可读性重新审视：基于参考自由指标的跨数据集分析
计算与语言
2025-10-20 v1 人工智能
摘要
自动可读性评估在确保有效且可及的书面沟通方面发挥着关键作用。尽管该领域取得了显著进展，但仍受制于可读性定义不一致以及依赖表层文本属性的测量方法。在本研究中，我们通过分析 897 项判断，探讨塑造人类可读性感知的因素，发现除了表层线索之外，信息内容和主题对文本可理解性影响尤大。此外，我们评估了 15 种流行可读性指标覆盖五个英文数据集，同时对比六种更细致的基于模型的指标。我们的结果表明，四个基于模型的指标在与人类判断的秩相关性方面始终位列前四名，而表现最好的传统指标平均排名为 8.6。这些发现凸显了当前可读性指标与人类感知之间的差距，指向基于模型的方法作为更有前景的方向。
引用
@article{arxiv.2510.15345,
title = {Readability Reconsidered: A Cross-Dataset Analysis of Reference-Free Metrics},
author = {Catarina G Belem and Parker Glenn and Alfy Samuel and Anoop Kumar and Daben Liu},
journal= {arXiv preprint arXiv:2510.15345},
year = {2025}
}
备注
Accepted at the TSAR Workshop @ EMNLP 2025