De tweets van tien organisaties zijn aan de hand van een zevental richtlijnen om bondige teksten te schrijven geanalyseerd op het voorkomen van niet-bondig taalgebruik. Van elke tweet is elke zin afzonderlijk geanalyseerd. Dat leverde de volgende resultaten op.
De eerste richtlijn was dat het onderwerp van de zin snel ter sprake moest komen. Dit werd gemeten door te beoordelen of er sprake is van een onnodig lange aanloop. In het gehele corpus is geen zin aangetroffen met zo’n onnodig lange aanloop.
De tweede richtlijn was dat niet uitgespeld moest worden wat voor zich spreekt. Er werd hierbij op gelet of er woorden of zinsdelen in het corpus voorkwamen die functioneerden als een regieaanwijzing. Hiervan was sprake als die zinsdelen zouden voorschrijven hoe lezers zaken moeten lezen of interpreteren. Dit soort gevallen zijn niet aangetroffen in het corpus. Subjectieve uitingen kwamen wel vaak voor, maar hierbij was geen sprake van echte regieaanwijzingen. Een voorbeeld daarvan is het woord prachtig in de volgende zin uit het corpus van de Bijenkorf: Je vraagt het je nooit meer af met een prachtig horloge aan je pols. De lezer kan aan de hand van de bijbehorende afbeelding uiteraard zelf bepalen of hij het horloge prachtig vindt. Maar sprake van een regieaanwijzing was er in dit geval niet.
Tautologieën en pleonasmen kwamen ook niet in het corpus voor. Wel waren er enkele gevallen die niet meteen duidelijk waren. In een zin van de Bijenkorf kwam de uitdrukking
op=op voor. In dit geval was echter sprake van een vaste uitdrukking en geen tautologie. In
de zin Ga voor een zonnige, stralende look met deze vrolijke gekleurde jumpsuit. van de HEMA betekenen de woorden zonnige en stralende bijna hetzelfde, maar niet genoeg om te spreken van een tautologie.
Bijvoeglijke naamwoorden kwamen vaak voor in het corpus. Maar duidelijk overbodige bijvoeglijke naamwoorden werden niet aangetroffen. Ze zouden overbodig zijn als er sprake was van een cliché, het bijvoeglijke naamwoord irrelevante informatie zou verstrekken of het bijvoeglijke naamwoord onderdeel zou zijn van een pleonasme. Dit was telkens niet het geval. Voorzetseluitdrukkingen kwamen niet voor in het corpus. Twee gevallen in tweets van de Rabobank (in samenwerking met en van invloed op) leken wel op voorzetseluitdrukkingen, maar vervulden niet de functie van voorzetsel en in beide gevallen konden ze niet vervangen worden door een enkel voorzetsel.
Deelwoordstijl kwam ook bij geen van de organisaties voor. Nergens werd de combinatie van een tegenwoordig deelwoord met een persoonsvorm aangetroffen. De analyse bij deelvraag 1 leverde zodoende een Excelsheet op waarin de data louter uit nullen bestaat. Aan de hand van deze analyse kan daarom gesteld worden dat de tweets in het corpus zeer bondig zijn.
31 4.2 Resultaten deelvraag 2
Om de deelvraag over begrijpelijkheid te beantwoorden, zijn de CLIB-formule en de Accessibility Leesniveau Tool uitgevoerd. De resultaten daarvan en de beantwoording van de tweede deelvraag zijn hieronder te lezen.
4.2.1 Resultaten CLIB-formule
Met het invoeren van de waardes van de predictoren GWL, PFREQ, TTR en GZW zijn de CLIB-scores per organisatie berekend. Ook het bijbehorende CLIB-niveau werd hiermee duidelijk. De gegevens zijn te lezen in tabel 14.
Organisatie GWL PFREQ TTR GZW CLIB CLIB-niveau
HEMA 6,60 39,34 0,50 7,01 30,87 5
De Bijenkorf 6,69 34,14 0,60 7,39 28,32 5
Belastingdienst 6,53 43,16 0,37 8,06 34,69 5
Ministerie van OCW 7,46 33,33 0,61 8,92 25,03 5
Rabobank 6,72 34,77 0,59 8,88 30,55 5 ABN AMRO 6,36 40,86 0,54 6,56 32,52 5 Hartstichting 6,87 40,44 0,54 7,42 30,18 5 Oxfam Novib 7,03 29,83 0,66 8,50 25,59 5 KPN 6,89 41,85 0,54 7,56 30,92 5 Ziggo 6,30 35,66 0,53 7,32 31,54 5
Tabel 14: de CLIB-scores en het CLIB-niveau van de tweets van organisaties
Aan de waardes van de type-token ratio valt op dat de tweets van de Belastingdienst veel dezelfde woorden bevatten. De variatie aan verschillende woorden is bij deze organisatie relatief gezien het laagst van alle organisaties. Door relatief hoge scores bij PFREQ en GZW is de CLIB-score van de Belastingdienst alsnog de hoogste van alle organisaties.
