1 引言

讨论了中文文本可读性自动评估的研究背景与核心议题。随着全球中文学习需求激增，为不同水平学习者匹配合适阅读材料成为迫切需求，而自动评估技术在此领域具有独特优势。尽管该研究在英语等拼音文字中应用成熟，中文相关研究起步较晚但发展迅速。章节从三方面展开：首先强调难度适配的阅读材料对中文学习者语言习得的关键作用；其次梳理了可读性评估从传统公式到机器学习模型的技术演进，指出后者能纳入更精细的文本特征；最后分析了中文面临的特殊挑战，包括汉字构形、词汇构成、句法规则及篇章衔接等层面与拼音文字的显著差异，说明构建符合汉语特点指标体系的重要性。

2 研究内容

参照PRISMA框架系统检索中文文本可读性实证研究，梳理了前人研究从方法、发展阶段、主题分析等角度的综述成果，指出其未区分中文与拼音文本可读性、忽视语言系统差异等不足。研究聚焦教育环境下的中文文本可读性评估，围绕语料库学习者多样性、中文特异性语言特征预测效度、文本分类范式及趋势、现有自动评估平台四个核心问题展开，具体分析了语料库面向群体、文本来源与数量、汉语独特性语言特征，并将可读性范式划分为线性回归、机器学习和深度学习三类进行趋势计算。

3 研究方法

系统的文献综述方法，包括依据PRISMA标准制定的收录与剔除准则，限定2010至2024年间同行评议的中英文实证研究；采用Scopus和CNKI双库检索，分别使用英文与中文检索字符串获取相关文献；经标题摘要筛选与全文审阅后，最终从Scopus收录30篇英文文献、CNKI收录14篇中文文献，共计44篇；由应用语言学博士生提取文献基础信息、语料库信息、文本特征及分类方法等编码数据。

4 分析结果

分析了44篇中文文本可读性研究论文的基本信息、语料库与语言特征、研究范式、母语与二语研究对比及教育应用。2018年后论文发表量占总体的77.27%，技术演进尤其是Word2vec、Transformer及预训练语言模型的出现是主要推动力；75%的研究作者来自中国大陆（内地），台湾和香港分别占16%和5%。语料库方面，57%研究聚焦汉语母语可读性，39%聚焦汉语二语，教材年级值是最普遍的难度分级标准。语言特征从字、词、句三个层面呈现汉语特异性：字层面包括基于部件数的字形复杂度指标，其预测力优于传统笔画数；词层面涵盖词汇习得年龄、熟悉度、可想象性等语义特征；句法层面引入《国际中文教育中文水平等级标准》的25条语法点，使模型准确率达83.9%。研究范式分为线性回归（27.27%）、机器学习（47.73%）和深度学习（25%），机器学习因平衡准确率与可解释性成为主流，但深度学习近五年增长迅猛，2024年应用率已达63%。现有5个主要分析平台各具特色：CRIE支持繁简双体且覆盖母语、二语和领域知识分析；中文Coh-Metrix侧重衔接性与连贯性；Chi-Editor最为精简；CTAP指标最全面（196个）；汉语文本难度分级平台依托等级标准实现跨语料库评估。母语与二语研究在语料来源、方法选择上差异显著：母语研究以中小学教材为主（92%），更倾向机器学习；二语研究多用HSK材料和线性回归。最后，可读性工具通过分析语言特征分布差异，可辅助教师和学习者精准选择、改编分级阅读材料，提升中文教学效率。

5 讨论

梳理了2010至2024年中文文本可读性自动评估的研究进展，指出当前存在三方面局限：语料开放程度不足、二语研究样本量偏小、深度学习模型可解释性不足。未来需扩大语料规模，加强语言学理论与AI算法的深度融合，开发面向汉字部件语义、语法点复杂度等中文独有特征的专用表征方法。研究还分析了发表趋势与地域分布，72.5%论文来自中国大陆，中国台湾、香港及新加坡、德国亦有贡献。中文CTAP项目作为德国多语种可读性项目组成部分，对跨语言研究具有重要价值。研究对象覆盖母语、二语及继承语学习者群体，但语料库主要来源于教材且公开程度有限，制约了机器学习和深度学习的应用。SVM因在小规模数据集表现良好而被广泛使用，BERT等深度学习算法与语言特征结合可提升分类准确率。最后指出，深度学习与反映语言普遍性及特异性的文本特征结合将是未来趋势，并承认未收录硕博论文的局限性。

6 结语

回顾了中文文本可读性自动评估研究在语言特征与研究范式上的主要进展，指出当前仍面临数据集规模与质量不足、深度学习模型可解释性欠缺等挑战，并展望了该技术在提升中文学习效率、实现个性化教学及推动国际中文教育全球化方面的应用前景。