VarLex Lexikalische Vielfalt und Dichte

VarLex misst, wie abwechslungsreich der Wortschatz eines Textes ist (lexikalische Vielfalt) und wie hoch der Anteil der Inhaltswörter ist (lexikalische Dichte). Neben der einfachen Type-Token-Ratio und ihren Wurzel-Varianten RTTR und CTTR werden drei Maße berechnet, die von der Textlänge weitgehend unabhängig sind und sich deshalb zum Vergleich unterschiedlich langer Texte eignen: MSTTR, MATTR und MTLD. Dazu kommen der Anteil der Hapax legomena, die Shannon-Entropie der Wortverteilung und die lexikalische Dichte; für sie wählt man je Text die Sprache (Deutsch, Spanisch oder Katalanisch). Unter „Textkomplexität“ stehen Näherungen für Informationsdichte (lange Wörter, Nominalendungen) und syntaktische Komplexität (Nebensätze pro Satz) sowie Lesbarkeitsindizes (LIX, Flesch, Wiener Sachtextformel); dazu deskriptive Werte wie Zeichen, Wörter, Sätze und mittlere Wort- und Satzlänge und eine Wortfrequenzliste. Alle Bereiche lassen sich auf- und zuklappen. Text einfügen – die Werte erscheinen beim Tippen. Gerechnet wird im Browser; die Texte werden nicht übertragen. Beschreibung und Literatur zu den Maßen unten auf der Seite.

+ Weiteren Text hinzufügen Alle Texte als ZIP speichern

Die Maße

Was als Wort zählt

Als Wort (Token) gilt jede Folge von Buchstaben, auch mit Apostroph oder Bindestrich im Wort (l’home, E-Mail, don’t). Satzzeichen werden ignoriert, Zahlen nur mit der entsprechenden Option. Groß- und Kleinschreibung werden standardmäßig gleich behandelt (Haus = haus). Es wird nicht lemmatisiert: Haus und Häuser sind zwei Types. Bei katalanischen Texten werden die schwachen Pronomen und elidierten Artikel abgetrennt und als eigene Tokens gezählt: l’home → l’ + home, fer-ho → fer + -ho, porta’n → porta + ’n. Alle Werte hängen von diesen Entscheidungen ab; Ergebnisse aus anderen Programmen sind deshalb nur vergleichbar, wenn dort gleich tokenisiert wird.

TTR – Type-Token-Ratio

Anzahl der verschiedenen Wörter (Types) geteilt durch die Anzahl aller Wörter (Tokens). Ein Wert von 1 bedeutet, dass kein Wort wiederholt wird. Die TTR ist das älteste und einfachste Maß der lexikalischen Diversität, hat aber einen grundlegenden Mangel: Sie sinkt mit wachsender Textlänge, weil gerade die häufigen Funktionswörter sich immer wieder wiederholen. Ein langer Text erscheint dadurch ärmer als ein kurzer, auch wenn sein Wortschatz reicher ist. VarLex zeigt sie deshalb nur zur Orientierung; zum Vergleich von Texten unterschiedlicher Länge taugt sie nicht.

• Templin, M. C. (1957). Certain Language Skills in Children: Their Development and Interrelationships. Minneapolis: University of Minnesota Press.
• Richards, B. (1987). Type/token ratios: What do they really tell us? Journal of Child Language, 14(2), 201–209.

RTTR und CTTR – Wurzel-Varianten der TTR

Beide Maße teilen die Anzahl der Types nicht durch die Anzahl der Tokens, sondern durch deren Wurzel, und dämpfen so den Längeneffekt der TTR. Die RTTR (Root TTR, Guiraud-Index) ist Types ÷ √Tokens, die CTTR (Corrected TTR nach Carroll) Types ÷ √(2 × Tokens). Die CTTR ist damit immer die RTTR geteilt durch √2; beide ordnen Texte gleich. Anders als die TTR steigen sie mit der Textlänge eher an, sind also ebenfalls nicht völlig längenunabhängig. Höhere Werte bedeuten mehr Vielfalt; eine Obergrenze gibt es nicht.

• Guiraud, P. (1954). Les caractères statistiques du vocabulaire. Paris: Presses Universitaires de France.
• Carroll, J. B. (1964). Language and Thought. Englewood Cliffs, NJ: Prentice-Hall.
• Daller, H., van Hout, R. & Treffers-Daller, J. (2003). Lexical richness in the spontaneous speech of bilinguals. Applied Linguistics, 24(2), 197–222.

