建立中文分级阅读标准, 考拉阅读的野心不止校内市场 | 爱分析访谈

　　调研 | 张扬 东起

　　撰写 | 东起

　　2016年成立的享阅教育选择了一条新赛道中文分级阅读。

　　中文分级阅读赛道几乎还没有开启，其中一个主要原因在于中文本身的复杂程度，使评测体系难于建立。享阅教育创始人赵梓淳介绍，中文分级阅读的难点主要在于三点：一是汉字数量庞大，对于英语基础组成的26个字母，中文常用汉字约有3500个；二是分词，中文没有天然的分词界限，如何分词影响词频，进而关系到难度的定义；三是句法，中文句法结构随性，增加了分析难度。

　　考虑到使用传统语言学加统计学的方法需要大量的时间、人力和物力，享阅教育通过机器学习的方式搭建中文阅读分级标准。

　　解决这一技术难题，依赖于享阅教育一支极为“性感”的核心技术团队，CTO任易博士毕业于北京大学，曾在IBM、搜狐大数据部门和微软亚洲研究院工作，有多年数据挖掘经验，首席数据科学家Jake Zhao，师从人工智能“大牛”Yann LeCun教授。

　　目前，享阅教育已构建起自己的中文分级量化标准（ER Framework），从字词句段篇五个维度，以及下面更细分的几十维特征，对中文文本进行分级。

　　基于底层技术，享阅教育目前有3款产品：阅读能力测评、考拉阅读和中文分级阅读标准。目前，公司的商业模式主要是To B，为学校提供以上3款产品：阅读能力测评面向学生，提供测评和结果分析报告；考拉阅读包括学生端、家长端、教师端和校长端，教师可以通过软件为学生布置个性化的阅读任务，学生在线上或线下阅读、通过软件完成练习并留下学习数据；中文分级阅读标准则是所有产品的基础。目前，To B产品根据用户数按年收费。建立起品牌背书后，公司也将向C端拓展。

　　相对于国内，美国分级阅读市场已经十分成熟，其原因主要在于三点，一是社会对于阅读的重视程度较高，二是技术积累，例如被广泛使用的蓝思分级标准已经有30年积累，三是英文的特点和语言学研究积累。据赵梓淳介绍，Renaissance，Newsela和Lightsail等公司都已经得到市场认可。

　　随着用户意识转变，中文分级阅读市场将逐渐走向成熟，而自主搭建了底层标准的考拉阅读，已经在市场中占得先机。

　　赵梓淳先后在芝加哥大学和哥伦比亚大学获得硕士学位，是连续创业者。近日，赵梓淳和爱分析分享了对行业和公司商业模式的思考，现节选部分内容，供大家参考。

　　爱分析：创业之初，对市场如何判断？

　　赵梓淳：阅读在美国是特别大的产业，无论重视程度还是产业支持都很好，其中分级阅读领域比较亮眼的公司有Renaissance，Newsela和Lightsail。

　　Renaissance1984年成立，曾拿到Google Capital的4000万美金融资，2014年以10亿美金被收购。公司产品线很丰富，有用于测评的Star Assessment，通过20-30分钟的测试，将孩子的阅读能力量化，判定问题所在，用数据驱动教育发展；有承接测评产品的Accelerated Reader，通过他们自己的一套分级体系测出文本阅读难度，与之前测评的学生阅读能力匹配，保证学生读到最适合自己的文字。

　　Newsela做新闻分级阅读，B轮是扎克伯格投资，累计融资2600万美金。公司的底层标准是用蓝思分级，核心技术点是有一部分机器辅助新闻改写，同样的主题以不同的阅读难度提供给相应理解能力的孩子；产品大概已经覆盖美国70%以上的公立学校，每所学校收取4000-7000美金。

　　Lightsail做iPad端的个性化图书馆，B轮是亚马逊创始人Bezos投资，累计融资超过4000万美金。它也是基于蓝思分级，可以在线看书是跟其他机构最大的区别；在中国通常是跟相对高端的辅导班以及国际学校合作。

　　在美国，分级阅读市场其实已经很成熟。相比来看，国内之前有公司在做分级阅读，但是没做起来，这条赛道基本上没有开启。

　　因为无论什么样的公司做，其实背后都要有底层标准做支撑，去评估、测量出文本阅读难度。国内迟迟没有开展，是因为缺乏中文阅读评级标准。

　　爱分析：这个难点在哪？

　　赵梓淳：首先最大的问题是中文太复杂，传统统计学加语言学的方法有些无能为力。

　　第一方面是汉字数量多，英语基础组成是26个字母，但中文最常用汉字大概3500个，中华辞海收录的汉字超过8万个，这导致了复杂构成的稀缺性，使我们分析汉语的时候需要更庞大的语料库。

