DrKPI Writing Style Index

Kurzversion2 – 3 Sekunden entscheiden – wird der Blogeintrag gelesen oder eben nicht.

Wir sind überbenachrichtigt und unterinformiert. Deshalb kommt dem Schreibstil eine wichtig Funktion zu.

Hier 3 Dinge die Business Blogger interessieren:

1. Wie hilft der DrKPI Schreibstil Index dem Corporate Blogger?
2. Wie kalkulieren wir diesen Index?
3. Wie kann man den Schreibstil für das Zielpublikum verbessern?

Der DrKPI Schreibstil Index (Sie sind hier) ist ein Algorithmus und damit ein Teil des DrKPI Blog Index, der es uns erlaubt, Blog-Inhalte zu analysieren.

What is cohesion?

Cohesion of text is critical for the subsequent recall and coherence or comprehension (i.e. understanding) of a text. Cohesion determines how challenging a text is. It also determines how well the reader will understand the text (also called coherence) she just studied.

Cohesion means the characteristics of a text or textual elements that influence a reader’s coherence or understanding of a text. These textual elements can be measured directly and quantified (e.g., McNamara, Graesser, McCarthy, Cai, 2014, chap. 2). Thus our focus here is on cohesion.

Benchmarken Sie Ihren Blog kostenlos gleich jetzt

#SMaudit Social Media Audit
#SMaudit DER
Social Media Audit 
schafft Klarheit

1. Schwierige Worte

Dieser Index kalkulieren wir anhand der Worte welche genutzt werden. Worte mit mehr als sechs Buchstaben werden dabei als schwieriger angesehen. Dies bedeutet, das viele solche Wörter es dem Leser nicht leicht machen, den Beitrag zu lesen.

Im Algorithmus nutzen wir die folgende Formula:

Grosse Wörter Referenzwert = SUMME [(Total # von Wörtern mit mehr als 6 Buchstaben) / Total # von Wörtern im Blogeintrag ]

Beispiel: [ 200 Wörter haben mehr als 6 Buchstaben / 1000 Wörter]    =  20%

Die Annahme hier ist das etwa ein Fünftel der Worte in formalen Texten mehr als 6 Buchstaben beinhalten (Pennebaker, 2011).

Loghran und McDonald (2014) untersuchten die Lesbarkeit von Finanzdokumenten. Speziell von öffentlich rechtlichen an der Börse kotierten Unternehmen in der USA. Diese Dokumente K-10 genannt werden der Regulierungsbehörde eingereicht. Die Autoren analysierten diese Texte anhand der Syllaben in Wörtern.

Das heisst Wörter mit mehr als zwei Silben wurden dabei als schwierig eingestuft. In der Periode 1993 bis 2011 hatten im Schnitt 23.67% Worte in den analysierten K-10 Dokumenten mehr als zwei Silben. Dies entspricht sieben oder mehr Buchstaben.

1.2 Wörter je Satz

Ein Leitkriterium für akademisches Schreiben sind 20 bis 25 Wörter pro Satz. Pennebaker und Kollegen (2011) haben anhand von verschiedenen Sprachen und vielen Texten bis 20 Wörter als formales Schreibtexte definiert.

“Bandwurmsätze beeinträchtigen die Klarheit von Kommissionstexten.”

 Die Europäische Kommission gibt als Richtwert einen Durchschnitte von 20 Wörtern je Satz, welchen Dokumente nicht überschreiten sollte (Europäische Kommission, 2011, S. 30).

Grundsätzlich machen längere Sätze es dem Leser schwieriger, den Inhalt zu verstehen. Beim Lesen Online wird nicht Wort für Wort gelesen. Der Leser überfliegt zuerst einmal den Text. Da machen es kürzere Sätze einfacher wenigsten ein Teilverständnis zu erhalten.

Wörter je Satz Referenzwert  = SUMME [(Total # von Wörter / Total # von Sätzen)]=  X

Example: [1000 Wörter / 60 Sätze]    = Wörter je Satz Referenzwerte  16.667     

Loughran und McDonald (2014) untersuchten die Lesbarkeit von Finanzdokumenten. Die Studie analysierte diese Papiere von öffentlich rechtlichen an der Börse kotierten Unternehmen in der USA. Diese Dokumente K-10 genannt werden der Regulierungsbehörde eingereicht. Die Autoren analysierten diese Texte von 1993 – 2011. Die Forscher fanden das im Schnitt ein Satz 23.04 Wörter hatte.