MSTTR – Mean Segmental TTR (auch STTR)

Der Text wird in gleich große Abschnitte zerlegt (Standard: 100 Wörter). Für jeden Abschnitt wird die TTR berechnet, anschließend der Mittelwert gebildet. Weil jede TTR über dieselbe Länge gerechnet wird, fällt der Längeneffekt weg, und man erhält ein verlässliches Maß für die durchschnittliche lexikalische Varianz. Ein unvollständiger Restabschnitt am Textende bleibt unberücksichtigt – bei kurzen Texten geht damit ein spürbarer Teil verloren, und Texte unter einer Segmentlänge erhalten keinen Wert. Werte sind nur bei gleicher Segmentgröße vergleichbar. Unter dem Namen STTR ist das Maß vor allem durch WordSmith Tools verbreitet.

• Johnson, W. (1944). Studies in language behavior: I. A program of research. Psychological Monographs, 56(2), 1–15.
• Malvern, D., Richards, B., Chipere, N. & Durán, P. (2004). Lexical Diversity and Language Development: Quantification and Assessment. Basingstoke: Palgrave Macmillan.
• Scott, M. WordSmith Tools (Software und Handbuch, Abschnitt „Standardised Type/Token Ratio“). Lexical Analysis Software.

MATTR – Moving-Average TTR

Funktioniert ähnlich wie die MSTTR, berechnet die TTR aber in einem gleitenden Fenster (Standard: 50 Wörter), das Wort für Wort durch den Text verschoben wird: Wörter 1–50, 2–51, 3–52 und so weiter. Am Ende wird der Mittelwert aller Fenster gebildet. Anders als bei der MSTTR geht kein Rest verloren, und das Ergebnis hängt nicht davon ab, wo zufällig eine Segmentgrenze liegt. Auch hier sind Werte nur bei gleicher Fenstergröße vergleichbar.

• Covington, M. A. & McFall, J. D. (2010). Cutting the Gordian knot: The moving-average type–token ratio (MATTR). Journal of Quantitative Linguistics, 17(2), 94–100. doi:10.1080/09296171003643098

MTLD – Measure of Textual Lexical Diversity

Der Text wird Wort für Wort gelesen, und dabei wird laufend die TTR berechnet. Sobald sie einen Schwellenwert (üblicherweise 0,72) erreicht, ist ein „Faktor“ abgeschlossen, und die Zählung beginnt von vorn. MTLD gibt an, wie viele Wörter ein Faktor im Durchschnitt umfasst (Tokens ÷ Anzahl der Faktoren). Je mehr Wörter man lesen kann, bevor sich der Wortschatz „erschöpft“, desto vielfältiger ist der Text. Wie bei McCarthy & Jarvis (2010) zählt der unvollständige Rest am Textende anteilig mit, als (1 − TTR des Rests) ÷ (1 − Schwelle), und das Ergebnis ist der Mittelwert aus einem Durchgang vorwärts und einem rückwärts; beide Teilwerte stehen unter dem Ergebnis. MTLD gilt als besonders valides, textlängenunabhängiges Maß. Unter etwa 100 Wörtern ist es wenig aussagekräftig.

• McCarthy, P. M. (2005). An Assessment of the Range and Usefulness of Lexical Diversity Measures and the Potential of the Measure of Textual, Lexical Diversity (MTLD). Dissertation, University of Memphis.
• McCarthy, P. M. & Jarvis, S. (2010). MTLD, vocd-D, and HD-D: A validation study of sophisticated approaches to lexical diversity assessment. Behavior Research Methods, 42(2), 381–392. doi:10.3758/BRM.42.2.381

Hapax-Anteil

Hapax legomena sind Wörter, die im Text genau einmal vorkommen. VarLex zeigt ihren Anteil an allen Types als Hauptwert und darunter die absolute Zahl sowie den Anteil an allen Tokens. Ein hoher Anteil spricht für einen breiten, wenig wiederholenden Wortschatz. Wie die TTR hängt er stark von der Textlänge ab: In sehr kurzen Texten ist fast jedes Wort ein Hapax, mit wachsender Länge sinkt der Anteil. Zum Vergleich deshalb nur ähnlich lange Texte heranziehen.

