Индекс туманности Ганнинга (Gunning Fog Index) – это количественная метрика оценки удобочитаемости текста, разработанная в 1952 году американским журналистом и консультантом по деловым коммуникациям Робертом Ганнингом. Метод позволяет оценить сложность текста и приблизительно определить уровень подготовки читателя, необходимый для его комфортного понимания.
Метрика широко применяется при подготовке технической и продуктовой документации, спецификаций, API-описаний, руководств пользователя и аналитических отчетов — то есть в тех типах текстов, где ясность формулировок напрямую влияет на скорость понимания и количество ошибок интерпретации.
История и цель создания
Роберт Ганнинг разработал индекс в контексте бизнес-коммуникаций 1950-х годов. Компании все чаще сталкивались с проблемой перегруженных и трудно читаемых отчетов и инструкций — явления, которое он называл «туманом» в тексте. Этот «туман» приводил к неверному пониманию требований и управленческих решений.
В основу формулы были положены два наиболее измеримых фактора сложности:
— средняя длина предложений
— доля многосложных слов, требующих большего когнитивного усилия при чтении
В отличие от ряда более ранних метрик читаемости (например, Flesch Reading Ease), Gunning Fog делает больший акцент на длинных словах. Поэтому показатель часто используют при анализе профессиональных и технических текстов, насыщенных терминологией.
Исследования Ганнинга показали, что многие деловые тексты того времени были написаны на уровне, требующем более высокого образования, чем имела фактическая аудитория. Это расхождение и стало практическим стимулом для создания простой прикладной формулы, которую автор может рассчитать и интерпретировать без сложных инструментов.
Детальная формула и метод расчета
Базовая формула Gunning Fog Index выглядит так:
Fog Index=0,4×(ASL+PWS)
где:
ASL (Average Sentence Length) – средняя длина предложения в словах:
ASL = (Общее количество слов) / (Количество предложений)
PWS (Percentage of Words with Syllables) – доля многосложных слов:
PWS = (Количество слов с тремя и более слогами) / (Общее количество слов) × 100
В классической английской методике многосложными считаются слова с тремя и более слогами, за исключением:
— собственных имен
— слов с типовыми окончаниями вроде -ed и -es
— некоторых распространенных словообразовательных форм
Пример расчета показателя:
В тексте 100 слов, 10 предложений, 15 многосложных слов.
ASL = 10,
PWS = 15%,
Fog = 0,4 × (10 + 15) = 0,4 × 25 = 10.
Такой результат показывает, что текст рассчитан на читателя с уровнем подготовки средней школы. На практике подобный диапазон часто считается комфортным для аудитории с базовой технической подготовкой.
При расчете важно корректно определять границы предложений: точки в сокращениях («т.е.», «и т.д.», «др.») не должны учитываться как конец предложения. Подсчет слогов в заимствованных терминах также требует единых правил.
Адаптация для русского и многоязычных текстов
Прямое применение английской формулы к русскоязычным текстам дает искаженные результаты из-за морфологических различий языков. Русские слова в среднем длиннее, а словообразование более развито, поэтому показатель без поправок часто оказывается завышенным.
Для русскоязычных текстов формулу Fog обычно адаптируют. На практике часто применяют корректирующий коэффициент около 0,78, поскольку средняя длина слов и морфологическая сложность русского языка выше, чем в английском. Кроме того, многосложными словами при расчете нередко считают слова с четырьмя и более слогами, а не с тремя. Такая настройка дает более реалистичную оценку читаемости русскоязычной технической документации.
Подсчет слогов ведется по фонетическим правилам — по количеству гласных звуков и йотированных форм. Границы предложений определяются по завершающим знакам препинания с учетом сокращений.
В многоязычных проектах показатель Fog обычно используют вместе с альтернативными индексами (например, LIX или RIX), задавая целевые диапазоны читаемости отдельно для каждого языка. Это позволяет поддерживать сопоставимый уровень доступности документации при локализации.
