人工智能時代的兒童分級閱讀研究

兒童分級閱讀，簡單地講就是為兒童選擇同其閱讀能力相適合的閱讀材料。這個閱讀材料，可以是課文、閱讀測試題、兒童圖書。兒童閱讀材料的選擇，尤其是在幼兒園和小學階段，通常由大人決定。很多大人在為孩子選擇閱讀材料時，都有一個樸素的疑問：這篇文章或這本書，適合我的孩子閱讀嗎？確定適合兒童的閱讀材料，是分級閱讀的現實需求，也是理論出發點。

● 兒童分級閱讀研究的范疇

兒童分級閱讀的核心是兒童的閱讀能力和閱讀材料的匹配，主要涉及兩方面的內容。第一是兒童的閱讀能力。兒童閱讀能力包括很多分項，例如，語音意識，解碼能力，詞匯、文體知識、語言結構、背景知識的掌握情況等。需要注意的是，兒童閱讀能力的發展，并不只是和年齡相關，同一年齡的孩子，閱讀能力可能相差很大。因此，真正的分級閱讀，應該是根據孩子的閱讀能力分級，而不是根據年齡分級。第二是文本難度。文本難度由文本的長度、字詞難度、語法難度、語義難度等綜合構成，直接影響著文本的可讀性。在現實生活中，我們也常有這樣的困惑：同樣的一篇文章，例如馮驥才的《珍珠鳥》，曾經被放在4年級、5年級、7年級、9年級等不同的教材或讀本中。那么，從文本難度而言，《珍珠鳥》到底適合哪個年級的學生呢？這就需要進行科學的測定。因此，兒童分級閱讀，本質上講就是閱讀的科學化，讓不同閱讀能力的孩子能讀到適合他的文本，這樣就不會因為太難而影響理解，或者因為太簡單而失去閱讀興趣。

兒童分級閱讀研究涉及多個學科的研究，如文學、教育學、心理學、圖書館學等。除了一些文科的研究之外，還尤其需要加入計算機科學、語言學、機器學習等理科領域的研究。分級閱讀屬于科學研究，本意就是要去除個人或集體的經驗判斷。在分級閱讀中引入科技研究有兩大好處：一是可以進行大規模的機器測定，二是去除掉人工經驗的不準確。人工智能時代，“大型語料庫+神經網絡”模型讓科學測定文本難度成為可能。

● 兒童分級閱讀研究的現實意義

中國的兒童分級閱讀是在全民閱讀的背景下展開的。近些年來，黨和政府非常重視全民閱讀，全民閱讀已經連續11年寫入政府工作報告。黨的二十大報告中，也提出了“深化全民閱讀活動”。2022年4月，在北京舉辦的“首屆全民閱讀大會”上，習近平總書記發來賀信，希望少年兒童“快樂閱讀，健康成長”。2023年，教育部、中宣部等八部委印發了《全國青少年學生讀書行動實施方案》，在學校掀起了閱讀熱潮。兒童閱讀是全民閱讀的基礎，書香校園是書香社會的基礎。

從全民閱讀的角度看，分級閱讀是閱讀與教育的結合，是閱讀研究精細化、精確化的必然要求。2011年，國務院頒布的《中國兒童發展綱要（2011—2020年）》就提出：“推廣面向兒童的圖書分級制，為不同年齡的兒童提供適合其年齡特點的圖書，為兒童家長選擇圖書提供建議和指導。”當然，我們不能指望所有孩子的閱讀都按照大人設計好的步驟一步步進行，這既無可能，也無必要。分級閱讀只是提供一個可以參考的依據，在兒童閱讀的關鍵時期，把孩子“扶上馬送一程”，而不是做好一個模子，把孩子的閱讀摁在模子中。

兒童分級閱讀研究，應當把兒童興趣作為首要考慮因素。也就是說，分級閱讀要一切從兒童出發，一切從閱讀出發。兒童分級閱讀細分了孩子的閱讀能力，有助于培養孩子對書籍的熱愛，形成“愛讀書、讀好書、善讀書”的良好習慣，針對孩子的年齡特點有計劃地提供閱讀材料，讓孩子感受閱讀的快樂，提高他們的閱讀能力，使閱讀成為他們接受終身教育的最好形式，使不同年齡階段的孩子充分感受閱讀之美，保持高品位的閱讀。

在我國，分級閱讀已引起學界的廣泛關注。因為在這個傳媒多元、閱讀多元的時代，分級閱讀符合時代的需要、公眾的需求。未來的分級閱讀，至少有三個方面的運用場景：在教材編寫中，對課文難度的基本標定；在學校和教研室，對閱讀題難度的基本標定；在出版社特別是少兒出版社，對少兒讀物難度的基本標定。