Europäische Kommission (2011). Klar und deutlich schreiben Aufgerufen am 25. November 2014 von http://bookshop.europa.eu/de/klar-und-deutlich-schreiben-pbHC3010536/

1.3 Lesbarkeit Referenzwert

Für Lesbarkeit nutzen wir nur die Länge der Sätze. Grund ist, da z.B. in Finanzdokumenten die Länge der Wörter sich als kein guter Indikator herausgestellt hat (Loughran & McDonald, 2014).

In short, the numbers we get above are then used in the following way: Sum[(A  / B )] = ComMetrics Mnemonic Score Score (rangesfrom 0 to about 2 to 3) which we can then be used to rank your blog compared to the others.

Lesbarkeit  Referenzwert ist  = Anzahl Wörter im Satz (siehe Sektion 1.2 oben)

Schwierigkeit der Wörter (d.h. Länge mehr als 6 Buchstaben) ist jedoch weiterhin ein interessanter persönlicher Indikator. Dieser  zum Vergleich. Deshalb kriegen unser Pro Nutzer diesen weiterhin.

Loughran, Tim, and McDonald, Bill (August 2014). Measuring readability in financial disclosure. Journal of Finance, 69(4), pp. 1643-1671, DOI: 10.1111/jofi.12162 Aufgerufen, November 25, 2014 von http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1920411

Loughran, Tim and McDonald, Bill, Textual Analysis in Finance and Accounting: A Survey (September 29, 2014). Available at SSRN: http://ssrn.com/abstract=2504147 oder http://dx.doi.org/10.2139/ssrn.2504147

2 – Text Verständnis

Textuelle Kohäsion bezieht sich auf die Präsenz oder Absenz von expliziten Texthinweisen. Diese ermöglichen es dem Leser Verbindungen zwischen den Ideen im Text herzustellen.

Im Gegenzug ist Textuelle Kohärenz, welches sich auf das Verständnis des Leser vom Text bezieht. Kohärenz hängt von mehreren Faktoren ab wie z.B. wie gut man lesen kann oder aber auch Hintergrundinformationen welche der Leser schon hat.

Textuelle Kohärenz wird hier nicht gemessen.

2.1 Textuelle Kohäsion

Hohe Textkohäsion versucht das Nutzen von Pronomen zu vermeiden. Tiefe textuelle Kohäsion wiederholt nicht die Fakten und nutzt statt dessen Pronomen. Hohe Kohäsion in einem Text fördert die textuelle Kohärenz für den Leser im Sinne eines dem Text zugrundeliegenden Sinnzusammenhangs.

Paul sagte John, dass er ihm helfen wolle.

Die Wörter er und ihm sind Pronomen. Doch welches der beiden sich auf Paul oder John bezieht, ist nicht klar ersichtlich. 2 Pronomen bedeutet der Satz erhält ein Skore von 200.

Liste von Personalpronomen
Englisch Deutsch French
 
I Ich Je / J’
me mir /mich me/m’
we wir / nous
us uns nous
you du / dir / dich /   Euch / Ihnen / Sie tu, te,vous,
he er il
she sie elle
it ihm / es on
they sie ils / elles
him ihm / ihn le (l’),lui
her ihr / sie la (l’) lui
them ihnen / sie les, leur

Ein Richtwert is für jedes dieser Pronome kalkuliert und auch für jeden Blogeintrag.

Wörter je Satz Referenzwert  = SUMME [Total # von Wörter / Total # von Pronomen] x 5 = 100 Maximalwert

Example: [1000 Wörter / 50 Sätze]    = Wörter je Satz Referenzwerte  20 x 5 = 100  Maximalwert

 

High cohesion texts benefited readers with low knowledge regardless of the type of
comprehension test (to no one’s surprise) Danielle S. McNamara
Max M. Louwerse
Arthur C. Graesser
University of Memphis
September 2002 – August 2005   (2005, p. 7).

2.2 Logische Verknüpfungen im Text

Logische Operators sind solche wie z.B.:

or (oder, ou),
and (und, et),
not (nicht, pas) sowie
if-then (si-alors, wenn…dann).

Ein Text mit vielen logischen Verknüpfungen im Text ist kompakt und stellt hohe Ansprüche an das Arbeitsgedächtnis des Leser.

Wörter je Satz Referenzwert  = SUMME [Total # von Wörter / Total # von logischen Verknüpungen]  = ????

