Dán một văn bản vào công cụ phân tích, trong một giây bạn có cả chục con số: số từ, số câu, thời gian đọc, từ hay gặp nhất, mật độ từ khóa và điểm dễ đọc. Con số nào cũng dễ tính và cũng dễ hiểu sai. Bài này đi qua một ví dụ thật với công cụ phân tích văn bản, chỉ rõ từng con số được tính thế nào, và nói thẳng những gì chúng không cho biết.
Ví dụ
Chúng tôi dùng hai đoạn văn tiếng Anh ngắn (ví dụ có sẵn trong công cụ):
Good writing is easy to read. Short sentences help, and so do common words. A reader who meets a long sentence full of abstract nouns has to hold every part of it in mind before the meaning arrives, which is tiring. Readability formulas count what they can: words per sentence and syllables per word. They cannot tell whether a text is clear, accurate or kind. Use them as a rough check, then read the text aloud.
Công cụ báo 76 từ, 61 từ khác nhau, 6 câu và 2 đoạn. Với tốc độ 238 từ mỗi phút (tốc độ đọc thầm trung bình văn bản phi hư cấu tiếng Anh theo tổng quan năm 2019 của Marc Brysbaert trên 190 nghiên cứu), đọc mất 19 giây; nói với tốc độ 150 từ mỗi phút mất 30 giây.
Đếm từ là một quy ước, không phải sự thật
"76 từ" phụ thuộc vào quy tắc. Quy tắc của chúng tôi: một từ là chuỗi chữ cái hoặc chữ số liền nhau; dấu nháy hoặc gạch nối ở giữa giữ từ nguyên vẹn ("don't", "e-mail" là một từ), còn "9:30" là hai. Word, Google Docs và các trang đếm từ trực tuyến xử lý số, gạch ngang và đường dẫn hơi khác nhau, nên cùng một văn bản có thể lệch vài từ trên một nghìn. Điều đó không quan trọng với bài luận giới hạn 1.500 từ, nhưng quan trọng khi một ô nhập chỉ cho đúng 280 ký tự.
Tần suất từ và hư từ
Đếm thô, những từ hay gặp nhất trong ví dụ là "a" (4 lần), "is" (3), rồi "and", "of", "per", "read" (mỗi từ 2 lần). Danh sách này chẳng nói gì về chủ đề: hư từ luôn đứng đầu bảng tần suất ở mọi ngôn ngữ. Khi bỏ hư từ (danh sách mạo từ, đại từ, giới từ, trợ động từ), đầu bảng thành "per", "read", "sentence", "text", "words": gần với nội dung hơn nhiều.
Với cụm từ, công cụ đếm n-gram, tức chuỗi hai hoặc ba từ liên tiếp. Khi lọc hư từ, cụm nào bắt đầu hoặc kết thúc bằng hư từ sẽ bị bỏ ("of the" biến mất), còn cụm chỉ chứa hư từ ở giữa vẫn giữ ("state of the art"). Cụm ba từ là cách tốt nhất để phát hiện thói quen viết của chính mình.
Mật độ từ khóa
Mật độ từ khóa là phần văn bản mà một từ hay cụm từ chiếm. Công cụ dùng: số lần × số từ trong cụm ÷ tổng số từ × 100. Trong ví dụ, "read" xuất hiện 2 lần trong 76 từ: 2 ÷ 76 = 2,63%. Một cụm hai từ dùng 3 lần trong 200 từ chiếm 3 × 2 ÷ 200 = 3%.
Không có con số thần kỳ. Công cụ tìm kiếm từ lâu đã không thưởng cho việc lặp từ, và mật độ trên khoảng 3% thường khiến người đọc thấy lặp, đó mới là lý do thật để kiểm tra.
Công thức Flesch, tính tay
Điểm Reading Ease của Rudolf Flesch (1948) và cấp lớp Flesch-Kincaid chỉ dùng hai giá trị trung bình:
- Reading Ease = 206,835 − 1,015 × (từ ÷ câu) − 84,6 × (âm tiết ÷ từ)
- Cấp lớp = 0,39 × (từ ÷ câu) + 11,8 × (âm tiết ÷ từ) − 15,59
Đoạn đầu của ví dụ có 41 từ, 3 câu và khoảng 55 âm tiết. Từ mỗi câu = 13,67, âm tiết mỗi từ = 1,341, nên điểm là 206,835 − 13,87 − 113,49 = 79,5 ("khá dễ") và cấp lớp 5,6.
Giờ thử xem công thức thấy gì. "Read it. Fix it. Ship it. Then read it again. It is good." có 13 từ, 5 câu, 14 âm tiết: 206,835 − 1,015 × 2,6 − 84,6 × 14 ÷ 13 = 113,1. Xáo chính các từ đó thành câu vô nghĩa, "Ship it. Again it. Fix read. Good it is. Then it read.", điểm là 112,7. Công thức không phân biệt được có nghĩa hay vô nghĩa, vì nó chỉ đo độ dài.
Số âm tiết từ đâu ra
Chính tả tiếng Anh không đánh dấu âm tiết, nên công cụ nào cũng phải ước lượng. Công cụ của chúng tôi đếm các nhóm nguyên âm sau khi bỏ những đuôi thường câm ("make" một âm tiết, "baked" một, "wanted" hai). So với từ điển trên 51 từ, nó đúng 45 từ, khoảng 88%. Các lỗi điển hình: "idea", "area", "science", "quiet", "created", "business".
Vì sao không có điểm Flesch cho tiếng Việt
Các hằng số 206,835, 1,015 và 84,6 được xây dựng từ người đọc và văn bản tiếng Anh. Tiếng Việt viết từng âm tiết một: "Hôm nay tôi đi chợ mua rau" là bảy âm tiết cách nhau bằng dấu cách, còn từ trong từ điển là "hôm nay", "tôi", "đi", "chợ", "mua", "rau". Mọi bộ đếm dựa trên dấu cách, kể cả của chúng tôi, Word và Google Docs, đều đếm thành bảy "từ". Âm tiết mỗi từ luôn bằng 1, nên vế chính của công thức mất ý nghĩa.
Vì vậy với tiếng Việt, công cụ hiển thị số âm tiết và liệt kê các cặp hai âm tiết hay gặp nhất, thường là từ ghép. Với câu "Hôm nay tôi đi chợ mua rau. Chợ hôm nay đông người. Người bán rau ở chợ rất vui vẻ, rau tươi và rẻ.", công cụ đếm được 24 âm tiết, 17 âm tiết khác nhau, và cặp đứng đầu là "hôm nay" (2 lần). Tách từ tiếng Việt chính xác cần từ điển và mô hình được huấn luyện; danh sách cặp chỉ là gợi ý.
Những lỗi thường gặp
- Coi điểm dễ đọc là điểm chất lượng. Nó chỉ đo độ dài câu và từ.
- Viết cho đủ mật độ từ khóa. Lặp một cụm để đạt 2% làm văn bản tệ hơn với người đọc.
- So sánh số từ giữa các công cụ rồi cho rằng một bên sai. Mỗi công cụ định nghĩa từ khác nhau.
- Dùng công thức tiếng Anh cho ngôn ngữ khác. Tiếng Việt còn cần tách từ trước.
- Quên mẫu số. Mật độ 5% trong đoạn mô tả 60 từ là ba lần dùng; trong bài 2.000 từ là một trăm lần.
Để đếm nhanh và đổi kiểu chữ, bộ công cụ văn bản gọn hơn; công cụ phân tích dành cho khi bạn muốn biết các từ đang làm gì.