　　第二方面是分词，英语有天然的分词界限，但中文其实是模糊的，如何分词会极大影响最后对难度的理解。

　　第三方面是句法，英语句式有先行词和严谨的句法结构，更便于分析语法树和嵌套深度等，但中文其实很松散，结构很随性，这都导致了更大的分析难度。

　　当时跟很多教授沟通，他们说如果用传统统计学加语言学的方法做这件事情，大概需要10-20年。

　　爱分析：考拉阅读是怎么做的？

　　赵梓淳：我跟合伙人任易博士在做这件事的时候，也受到Google Translation的一些启发，通过机器学习来实现。因为直接用深度学习的问题在于没有那么大量的数据，从语料库到学生行为数据等，国内都是一片空白，其实整个都是我们在搭建。

　　首先，我们打造了大概几百万字的非平衡语料库，主要取材于各种语文教材。语言学家洪明教授和来自人民日报的十几个人组成的标注团队，从字词句段篇五个维度、几十维特征，给文本进行标注。

　　第二步，用机器学习方法去学习这个语料库中专家打标签的规则，其实这也得益于现在技术的发展，现在有大概处理了几亿次的一个平衡语料库。

　　再下一步要得出分数，像英语主要考察词频和句长两个特征，它们用手写规则就可以得出公式，但在中文里这两点其实都不太靠谱，所以我们最后需要几十维特征来表征中文的阅读难度，把大概将近五十维的特征，拟合进AI系统，最后得出从200-1300ER的分值。

　　随着产品层面的数据越来越多，可以反向校准这个标准，类似于AlphaGo，实现自我进化。

　　这也是我们这套系统相比于英文分级系统的一大优势。

　　爱分析：K12领域做语文的比较少，是不是也是因为这个技术原因？

　　赵梓淳：对，K12主要做的就是数学和英语，因为语文无从抓起，没有任何的抓手，传统的话或者是线下培训班，或者是为语文老师提供教案、视频或微课等。但如何通过数据驱动语文教育，提升阅读能力，其实是没有先例的。

　　我们在做的，就是将本没有被收集的海量语文学习数据进行捕捉、整合以及分析，把语文学习变成自适应学习的过程。

　　爱分析：现在考拉阅读的分级系统进展如何？

　　赵梓淳：现在我们打造出了第一套中文分级量化标准，与Yann LeCun教授等行业内专家沟通过，大概可以达到93%的精度。

　　爱分析：给学校提供的产品包括哪些？

　　赵梓淳：首先就是考拉测评，从各个维度考察孩子的阅读能力，生成测评报告提供给学校、班级和老师。

　　我们现在测评了将近十万名学生，覆盖一线城市到四线城市，得到了中国学生阅读能力第一份量表。我们不但能测出学生的阅读能力水平，还能测出背后哪个技能点有欠缺。

　　爱分析：对孩子的测评结果如何与文本分级标准对应？

　　赵梓淳：需要用数学模型，将两者拟合进一个体系，使测评分值和ER值对应。同时，还需要大量的实证性研究。

　　这部分验证研究是测量心理学专业的李国超博士负责。学界做分级阅读主要是认知心理学和语言学专业的人，认知心理学其实一直在做这件事情，之前主要研究方向是测孩子的阅读认知障碍，以及对其的干预，设计各种实验测量信度、效度等。

　　爱分析：进校产品在测评之外还有？

　　赵梓淳：考拉阅读，包括学生端、教师端、家长端和校长端四个端口。

　　通过老师端，老师可以根据每个人的最适发展趋势一键布置阅读任务。目前考拉阅读有几千本课外书，每本书后面有30-100道题目，验证学生是否读懂。另外还有朗读任务，帮孩子纠正读音。

　　公司的人工智能主要应用在三个层面，一是打造底层分级标准，二是自适应学习系统，就是学生端的自学功能，根据阅读能力推荐相应内容，三是智能语音，在老师和家长没那么多时间的情况下，帮助孩子解决读音问题。

　　爱分析：基于现在的产品体系，对于商业模式有哪些规划？

　　赵梓淳：首先是To B，通过To B建立品牌背书；To B站稳后，这条赛道基本就关闭了。

　　第二步是2C，我们其实是天然适合2C的，阅读产品并不像背单词和学数学，孩子每天晚上要听睡前故事，是客观存在的场景。如何让阅读变得更有乐趣，让孩子读到他们能读懂的东西，获得成就感，从而建立激励体系，这是我们要做的事情。