Beispiel: [250 logische Verknüpfungen / 1000 Wörter  ]    = 0.25

2.3 Text Verständnis Skore

dddd

Wörter je Satz Referenzwert  = SUMME [Total # von Wörter / Total # von Sätzen] x 5 = 100 Maximalwert

Example: [1000 Wörter / 50 Sätze]    = Wörter je Satz Referenzwerte  20 x 5 = 100  Maximalwert

Kalkulation des DrKPI Schreibstil Index

Der DrKPI Wissenstransfer Index reicht von 0 (tiefstes Resultat) bis 100 (bestes Resultat).

Sum[(A x 30) +  (B x .70) ] = Maximalpunktzahl = 100 (unaufbereitete Daten oder ‘raw data’)

Zur Errechnung des DrKPI Wissenstransfer Index nutzen wir die z-Standardisierung

Z-Score für diesen Indikator. Diese Zahlen (d.h. Z-Scores) werden dann summiert.

z-transformierte Werte haben einen Mittelwert von 0 und eine Standardabweichung von 1.

D.h. ein negatives Z-Score bedeutet, dass die errechnete Zahl für den Blog sich unter dem Durchschnitt aller in dieser Gruppe befindlichen Blogs befindet.

Die Z-Scores werden dann neu skaliert. Diese Skala reicht von 0 bis 100 (beste Leistung).

95% der Werte liegen zwischen -1.96 und + 1.96
95% der Werte liegen zwischen -1.96 und + 1.96

Hat Sie dieser Blogeintrag interessiert? Dann abonnieren Sie unseren Newsletter!

Mehr Tipps und Tricks zum Thema

    1. DrKPI Schlagzeilen Index
    2. Methodologie zum DrKPI Index
    3. DrKPI Konversation Index
    4. DrKPI Social Sharing Index
    5. DrKPI Schreibstil Index
    6. DrKPI Wissenstransfer Index
    7. Fallstudie: Tchibo Blog

Benchmarken und testen Sie für Ihren Blog den Ersten Eindruck Index: Gleich JETZT, kostenlos.

  1. DrKPI Social Sharing Index

More research

Crossley, Scott; Varner, Laura, K.; Roscoe, Rod, D.; McNamara, Danielle, S. (2013) Using automated indices of cohesion to evaluate an intelligen tutoring system and an automated writing evaluation system. In K. Yacef et al. (Eds.), Proceedings of the 16th International Conference on Artificial Intelligence in Education (AIED), (pp. 269-278). Heidelberg, Berlin: Springer. http://129.219.222.66/pdf/Crossley_Varner_Roscoe_McNamara_2013.pdf Zugegriffen, 18 November, 2014.

Hall, Sopie, Basran, Jaskaran; Paterson, Kevin, B; Kowalski, Rebecca; Filik, Ruth; Maltby, John (January, 2014). Individual differences in the effectiveness of text cohesion for science text comprehension. Learning and Individual Differences, Volume 29, 74–80
, http://dx.doi.org/10.1016/j.lindif.2013.10.014 Retrieved, November 15, 2014 von https://www.academia.edu/4974838/Individual_differences_in_the_effectiveness_of_text_cohesion_for_science_text_comprehension

McNamara, Danielle, S.; Louwerse, Max M.; Graesser, Arthur, C. (2005). Coh-Metrix: Automated cohesion and cohenernce scores to predict text readability and facilitate comprehension (Project Funded by the Office of Educational Research and Improvement). Memphis: University of Memphis. Aufgerufen am 11. November, 2014 von http://129.219.222.66:8080/SoletlabWeb/pdf/IESproposal.pdf

McNamara, Danielle. S.; Graesser, Arthur, C.; McCarthy, P.; & Cai, Z. (March 2014). Automated evaluation of text and discourse with Coh-Metrix. Cambridge: Cambridge University Press. http://www.cambridge.org/at/academic/subjects/psychology/educational-psychology/automated-evaluation-text-and-discourse-coh-metrix  Zugegriffen, 18 November, 2014.

Graesser, Arthur C.; McNamara, Danielle S.; Louwerse, Max, M.; Cai, Zhiqiang (2002). Coh-Metrix: Analysis of text on cohesion and language. Behavior Research Methods,  Instruments, & Computers 2004, (36), 193-202. http://www.memphis.edu/psychology/graesser/publications/documents/BSC505.pdf Zugegriffen, 18 November, 2014.

Leave a Reply

Your email address will not be published. Required fields are marked *