إحصائيات النصوص

ما هي الكلمة بالضبط

اسأل ثلاثة برامج عن عدد الكلمات وقد تحصل على ثلاث إجابات مختلفة. الخلاف ليس خطأ برمجيًا، بل مشكلة تعريف. المركب بشرطة مثل "state-of-the-art" كلمة واحدة عند المصحّح اللغوي وأربع كلمات عند أداة تقسيم ساذجة. الفاصلة العليا في "don't" يجب ألا تقسم الكلمة، بينما الفاصلة العليا المستخدمة كعلامة اقتباس يجب أن تقسم. الأرقام وعناوين URL وعناوين البريد الإلكتروني كل منها يستدعي قاعدة مختلفة.

تعامل هذه الأداة الكلمة على أنها سلسلة أحرف أو أرقام، يمكن أن يتبعها فاصلة عليا ومزيد من الأحرف. ولأن المطابقة واعية بـ Unicode، تُعدّ الحروف اللاتينية المشكّلة واليونانية والسيريلية وأحرف CJK حروفًا بدلًا من إسقاطها بصمت. علامات الترقيم بين السلاسل تفصل بينها، لذا تُعدّ "well-known" كلمتين و"it's" كلمة واحدة. معرفة القاعدة أهم من أي قاعدة تُختار، لأنها تتيح لك توقع العدد بدلًا من الجدال معه.

الجمل والفقرات والأسطر

اكتشاف الجمل دون نموذج لغوي تخميني بطبيعته. التقسيم على النقاط وعلامات الاستفهام والتعجب يصلح للنثر العادي ويفشل بشكل متوقع مع الاختصارات: "Dr. Smith arrived at 9 a.m." تبدو ثلاث جمل لأداة تقسيم ساذجة. تعامل مع عدد الجمل كتقدير جيد لأعمال قابلية القراءة وليس رقمًا دقيقًا.

الفقرات والأسطر أكثر ميكانيكية لكنها لا تزال متميزة. السطر هو أي شيء يفصله سطر جديد، لذا الملف الملتف يدويًا له أسطر كثيرة وفقرات قليلة. الفقرة كتلة يفصلها سطر فارغ واحد أو أكثر، وهو ما يتوافق مع طريقة تفكير Markdown ومعظم المحررات. مقارنة الرقمين تخبرك بسرعة ما إذا كان النص وصل ملفوفًا يدويًا، وهو أمر مهم عند اللصق في نظام يعيد التفاف النص.

زمن القراءة والتردد

يستخدم تقدير زمن القراءة 200 كلمة في الدقيقة، وهو متوسط شائع للقراءة الصامتة للنثر العادي. تختلف السرعات الفعلية كثيرًا: المادة التقنية مع نماذج الأكواد أبطأ، والنصوص التسويقية المألوفة أسرع، والقراءة على الهاتف أبطأ منها على سطح المكتب. استخدم الرقم للمقارنة النسبية، وليس كوعد لقرائك.

تردد الكلمات هو موطن الأداة في التحرير. الفرز حسب العدد يكشف التكرار اللاواعي، وكلمات الدعم التي تظهر إحدى عشرة مرة في ثمانمائة، وما إذا كان الموضوع الذي كنت تنوي الكتابة عنه هو فعلًا الاسم الأكثر تكرارًا. مفتاح «تجاهل الكلمات الشائعة» يزيل كلمات الفئات المغلقة مثل أدوات التعريف وحروف الجر والضمائر، التي تهيمن على كل قائمة في كل لغة ولا تخبرك بشيء.