跳到主要内容
我们的方法

为什么我们构建了一个引擎。

许多写作工具现在使用 AI。这里是我们不使用的原因,以及我们认为这很重要的原因。

目录
  1. AI 反馈教你像 AI 一样写作。
  2. 你可以验证的测量不同于你必须接受的判断。
  3. 最重要的反馈来自仔细阅读的人。
  4. 我们在哪里进行近似,以及这需要付出什么代价
  5. 引擎无法衡量的内容

AI 反馈教你像 AI 一样写作。

当你要求 AI 批评你的散文时,它会将你的写作与其训练数据中的统计模式进行比较。它告诉你什么听起来像好的写作,因为它看过很多写作并了解好的平均水平是什么样的。

这是一件有用的事情。但这与发展声音不同。

声音来自你偏离平均水平的选择。那些比应有的更长的句子。那些没有清晰解决的对话。那些不太合适但恰到好处的图像。AI 会建议你修正这些。一个确定性引擎只是测量它们并告诉你它发现了什么。

Inkbreaker 不会告诉你你的写作是好是坏。它告诉你你的平均句子长度是 9.2 个单词,你的类型目标是 15,你的句子长度变化高于你最近提交的此类作品的 80%。你如何处理这些是你的事。

这种区别很重要。告诉你如何看待你的作品的反馈教你去想反馈认为的东西。显示你页面上实际内容的测量将思考留给你。

你可以验证的测量不同于你必须接受的判断。

当 Inkbreaker 告诉你你的被动语态是 11% 时,你可以检查它。计算包含被动结构的句子。除以总数。数字会匹配。

当 Inkbreaker 告诉你你的阅读难度是 68.0 时,这个数字来自 Rudolf Flesch 在 1948 年发表的公式:

206.835 − (1.015 × 每句单词数) − (84.6 × 每个单词的音节数)

插入你自己的计数。你会得到 68.0。

将相同的段落粘贴到 Inkbreaker 中两次,你将获得完全相同的数字,精确到小数点后三位。这是确定性系统的定义。没有随机性,没有解释,没有概率。引擎每次都运行相同的计算。

这很重要,因为对工具的信任与你可以验证它的程度成正比。你可以验证 Inkbreaker 显示给你的所有内容。公式是公开的。基准是有记录的。指标是计数和比率,而不是印象。

我们使用 Coleman-Liau 指数与 Flesch-Kincaid 一起,特别是因为这两个公式使用不同的输入。一个计算音节,另一个计算字母。它们相互交叉检查。当它们一致时,分数是稳健的。当它们出现分歧时,引擎会告诉你原因。

这不是 AI 的工作方式。一个告诉你你的散文“缺乏清晰度”的 AI 是在做出判断。Inkbreaker 告诉你你的 Flesch-Kincaid 等级是 12.4,而小说基准是 8。你可以不同意基准。你不能不同意数学。

Inkbreaker Meridian 结果显示 Coleman-Liau 和 Flesch-Kincaid 等级水平并排。

最重要的反馈来自仔细阅读的人。

有些事情是确定性引擎无法测量的。你的声音能否打动人。场景中的紧张感是水到渠成还是刻意制造。对话听起来像一个人在说话,还是像作家想象中的说话。

这些事情需要一个读者。不是一个训练来模拟读者的语言模型。一个真正的人带着他们自己的阅读历史来到你的页面并产生了反应。

Inkbreaker 的模型很简单:引擎处理可测量的内容,人类处理不可测量的内容。你的指标告诉你页面上有什么。你类型中的作家告诉你它是如何阅读的。

AI 试图同时做到这两点。它产生的测量实际上是意见(你的散文“感觉密集”),而意见实际上是测量(“你的句子平均 22 个单词”)。类别模糊。反馈变得更难以采取行动,因为你无法分辨什么是可验证的,什么是猜测。

