000 5388,613 5119,306 19 16

но 5382,900 4109,520 4746,210 17 21

который 4209,000 5142,417 4675,709 23 18

для 3229,300 5816,463 4522,882 32 12

из 4314,100 4365,481 4339,790 21 20

4. Анализ данных

Сравнение данных, представленных в «rank / frequency profile» показало, что сводный список содержит в общей сложности 41 252 леммы с ненулевыми значениями относительных частот в каждом из сравниваемых списков. При этом, как показывает Таблица 2, где леммы ранжированы по ipm mean, леммы с пороговым ipm = 0,4

в НЧСРЛ демонстрируют в гиТепТеп 11 разброс значений относительных частот в диапазоне от 33,508 ipm (слово отел) и 10,025 ipm (слово утилита) до 0,0003 ipm (слово членораздельно).

Конечно, существуют классические проверенные техники сопоставления корпусов, в частности, через сравнение наблюдаемых в разных корпусах частот слов [К1^агп£Г 2001; КЛ§атй",

Rose 1998], однако цель настоящей статьи не заключается в сравнении корпусов per se. Поэтому было бы правильно выбрать методику, в рамках которой сравниваются не абсолютные, относительные частоты или ранги конкретных лемм в частотных списках для корпусов попарно, но оценивается общий состав частотных списков и различия между ними. Такую методику предложили М. Барони и его соавторы в [Baroni et al. 2009] (см. также [Lindemanna, San Vicente 2015]).

Методика подразумевает сравнение корпусов с применением двух мер. Первая называется «coverage» (охват, покрытие), вторая называется «enrichment» (обогащение). Меры призваны показать, в какой степени список лемм в одном

корпусе «покрывается» списком лемм в другом корпусе. Точнее, согласно М. Барони, , «охват корпуса X относительно корпуса Y (охват (Y/X)) представляет собой долю types <долю уникальных токенов - О.Б.>, которые находятся выше порога Синклера (Sinclair cutoff) как в X, так и в Y, по отношению к общему числу types, находящихся выше порога Синклера в X»; «обогащение корпуса X относительно корпуса Y (обогащение (Y/X)) измеряет долю слов, которые находятся выше порога Синклера в корпусе Y, но ниже этого порога в корпусе X, по отношению к общему числу types, находящихся ниже порога в корпусе X» [Baroni et al. 2009: 11].

Таблица 2

Фрагмент объединенного частотного списка (20 лемм с низкими значениями ipm mean)

Lemma ipm RNC ipm ruTenTenll ipm mean

этнонациональный 0,4 0,009 0,205

птицеперерабатывающий 0,4 0,009 0,204

рыбодобывающий 0,4 0,009 0,204

тыняновский 0,4 0,009 0,204

зэковский 0,4 0,007 0,204

лживо 0,4 0,007 0,204

угреться 0,4 0,007 0,204

офонареть 0,4 0,007 0,204

едреный 0,4 0,007 0,203

вгиковский 0,4 0,007 0,203

жэковский 0,4 0,005 0,203

вдовствующий 0,4 0,005 0,203

знакомо 0,4 0,004 0,202

рюшечка 0,4 0,004 0,202

цыпленок-бройлер 0,4 0,003 0,202

гэкачепист 0,4 0,003 0,201

эфросовский 0,4 0,002 0,201

вмуровать 0,4 0,002 0,201

нюни 0,4 0,001 0,200

членораздельно 0,4 0,000 0,200

Показатель coverage» рассчитывается по формуле

(1) coverage (С1/С2) =(ШП^2) /N1,

где С1, C2 - корпусы, N1 - количество лемм с абсолютной частотой > 20 в корпусе 1, N2 -количество лемм с абсолютной частотой > 20 в корпусе 2.

Показатель «enrichment» рассчитывается по формуле

(2) enrichment (С1/С2) =N2/S1,

где N2 - количество лемм с абсолютной частотой > 20 в корпусе 2, - количество лемм с абсолютной частотой < 20 в корпусе 1.

В списке НЧСРЛ нет лемм с частотой < 20, так как порогом отсечения тут является относительная частота 0,4 ¡рш (примерно соответствующая для корпуса объемом 92 млн графических слов абсолютной частоте, равной 37). Соответственно, сравнение с использованием порога Синклера в 20 вхождений работать не будет.

Для того чтобы сравнение стало возможным, решено взять из общего списка гцТепТеп только список лемм, чья абсолютная частота > 37 (примерно такая абсолютная частота наблюдается у слов с относительной частотой 0,4 ¡рш в НЧСРЛ). Кроме того, в рамках настоящей статьи решено сравнивать частотные списки лемм, имеющих относительную частоту < 5 ¡рш хотя бы в одном из корпусов, так как именно такие слова можно предварительно считать низкочастотными.

