Tümce uzunluğu eşiklerinin kalibrasyonu

short_sent_threshold ve long_sent_threshold yayımlanmış bir kaynaktan alınmadı, gazete köşe yazılarında, varsayılan tümce kuralı ve varsayılan sözcükle ölçülerek seçildi. Bu belge ölçümü kayda geçirir.

Ölçüm: 2026-10-06.

Sonuç

	short_sent_threshold	long_sent_threshold
Türkçe	4	17
İngilizce	8	32

Eşikler analyze(lang=...) çağrısında dile göre uygulanır. Kendi eşiğinizi FeatureParams ile verirseniz o kazanır; vermediğiniz alan yukarıdaki değerinde kalır (ayrıntı).

Yöntem

	Türkçe	İngilizce
Kaynak	KEMİK (YTÜ) köşe yazısı korpusları	KEMİK 30Columnists
Yazar	162	30
Yazı	4.321	1.485
Ölçülen sözcük	2.108.415	1.078.588
Ölçülen tümce	197.990	52.745

Tam korpus kullanıldı, örnekleme yapılmadı. Metinler paylaşılmaz, yalnız sayılar yayımlanır. Tümceler ve sözcükler sentence grubunun saydığı gibi, kütüphanenin varsayılan tümce kuralı ve varsayılan sözcüğüyle sayıldı; ikisinin örnekli tanımı Kavramlar sayfasında. Bir tümcenin uzunluğu içindeki sözcük sayısıdır; hiç harf içermeyen tümce sayılmaz. Yalnız bu uzunluklar gerektiği için başka öznitelik hesaplanmadı.

Eşik olarak 15. ve 85. yüzdelik seçildi. "Aykırı değer ortalaması" gibi bir ölçüt kullanılmadı, çünkü "aykırı değer" tanımı zaten bir eşik gerektirir ve eşiği oradan türetmek döngüsel olurdu.

Ham yüzdelik tablosu

Yüzdelik	TR (n = 197.990)	EN (n = 52.745)
5.	2,0	5,0
10.	3,0	7,0
15.	4,0	8,0
25.	5,0	11,0
50. (medyan)	9,0	19,0
75.	14,0	27,0
85.	17,0	32,0
90.	20,0	36,0
95.	25,0	43,0

Türkçede 85. yüzdelik sınırda: 17 eşiğinde tümcelerin %15,0'ı, 18'de %12,9'u uzun sayılır.

Neden dile özgü eşik

İki dil için tek bir eşik çifti, örneğin 5 ve 30, iki dilde de yanlış yerde durur. Türkçede 30 sözcük 95. yüzdeliğin (25) bile üstünde: long_sent_ratio pratikte sıfıra yakın üretir. İngilizcede aynı sayı 75. (27) ile 85. (32) yüzdelik arasına denk gelir.

Sebebi tipolojik: Türkçe sondan eklemeli, tek sözcük analitik bir dilde yan tümcenin taşıdığı bilgiyi yüklenebiliyor. Yüzeysel sözcük sayısı iki dilde aynı şeyi ölçmüyor.

Ateşman (1997) ile karşılaştırma

Ateşman (1997, s.73) Türkçede ortalama tümce uzunluğunu 9-10 sözcük olarak veriyor; korpusun medyanı (9,0) bununla tutuyor.

Kapsam sınırı

Eşikler gazete köşe yazılarıyla kalibre edildi. Köşe yazısı tek bir tür.

Roman, teknik metin, transkript, şiir, hukuk metni ya da ders kitabında eşiklerin uygun olacağı garanti değildir.

Ayrıca short_sent_ratio ve long_sent_ratio iki dilde kıyaslanamaz: aynı isimli sütun iki dilde farklı eşikle ölçülür. Ortak eşik isterseniz iki alanı da açıkça verin, örneğin FeatureParams(short_sent_threshold=5, long_sent_threshold=30), ve aynı nesneyi iki dile geçirin. Yalnız birini verirseniz öteki yine dile göre uygulanır.