• Baayen, R. H. (2001). Word Frequency Distributions. Dordrecht: Kluwer.
• Tweedie, F. J. & Baayen, R. H. (1998). How variable may a constant be? Measures of lexical richness in perspective. Computers and the Humanities, 32(5), 323–352.

Shannon-Entropie

Die Entropie wird aus der Häufigkeitstabelle des Textes berechnet: Für jedes Type ist p sein Anteil an allen Tokens, und H = −Σ p · log₂ p, angegeben in Bit. Sie misst, wie unvorhersehbar das nächste Wort ist, wenn man nur die Häufigkeiten des Textes kennt. Wird ein Wortschatz breit und gleichmäßig genutzt, ist sie hoch; dominieren wenige Wörter, ist sie niedrig. Das Maximum ist log₂(Types) – dann wäre jedes Type gleich häufig. Unter dem Wert steht deshalb der Gleichverteilungsgrad H ÷ log₂(Types) zwischen 0 und 1. Wie TTR und Hapax-Anteil hängt die Entropie von der Textlänge ab (sie steigt mit ihr) und eignet sich zum Vergleich nur bei ähnlich langen Texten.

• Shannon, C. E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27(3), 379–423.
• Bentz, C., Alikaniotis, D., Cysouw, M. & Ferrer-i-Cancho, R. (2017). The entropy of words – Learnability and expressivity across more than 1000 languages. Entropy, 19(6), 275.

Lexikalische Dichte (Näherung)

Die lexikalische Dichte ist der Anteil der Inhaltswörter (Substantive, Vollverben, Adjektive, die meisten Adverbien) an allen Tokens. Geschriebene Texte sind in der Regel dichter als gesprochene. Eine genaue Bestimmung bräuchte eine Wortartenannotation. VarLex nähert sie an: Jedes Wort, das auf der Funktionswortliste der gewählten Sprache steht, zählt als Funktionswort, alles andere als Inhaltswort. Dabei entstehen typische Fehler in beide Richtungen, etwa haben oder sein als Vollverb (wird als Funktionswort gezählt) oder seltene Präpositionen, die nicht auf der Liste stehen (werden als Inhaltswort gezählt). Werte sind deshalb vor allem innerhalb einer Sprache vergleichbar.

• Ure, J. (1971). Lexical density and register differentiation. In G. E. Perren & J. L. M. Trim (Hg.), Applications of Linguistics (S. 443–452). Cambridge: Cambridge University Press.
• Halliday, M. A. K. (1985). Spoken and Written Language. Geelong: Deakin University Press.
• Johansson, V. (2008). Lexical diversity and lexical density in speech and writing: A developmental perspective. Lund Working Papers in Linguistics, 53, 61–79.

Funktionswortlisten: Herkunft

Die Listen wurden für VarLex zusammengestellt und sind keine übernommenen Stopplisten aus dem Information Retrieval (diese enthalten oft auch häufige Inhaltswörter). Aufgenommen sind die geschlossenen Wortklassen, wie sie die Referenzgrammatiken der drei Sprachen beschreiben: Artikel, Pronomen (Personal-, Reflexiv-, Possessiv-, Demonstrativ-, Relativ-, Interrogativ- und Indefinitpronomen), Quantoren, Präpositionen samt Verschmelzungen, Konjunktionen, die Formen der Hilfs- und Modalverben, Negation und Partikeln sowie pronominale und deiktische Adverbien (darauf, hier, dann). Im Katalanischen gehören auch die schwachen Pronomen und die Formen von anar im perfet perifràstic (vaig, va, van …) dazu. Die Abgrenzung im Einzelfall – vor allem bei Adverbien – ist eine Entscheidung für VarLex, keine Vorgabe der Grammatiken.

• Deutsch: Duden. Die Grammatik (Duden Band 4). Berlin: Dudenverlag (Kapitel zu Artikelwörtern und Pronomen, Präposition, Junktion, Partikel und Hilfsverben).
• Spanisch: Real Academia Española & Asociación de Academias de la Lengua Española (2009). Nueva gramática de la lengua española. Madrid: Espasa.
• Katalanisch: Institut d’Estudis Catalans (2016). Gramàtica de la llengua catalana. Barcelona: IEC.

