语音清晰度的计算分析预测TED演讲中的观众参与度

是什么让一场公开演讲引起广大观众的共鸣？虽然先前研究强调了演讲者表达或主题新颖性，但我们推断参与度的核心驱动力是语言清晰度。这与处理流畅性和认知负荷的理论一致，该理论认为观众会奖励那些以易于理解的方式呈现复杂思想的演讲者。我们利用人工智能分析了1,239场TED演讲文稿（2006--2013年），并补充了后期纵向样本。每份文稿经过50次独立的大语言模型运行，在两个维度上进行评估——解释清晰度和结构组织——并与YouTube参与度指标（点赞和观看量）相关联。清晰度成为观众反应的最强预测因子（点赞$\beta = .339$；观看$\beta = .314$），在时长、主题和科学地位之外贡献了大量增量方差（$\Delta R^{2} \approx .095$）。完整模型解释了点赞29%的方差和观看22.5%的方差。该效应具有领域通用性，在内容类别之间以及科学类和非科学类演讲之间保持不变的。值得注意的是，清晰度优于传统的可读性指标，表明话语连贯性比表面层面的语言简洁性更能预测参与度。纵向分析进一步揭示了TED内部的标准化特征，表现为清晰度随时间提高且变异性降低。理论上，这些结果支持处理流畅性假说：更清晰的沟通减少了认知摩擦并引发更积极的评价反应。在实践中，基于文稿的清晰度是一种可扩展且可训练的改善公共话语的策略。通过证明语言模型能够可靠地捕捉潜在的沟通品质，本研究为教育、科学传播和公开演讲中的反馈系统铺平了道路。