調研 | 張揚 東起
撰寫 | 東起
2016年成立的享閱教育選擇了一條新賽道——中文分級閱讀。
中文分級閱讀賽道幾乎還沒有開啟， 其中一個主要原因在於中文本身的複雜程度，
考慮到使用傳統語言學加統計學的方法需要大量的時間、人力和物力， 享閱教育通過機器學習的方式搭建中文閱讀分級標準。
解決這一技術難題， 依賴於享閱教育一支極為“性感”的核心技術團隊， CTO任易博士畢業于北京大學， 曾在IBM、搜狐大資料部門和微軟亞洲研究院工作， 有多年資料採擷經驗，
目前， 享閱教育已構建起自己的中文分級量化標準（ER Framework）， 從字詞句段篇五個維度， 以及下面更細分的幾十維特徵， 對中文文本進行分級。
基於底層技術， 享閱教育目前有3款產品：閱讀能力測評、考拉閱讀和中文分級閱讀標準。 目前， 公司的商業模式主要是To B， 為學校提供以上3款產品：閱讀能力測評面向學生， 提供測評和結果分析報告；考拉閱讀包括學生端、家長端、教師端和校長端， 教師可以通過軟體為學生佈置個性化的閱讀任務， 學生線上上或線下閱讀、通過軟體完成練習並留下學習資料；中文分級閱讀標準則是所有產品的基礎。 目前， To B產品根據使用者數按年收費。 建立起品牌背書後，
相對於國內， 美國分級閱讀市場已經十分成熟， 其原因主要在於三點， 一是社會對於閱讀的重視程度較高， 二是技術積累， 例如被廣泛使用的藍思分級標準已經有30年積累， 三是英文的特點和語言學研究積累。 據趙梓淳介紹， Renaissance， Newsela和Lightsail等公司都已經得到市場認可。
隨著用戶意識轉變， 中文分級閱讀市場將逐漸走向成熟， 而自主搭建了底層標準的考拉閱讀， 已經在市場中占得先機。
趙梓淳先後在芝加哥大學和哥倫比亞大學獲得碩士學位， 是連續創業者。 近日， 趙梓淳和愛分析分享了對行業和公司商業模式的思考， 現節選部分內容， 供大家參考。
愛分析：創業之初， 對市場如何判斷？
趙梓淳：閱讀在美國是特別大的產業， 無論重視程度還是產業支持都很好， 其中分級閱讀領域比較亮眼的公司有Renaissance， Newsela和Lightsail。
Renaissance1984年成立， 曾拿到Google Capital的4000萬美金融資， 2014年以10億美金被收購。 公司產品線很豐富， 有用於測評的Star Assessment， 通過20-30分鐘的測試， 將孩子的閱讀能力量化， 判定問題所在， 用資料驅動教育發展；有承接測評產品的Accelerated Reader，
Newsela做新聞分級閱讀， B輪是紮克伯格投資， 累計融資2600萬美金。 公司的底層標準是用藍思分級， 核心技術點是有一部分機器輔助新聞改寫， 同樣的主題以不同的閱讀難度提供給相應理解能力的孩子；產品大概已經覆蓋美國70%以上的公立學校， 每所學校收取4000-7000美金。
Lightsail做iPad端的個性化圖書館， B輪是亞馬遜創始人Bezos投資， 累計融資超過4000萬美金。 它也是基於藍思分級， 可以線上看書是跟其他機構最大的區別；在中國通常是跟相對高端的輔導班以及國際學校合作。
在美國， 分級閱讀市場其實已經很成熟。 相比來看，國內之前有公司在做分級閱讀，但是沒做起來，這條賽道基本上沒有開啟。
因為無論什麼樣的公司做，其實背後都要有底層標準做支撐，去評估、測量出文本閱讀難度。國內遲遲沒有開展，是因為缺乏中文閱讀評級標準。
愛分析：這個難點在哪？
趙梓淳：首先最大的問題是中文太複雜，傳統統計學加語言學的方法有些無能為力。
第一方面是漢字數量多，英語基礎組成是26個字母，但中文最常用漢字大概3500個，中華辭海收錄的漢字超過8萬個，這導致了複雜構成的稀缺性，使我們分析漢語的時候需要更龐大的語料庫。
第二方面是分詞，英語有天然的分詞界限，但中文其實是模糊的，如何分詞會極大影響最後對難度的理解。
協力廠商面是句法，英語句式有先行詞和嚴謹的句法結構，更便於分析語法樹和嵌套深度等，但中文其實很鬆散，結構很隨性，這都導致了更大的分析難度。