我们认为更清晰的模型更好。知道数字的含义。知道只有读者才能告诉你的东西。向有能力提供这些信息的来源询问两者。

这就是 Inkbreaker 的构建目的。

我们在哪里进行近似,以及这需要付出什么代价

我们的四个指标类别解决了竞争对手通常用语言模型解决的工艺问题。我们用公共词典和确定性规则来解决它们。每种方法都有其局限性,在你阅读分数之前值得了解。

情感
Inkbreaker 通过在 Warriner et al. (2013) 词典中查找每个内容词来读取你散文的情感登记。该词典为13,915个英语单词分配了1到9的效价、唤醒和支配分数,由数千名人工评分者评分。我们对你的段落匹配的单词进行平均。竞争对手的情感模型会告诉你同一段落得分为0.72正面,而不告诉你原因。我们会告诉你哪些词推动了平均值,以及每段的弧线是什么样的。该指标无法读取否定或讽刺。“她不高兴”查找“高兴”并报告正面登记。将分数视为方向信号,而不是判决。
连贯性
Inkbreaker 通过跟踪跨句子的词级线程来衡量连贯性。相邻句子共享内容词。词干在段落中重复。该指标建立在 Halliday 和 Hasan 1976 年关于词汇衔接的基础性工作之上,这是嵌入模型存在之前,学术 NLP 使用的相同方法。基于模型的连贯性分数会告诉你两个句子在语义上相似。我们告诉你哪些词将它们连接起来,以及桥梁在哪里失败。该指标无法判断你的想法是否合乎逻辑。一个段落可以具有高词汇衔接性,但仍然在逻辑上不连贯。将信号用于线程问题,而不是意义问题。
语法模式
Inkbreaker 不是语法检查器。我们不标记错误。我们不建议更正。专用语法检查器对此处理得很好。我们不在这方面竞争。我们测量的是模式级别:你的句子是简单、复合、复杂、复合-复杂的频率。你使用从属子句的频率。你将动词变成名词的频率。这些是风格指纹,而不是语法错误。多样化的复杂性分布不像主谓一致那样“正确”。这是一个工艺信号,你可以选择是否采取行动。框架很重要。我们告诉你模式。你决定这对你的草稿意味着什么。
原创性
Inkbreaker 不检测 AI 生成的文本。我们不从事这项业务。基于语言模型的原创性检测器经常错误标记人类写作,并完全错过调整过的 AI 输出。我们测量的是结构多样性:你的句子以相同语法模板开头的频率,你的句子复杂性在段落中的变化程度,段落级句子长度的节奏波动。我们称之为综合句法多样性,因为这就是它所测量的。一些历史上最好的写作在结构上是高度可预测的。这个数字是你可以照镜子的镜子,而不是引擎要交付的判决。以这种方式使用它。

引擎无法衡量的内容

引擎是一个测量工具。有几件事情它无法衡量,也永远不会,因为它们需要引擎所没有的东西:一个将自己的生活带到你页面的读者。

语义连贯性
你的想法是否逻辑上相互衔接并不是表面文本的属性。一段文字可以在语法上整洁且节奏多变,但却毫无意义。引擎有时可以标记出不连贯的散文形状(生动但不相关的图像,装饰过的抽象概念)。它无法告诉你这些句子是否在为某个观点辩护,或者第二段是否承接第一段。
情感共鸣
你的写作是否能打动读者是每个作家都在努力回答的问题。没有确定性的计数可以回答它。失去过某人的读者与没有失去过的读者对悲伤场景的阅读方式不同。引擎无法访问这一点。
思想的原创性
想法本身是否有趣是引擎无法做出的判断。它可以告诉你句子开头是否是模板化的,你的词汇是否多样化。它无法告诉你想法本身是否有趣。
真实性
对于非小说类作品,你的主张是否准确是你和你的编辑的责任。引擎衡量的是散文作为散文的运作方式。它不进行事实核查。
意图
从外部来看,风格选择是故意的还是偶然的,看起来是一样的。一连串的短片段可能是一个工艺决定,也可能是一个耗尽能量的草稿。引擎将报告这种模式。它无法读取你对原因的想法。

这就是 Inkbreaker 设有同行反馈的原因。引擎衡量散文的工艺。人类读者衡量其他一切。两者都是必要的;单靠任何一个都不够。

Inkbreaker 的散文引擎在14个类别中读取56个指标。它建立在Flesch-Kincaid(Kincaid等,1975)、Gunning Fog(Gunning,1952)、Coleman-Liau(Coleman和Liau,1975)、Brysbaert(2019)的阅读速度研究、移动平均型词符比(Covington和McFall,2010)、CMU发音词典的音节和押韵,以及已发布的词级具体性(Brysbaert等,2014)和情感负荷(Warriner等,2013)的规范之上。每个指标都是一个计数、一个比率或一个应用于这些计数的公式。没有推断。没有生成。完整的来源列表见我们的支持指南《引擎是怎么运作的》。

Inkbreaker 中任何地方都没有AI。连内容审核也只是确定性的、基于规则的过滤器加人工复核:自动过滤器根据我们的社区指南检查提交,凡是被标记的都会交由人工处理。每个练习、每条反馈、每个已发布的故事都是由人类撰写的。

想看看引擎如何运作,可以试试 Meridian 演示。无需帐户,不会保存任何内容。

来认领你的书桌。

面向 18 岁及以上的写作者,适用于所有设备。

在你的手机上
在 App Store 下载在 Google Play 获取
在你的桌面上