Liste Deutsch ( Wortformen)

Liste Spanisch ( Wortformen)

Liste Katalanisch ( Wortformen)

Informationsdichte (Näherung)

Wie viel Information ein Text auf engem Raum unterbringt, lässt sich ohne Wortartenannotation nur annähern. VarLex nutzt zwei Oberflächenmerkmale, die in der Lesbarkeits- und Registerforschung als Anzeichen dichter Texte gelten.

Lange Wörter ist der Anteil der Wörter mit mindestens sieben Buchstaben, also mehr als sechs – dieselbe Grenze, die der Lesbarkeitsindex LIX und die Wiener Sachtextformel verwenden. Die Grenze lässt sich oben in den Einstellungen ändern. Gezählt werden nur Buchstaben (und Ziffern, wenn Zahlen mitzählen); Apostroph und Bindestrich nicht.

Nominalendungen ist der Anteil der Wörter, die auf eine typische Endung abgeleiteter Substantive enden. Solche Nominalisierungen verdichten einen ganzen Vorgang in einem Wort und kennzeichnen den Nominalstil. Damit kurze Wörter wie jung nicht mitzählen, muss vor der Endung ein Stamm von mindestens drei Buchstaben stehen. Flexionsformen zählen mit (Ergebnisses, Ergebnissen, Eigentums, Reichtümern, Freiheiten). Im Deutschen zählt die Endung auch als Vorderglied einer Zusammensetzung: mit Fugen-s bei -ung, -heit, -keit, -schaft, -tät, -ion, -tum (Einheitsdebatte, Zeitungsartikel, Universitätsgebäude), ohne Fuge bei -ismus (Tourismusbranche); dahinter müssen noch mindestens drei Buchstaben folgen. -nis wird im Wortinneren bewusst nicht gesucht, weil sonst Wörter wie organisieren oder humanistisch mitzählten. Fehltreffer bleiben möglich (etwa Sprung, das keine Ableitung ist), und Nominalisierungen ohne Endung (der Lauf, das Lesen) erfasst die Liste nicht. Im Katalanischen fehlt -ment bewusst, weil dieselbe Endung dort Adverbien bildet (ràpidament). Welche Endungen zählen, richtet sich nach der Sprache des Textes:

• Deutsch: ; als Vorderglied:
• Spanisch:
• Katalanisch:

Zusammen ist der Anteil der Wörter, die mindestens eines der beiden Merkmale haben. Ein Wort, das lang ist und eine Nominalendung hat (Durchführung), zählt nur einmal; der Wert ist also nicht die Summe der beiden Prozentzahlen, sondern die Vereinigung der beiden Wortmengen. Alle drei Anteile beziehen sich auf die Wörter, wie sie die deskriptive Statistik zählt.

• Björnsson, C. H. (1968). Läsbarhet. Stockholm: Liber.
• Bamberger, R. & Vanecek, E. (1984). Lesen – Verstehen – Lernen – Schreiben. Die Schwierigkeitsstufen von Texten in deutscher Sprache. Wien: Jugend und Volk.
• Biber, D. (1988). Variation across Speech and Writing. Cambridge: Cambridge University Press.
• Halliday, M. A. K. (1985). Spoken and Written Language. Geelong: Deakin University Press.

Syntaktische Komplexität (Näherung)

Gängige Maße der syntaktischen Komplexität – etwa abhängige Sätze pro Satz oder pro T-Unit – setzen eine syntaktische Analyse voraus. VarLex nähert sie über Nebensatzeinleitungen an: unterordnende Konjunktionen, Relativpronomen und, im Deutschen, Infinitivkonstruktionen mit um, ohne, (an)statt. Nebensätze pro Satz ist deren Zahl geteilt durch die Sätze, Satzgefüge der Anteil der Sätze mit mindestens einer Einleitung, Kommas pro Satz ein einfaches Zusatzmaß, das im Deutschen gut mitläuft, weil Nebensätze dort immer durch Komma abgetrennt werden. Die mittlere Satzlänge steht zum Vergleich daneben; sie gilt in der Forschung als eines der verlässlichsten Komplexitätsmaße.

