“全民阅读”既然被写进国家战略，做一个中国版 Lexile 阅读分级产品怎么样？

“孩子的阅读水平到什么程度？应该给他买什么样的书？”不光是在中国，这两个问题也困扰着其它很多国家的家长。但是在美国，这个问题有一个解决方案，就是通过对阅读内容和孩子阅读水平的评测，帮助他们找到符合自己阅读难度的图书，比较常见的测评系统之一就是蓝思分级阅读测评体系（The Lexile Framework for Reading）。

蓝思测评体系曾经受到美国国家卫生研究院的资助，主要从语义和句法两个维度衡量阅读难度系数，帮助读者选择适合自己的读物，目前产品覆盖了全美 50% 的学生。同时，很多教育科技公司在这个体系下诞生了，比如 36 氪曾经介绍过的 Lightsail、Commonlit 和 Newsela 等等。

而在中国，大部分阅读测评都来自出版社，但是因为缺乏技术算法，而且测评和出版社的图书销售业务直接相关，测评结果都变成了“专家导向的阅读建议”，最常见的形式就是“适合 X 岁儿童阅读的读物”。不论是学生还是成人，科学地测评阅读能力始终没有实现。但是从 2006 年起，“全民阅读”的概念却开始一步步从国家层面推荐，最终变成一项国家战略。

当阅读的重要性越来越多地被提及时，考拉阅读想探路中国分级阅读，做“中国版蓝思”，给学校提供全方位的阅读解决方案。

蓝思的标准把读者的阅读能力分成了 1500 个等级，而这背后收集了几千本书的数据。考拉阅读的创始人兼 CEO 赵梓淳介绍，这些数据包括字频、词频和长难句，涉及语言学、认知语言学背后还有一套算法，需要不断加入各种语料进行完善。在这方面，考拉阅读根据权威小学的课外书单和专家建议，选取了部分图书进行标准构建。

具体来说，考拉阅读对标准的研发分为四个步骤：

建立自己的语料库，其中包括平衡语料库（学生日常能接触到各种阅读内容）和非平衡语料库（已经被专家评定过的内容，比如教材），通过机器分词将语料进行切割，从字频、词频、句式等不同层面建立初步标注的语料库；借鉴蓝思的数学模型，用机器学习的知识（比如神经网络）打造一个初步模型；在对初步模型测试的基础上，利用深度学习的算法，通过交叉学习挖掘难以被人为发现的学习特征；最后再根据学生主动做题产生的数据、以及阅读行为中产生的数据（比如阅读速度）不断对算法进行修正。

整个过程有两个角色非常重要：专家和技术人员。赵梓淳介绍，在早期收集收据构建的过程中，考拉阅读和国内一些认知语言学、心理学学者建立了合作，他们更结合具体理论进行分析、给出细节性指导，同时还能帮助推动一些国家级课题；其次是技术人员，考拉阅读的 CTO 在北京大学主攻数据挖掘，曾在微软亚太研发集团、IBM 中国研发中心从事机器学习、数据挖掘方向的工作，技术团队都来自北大。

国外产品的商业模式主要以 to B 为主，赵梓淳表示，因为自由阅读的不确定性，要在中国推进阅读分级方向，也同样需要进校。在国家“全民阅读”政策的驱动下，很多学校都把阅读加入教学任务中，由语文老师以读后感、读书会的形式监督学生阅读。通过对学校的走访，考拉阅读发现这种方式让一些校长很无奈，因为阅读过程无法监测，读后感和读书会的“水分很大”。

赵梓淳表示，考拉阅读的 1.0 测评标准将在 1 月推出，这版产品将帮助学校划定图书难度系数，用数据帮助语文老师、校长看到学生的阅读效果。但是前期只能通过“线下看书、线上做测评”的方式推进，还无法检测到学生的读书数据，未来会考虑结合智能硬件的解决方案。

但和提分比起来，阅读并不是 K12 阶段的刚需，会有多少学校对阅读标准感兴趣？中国学生的真实阅读情况又是怎样的呢？有数据统计，中国中小学数量大约 41 万所，根据考拉阅读的前期调研，因为政策和一线语文老师的需求，大约有 30%-40% 的学校对阅读产品感兴趣，赵梓淳表示，即使能拿下这些学校，市场规模也很可观。

而中国学生的阅读环境还是以纸质图书为主，因为家长对电子屏幕的顾虑，数字阅读在国内的推行相对困难。虽然没有每个学生每年在阅读上的具体花费，但赵梓淳给了这样一个数据，同样做中小学生线下阅读、线上做笔记和测评的攀登阅读今年以来实现了 4000 万营收。和攀登阅读一样，考拉阅读也只想定位于一个测评工具，让学生拿到测评结果后，在书库内找到合适自己的书线下阅读，而不是做类似 Kindle 的事情，所以版权问题暂时不会涉及。

考拉阅读曾在今年九月获得 400 万人民币天使轮融资，由 Pre-Angel 领投、真格基金跟投，估值 4000 万，1 月起将开启 Pre-A 轮。