Таким образом, была выбрана следующая стратегия формирования частотных списков, подлежащих сравнению: на первом этапе были выбраны все леммы с относительной частотой < 5 ¡рш (точнее, были выбраны все леммы, име-

Понятно, что некоторые позиции соотнесены скорее случайно. Так, трудно предположить, что именно репрезентации леммы втора (второй голос в музыкальной партии, вторая партия, ipm в НЧСРЛ = 1) 2 942 075 раз встретились в составе веб-корпуса. Кроме того, морфоанали-заторы присваивают словоформам глаголов разные леммы (ср. скачать - скачивать) [Ляшев-ская 2016: 228], что служит еще одной причиной существенных расхождений между сравниваемыми частотными списками. Наконец, леммы с относительной частотой 300, 200 и др. ipm в ruTenTenll никак нельзя считать «низкочастотными».

При всем этом некоторые выводы с применением мер «сoverage» и «enrichment» получить можно. Так, если учитывать, что N1 (количество лемм сf > 37) в списке на базе ruTenTenll равно 307 218 и при этом совпадений в списках N1HN2 - 28 759, мы получим coverage» = 0,094. Имея в виду, что 51 (количество слов с f <37)

ющие ¡рш < 5 хотя бы в одном из сравниваемых списков), затем из списка гцТепТеп 11 были исключены все леммы с абсолютной частотой / < 37.

В полученном сводном списке оказалось 307 218 лемм, однако он содержит заметное количество ошибок лемматизации и другого шума. Размах абсолютных частот (т. е. разность между максимальным и минимальным значениями), наблюдаемая для гцТепТеп 11, составляет 4 417 216, что, конечно, весьма много. В Таблице 3 даны 10 позиций с максимальными значениями абсолютных частот в гцТепТеп 11; эта таблица, как представляется, хорошо показывает различия между сравниваемыми частотными списками.

в ruTenTenll = 137915, мы получим

«enrichment» = 0,21.

5. Заключение

Итак, в настоящей статье сравнивались частотные списки лемм, представленные, во-первых, в НЧСРЛ, созданном на базе выборки из НКРЯ (ruscorpora.ru), во-вторых, в списке на базе веб-корпуса ruTenTen11 (sketchengine.eu). В том числе были сопоставлены списки слов, имеющих относительные частоты < 5 ipm по данным хотя бы одного из корпусов.

Для меры «coverage» (показывающей, в какой степени список лемм в одном корпусе «покрывается» списком лемм в другом корпусе) получено значение 0,094, для меры «enrichment» (измеряющей долю слов, которые находятся выше порога в 37 вхождений в одном корпусе, но ниже этого порога в другом корпусе) получено значение 0,21. Это значит, что доля перекрытия между списками составляет лишь 9,4% (т. е. список на базе НЧСРЛ имеет низкий охват списка на базе

Таблица 3

Фрагмент объединенного частотного списка f > 37)

Lemma Freq RNC Freq ruTenTen11 ipm RNC ipm ruTenTen11

деньга 101,2 4417253 1,1 303,511

м 358,8 3570631 3,9 245,339

см 3276740 225,146

две 3264920 224,334

тыс 3105772 213,399

руб 3030732 208,243

втора 92,0 2942075 1,0 202,151

ст 2530321 173,859

др 2097536 144,122

скачивать 1862475 127,971

ruTenTen для слов с абсолютной частотой > 37). Что касается интерпретации результатов значения меры «enrichment», то получается, что список на базе НЧСРЛ предоставляет довольно мало информации о низкочастотных леммах относительно списка ruTenTenll.

Таким образом, становится понятным, что именно следует изменить в методике сравнения данных корпусов для получения списков низкочастотных слов. Во-первых, пороговые значения следует вводить для сводного списка лемм, ранжированного по значениям «ipm mean». Во-вторых, необходимо привлечь к сравнению частотный список лемм, полученный на материале относительно жанрово-сбалансированного корпуса. Такой русский корпус существует - это «Тайга» [Shavrina, Shapovalova 2017]. В-третьих, из списков, полученных на материале веб-корпусов, стоит удалить позиции, содержащие ошибки лемматизации и другой шум. В-четвертых, списки лемм, относящихся к словоформам глаголов, следует рассматривать отдельно. Именно такую методику и предполагается применять в дальнейшем.

Примечания

1 Исследование проведено при поддержке гранта РНФ, проект № 19-18-00525 «Понятность официального русского языка: юридическая и лингвистическая проблематика».

Список литературы

Ахутина Т.В. Нейролингвистический анализ лексики, семантики и прагматики. М.: Языки славянской культуры, 2014. 424 с.