Schwierig sind mehrdeutige Wörter. Eindeutige Einleitungen (dass, weil, obwohl, wenn, ob; porque, aunque, cuando, si, donde; perquè, mentre, si) zählen überall. Mehrdeutige (als, da, während, damit, wie, bis, seit und die w-Wörter; spanisch como, katalanisch com) zählen nur direkt nach einem Komma, Semikolon, Doppelpunkt, Gedankenstrich oder einer Klammer – am Satzanfang nur, wenn später im Satz ein Komma folgt (Als er kam, …, aber nicht größer als du oder Da kam er.). Deutsche Relativpronomen (der, die, das, dem, dessen, welche …) zählen nur nach einem Komma, auch mit einer Präposition davor (, mit dem …), nicht aber in das heißt. Spanisch und katalanisch que zählt, außer nach tener und hay (tengo que, hay que) und bis zu drei Wörter nach einem Vergleichswort (más alto que, més alt que); cual/qual nur nach Artikel, katalanisch què nur nach Präposition, quan, on, qui am Satzanfang nur mit späterem Komma (Fragen). Folgen zwei Einleitungen aufeinander (als ob, ohne dass, para que), zählen sie als ein Nebensatz.

Was die Näherung nicht kann: Nebensätze ohne Einleitung (Kommt er, gehen wir; uneingeleitete dass-Sätze), Partizipialkonstruktionen und spanische Infinitiv- oder Gerundialsätze werden nicht erkannt. Fehltreffer entstehen vor allem durch ein Komma vor einem Artikel (Er kaufte Brot, die Zeitung und Milch) und durch spanisches que in festen Wendungen. Die Werte sind deshalb vor allem zum Vergleich von Texten derselben Sprache geeignet.

• Hunt, K. W. (1965). Grammatical Structures Written at Three Grade Levels. Urbana, IL: National Council of Teachers of English.
• Wolfe-Quintero, K., Inagaki, S. & Kim, H.-Y. (1998). Second Language Development in Writing: Measures of Fluency, Accuracy, and Complexity. Honolulu: University of Hawai‘i Press.
• Norris, J. M. & Ortega, L. (2009). Towards an organic approach to investigating CAF in instructed SLA: The case of complexity. Applied Linguistics, 30(4), 555–578.
• Lu, X. (2010). Automatic analysis of syntactic complexity in second language writing. International Journal of Corpus Linguistics, 15(4), 474–496.

Lesbarkeit

Lesbarkeitsformeln schätzen aus Satz- und Wortlänge, wie schwer ein Text zu lesen ist. Sie messen nur die Oberfläche – Inhalt, Aufbau und Vorwissen der Leser bleiben außen vor – und sind für Sachtexte erwachsener Muttersprachler entwickelt worden.

LIX (Björnsson) = Wörter pro Satz + Prozent der Wörter mit mehr als sechs Buchstaben. Er braucht keine Silben und lässt sich deshalb für alle drei Sprachen rechnen; die Grenze von sechs Buchstaben ist fest und hängt nicht von der Einstellung „Lange Wörter ab“ ab. Orientierung: unter 30 sehr leicht, 30–40 leicht, 40–50 mittel, 50–60 schwer (Sachtext), ab 60 sehr schwer (Fachtext).

Flesch-Index: Für Deutsch die Anpassung nach Amstad, 180 − Wörter pro Satz − 58,5 × Silben pro Wort; für Spanisch die Formel von Szigriszt-Pazos, 206,835 − 62,3 × Silben pro Wort − Wörter pro Satz, mit der INFLESZ-Skala (unter 40 sehr schwer, 40–55 eher schwer, 55–65 normal, 65–80 eher leicht, ab 80 sehr leicht). Höhere Werte bedeuten hier leichter. Für Katalanisch rechnet VarLex keinen Flesch-Index, weil keine etablierte Anpassung vorliegt.

Wiener Sachtextformel (erste Fassung, nur Deutsch) = 0,1935 × Prozent der Wörter mit drei und mehr Silben + 0,1672 × Wörter pro Satz + 0,1297 × Prozent der Wörter mit mehr als sechs Buchstaben − 0,0327 × Prozent der einsilbigen Wörter − 0,875. Der Wert entspricht etwa einer Schulstufe von 4 (sehr leicht) bis 15 (sehr schwer).

Die Silben werden geschätzt: als Gruppen aufeinanderfolgender Vokale, im Spanischen mit Trennung bei Hiat (le-er, dí-a). Fehler entstehen bei Wörtern wie Familie (Fa-mi-li-e, gezählt als drei) oder beobachten. Für den Vergleich von Texten fällt das kaum ins Gewicht, die absoluten Werte können aber von anderen Programmen abweichen.

