Il modello AI consiglia caratteri personalizzati per migliorare la lettura digitale e l’accessibilità
Uno studio condotto dagli scienziati di UCF e Adobe ha indicato che un modello di apprendimento automatico sviluppato dalla società di software può migliorare la velocità di lettura abbinando le caratteristiche del lettore ai caratteri consigliati.
Un ricercatore UCF sulla leggibilità ha lavorato con un team Adobe su un modello di apprendimento automatico per fornire consigli personalizzati sui caratteri che migliorano l’accessibilità delle informazioni digitali e migliorano le esperienze di lettura individuali.
Il team era composto da ingegneri e ricercatori di apprendimento automatico Adobe che hanno collaborato con scienziati della vista, tipografi, scienziati di dati e un ricercatore di leggibilità UCF per studiare il modello di apprendimento automatico di Adobe noto come FontMART.
I risultati sono stati recentemente pubblicati in ACM Designing Interactive Systems 2022 .
Adobe fa parte di The Readability Consortium che guida la ricerca sulla leggibilità digitale di UCF utilizzando la tipografia individualizzata per migliorare la leggibilità digitale per i lettori di tutte le età e abilità. La ricerca FontMART di Adobe è stata condotta in collaborazione con il Virtual Readability Lab di UCF .
“Il futuro della leggibilità è un dispositivo che osserva le persone che leggono e utilizza le loro prestazioni per personalizzare il formato in modo che leggano al meglio”, afferma Ben Sawyer ’14MS ’15PhD , direttore del Readability Consortium e Virtual Readability Lab di UCF. “Non vediamo l’ora che arrivi il giorno in cui potrai prendere in mano un dispositivo, leggere e ricevere informazioni in un modo che soddisfi le tue esigenze”.
Sawyer e Zoya Bylinskii, uno scienziato ricercatore Adobe, sono stati coinvolti nell’ideazione della ricerca e hanno fornito indicazioni durante lo studio. Tianyuan Cai, un ingegnere di apprendimento automatico di Acrobat.com, ha guidato lo studio FontMART.
Lo studio ha utilizzato il Font Preference Test presente sul sito Web del Virtual Readability Lab di UCF per fornire linee di base per la valutazione delle raccomandazioni di FontMART.
La considerazione della preferenza dei caratteri è importante poiché i caratteri preferiti dalle persone spesso differiscono dal carattere che può migliorare al meglio la loro esperienza di lettura e le prestazioni. La discrepanza tra il carattere preferito di un lettore e il carattere più veloce è stata dimostrata in precedenti ricerche sulla leggibilità.
I risultati dello studio hanno indicato che il modello FontMART può consigliare font che migliorano la velocità di lettura abbinando le caratteristiche del lettore a specifiche caratteristiche del font.
Come funziona il modello
Il modello FontMART impara ad associare i font a specifiche caratteristiche del lettore. FontMART è stato formato con uno studio di leggibilità a distanza di 252 crowd worker e le loro informazioni demografiche autodichiarate. Le interviste con i tipografi hanno influenzato la selezione degli otto caratteri utilizzati nello studio. La selezione finale dei caratteri includeva i caratteri delle famiglie serif (cioè Georgia, Merriweather, Times e Source Serif Pro) e Sans Serif (cioè Arial, Open Sans, Poppins e Roboto).
L’effetto di un carattere varia a seconda dei lettori, hanno scoperto i ricercatori.
FontMART può prevedere i caratteri che funzionano bene per lettori specifici comprendendo la relazione tra le caratteristiche dei caratteri e le caratteristiche del lettore come la familiarità dei caratteri, la velocità di lettura auto-riferita e l’età, secondo lo studio FontMART. Tra le caratteristiche considerate, l’età gioca il ruolo più importante quando il modello determina quale font è consigliato ai lettori.
Ad esempio, le caratteristiche dei caratteri come il peso maggiore avvantaggiano l’esperienza di lettura degli anziani perché i tratti dei caratteri più spessi sono più facili da leggere per le persone con una vista più debole e variabile.
Sono necessarie ulteriori ricerche e possono includere una più ampia distribuzione per età dei partecipanti per essere più rappresentativi della popolazione generale, valutare l’efficacia del modello per altri contesti di lettura come il formato lungo o lo sguardo ed espandere le lingue e le caratteristiche dei caratteri associate per accogliere meglio la diversità dei lettori.
Le continue collaborazioni e ricerche aiuteranno ad ampliare le caratteristiche esplorate per migliorare il modello FontMART e migliorare le esperienze di lettura individuali.
Il Readability Consortium e il Virtual Readability Lab di UCF illustrano come la personalizzazione può migliorare l’efficienza e la velocità di lettura. Sawyer guida anche LabX, un gruppo di neuroscienze applicate incentrato sulle prestazioni umane, ed è professore associato di ingegneria industriale e sistemi di gestione . Sawyer ha conseguito un dottorato in psicologia dei fattori umani e un master in ingegneria industriale presso l’UCF. Ha completato i suoi studi post-dottorato al MIT.
