Le modèle d'IA recommande des polices personnalisées pour améliorer la lecture numérique et l'accessibilité

Le modèle d’IA recommande des polices personnalisées pour améliorer la lecture numérique et l’accessibilité

Crédit : Pixabay/CC0 Domaine public

Un chercheur en lisibilité UCF a travaillé avec une équipe Adobe sur un modèle d’apprentissage automatique pour fournir des recommandations de polices personnalisées qui améliorent l’accessibilité des informations numériques et améliorent les expériences de lecture individuelles.

L’équipe était composée d’ingénieurs et de chercheurs en apprentissage automatique d’Adobe qui ont collaboré avec des scientifiques de la vision, des typographes, des scientifiques des données et un chercheur en lisibilité UCF pour étudier le modèle d’apprentissage automatique d’Adobe connu sous le nom de FontMART.

Les résultats ont été publiés récemment dans ACM Conception de systèmes interactifs 2022.

Adobe fait partie du Readability Consortium qui dirige les recherches de l’UCF sur la lisibilité numérique en utilisant une typographie individualisée pour améliorer la lisibilité numérique pour les lecteurs de tous âges et capacités. La recherche FontMART d’Adobe a été réalisée en collaboration avec le laboratoire de lisibilité virtuelle de l’UCF.

« L’avenir de la lisibilité est un appareil qui regarde les humains lire et utilise leurs performances pour adapter le format afin qu’ils lisent au mieux », déclare Ben Sawyer, directeur du Readability Consortium et du Virtual Readability Lab de l’UCF. « Nous attendons avec impatience le jour où vous pourrez prendre un appareil, lire et recevoir des informations d’une manière qui réponde uniquement à vos besoins. »

Sawyer et Zoya Bylinskii, une chercheuse chez Adobe, ont participé à la conception de la recherche et ont fourni des conseils tout au long de l’étude. Tianyuan Cai, ingénieur en apprentissage automatique d’Acrobat.com, a dirigé l’étude FontMART.

L’étude a utilisé le test de préférence de police présenté sur le site Web du laboratoire de lisibilité virtuelle de l’UCF pour fournir des bases de référence pour l’évaluation des recommandations de FontMART.

La prise en compte de la préférence de police est importante car les polices préférées des utilisateurs diffèrent souvent de la police qui peut le mieux améliorer leur expérience de lecture et leurs performances. L’écart entre la police préférée d’un lecteur et la police la plus rapide a été démontré dans des recherches antérieures sur la lisibilité.

Les résultats de l’étude ont indiqué que le modèle FontMART peut recommander des polices qui améliorent la vitesse de lecture en faisant correspondre les caractéristiques du lecteur avec des caractéristiques de police spécifiques.

Comment fonctionne le modèle

Le modèle FontMART apprend à associer des polices à des caractéristiques de lecteur spécifiques. FontMART a été formé avec une étude de lisibilité à distance de 252 travailleurs de foule et leurs informations démographiques autodéclarées. Des entretiens avec des typographes ont influencé la sélection des huit polices utilisées dans l’étude. La sélection finale de polices comprenait des polices des familles serif (c’est-à-dire Georgia, Merriweather, Times et Source Serif Pro) et Sans Serif (c’est-à-dire Arial, Open Sans, Poppins et Roboto).

L’effet d’une police varie selon les lecteurs, ont découvert les chercheurs.

FontMART peut prédire les polices qui fonctionnent bien pour des lecteurs spécifiques en comprenant la relation entre les caractéristiques de la police et les caractéristiques du lecteur comme la familiarité de la police, la vitesse de lecture autodéclarée et l’âge, selon l’étude FontMART. Parmi les caractéristiques considérées, l’âge joue le rôle le plus important lorsque le modèle détermine quelle police est recommandée aux lecteurs.

Par exemple, des caractéristiques de police comme un poids plus lourd profitent à l’expérience de lecture des adultes plus âgés, car des traits de police plus épais sont plus faciles à lire pour ceux qui ont une vue plus faible et variable.

Des recherches supplémentaires sont nécessaires et peuvent inclure une répartition plus large des participants par âge pour être plus représentatifs de la population générale, évaluer l’efficacité du modèle pour d’autres contextes de lecture tels que les versions longues ou consultables, et élargir les langues et les caractéristiques de police associées pour mieux s’adapter à la diversité des lecteurs.

Des collaborations et des recherches continues aideront à élargir les caractéristiques explorées pour améliorer le modèle FontMART et améliorer les expériences de lecture individuelles.

Le Readability Consortium et le Virtual Readability Lab de l’UCF expliquent comment la personnalisation peut améliorer l’efficacité et la vitesse de lecture. Sawyer dirige également LabX, un groupe de neurosciences appliquées axé sur la performance humaine, et il est professeur agrégé en génie industriel et systèmes de gestion. Sawyer a obtenu un doctorat en psychologie des facteurs humains et une maîtrise en génie industriel de l’UCF. Il a terminé ses études postdoctorales au MIT.


Fourni par l’Université de Floride centrale


A lire également