На практике удобнее всего проверять индекс туманности автоматически — прямо в процессе подготовки документации. Это особенно полезно в командах, где тексты регулярно обновляются и проходят ревью.
Платформа Документерра включает встроенный анализ читаемости на основе индекса Ганнинга.
Практическое применение в ИТ и техническом писательстве
Авторы технических текстов используют индекс Ганнинга как итеративный ориентир при редактировании. Для широкой технической аудитории часто выбирают целевой диапазон 8–12.
Снижение показателя обычно достигается за счет следующих приемов:
— разбиения длинных предложений
— введения терминов через краткие определения
— замены части абстрактных существительных глагольными формами
— перехода от страдательного залога к действительному
Метрики читаемости нередко встраиваются в редакторские плагины и инструменты проверки Markdown-документации. В некоторых командах такие проверки используются на этапе ревью изменений наряду с проверками стиля и терминологии. Практика показывает, что подобный контроль помогает снижать количество уточняющих вопросов к документации и упрощает онбординг.
Типовая интерпретация диапазонов выглядит так:
6–8 — начинающие специалисты; простые инструкции и пошаговые действия
8–12 — разработчики среднего уровня; допустима терминология с пояснениями
12–16 — опытные специалисты; сложные объяснения и архитектурные описания
16+ — узкоспециализированные тексты; нежелательно для массовой пользовательской документации
В гибких процессах разработки показатель читаемости иногда включают в критерии завершенности документационных задач, чтобы поддерживать единый уровень понятности материалов.
Преимущества, ограничения и альтернативы
Индекс Ганнинга ценят за простоту расчета и интерпретации. Он быстро выявляет тексты с чрезмерно длинными предложениями и высокой долей сложных слов и подходит для первичной диагностики стиля. Его удобно применять при сравнении версий документа.
При этом метод имеет ограничения. Он не учитывает:
— синтаксическую вложенность и логическую структуру
— связность изложения
— визуальные элементы (схемы и диаграммы)
— контекст введения терминов
Из-за чувствительности к длине слов индекс может завышать сложность текстов с необходимой терминологией. Поэтому на практике его обычно используют вместе с другими метриками — Flesch-Kincaid, SMOG, ARI и др. — а также с экспертным ревью.
Инструменты и автоматизация для профессионалов
На практике индекс Ганнинга удобно считать с помощью готовых инструментов. Они различаются по формату использования — от веб-сервисов до редакторских линтеров и корпоративных платформ.
Онлайн-сервисы. Подходят для быстрой проверки фрагментов текста и сравнений версий. Часто показывают несколько метрик читаемости одновременно. Примеры: Hemingway App, Datayze Fog Calculator и аналогичные калькуляторы читаемости.
IDE и CLI-инструменты. Используются в процессе подготовки документации и при работе с Markdown. Позволяют встроить проверки в редактор или в пайплайн сборки. Распространенные варианты: write-good (npm), alex и другие текстовые линтеры со стилевыми правилами и оценкой читаемости.
Корпоративные решения. Платформы уровня Grammarly Enterprise, Style-контроллеры и редакторские QA-системы добавляют командные дашборды, централизованные правила и интеграции с репозиториями.
Регулярное использование таких инструментов упрощает редакторское ревью и помогает поддерживать целевой уровень понятности документации.
* * *
Индекс туманности Ганнинга остается одной из наиболее распространенных метрик оценки читаемости и активно используется в техническом и деловом письме. С учетом языковых адаптаций и автоматизированных инструментов он помогает выявлять перегруженные формулировки и поддерживать целевой уровень понятности документации.
Наибольшую практическую ценность показатель дает как регулярный диагностический ориентир в редакторском процессе — в сочетании с экспертной проверкой и пользовательской обратной связью. Такой подход позволяет системно повышать качество технических текстов без упрощения содержания.
