Een UCF-onderzoeker op het gebied van leesbaarheid werkte samen met een Adobe-team aan een machine learning-model om gepersonaliseerde lettertype-aanbevelingen te geven die de toegankelijkheid van digitale informatie verbeteren en individuele leeservaringen verbeteren.

Het team bestond uit Adobe machine learning-ingenieurs en onderzoekers die samenwerkten met vision-wetenschappers, typografen, datawetenschappers en een UCF-onderzoeker op het gebied van leesbaarheid om Adobe's machine learning-model, bekend als FontMART, te bestuderen.

De resultaten zijn onlangs gepubliceerd in ACM Designing Interactive Systems 2022 .

Adobe maakt deel uit van The Readability Consortium dat leiding geeft aan UCF's onderzoek naar digitale leesbaarheid met behulp van geïndividualiseerde typografie om de digitale leesbaarheid voor lezers van alle leeftijden en vaardigheden te verbeteren. Het FontMART-onderzoek van Adobe is gedaan in samenwerking met het Virtual Readability Lab van UCF.

"De toekomst van leesbaarheid is een apparaat dat mensen ziet lezen en hun prestaties gebruikt om het formaat aan te passen zodat ze op hun best kunnen lezen", zegt Ben Sawyer, directeur van het Readability Consortium en het Virtual Readability Lab van UCF. "We kijken uit naar de dag waarop u een apparaat kunt oppakken, informatie kunt lezen en ontvangen op een manier die uniek is voor uw behoeften."

Sawyer en Zoya Bylinskii, een onderzoekswetenschapper van Adobe, waren betrokken bij het opzetten van het onderzoek en gaven begeleiding tijdens het onderzoek. Tianyuan Cai, een machine learning engineer van Acrobat.com, leidde het FontMART-onderzoek.

Het onderzoek maakte gebruik van de Font Preference Test op de website van UCF's Virtual Readability Lab om baselines te bieden voor het evalueren van de aanbevelingen van FontMART.

Het is belangrijk om rekening te houden met lettertypevoorkeuren, aangezien de voorkeurslettertypen van mensen vaak verschillen van het lettertype dat hun leeservaring en prestaties het beste kan verbeteren. De discrepantie tussen het voorkeurslettertype van een lezer en het snelste lettertype is aangetoond in eerder leesbaarheidsonderzoek.

Onderzoeksresultaten gaven aan dat het FontMART-model lettertypen kan aanbevelen die de leessnelheid verbeteren door lezerkenmerken te matchen met specifieke lettertypekenmerken.

Hoe het model werkt

Het FontMART-model leert lettertypen te associëren met specifieke leeskenmerken. FontMART is getraind met een leesbaarheidsonderzoek op afstand van 252 crowdworkers en hun zelfgerapporteerde demografische informatie. Interviews met typografen hebben invloed gehad op de selectie van de acht lettertypen die in het onderzoek zijn gebruikt. De uiteindelijke selectie van lettertypen omvatte lettertypen van zowel de serif-familie (d.w.z. Georgia, Merriweather, Times en Source Serif Pro) als Sans Serif-families (d.w.z. Arial, Open Sans, Poppins en Roboto).

Het effect van een lettertype verschilt per lezer, ontdekten onderzoekers.

Volgens het FontMART-onderzoek kan FontMART de lettertypen voorspellen die goed werken voor specifieke lezers door de relatie tussen lettertypekenmerken en lezerkenmerken zoals bekendheid van het lettertype, zelfgerapporteerde leessnelheid en leeftijd te begrijpen. Van de beschouwde kenmerken speelt leeftijd de grootste rol wanneer het model bepaalt welk lettertype wordt aanbevolen voor lezers.

Lettertypekenmerken zoals een hoger gewicht komen bijvoorbeeld de leeservaring van oudere volwassenen ten goede, omdat dikkere streken gemakkelijker te lezen zijn voor mensen met een zwakker en variabel gezichtsvermogen.

Meer onderzoek is nodig en kan een bredere leeftijdsverdeling van deelnemers omvatten om meer representatief te zijn voor de algemene bevolking, de effectiviteit van het model te evalueren voor andere leescontexten zoals langwerpig of overzichtelijk, en de talen en bijbehorende lettertypekenmerken uit te breiden om beter tegemoet te komen aan de diversiteit van de lezer.

Voortdurende samenwerkingen en onderzoek zullen helpen de onderzochte kenmerken uit te breiden om het FontMART-model te verbeteren en individuele leeservaringen te verbeteren.

UCF's Readability Consortium en Virtual Readability Lab gaan in op hoe personalisatie de leesefficiëntie en -snelheid kan verbeteren. Sawyer leidt ook LabX, een toegepaste neurowetenschappelijke groep gericht op menselijke prestaties, en hij is een universitair hoofddocent in industriële engineering en managementsystemen. Sawyer behaalde een doctoraat in de psychologie van menselijke factoren en een master in industrieel ingenieur aan de UCF. Hij voltooide zijn postdoctorale studie aan het MIT. + Verder verkennen

Onderzoek toont aan dat gepersonaliseerde lettertypen het lezen versnellen en het begrip behouden