De CLIB-scores vallen met waarden tussen 25,03 en 34,69 tussen 21 en 35 en dat levert voor alle organisaties een CLIB-niveau van 5 op. Het uitvoeren van deze formule brengt weinig grote verschillen tussen de organisaties aan het licht. De organisaties verschillen op alle kenmerken enigszins, maar komen in de eindscore nagenoeg overeen. Met een CLIB-niveau van 5 scoren de organisaties iets ondergemiddeld, aangezien het CLIB-niveau minimaal 4 en maximaal 8 is. Het is zo dat ieder persoon die teksten met CLIB-niveau 5 begrijpelijk kan lezen ook de tweets van de tien geanalyseerde organisaties begrijpt. De tweets van deze organisaties zijn dus begrijpelijk en goed leesbaar voor een grote groep mensen. Wel moet de kanttekening gemaakt worden dat de CLIB-formule in beginsel bedoeld is om kinderboeken van een niveau te voorzien. Daarentegen is het zo dat de predictor PFREQ zodanig is aangepast voor dit onderzoek dat deze zo geschikt mogelijk is gemaakt voor de Twitterdata. De keuze voor de drempel van 20 woorden of meer om woorden in de lijst van hoogfrequente woorden op te nemen lijkt achteraf een juiste keuze. De lijst met hoogfrequente woorden (zie bijlage 4) bevat 41 woorden. Het woord KPN is echter zo vaak gebruikt in tweets van KPN dat het met een score van 28 hoogfrequent is in het corpus. De drempel van 20 heeft voorkomen dat dit voor andere ‘eigen woorden’ van organisaties ook het geval is. Zo kwamen bijvoorbeeld de woorden Ziggo (16x), HEMA (13x) en Rabo (11x) ook vaak voor, maar zij zijn dus niet hoogfrequent.
32
4.2.2 Resultaten Accessibility Leesniveau Tool
Het invoeren van de tweets per organisatie in de Accessibility Leesniveau Tool heeft voor elke organisatie een taalniveau opgeleverd op de CEFR-schaal. De resultaten zijn weergegeven in tabel 15.
Organisatie Taalniveau
HEMA B2
De Bijenkorf B2
Belastingdienst B1 Ministerie van OCW B2
Rabobank B2 ABN AMRO B1/B2 Hartstichting B2 Oxfam Novib B2 KPN B2 Ziggo B2
Tabel 15: de taalniveaus die bij de tweets van de organisaties horen
Wat opvalt aan de resultaten is dat de tweets van alle organisaties een taalniveau van B1 of B2 hebben. Acht organisaties hanteren taalniveau B2. Deze teksten zijn zodoende geschikt voor gevorderde lezers. De tweets van de Belastingdienst hebben taalniveau B1 en zijn geschikt voor halfgevorderden. De tweets van ABN AMRO zitten tussen taalniveau B1 en B2 in. De Accessibility Leesniveau Tool geeft bij de taalniveaus B1 en B2 de volgende uitleg: B1: ‘Ik kan teksten begrijpen die hoofdzakelijk bestaan uit hoogfrequente, alledaagse of aan
mijn werk gerelateerde taal. Ik kan de beschrijving van gebeurtenissen, gevoelens en wensen in persoonlijke brieven begrijpen. Ongeveer 40 procent van de Nederlandse bevolking beschikt over dit taalniveau. Veel gratis kranten hanteren dit taalniveau.’
B2: ‘Ik kan artikelen en verslagen lezen die betrekking hebben op eigentijdse problemen,
waarbij de schrijvers een bijzondere houding of standpunt innemen. Ik kan eigentijds literair proza begrijpen.’ (Accessibility, 2016)
Accesibility (2016) neemt aan dat ongeveer 40% van de Nederlandse bevolking beschikt over taalniveau B1. Overeenkomstig met de cijfers die BureauTaal noemt (zie paragraaf 2.3.2) zou dit betekenen dat 80% van de bevolking de tweets op niveau B1 begrijpt. De 40% van de bevolking die over een hoger taalniveau dan B1 beschikt moet hierbij immers ook worden meegerekend. De tweets van de Belastingdienst, en die van ABN AMRO in mindere mate, zijn dus voor het grootste deel van de bevolking goed te begrijpen.
