Automatyczna ocena czytelności tekstów edukacyjnych oparta na uczeniu reprezentacji grafowych

Dlaczego ma to znaczenie dla nauczycieli i uczniów

Gdy nauczyciele wybierają fragment do czytania, muszą zachować delikatną równowagę: tekst powinien być na tyle wymagający, by sprzyjać rozwojowi, ale nie tak trudny, by zniechęcić uczniów. Artykuł przedstawia nową metodę sztucznej inteligencji, która potrafi oszacować, jak trudny jest dany tekst do czytania, szczególnie w materiałach edukacyjnych. Patrząc poza proste zliczenia słów i zdań na głębszą strukturę języka, system ma na celu dokładniej dopasować tekst do czytelnika niż tradycyjne wzory oceny czytelności.

Ograniczenia staromodnych wskaźników czytelności

Przez dekady szkoły polegały na wzorach takich jak Flesch–Kincaid, które wykorzystują powierzchowne wskazówki — na przykład długość zdań i liczbę sylab — by ocenić trudność. Metody te są łatwe do obliczenia, ale nie uwzględniają wielu aspektów rzeczywistej złożoności. Krótki fragment z naukowego tekstu wypełniony terminami technicznymi albo zdanie o zawiłej składni może nadal zostać oznaczony jako „łatwy”, ponieważ słowa są krótkie, a zdania krótkie. W konsekwencji nauczyciele mogą nieumyślnie zlecić materiały zbyt trudne dla niektórych uczniów lub zbyt proste dla innych, szczególnie w treściach bogatych merytorycznie, jak nauki przyrodnicze czy nauki społeczne.

Zajrzeć do środka zdania

Autorzy proponują inne podejście, które traktuje każde zdanie jak sieć. Każde słowo staje się punktem (węzłem), a łącza gramatyczne między słowami — takie jak podmiot–orzeczenie czy orzeczenie–dopełnienie — stają się połączeniami (krawędziami). Kluczowe znaczenie ma to, że siła każdego połączenia zależy nie tylko od odległości w zdaniu, ale też od tego, jakie rodzaje słów występują po drodze. Długi odcinek wypełniony słowami treściowymi, takimi jak rzeczowniki, czasowniki i przymiotniki, sugeruje wymagający skok poznawczy; krótsza ścieżka lub taka wypełniona głównie małymi słowami funkcyjnymi oznacza łatwiejszy krok. Badania psycholingwistyczne pokazują, że takie długie, bogate w treść obejścia obciążają pamięć roboczą i spowalniają rozumienie, więc model wykorzystuje je jako sygnały wyższej trudności.

Nauczanie sieci, by czytała sieć

Aby wykorzystać pomysł zdania jako sieci, badanie stosuje typ sieci neuronowej zaprojektowany dla grafów, zwany grafową siecią splotową (Graph Convolutional Network). Zanim model grafowy zacznie działać, inny moduł AI (podobny do powszechnie używanych systemów jak BERT) tworzy bogatą numeryczną reprezentację każdego słowa, odzwierciedlającą jego znaczenie w kontekście. Sieć grafowa następnie przesyła informacje wzdłuż połączeń między słowami, łącząc znaczenie i strukturę, by utworzyć jedną zbiorczą reprezentację całego fragmentu. Ta reprezentacja trafia do warstwy końcowej, która zwraca ciągłą ocenę czytelności zamiast prostego zakresu klas, pozwalając na bardziej subtelne rozróżnienia między tekstami.

Aby uzyskać jak najlepsze wyniki, autorzy stosują optymalizację bayesowską — strategię, która automatycznie wyszukuje dobre ustawienia wielu „pokręteł” naraz. Należą do nich m.in. to, jak silnie różne części mowy powinny wpływać na siłę połączeń, ile warstw grafowych użyć oraz jak szybko model ma się uczyć. Zamiast ręcznego dopasowywania tych wyborów, procedura optymalizacyjna systematycznie testuje i udoskonala je na podstawie wyników walidacji.

Jak to działa w praktyce

Model przetestowano na zbiorze CLEAR, dużej kolekcji liczącej około 5000 krótkich fragmentów z ocenami czytelności nadanymi przez ekspertów oraz ocenami treści w stylu filmowym (G, PG, PG-13 i R). Przy użyciu rygorystycznego schematu walidacji krzyżowej system wyjaśnia około 97% wariancji tych ocen, co stanowi poziom dokładności przewyższający zarówno klasyczne metody oparte na cechach, jak i silne współczesne bazowe modele oparte wyłącznie na transformatorach. Metoda sprawdza się także przy zastosowaniu do perskiego zbioru danych, pierwotnie stworzonego do klasyfikacji tekstów na poziomy łatwy, średni i trudny: fragmenty należące do tej samej grupy trudności otrzymują podobne przewidywane oceny, co sugeruje, że to, czego model uczy się o strukturze w języku angielskim, przenosi się na inny język.

Co to oznacza dla klas

Dla nauczycieli i projektantów programów nauczania główny wniosek jest taki, że czytelność to coś więcej niż długie słowa i długie zdania. To, jak informacja jest przeplatana w zdaniu — liczba obejść i rodzaj słów je wypełniających — odgrywa kluczową rolę w tym, jak łatwo uczniowie mogą śledzić treść. Modelując teksty jako sieci połączonych słów i używając grafowych rozwiązań AI do „czytania” tych sieci, badanie oferuje precyzyjniejsze i bardziej elastyczne narzędzie do szacowania trudności lektury. Choć nie zastępuje ludzkiego osądu ani nie uwzględnia wszystkich niuansów literatury czy tekstów humanistycznych, może służyć jako potężne narzędzie wspomagające decyzje, pomagając nauczycielom dobierać i dostosowywać teksty lepiej odpowiadające umiejętnościom uczniów i wspierające bardziej inkluzywne uczenie się.

Cytowanie: Zhang, L., Abhani, J., B, J. et al. Automatic text readability assessment for educational content based on graph representation learning. Sci Rep 16, 11308 (2026). https://doi.org/10.1038/s41598-026-41313-9

Słowa kluczowe: ocena czytelności, teksty edukacyjne, sieci neuronowe grafowe, przetwarzanie języka naturalnego, trudność tekstu