Белов С.А. и др. Корпус русских локальных документов и актов CorRIDA: цели формирования, состав, структура / С.А. Белов, О.В. Блинова, В.Б. Гулида, В.И. Зубов, Е.Ю. Ларионова, П.С. Толстикова // Компьютерная лингвистика и вычислительные онтологии. 2018. Вып. 2. С.112-120.

Ляшевская О.А. Корпусные инструменты в грамматических исследованиях русского языка. М.: Издательский Дом ЯСК: Рукописные памятники Древней Руси, 2016. 520 с.

Ляшевская О.Н. К определению сложности русских текстов // XVII Апрельская международная научная конференция по проблемам развития экономики и общества: в 4 кн. М: Издательский дом НИУ ВШЭ, 2017. Кн. 4. С. 408-418.

Ляшевская О.Н., Шаров С.А. Новый частотный словарь русской лексики, CSV-версия словаря. 2009. [Электронный ресурс]. URL: http://dict.ruslang.ru/freq.php (дата обращения: 12.10.2019).

Baroni M. Distributions in text // Ludeling A., Kyto M. (eds.). Corpus Linguistics: An International Handbook. Berlin; New York: Walter de Gruyter, 2008. Vol. 2. P. 803-822.

Baroni M. et al. The WaCky Wide Web: A Collection of Very Large Linguistically Processed Webcrawled Corpora / M. Baroni, S. Bernardini, A. Ferraresi, E. Zanchetta // Language Resources and Evaluation. 2009. Vol. 43(3). P. 209-226.

Gries S.T., DivjakD (eds.). Frequency Effects in Language Learning and Processing. Berlin: De Gruyter Mouton, 2012. Vol. 1. 248 p.

KhokhlovaM.V. Large Corpora and Frequency Nouns // Компьютерная лингвистика и интеллектуальные технологии. 2016. Вып. 15(22). С. 237-250.

Kilgarriff A. Comparing Corpora // International Journal of Corpus Linguistics. 2001. N 6(1). P. 97133.

Kilgarriff A., Rose T. Measures for Corpus Similarity and Homogeneity // Proceedings of the Third Conference on Empirical Methods for Natural Language Processing. Granada, 1998. P. 46-52.

Kilgarriff A. et al. The Sketch Engine: Ten Years On / A. Kilgarriff, V. Baisa, J. Busta, M. Jakubicek, V. Kovar, J. Michelfeit, P. Rychly, V. Suchomel // Lexicography. 2014. Vol 1, iss. 1. P. 7-36.

Laznicka M., Janda V. Grammatical Profiling of Czech Nouns: What do Cases Tell Us about Nouns' Meanings // The 15th International Cognitive Linguistics Conference (ICLC-15): Online Book of Abstracts. [Электронный ресурс]. URL: https://iclc 2019.site /wpcontent/uploads/abstracts/corpus/ICLC 15_paper_6 88.pdf (дата обращения: 17.11.2019).

Lindemanna D., San Vicente I. Building Corpus-Based Frequency Lemma Lists // Procedia - Social and Behavioral Sciences. 2015. Vol. 198. P. 266-277.

Piantadosi S.T. Zipf s Word Frequency Law in Natural Language: A Critical Review and Future Directions // Psychonomic Bulletin & Review. 2014. Vol. 21. P. 1112-1130.

Shavrina T., Shapovalova O. To the Methodology of Corpus Construction for Machine Learning: «Taiga» Syntax Tree Corpus and Parser // Proceedings of the International Conference «Corpus Linguistics - 2017». St. Petersburg, 2017. P. 78-84.

RUSSIAN LOW-FREQUENCY WORDS AND APPROACHES TO MODELING GENERAL LANGUAGE FREQUENCY

Olga V. Blinova

Assistant Professor, General Linguistics Department Saint Petersburg State University

The paper is aimed at developing a methodology for forming lists of low-frequency words by comparing the data from Russian corpora. The paper compares lemma frequency lists from the "Frequency dictionary of modern Russian language" and the frequency data from the ruTenTenll corpus. Before the comparison, the original lists were converted; as a result, lists with the total length of 51 681 words and 457 935 words respectively were formed. Lists of lemmas with the relative frequencies of <5 ipm according to at least one of the corpora are compared. For the lower cut-off threshold, the absolute frequency value of 37 was selected. The values of the measures "coverage" and "enrichment" are counted. The results show that the "coverage", which reflects the overlap between the lists of lemmas, amounts to only 9,4%.

Keywords: Russian language; linguistic corpora; web corpora; lemma frequency lists; general language frequency; low-frequency words; lexical complexity.