當時跟很多教授溝通，他們說如果用傳統統計學加語言學的方法做這件事情，大概需要10-20年。
愛分析：考拉閱讀是怎麼做的？
趙梓淳：我跟合夥人任易博士在做這件事的時候，也受到Google Translation的一些啟發，通過機器學習來實現。因為直接用深度學習的問題在於沒有那麼大量的資料，從語料庫到學生行為資料等，國內都是一片空白，其實整個都是我們在搭建。
首先，我們打造了大概幾百萬字的非平衡語料庫，主要取材于各種語文教材。語言學家洪明教授和來自人民日報的十幾個人組成的標注團隊，從字詞句段篇五個維度、幾十維特徵，給文本進行標注。
第二步，用機器學習方法去學習這個語料庫中專家打標籤的規則，其實這也得益於現在技術的發展，現在有大概處理了幾億次的一個平衡語料庫。
再下一步要得出分數，像英語主要考察詞頻和句長兩個特徵，它們用手寫規則就可以得出公式，但在中文裡這兩點其實都不太靠譜，所以我們最後需要幾十維特徵來表徵中文的閱讀難度，把大概將近五十維的特徵，擬合進AI系統，最後得出從200-1300ER的分值。
隨著產品層面的資料越來越多，可以反向校準這個標準，類似於AlphaGo，實現自我進化。
這也是我們這套系統相比于英文分級系統的一大優勢。
愛分析：K12領域做語文的比較少，是不是也是因為這個技術原因？
趙梓淳：對，K12主要做的就是數學和英語，因為語文無從抓起，沒有任何的抓手，傳統的話或者是線下培訓班，或者是為語文老師提供教案、視頻或微課等。但如何通過資料驅動語文教育，提升閱讀能力，其實是沒有先例的。
我們在做的，就是將本沒有被收集的海量語文學習資料進行捕捉、整合以及分析，把語文學習變成自我調整學習的過程。
愛分析：現在考拉閱讀的分級系統進展如何？
趙梓淳：現在我們打造出了第一套中文分級量化標準，與Yann LeCun教授等行業內專家溝通過，大概可以達到93%的精度。
愛分析：給學校提供的產品包括哪些？
趙梓淳：首先就是考拉測評，從各個維度考察孩子的閱讀能力，生成測評報告提供給學校、班級和老師。
我們現在測評了將近十萬名學生，覆蓋一線城市到四線城市，得到了中國學生閱讀能力第一份量表。我們不但能測出學生的閱讀能力水準，還能測出背後哪個技能點有欠缺。
愛分析：對孩子的測評結果如何與文本分級標準對應？
趙梓淳：需要用數學模型，將兩者擬合進一個體系，使測評分值和ER值對應。同時，還需要大量的實證性研究。
這部分驗證研究是測量心理學專業的李國超博士負責。學界做分級閱讀主要是認知心理學和語言學專業的人，認知心理學其實一直在做這件事情，之前主要研究方向是測孩子的閱讀認知障礙，以及對其的干預，設計各種實驗測量信度、效度等。
愛分析：進校產品在測評之外還有？
趙梓淳：考拉閱讀，包括學生端、教師端、家長端和校長端四個埠。
通過老師端，老師可以根據每個人的最適發展趨勢一鍵佈置閱讀任務。目前考拉閱讀有幾千本課外書，每本書後面有30-100道題目，驗證學生是否讀懂。另外還有朗讀任務，幫孩子糾正讀音。
公司的人工智慧主要應用在三個層面，一是打造底層分級標準，二是自我調整學習系統，就是學生端的自學功能，根據閱讀能力推薦相應內容，三是智慧語音，在老師和家長沒那麼多時間的情況下，説明孩子解決讀音問題。
愛分析：基於現在的產品體系，對於商業模式有哪些規劃？
趙梓淳：首先是To B，通過To B建立品牌背書；To B站穩後，這條賽道基本就關閉了。
第二步是2C，我們其實是天然適合2C的，閱讀產品並不像背單詞和學數學，孩子每天晚上要聽睡前故事，是客觀存在的場景。如何讓閱讀變得更有樂趣，讓孩子讀到他們能讀懂的東西，獲得成就感，從而建立激勵體系，這是我們要做的事情。
相比來看，國內之前有公司在做分級閱讀，但是沒做起來，這條賽道基本上沒有開啟。因為無論什麼樣的公司做，其實背後都要有底層標準做支撐，去評估、測量出文本閱讀難度。國內遲遲沒有開展，是因為缺乏中文閱讀評級標準。
愛分析：這個難點在哪？
趙梓淳：首先最大的問題是中文太複雜，傳統統計學加語言學的方法有些無能為力。
