Plain Russian Language / Понятный (простой) русский язык.

Зачем всё это нужно

Оценка читаемости текстов необходима для автоматического определения сложности текстов на русском языке.

Что было сделано

Есть 5 американских алгоритмов оценки читаемости текстов, это:

• Flesch-Kinkaid - http://en.wikipedia.org/wiki/Flesch%E2%80%93Kincaid_readability_tests
• Dale-Chale readability formula - http://en.wikipedia.org/wiki/Dale%E2%80%93Chall_readability_formula
• Coleman-Liau index - http://en.wikipedia.org/wiki/Coleman%E2%80%93Liau_index
• SMOG - http://en.wikipedia.org/wiki/SMOG
• Automated Readability Index - http://en.wikipedia.org/wiki/Automated_Readability_Index

Были накоплены тексты на русском языке с разметками по уровню чтения, это:

• тексты для внеклассного чтения;
• экспертно размеченные взрослые тексты;
• особо сложные тексты законов;
• и так далее.

Все алгоритмы были обучены под русский язык - специальным образом каждая формула была подобрана на основе обучающей выборки. Для всех формул были применены коэффициенты позволяющие применять их к русским текстам.

На базе этих формул был сделан специальный веб-сервис который позволяет передавать ему текст или ссылку и оценивать его на сложность.

Как работает API

API доступно по ссылке и http://api.plainrussian.ru/api/1.0/ru/measure/ и для его работы ему необходимо передать параметр url (для ссылки) или text (как текст).

Параметр url передается при обращении через GET запрос, пример такого обращения выглядит вот так:

• http://api.plainrussian.ru/api/1.0/ru/measure/?url=http://minsvyaz.ru/ru/news/index.php?id_4=44264

вот с примером простого текста:

• http://api.plainrussian.ru/api/1.0/ru/measure/?url=http://www.anekdot.ru/id/674877/

или вот:

• http://api.plainrussian.ru/api/1.0/ru/measure/?url=http://www.gosuslugi.ru/pgu/cms/content/isr/view/00000000000/290/309&debug=1

Результат выглядит вот так:

{ metrics: { wsyllabes: { 1: 94, 2: 116, 3: 140, 4: 87, 5: 139, 6: 45, 7: 18, 8: 4, 15: 1 }, c_share: 32.142857142857146, chars: 6000, avg_slen: 46, spaces: 510, n_syllabes: 2232, n_words: 644, letters: 5170, n_sentences: 14, n_complex_words: 207, n_simple_words: 437, avg_syl: 3.4658385093167703 }, status: 0, indexes: { grade_SMOG: "Аспирантура, второе высшее образование, phD", grade_ari: "Аспирантура, второе высшее образование, phD", index_fk: 33.342906832298134, grade_cl: "Аспирантура, второе высшее образование, phD", grade_fk: "Аспирантура, второе высшее образование, phD", index_cl: 23.062857142857148, grade_dc: "Аспирантура, второе высшее образование, phD", index_dc: 30.300857142857147, index_ari: 32.11796894409938, index_SMOG: 34.046178356649776 } }

Кроме того, вместо параметра url можно использовать text, чтобы при запросе передавался текст, а не гиперссылка на текст. Вместо GET-запроса имеет смысл использовать POST, чтобы обойти ограничение на размер URI.
Пример того, как это выглядит в Python с использованием библиотеки requests:

import requests
text = "Здесь может быть Ваш текст"
response = requests.post("http://api.plainrussian.ru/api/1.0/ru/measure/", data={"text":text})
response.json()

Параметры означают:

indexes - набор индикаторов читаемости текста:

