AI-modellen anbefaler personlige skrifttyper for at forbedre digital læsning og tilgængelighed

En UCF-læsbarhedsforsker arbejdede sammen med et Adobe-team på en maskinlæringsmodel for at give personlige skrifttypeanbefalinger, der forbedrer tilgængeligheden af ​​digital information og forbedrer individuelle læseoplevelser.

Holdet bestod af Adobes maskinlæringsingeniører og -forskere, som samarbejdede med visionsforskere, typografer, dataforskere og en UCF-læsbarhedsforsker for at studere Adobes maskinlæringsmodel kendt som FontMART.

Resultaterne blev for nylig offentliggjort i ACM Designing Interactive Systems 2022 .

Adobe er en del af The Readability Consortium, der leder UCF's forskning i digital læsbarhed ved hjælp af individuel typografi for at forbedre den digitale læsbarhed for læsere i alle aldre og evner. Adobes FontMART-forskning blev udført i samarbejde med UCF's Virtual Readability Lab.

"Fremtiden for læsbarhed er en enhed, der ser mennesker læse og bruge deres ydeevne til at skræddersy formatet, så de læser bedst muligt," siger Ben Sawyer, direktøren for Readability Consortium og UCF's Virtual Readability Lab. "Vi ser frem til den dag, hvor du kan hente en enhed, læse og modtage information på en måde, der passer til dine behov."

Sawyer og Zoya Bylinskii, en Adobe-forsker, var involveret i udformningen af ​​forskningen og gav vejledning gennem hele undersøgelsen. Tianyuan Cai, en maskinlæringsingeniør fra Acrobat.com, ledede FontMART-undersøgelsen.

Undersøgelsen brugte Font Preference Test på UCF's Virtual Readability Labs hjemmeside til at give basislinjer for evaluering af FontMARTs anbefalinger.

Overvejelsen af ​​skrifttypepræference er vigtig, da folks foretrukne skrifttyper ofte adskiller sig fra den skrifttype, der bedst kan forbedre deres læseoplevelse og ydeevne. Uoverensstemmelsen mellem en læsers foretrukne skrifttype og hurtigste skrifttype er blevet påvist i tidligere læsbarhedsundersøgelser.

Undersøgelsesresultater viste, at FontMART-modellen kan anbefale skrifttyper, der forbedrer læsehastigheden ved at matche læserens egenskaber med specifikke skrifttypeegenskaber.

Sådan fungerer modellen

FontMART-modellen lærer at forbinde skrifttyper med specifikke læseregenskaber. FontMART blev trænet med en fjernlæsbarhedsundersøgelse af 252 crowd workers og deres selvrapporterede demografiske oplysninger. Interviews med typografer påvirkede valget af de otte skrifttyper, der blev brugt i undersøgelsen. Det endelige skrifttypevalg inkluderede skrifttyper fra både serif-familierne (dvs. Georgia, Merriweather, Times og Source Serif Pro) og Sans Serif (dvs. Arial, Open Sans, Poppins og Roboto).

Effekten af ​​en skrifttype varierer efter læsere, fandt forskere.

FontMART kan forudsige de skrifttyper, der fungerer godt for specifikke læsere, ved at forstå forholdet mellem skrifttypekarakteristika og læseregenskaber som skrifttypekendskab, selvrapporteret læsehastighed og alder, ifølge FontMART-undersøgelsen. Blandt de karakteristika, der tages i betragtning, spiller alder den største rolle, når modellen bestemmer, hvilken skrifttype der anbefales til læsere.

For eksempel gavner skrifttypeegenskaber som tungere læseoplevelsen for ældre voksne, fordi tykkere skriftstreg er lettere at læse for dem med svagere og varierende syn.

Der er behov for mere forskning og kan omfatte bredere aldersfordeling af deltagere for at være mere repræsentative for den generelle befolkning, evaluering af modellens effektivitet til andre læsekontekster som langform eller oversigt, og udvidelse af sprogene og tilhørende skrifttypekarakteristika for bedre at imødekomme læsernes mangfoldighed.

Fortsat samarbejde og forskning vil hjælpe med at udvide de udforskede egenskaber for at forbedre FontMART-modellen og forbedre individuelle læseoplevelser.

UCF's Readability Consortium og Virtual Readability Lab adresserer, hvordan personalisering kan forbedre læseeffektiviteten og hastigheden. Sawyer leder også LabX, en anvendt neurovidenskabsgruppe med fokus på menneskelig præstation, og han er lektor i industriteknik og ledelsessystemer. Sawyer modtog en doktorgrad i menneskelige faktorers psykologi og en kandidatgrad i industriteknik fra UCF. Han afsluttede sine postdoktorale studier ved MIT. + Udforsk yderligere

Undersøgelse viser, at personlige skrifttyper fremskynder læsningen, bevarer forståelsen