Voor de 40% van de mensen die maximaal taalniveau B1 begrijpen is niveau B2 echter te moeilijk. Dit taalniveau wordt daarom slechts door 40% van de bevolking begrepen. Dat betekent dat de tweets van acht organisaties niet begrepen zullen worden door ongeveer 60% van de bevolking.
Dat de Belastingdienst de meest begrijpelijke tweets verstuurt volgens de Accessibility Leesniveau Tool is mogelijk te verklaren door het feit dat bijna alle Nederlanders met de Belastingdienst te maken hebben en de tweets van hen zouden moeten kunnen begrijpen. De Belastingdienst probeert met een lager taalniveau (in vergelijking met de andere organisaties) een groter publiek te bereiken met hun tweets.
33 4.3 Resultaten deelvraag 3
De analyse van adjectieven in het corpus heeft een duidelijk beeld opgeleverd van het aantal adjectieven dat attributief of juist predicatief is gebruikt, en van de vraag of de adjectieven objectief of juist subjectief zijn. De resultaten zijn af te lezen in tabel 16.
Organisatie Aantal adjectieven
Attributief Predicatief
Objectief Subjectief Objectief Subjectief
HEMA 36 11 23 0 2
De Bijenkorf 35 12 20 0 3
Belastingdienst 23 17 2 2 2
Ministerie van OCW 33 26 7 0 0
Rabobank 30 22 7 0 1 ABN AMRO 22 15 7 0 0 Hartstichting 23 9 13 0 1 Oxfam Novib 33 14 14 1 4 KPN 32 15 13 2 2 Ziggo 23 11 9 1 2 TOTAAL 290 152 115 6 17
Tabel 16: resultaten analyse bij deelvraag 3
Het aantal adjectieven in tweets van organisaties varieert van 22 tot 36. ABN AMRO (22), de Belastingdienst (23), de Hartstichting (23) en Ziggo (23) gebruiken de minste adjectieven in hun tweets. In de tweets van HEMA (36) en De Bijenkorf (35) komen de meeste adjectieven voor. De sector warenhuizen scoort in dit corpus het hoogste voor wat betreft het aantal adjectieven, maar er is geen organisatie of sector aan te wijzen die opvallend veel of juist opvallend weinig adjectieven in tweets gebruikt. Daarvoor zijn de onderlinge verschillen te klein. Organisatie Objectieve adjectieven Subjectieve adjectieven % objectieve adjectieven % subjectieve adjectieven HEMA 11 25 30,6 69,4 De Bijenkorf 12 23 34,3 65,7 Belastingdienst 19 4 82,6 17,4 Ministerie v. OCW 26 7 78,8 21,2 Rabobank 22 8 73,3 26,7 ABN AMRO 15 7 68,2 31,8 Hartstichting 9 14 39,1 60,9 Oxfam Novib 15 18 45,5 54,5 KPN 17 15 53,1 46,9 Ziggo 12 11 52,2 47,8 TOTAAL 158 132 54,5 45,5
Tabel 17: cumulatieve aantallen en percentages objectieve en subjectieve adjectieven
Wat opvalt (zie tabel 17) is dat in de data van HEMA en De Bijenkorf ongeveer dubbel zo veel subjectieve adjectieven voorkomen dan objectieve adjectieven, respectievelijk 25 tegen 11 en 23 tegen 12. Bij HEMA is 69,4% van alle voorkomende adjectieven subjectief, bij De Bijenkorf 65,7%. Een heel ander beeld is zichtbaar bij de Belastingdienst: daar is 82,6% van de adjectieven juist objectief. Ook in de tweets van het Ministerie van OCW (78,8%), Rabobank (73,3%), ABN AMRO (68,2%) is het aantal objectieve adjectieven veel hoger dan
34
het aantal subjectieve adjectieven. Er kan gesteld worden dat de sector warenhuizen veel subjectieve adjectieven opneemt in hun tweets, terwijl de overheidsinstellingen en banken naar verhouding juist veel meer objectieve adjectieven gebruiken.
In de analyse is ook een onderscheid gemaakt tussen attributief en predicatief gebruikte adjectieven (zie tabel 16). Met 267 attributieve adjectieven op een totaal van 290 adjectieven is het duidelijk dat predicatieve adjectieven beduidend minder voorkomen. Bij twee organisaties kwamen ze zelfs in het geheel niet voor. Het is opvallend dat 17 van de 23 predicatieve adjectieven subjectief van aard zijn (73,9%). De attributieve adjectieven waren over het hele corpus gezien in 43,1% van de gevallen subjectief.