• grade_SMOG - уровень образования необходимый для понимания текста по формуле SMOG, человеческим языком
• grade_ari - уровень образования необходимый для понимания текста по формуле Automated Readability Index, человеческим языком
• grade_cl - уровень образования необходимый для понимания текста по формуле Coleman-Liau, человеческим языком
• grade_fk - уровень образования необходимый для понимания текста по формуле Flesch-Kinkaid, человеческим языком
• grade_dc - уровень образования необходимый для понимания текста по формуле Dale-Chale, человеческим языком
• index_SMOG - уровень образования необходимый для понимания текста по формуле SMOG, в годах обучения от 1 до бесконечности
• index_ari - уровень образования необходимый для понимания текста по формуле Automated Readability Index, в годах обучения от 1 до бесконечности
• index_cl - уровень образования необходимый для понимания текста по формуле Coleman-Liau, в годах обучения от 1 до бесконечности
• index_fk - уровень образования необходимый для понимания текста по формуле Flesch-Kinkaid, в годах обучения от 1 до бесконечности
• index_dc - уровень образования необходимый для понимания текста по формуле Dale-Chale, в годах обучения от 1 до бесконечности

metrics - набор расчетных показателей из текста

• chars - сколько всего знаков тексте
• spaces - сколько пробелов в тексте
• letters - сколько букв в тексте
• n_words - число слов
• n_sentences - число предложений
• n_complex_words - число слов с более чем 4-мя слогами
• n_simple_words - число слов до 4-х слогов включительно
• avg_slen - среднее число слов на предложение
• avg_syl - среднее число слогов на предложение
• c_share - процент сложных слов от общего числа
• w_syllabes - словарь из значений: число слогов и число слов с таким числом слогов в этом тексте

Если передать параметр debug=1, то также вернется значение текста которое было передано.

Вот несколько примеров текстов на которых шло обучение.

• Бианки "Лесной дом", 1-й класс - http://api.plainrussian.ru/api/1.0/ru/measure/?url=http://plainrussian.ru/textsbygrade/1/bianki_lesdom.txt
• Астафьев "Солдат", 9-й класс - http://api.plainrussian.ru/api/1.0/ru/measure/?url=http://plainrussian.ru/textsbygrade/9/astafiev_soldier.txt и так много документов.

• textmetric - библиотека кода для измерения простоты русского языка

Текстовые файлы в textmetric - это специально подобранные тексты с предварительными возрастными пометками. Это позволяет разрабатывать собственные алгоритмы анализа читабельности, простоты, понятности текстов на базе этих метрик.

textmetric/metrics.csv - перечень метрик

• filename - имя файла в папке textsbygrade
• name - название текста
• grade - год обучения необходимый для понимания текста, экспертная оценка
• index_fk_rus - измерение сложности текста в годах обучения по формуле Flesch-Kinkaid
• fk_grade_diff - разница в измерении сложности по формуле Flesch-Kinkaid и предустановленной экспертной оценкой
• index_cl_rus - измерение сложности текста в годах обучения по формуле Coleman-Liau
• cl_grade_diff - разница в измерении сложности по формуле Coleman-Liau и предустановленной экспертной оценкой
• index_dc_rus - измерение сложности текста в годах обучения по формуле Dale-Chale
• dc_grade_diff - разница в измерении сложности по формуле Dale-Chale и предустановленной экспертной оценкой
• index_SMOG_rus - измерение сложности текста в годах обучения по формуле SMOG
• SMOG_grade_diff - разница в измерении сложности по формуле SMOG и предустановленной экспертной оценкой
• index_ari_rus - измерение сложности текста в годах обучения по формуле Automatic Readability Index
• ari_grade_diff - разница в измерении сложности по формуле Automatic Readability Index и предустановленной экспертной оценкой
• chars - число знаков в тексте
• spaces - число пробелов
• letters - число букв
• n_syllabes - общее число слогов
• n_words - общее число слов
• n_complex_words - число сложных слов
• n_simple_words - число простых слов
• n_sentences - число предложений
• c_share - доля сложных слов в процентах
• avg_syl - среднее число слогов на слово
• avg_slen - среднее число слов на слово
• wsyllabes - словарь частоты слов по количеству слогов значений в формате { "число слогов" : "число слов"}