这个测试是怎么运作的
这个测试给你看一百多个单词，然后给出一个上万的数字。下面说明它是如何从前者得到后者的，以及这个数字有多可信。
不可能问遍每个单词
英语中日常使用的单词远超十万个，没有人会去勾选十万个方框。所以测试采用了民意调查的做法：只问一小部分样本，再由此推算整体。从语言的某个区间里公平地抽出一把单词给人看，数一数他认识几个，就能对整个区间做出判断。
关键在于公平地抽取。单词之间不能互相替代——water、hypotenuse 和 obtund 是三个完全不同的问题——所以样本必须有意识地分布在整个范围内，而不是随手从方便的地方挑。
关键维度是罕见程度
测试中的每个单词都有一个词频排名：大致就是把语言按从最常用到最罕见排序后，它所处的位置。仅凭这个数字，就比单词长度、拼写或主题更能预测你是否认识它。单词越罕见，认识的人就越少。这种下降的形状足够稳定，可以作为依据。
这就是测试分为三轮、难度逐步提高的原因。每一轮抽取曲线的不同区段：先是日常词，然后是中间部分，最后是长尾。你在每轮中的回答确定一个点，三个点合起来就能定位下降的位置。
为什么最后一轮最长
一门语言的大部分词汇都是罕见词。你每天都会碰到的词，与那些一年才出现一次的海量词汇相比，只是个零头，抽样必须考虑到这一点。
每一轮的回答都会按该轮所代表的语言比例进行放大。如果你认识某一轮中一半的单词，就会被计为认识该轮所代表全部词汇的大约一半。三轮相加就是估计值。计算很简单，真正需要判断的在前面，也就是如何挑选单词。
棘手之处：人们太容易说“认识”
问任何人是否认识某个词，总有一部分人会对只是见过、看起来像某个熟悉的词，或者觉得自己应该认识的词说“认识”。几乎没有人在撒谎。认识是一种模糊的感觉，而一个勾选框无法区分我能解释这个词和这个词看着眼熟。
如果不加校正，这会毁掉整个计算：每一个过于草率的勾选，都会被乘以它所在区间的大小。
所以测试中有些单词根本不存在。它们被设计得看起来、读起来都像英语——可以发音、拼写合理、罕见程度可信——然后在多部词典中核对，确保它们不是真词，不是真词的拼写错误，也不是给真词加了前缀。它们分散在全部三轮中，没有任何标记。
没有人可能认识它们，所以你勾选的每一个，都在衡量你勾选得有多随意。这个比例随后被用来对你其余的回答打折扣。如果你一个都没勾，分数完全不受影响。
这张图背后的数字
| 猜测比例 | 已校正 | 未校正 |
|---|---|---|
| 0% | 27,000 | 27,000 |
| 5% | 26,470 | 27,720 |
| 10% | 24,920 | 28,430 |
| 15% | 22,550 | 29,150 |
| 20% | 19,610 | 29,870 |
| 30% | 13,140 | 31,300 |
实际效果是：靠猜无法抬高你的结果。偶尔勾错一个几乎没有影响，但每多勾一个编造的词，扣分就比上一个更重，所以勾得太随意，最后分数会很低。
这个数字有多可靠
这个数字来自对一门词汇量以十万计的语言所提的一百多个问题，所以最后几位数字只是误差。同一个人做两次，两个结果会不同，低分段的差异比高分段更大。可靠的是大致的数量级，以及人与人之间的比较。
它还有几点局限。它按词典意义计算词形，而不是词族，所以和那些按词族计算、结果通常更低的研究数据对不上。它只问名词和动词。它无法区分你是真正熟悉一个词，还是只认识到能认出来的程度。这是真实存在的差别，任何勾选框都发现不了。另外，它衡量的是认知，而不是运用。大多数人能认出的词，远远多于他们会说出口的词。
这些单词本身来自一份按词频排序的英语词表，它基于大规模使用数据建立，并筛选为长度适中的单个单词。出现哪些词、每轮有多少编造的词、界限划在哪里，出于显而易见的原因，这里不予公开。
前人的研究
这些基本想法都不是我们首创的。“是/否”清单的形式可以追溯到八十年代末的 Meara 和 Buxton，他们同时发现这种形式需要编造的词才有意义。Nation 的 Vocabulary Size Test 确立了按词频区间抽样、并按各区间所代表的比例加权的方法。这里使用的具体校正方法——根据你声称认识不存在的词的频率给回答打折扣——来自 Huibregtse、Admiraal 和 Meara 在 2002 年提出的方案。在此之上，我们还加了自己的惩罚：每多勾一个编造的词，惩罚就更重，这样几乎全部勾选也不会被当成词汇量很大。想知道人们实际认识多少词，可以读一读 Brysbaert 及其同事的研究：他们估计成年母语者的词汇量约为四万，并详细解释了这个数字为何如此难以确定。
开始测试