• Flesch, R. (1948). A new readability yardstick. Journal of Applied Psychology, 32(3), 221–233.
• Amstad, T. (1978). Wie verständlich sind unsere Zeitungen? Dissertation, Universität Zürich.
• Björnsson, C. H. (1968). Läsbarhet. Stockholm: Liber.
• Bamberger, R. & Vanecek, E. (1984). Lesen – Verstehen – Lernen – Schreiben. Die Schwierigkeitsstufen von Texten in deutscher Sprache. Wien: Jugend und Volk.
• Szigriszt Pazos, F. (1993). Sistemas predictivos de legibilidad del mensaje escrito: fórmula de perspicuidad. Tesis doctoral, Universidad Complutense de Madrid.
• Barrio-Cantalejo, I. M. et al. (2008). Validación de la Escala INFLESZ para evaluar la legibilidad de los textos dirigidos a pacientes. Anales del Sistema Sanitario de Navarra, 31(2), 135–152.

Wortfrequenzliste

Die Liste zählt jede Wortform des Textes, nach denselben Regeln wie die lexikalischen Werte: Groß- und Kleinschreibung zusammengefasst (außer mit der entsprechenden Einstellung), nicht lemmatisiert, im Katalanischen mit abgetrennten Klitika. Sie ist nach Häufigkeit sortiert, bei gleicher Häufigkeit alphabetisch; gleich häufige Wörter teilen sich einen Rang (1, 2, 2, 4 …). Anteil ist die Häufigkeit geteilt durch alle Tokens, Kumuliert die Summe der Anteile bis zu dieser Zeile – daran lässt sich ablesen, wie viel des Textes die häufigsten Wörter abdecken. Wörter auf der Funktionswortliste der gewählten Sprache sind grau; mit „nur Inhaltswörter“ werden sie ausgeblendet (Anteile bleiben auf alle Tokens bezogen). Angezeigt werden zunächst die 25 häufigsten Wörter. „Liste kopieren“ legt die ganze Liste tabulatorgetrennt in die Zwischenablage, „Als CSV speichern“ speichert sie als Datei für Excel (Semikolon, Dezimalkomma).

• Zipf, G. K. (1949). Human Behavior and the Principle of Least Effort. Cambridge, MA: Addison-Wesley.

Deskriptive Statistik

Die deskriptiven Werte beschreiben Umfang und Bau des Textes, nicht seinen Wortschatz. Zeichen zählt alles einschließlich Leerzeichen; darunter steht die Zahl ohne Leerzeichen. Wörter sind die Wortformen zwischen Leer- und Satzzeichen, nach denselben Regeln wie oben unter „Was als Wort zählt“, aber ohne das Abtrennen katalanischer Klitika – l’home ist hier ein Wort, unter Tokens zwei. Sätze werden an . ! ? oder … erkannt, wenn danach ein Großbuchstabe, eine Zahl oder ein öffnendes Anführungs- oder Fragezeichen folgt, außerdem an Leerzeilen. Ein Punkt nach einem einzelnen Buchstaben, nach einer Zahl oder nach einer gängigen Abkürzung (bzw., usw., Dr., Nr., vgl., etc., pág., núm. …) beendet keinen Satz. Die Erkennung bleibt eine Näherung; Aufzählungen und Überschriften ohne Punkt verfälschen sie am ehesten. Zeichen pro Wort teilt die Zeichen ohne Leerzeichen durch die Wörter, Satzzeichen zählen also mit; die mittlere Wortlänge zählt dagegen nur Buchstaben. Beim längsten Wort und längsten Satz gewinnt bei Gleichstand das erste im Text.

Zum Weiterlesen

• Jarvis, S. (2013). Capturing the diversity in lexical diversity. Language Learning, 63(s1), 87–106.
• Fergadiotis, G., Wright, H. H. & Green, S. B. (2015). Psychometric evaluation of lexical diversity indices: Assessing length effects. Journal of Speech, Language, and Hearing Research, 58(3), 840–852.
• Zenker, F. & Kyle, K. (2021). Investigating minimum text lengths for lexical diversity indices. Assessing Writing, 47, 100505.