فرمول‌های فلش-کین‌کید و گانینگ فاگ واقعاً چگونه سختی متن را اندازه می‌گیرند؟

در سال ۱۹۵۲، یک مشاور تجاری آمریکایی به نام رابرت گانینگ کتاب «تکنیک نوشتن شفاف» را منتشر کرد و استدلال نمود که «نوشتار مبهم نشانه پیچیدگی نیست، بلکه نشان‌دهنده تفکر آشفته است.» او متوجه شد که غبار ناشی از نثرهای بی‌دلیل پیچیده، به دلیل اتلاف وقت، هزینه‌های واقعی روی دست شرکت‌ها می‌گذارد و برای اثبات این موضوع، یک ابزار ریاضی ساخت. دهه‌ها بعد، نیروی دریایی ایالات متحده ابزار مشابهی را به پژوهشگرانی به نام‌های جی. پیتر کین‌کید و رودولف فلش سفارش داد تا راهنماهای فنی را ارزیابی کنند.[1]

امروزه، این دو الگوریتم — یعنی شاخص گانینگ فاگ و سطح کلاسی فلش-کین‌کید — تقریباً در هر واژه‌پرداز، افزونه سئو و شیوه‌نامه سازمانی تعبیه شده‌اند. این ابزارها دیکته می‌کنند که بروشورهای بهداشتی چگونه نوشته شوند، فرم‌های دولتی چگونه تنظیم شوند و محتوای دیجیتال چگونه رتبه‌بندی شود.[1]

با این حال، هیچ‌کدام از این فرمول‌ها در واقع متن را نمی‌خوانند یا نمی‌فهمند. آن‌ها وضوح، دقت، قدرت اقناع یا جریان روایت را اندازه نمی‌گیرند. در عوض، چیزی که می‌سنجند بار شناختی رمزگشایی است: اینکه یک خواننده معمولی چقدر حافظه فعال نیاز دارد تا یک جمله را در ذهن نگه دارد، در حالی که همزمان در حال کشف معنای هر کلمه است.

ایده اصلی پشت هر دو فرمول کاملاً یکسان است. جملات طولانی‌تر حافظه فعال را سرریز می‌کنند و کلمات طولانی‌تر تداعی‌های ذهنی کمتری را فعال می‌کنند که رمزگشایی آن‌ها را سخت‌تر می‌کند. با ترکیب این دو سیگنال و کالیبره کردن آن‌ها در برابر مجموعه‌ای از متون که سختی آن‌ها مستقلاً ارزیابی شده، این فرمول‌ها یک سطح کلاس تحصیلی در آمریکا را تولید می‌کنند. نمره ۸.۰ به این معناست که یک دانش‌آموز کلاس هشتمی باید بتواند در همان خوانش اول، متن را متوجه شود.[1]

سطح کلاسی فلش-کین‌کید پرکاربردترین معیار است، بیشتر به این دلیل که مایکروسافت دهه‌ها پیش آن را در نرم‌افزار Word ادغام کرد. این فرمول میانگین تعداد کلمات در هر جمله و میانگین تعداد هجاها در هر کلمه را محاسبه می‌کند. سپس طول جمله را در ۰.۳۹ و میانگین هجاها را در ۱۱.۸ ضرب کرده و در نهایت عدد ثابت ۱۵.۵۹ را از آن کم می‌کند.

از آنجا که فلش-کین‌کید میانگین تمام هجاها را در کل متن در نظر می‌گیرد، با پاراگرافی که بیشتر از کلمات دو هجایی تشکیل شده، دقیقاً همان رفتاری را می‌کند که با پاراگرافی ترکیبی از کلمات تک‌هجایی و چند اصطلاح تخصصی طولانی دارد. در واقع، سختی متن در کل نمونه هموار و پخش می‌شود.

اما گانینگ فاگ رویکرد بسیار تیزتری دارد. این فرمول به جای میانگین‌گیری از تمام هجاها، مستقیماً «کلمات پیچیده» را هدف قرار می‌دهد — که دقیقاً به عنوان کلمات دارای سه هجا یا بیشتر تعریف می‌شوند. این فرمول میانگین طول جمله را با درصد کلمات پیچیده جمع کرده و سپس حاصل را در ۰.۴ ضرب می‌کند.