第一方面是漢字數量多，英語基礎組成是26個字母，但中文最常用漢字大概3500個，中華辭海收錄的漢字超過8萬個，這導致了複雜構成的稀缺性，使我們分析漢語的時候需要更龐大的語料庫。
第二方面是分詞，英語有天然的分詞界限，但中文其實是模糊的，如何分詞會極大影響最後對難度的理解。
協力廠商面是句法，英語句式有先行詞和嚴謹的句法結構，更便於分析語法樹和嵌套深度等，但中文其實很鬆散，結構很隨性，這都導致了更大的分析難度。
當時跟很多教授溝通，他們說如果用傳統統計學加語言學的方法做這件事情，大概需要10-20年。
愛分析：考拉閱讀是怎麼做的？
趙梓淳：我跟合夥人任易博士在做這件事的時候，也受到Google Translation的一些啟發，通過機器學習來實現。因為直接用深度學習的問題在於沒有那麼大量的資料，從語料庫到學生行為資料等，國內都是一片空白，其實整個都是我們在搭建。
首先，我們打造了大概幾百萬字的非平衡語料庫，主要取材于各種語文教材。語言學家洪明教授和來自人民日報的十幾個人組成的標注團隊，從字詞句段篇五個維度、幾十維特徵，給文本進行標注。
第二步，用機器學習方法去學習這個語料庫中專家打標籤的規則，其實這也得益於現在技術的發展，現在有大概處理了幾億次的一個平衡語料庫。
再下一步要得出分數，像英語主要考察詞頻和句長兩個特徵，它們用手寫規則就可以得出公式，但在中文裡這兩點其實都不太靠譜，所以我們最後需要幾十維特徵來表徵中文的閱讀難度，把大概將近五十維的特徵，擬合進AI系統，最後得出從200-1300ER的分值。
隨著產品層面的資料越來越多，可以反向校準這個標準，類似於AlphaGo，實現自我進化。
這也是我們這套系統相比于英文分級系統的一大優勢。
愛分析：K12領域做語文的比較少，是不是也是因為這個技術原因？
趙梓淳：對，K12主要做的就是數學和英語，因為語文無從抓起，沒有任何的抓手，傳統的話或者是線下培訓班，或者是為語文老師提供教案、視頻或微課等。但如何通過資料驅動語文教育，提升閱讀能力，其實是沒有先例的。
我們在做的，就是將本沒有被收集的海量語文學習資料進行捕捉、整合以及分析，把語文學習變成自我調整學習的過程。
愛分析：現在考拉閱讀的分級系統進展如何？
趙梓淳：現在我們打造出了第一套中文分級量化標準，與Yann LeCun教授等行業內專家溝通過，大概可以達到93%的精度。
愛分析：給學校提供的產品包括哪些？
趙梓淳：首先就是考拉測評，從各個維度考察孩子的閱讀能力，生成測評報告提供給學校、班級和老師。
我們現在測評了將近十萬名學生，覆蓋一線城市到四線城市，得到了中國學生閱讀能力第一份量表。我們不但能測出學生的閱讀能力水準，還能測出背後哪個技能點有欠缺。
愛分析：對孩子的測評結果如何與文本分級標準對應？
趙梓淳：需要用數學模型，將兩者擬合進一個體系，使測評分值和ER值對應。同時，還需要大量的實證性研究。
這部分驗證研究是測量心理學專業的李國超博士負責。學界做分級閱讀主要是認知心理學和語言學專業的人，認知心理學其實一直在做這件事情，之前主要研究方向是測孩子的閱讀認知障礙，以及對其的干預，設計各種實驗測量信度、效度等。
愛分析：進校產品在測評之外還有？
趙梓淳：考拉閱讀，包括學生端、教師端、家長端和校長端四個埠。
通過老師端，老師可以根據每個人的最適發展趨勢一鍵佈置閱讀任務。目前考拉閱讀有幾千本課外書，每本書後面有30-100道題目，驗證學生是否讀懂。另外還有朗讀任務，幫孩子糾正讀音。
公司的人工智慧主要應用在三個層面，一是打造底層分級標準，二是自我調整學習系統，就是學生端的自學功能，根據閱讀能力推薦相應內容，三是智慧語音，在老師和家長沒那麼多時間的情況下，説明孩子解決讀音問題。
愛分析：基於現在的產品體系，對於商業模式有哪些規劃？
趙梓淳：首先是To B，通過To B建立品牌背書；To B站穩後，這條賽道基本就關閉了。
第二步是2C，我們其實是天然適合2C的，閱讀產品並不像背單詞和學數學，孩子每天晚上要聽睡前故事，是客觀存在的場景。如何讓閱讀變得更有樂趣，讓孩子讀到他們能讀懂的東西，獲得成就感，從而建立激勵體系，這是我們要做的事情。