● 人工智能時代的兒童分級閱讀研究

由于語言的特殊性，中文的分級閱讀研究仍有待完善，學界一直希望能有一個分級閱讀標準。人工智能的廣泛使用，為兒童分級閱讀的研究帶來新的思路，我們可以采取“大型語料庫+神經網絡模型”的研究方法推進兒童分級閱讀研究。

兒童分級閱讀語料庫的建設。分級語料庫是文本難度自動分級系統的基石。一個大規模的漢語分級語料庫，主要包括學校教材語料庫、兒童圖書語料庫、輔助閱讀語料三部分。研究機構可以搜集國內多個出版社的中小學語文教材文本，并對文本進行了格式處理和文字核對；配合漢語分級閱讀系統的程序實驗，去除詩歌和文言文，依據80%：10%：10%的比例劃分訓練集、開發集和測試集。研究機構還可以通過搜集整理、人工錄入等多種方式采集中小學課外輔助讀物作為分級語料的補充，包括人教社配套輔助閱讀材料、小書房分級閱讀書目、中小學語文課外讀物等不同類型語料的篇目。

分級詞表的研制。面向中小學語文分級閱讀，研究機構可以研制現代漢語分級詞表。不同于前人主要依靠專家人工評定的方法，新的分級詞表研制需要依據大規模語料的統計分析，盡可能地由程序自動處理；構建流程透明化、規范化，總體上可復現；能夠快速地構建，便捷地迭代更新。分級詞表還應利用自動分詞軟件對所有文本進行分詞和詞性標注，進而基于大規模語料庫對漢語詞語運用情況進行統計分析；詞表的收錄與分級應依據詞語的使用頻率，有數可依、有表可查、更新快捷；分級詞表還應與義務教育常用詞表、對外漢語詞表都呈現較大的相關性，用以證明其實用性與科學性。

文本難度分級的專家標注。為文本標注閱讀難度等級是一個困難的任務，聘請專家開展閱讀難度標注的實驗是一項十分必要的工作。標注結果一致性是語料標注的一個非常重要的指標。如果專家之間一致性低，表明人在做出區分時有難度，計算機不容易學習到區別性知識，那么難度分級沒有意義，需要對原先的10級做出調整；反之，一致性高，那么人類較容易對文本難度做出一致的劃分，表明原先的10級假定是有意義的。

文本難度分級的主要方法。漢語的復雜性大大提高了文本可讀性評價的難度，基于神經網絡模型來展開漢語文本的難度分級具有較好的可行性。

主流神經網絡模型中，卷積神經網絡CNN能夠抽取局部n-gram特征卻無法捕捉長距離依賴關系；循環神經網絡RNN可以處理序列結構，但在分類任務上由于關鍵詞的不同位置而影響實驗結果。結合兩種模型的優點，我們可以提出CNN+LSTM的難度分級模型，特征提取過程從詞到短語再到篇章，符合人們在閱讀過程中對文章的理解過程。研究機構可以搜集教材語料庫作為實驗數據，同時人工構建一個漢語文本分級評測語料，基于兩個數據集對不同神經網絡模型進行詳細的實驗。

對于兒童圖書數據集的難度分級，研究機構可以采用幾種不同方法進行實驗。一是使用傳統的可讀性公式，把公式得分作為圖書的難度值。二是使用支持向量機模型對圖書進行難度分類，使用的特征包括字詞句特征、BERT特征和不同類型的LDA主題特征。三是使用神經網絡模型對圖書進行難度分類，使用CNN和LSTM這兩個模型，并嘗試在模型中融入支持向量機的字詞句特征，來進一步提升分級的準確率。

分級系統網站的開發。構建具有針對性的包含權威語文教材語料的檢索系統十分重要，它可以實現以下功能：一是可在教材的現代文中對任意關鍵詞進行精確匹配全文檢索以及正則表達式匹配全文檢索；二是可在教材的文言文與詩歌中對任意關鍵詞進行精確匹配全文檢索；三是可查看任意檢索結果的文章詳情；四是體裁、總字數、平均句長、最長句長以及包含的新漢語水平考試（HSK）各等級詞匯列表；五是可對用戶輸入或上傳的文章及文章片段進行分級；六是可對用戶輸入或上傳的文章及文章片段進行統計分析。

● 結語

中文文本閱讀難度的自動分級效果還有提升空間：其一，擴充分級閱讀的文本數據，構建更大規模的漢語文本難度分級語料庫；其二，在神經網絡模型中融入豐富的語言特征和先驗知識，進一步提升難度自動分級系統的性能；其三，將文本難度分級與兒童自身的閱讀水平相匹配，構建完整的兒童圖書分級推薦系統。