این تفاوت ساختاری باعث ایجاد اختلافات فاحشی در نحوه امتیازدهی این دو فرمول به یک متن واحد می‌شود. اگر در یک متن استاندارد ۱۰۰ کلمه‌ای، نویسنده یک کلمه تک‌هجایی را با یک کلمه سه‌هجایی جایگزین کند، میانگین هجاهای فلش-کین‌کید به سختی تغییر می‌کند و نمره نهایی را تنها ۰.۲۳۶ سطح کلاس بالا می‌برد.[2]

اما تحت فرمول گانینگ فاگ، همان جایگزینی، درصد کلمات پیچیده را یک واحد کامل افزایش می‌دهد. با ضرب در ضریب ۰.۴، سطح متن ۰.۴۰ کلاس جهش می‌کند. از نظر ریاضی، گانینگ فاگ یک کلمه چند هجایی را ۱.۶۹ برابر سخت‌گیرانه‌تر از فلش-کین‌کید جریمه می‌کند.[2]

این جریمه تهاجمی باعث می‌شود گانینگ فاگ به اصطلاحات تخصصی بسیار حساس باشد؛ چیزی که دقیقاً هدف رابرت گانینگ هنگام ارزیابی نامه‌های تجاری بود. با این حال، این ویژگی نقاط کور قابل‌توجهی نیز ایجاد می‌کند. این فرمول نمی‌تواند بین یک اصطلاح فنی واقعاً مبهم و یک کلمه چند هجایی رایج تمایز قائل شود. کلماتی مانند «اطلاعات»، «درک» و «دولت» همگی جریمه کلمات پیچیده را فعال می‌کنند و به طور مصنوعی سطح کلاسی یک متن کاملاً قابل‌فهم را بالا می‌برند.

فلش-کین‌کید هم نقاط کور خودش را دارد. از آنجا که این فرمول صرفاً بر شمارش هجاها تکیه دارد، کلمات کوتاه و نادر را آسان، و کلمات طولانی و آشنا را سخت در نظر می‌گیرد. به عنوان مثال، کلمه انگلیسی quip (کنایه - یک هجا) ساده‌تر از banana (موز - سه هجا) ارزیابی می‌شود، با وجود اینکه کلمه دوم را حتی کودکان نوپا هم می‌فهمند.

تکیه بر یک نمره خوانایی واحد اغلب نویسندگان را گمراه می‌کند. وقتی یک سیاست سازمانی سطح خواندن کلاس هشتم را دیکته می‌کند، نویسندگان معمولاً با جایگزین کردن اصطلاحات دقیق فنی با مترادف‌های مبهم و کوتاه‌تر، یا با تکه‌تکه کردن جملات روان به عبارات مقطع، متن را بیش از حد ساده می‌کنند. نمره بهبود می‌یابد، اما وضوح واقعی سند افت می‌کند. متنی با خوانایی بالا باید «برای مخاطبان گسترده‌تری قابل‌دسترس باشد — یعنی واضح، مختصر و قابل‌فهم باشد»، نه اینکه صرفاً از نظر ریاضی ساده شده باشد.[1]

منطقی‌ترین ارزیابی خوانایی، استفاده همزمان از چند فرمول است. اگر فلش-کین‌کید، گانینگ فاگ و فرمول‌های مبتنی بر کاراکتر مانند شاخص خوانایی خودکار همگی یک متن را در یک محدوده کلاسی قرار دهند، آن نمره بسیار قابل‌اعتماد است.

وقتی فرمول‌ها با هم اختلاف دارند، خود این اختلاف به یک ابزار تشخیصی تبدیل می‌شود. اگر نمره گانینگ فاگ سه سطح بالاتر از فلش-کین‌کید باشد، احتمالاً متن پر از اسم‌های خاص سه‌هجایی است. اگر فرمول‌های مبتنی بر کاراکتر اوج بگیرند در حالی که فرمول‌های مبتنی بر هجا پایین بمانند، متن احتمالاً حاوی املاهای غیرمعمول یا کلمات اختصاری است که شمارشگرهای هجا را گیج کرده است.

فرمول‌های خوانایی همچنان ابزارهای تشخیصی هستند، نه مربیان نویسندگی. آن‌ها می‌توانند هشدار دهند که چه زمانی یک جمله بیش از حد سنگین شده یا دایره واژگان بیش از حد متراکم است، اما نمی‌توانند به نویسنده بگویند چگونه آن را اصلاح کند. هدف نهایی کاهش اصطکاک در خواندن است، نه صرفاً راضی کردن یک الگوریتم.[2]