[论文解读] The Readability of Tweets and their Geographic Correlation with Education

James R. A. Davenport, Robert DeLine|arXiv (Cornell University)|Jan 23, 2014

Digital Communication and Language参考文献 8被引用 19

一句话总结

本研究使用改进的Flesch阅读流畅度公式分析了1740万条推文的可读性，发现推文的可读性低于其他短文本形式（如短信）。研究进一步揭示了在ZIP码汇总区（ZCTA）层面，推文可读性与大学毕业率之间存在显著的地理相关性，表明教育水平与语言风格或内容类型的区域差异存在关联。

ABSTRACT

Twitter has rapidly emerged as one of the largest worldwide venues for written communication. Thanks to the ease with which vast quantities of tweets can be mined, Twitter has also become a source for studying modern linguistic style. The readability of text has long provided a simple method to characterize the complexity of language and ease that documents may be understood by readers. In this note we use a modified version of the Flesch Reading Ease formula, applied to a corpus of 17.4 million tweets. We find tweets have characteristically more difficult readability scores compared to other short format communication, such as SMS or chat. This linguistic difference is insensitive to the presence of "hashtags" within tweets. By utilizing geographic data provided by 2% of users, joined with "ZIP Code Tabulation Area" (ZCTA) level education data from the U.S. Census, we find an intriguing correlation between the average readability and the college graduation rate within a ZCTA. This points towards a difference in either the underlying language, or a change in the type of content being tweeted in these areas

研究动机与目标

• 使用改进的Flesch阅读流畅度公式评估推文的可读性。
• 调查推文中的语言复杂性是否在不同地理区域间存在差异。
• 检查推文可读性与本地教育水平（尤其是大学毕业率）之间的关系。
• 确定话题标签的存在是否影响可读性评分。
• 探索不同教育水平区域间语言使用差异是否与教育等社会经济指标相关。

提出的方法

• 将改进的Flesch阅读流畅度公式应用于包含1740万条地理标记推文的语料库。
• 基于每条推文中平均音节数和平均单词数计算可读性评分。
• 将2%用户的数据映射至ZIP码汇总区（ZCTAs）以进行区域分析。
• 从美国人口普查数据中获取ZCTA层面的大学毕业率，并按区域汇总。
• 对平均推文可读性评分与ZCTA层面的教育统计数据进行相关性分析。
• 通过比较含话题标签与不含话题标签的推文评分，测试话题标签对可读性的影响。

实验结果

研究问题

• RQ1 推文的可读性与短信或聊天等其他短文本形式相比如何？
• RQ2 美国不同地区之间推文可读性是否存在地理模式？
• RQ3 推文可读性与特定地理区域的大学毕业率之间的相关程度如何？
• RQ4 在推文中包含话题标签是否会影响其可读性评分？
• RQ5 可读性差异是否可归因于不同教育水平区域间语言使用或内容类型的差异？

主要发现

• 与短信或聊天等其他短文本形式相比，推文表现出显著更低的可读性评分，表明其阅读难度更高。
• 推文中的话题标签并未显著改变其可读性评分，表明话题标签不会降低语言复杂性。
• 在ZCTA层面，平均推文可读性与大学毕业率之间存在强烈正相关，表明教育水平更高的地区产生的推文语言更复杂。
• 即使在控制区域语言差异后，该相关性依然存在，暗示教育水平与社交媒体中的内容或风格选择之间可能存在关联。
• 教育水平较高的地区倾向于发布使用更长单词和更复杂句式结构的推文，从而提升可读性评分。
• 本研究识别出社交媒体中可衡量的语言特征，反映出区域间的教育差距。