13
Oct
2022

โมเดล AI แนะนำฟอนต์ส่วนบุคคลเพื่อปรับปรุงการอ่านและการเข้าถึงแบบดิจิทัล

นักวิจัยด้านความสามารถในการอ่านของ UCF ได้ทำงานร่วมกับทีม Adobe เกี่ยวกับโมเดลการเรียนรู้ของเครื่องเพื่อให้คำแนะนำแบบอักษรที่ปรับให้เหมาะกับแต่ละบุคคล ซึ่งช่วยปรับปรุงการเข้าถึงข้อมูลดิจิทัลและปรับปรุงประสบการณ์การอ่านส่วนบุคคล

ทีมงานประกอบด้วยวิศวกรและนักวิจัยของแมชชีนเลิร์นนิงของ Adobe ซึ่งร่วมมือกับนักวิทยาศาสตร์ด้านการมองเห็น นักพิมพ์ดีด นักวิทยาศาสตร์ข้อมูล และนักวิจัยด้านความสามารถในการอ่านของ UCF เพื่อศึกษาโมเดลแมชชีนเลิร์นนิงของ Adobe ที่รู้จักกันในชื่อ FontMART

ผลงานของพวกเขาได้รับการตีพิมพ์เมื่อเร็ว ๆนี้ในวารสาร ACM Designing Interactive Systems 2022

Adobe เป็นส่วนหนึ่งของ The Readability Consortium ซึ่งเป็นผู้นำการวิจัยด้านการอ่านดิจิทัลของ UCF โดยใช้ตัวพิมพ์เฉพาะบุคคลเพื่อเพิ่มความสามารถในการอ่านแบบดิจิทัลสำหรับผู้อ่านทุกวัยและทุกความสามารถ การวิจัย FontMART ของ Adobe ดำเนินการร่วมกับ Virtual Readability Lab ของUCF

Ben Sawyer ’14MS ’15PhDผู้อำนวยการ Readability Consortium และ Virtual Readability Lab ของ UCF กล่าวว่า “อนาคตของความสามารถในการอ่านได้คืออุปกรณ์ที่เฝ้าดูมนุษย์อ่านและใช้ประสิทธิภาพการทำงานเพื่อปรับแต่งรูปแบบเพื่อให้อ่านได้ดีที่สุด “เราตั้งตารอวันที่คุณสามารถหยิบอุปกรณ์ อ่าน และรับข้อมูลในแบบที่ตรงกับความต้องการของคุณโดยเฉพาะ”

Sawyer และ Zoya Bylinskii นักวิทยาศาสตร์การวิจัยของ Adobe มีส่วนร่วมในแนวคิดของการวิจัยและให้คำแนะนำตลอดการศึกษา Tianyuan Cai วิศวกรแมชชีนเลิร์นนิงของ Acrobat.com เป็นผู้นำการศึกษา FontMART

การศึกษาใช้การ ทดสอบการตั้งค่าแบบอักษร ที่แสดงบนเว็บไซต์ของ Virtual Readability Lab ของ UCF เพื่อให้ข้อมูลพื้นฐานสำหรับการประเมินคำแนะนำของ FontMART

การพิจารณาการตั้งค่าแบบอักษรมีความสำคัญเนื่องจากแบบอักษรที่ผู้ใช้ต้องการมักจะแตกต่างจากแบบอักษรที่สามารถปรับปรุงประสบการณ์การอ่านและประสิทธิภาพได้ดีที่สุด ความคลาดเคลื่อนระหว่างแบบอักษรที่ผู้อ่านต้องการและแบบอักษรที่เร็วที่สุดได้แสดงให้เห็นใน การวิจัยความสามารถในการอ่านก่อนหน้านี้

ผลการศึกษาพบว่ารุ่น FontMART สามารถแนะนำแบบอักษรที่ปรับปรุงความเร็วในการอ่านโดยจับคู่คุณลักษณะของผู้อ่านกับลักษณะแบบอักษรเฉพาะ

วิธีการทำงานของแบบจำลอง

โมเดล FontMART เรียนรู้ที่จะเชื่อมโยงแบบอักษรกับคุณลักษณะเฉพาะของผู้อ่าน FontMART ได้รับการฝึกอบรมด้วยการศึกษาความสามารถในการอ่านจากระยะไกลของคนงานจำนวน 252 คนและข้อมูลประชากรที่รายงานด้วยตนเอง การสัมภาษณ์นักพิมพ์ดีดมีอิทธิพลต่อการเลือกแบบอักษรแปดแบบที่ใช้ในการศึกษา การเลือกแบบอักษรสุดท้ายรวมถึงแบบอักษรจากทั้งตระกูล serif (เช่น Georgia, Merriweather, Times และ Source Serif Pro) และ Sans Serif (เช่น Arial, Open Sans, Poppins และ Roboto)

นักวิจัยพบว่าผลกระทบของแบบอักษรแตกต่างกันไปตามผู้อ่าน

FontMART สามารถทำนายฟอนต์ที่ใช้งานได้ดีสำหรับผู้อ่านที่เฉพาะเจาะจง โดยทำความเข้าใจความสัมพันธ์ระหว่างลักษณะฟอนต์และลักษณะของผู้อ่าน เช่น ความคุ้นเคยของฟอนต์ ความเร็วในการอ่านที่รายงานด้วยตนเอง และอายุ ตามการศึกษาของ FontMART ในบรรดาคุณลักษณะที่พิจารณา อายุมีบทบาทมากที่สุดเมื่อตัวแบบกำหนดแบบอักษรที่แนะนำสำหรับผู้อ่าน

ตัวอย่างเช่น ลักษณะแบบอักษรอย่างน้ำหนักที่มากขึ้นจะเป็นประโยชน์ต่อประสบการณ์การอ่านของผู้สูงอายุ เนื่องจากลายเส้นแบบอักษรที่หนาขึ้นจะอ่านง่ายกว่าสำหรับผู้ที่มีสายตาที่อ่อนแอและสายตาแปรปรวน

จำเป็นต้องมีการวิจัยเพิ่มเติมและอาจรวมถึงการแจกแจงอายุที่กว้างขึ้นของผู้เข้าร่วมเพื่อเป็นตัวแทนของประชากรทั่วไปมากขึ้น ประเมินประสิทธิภาพของแบบจำลองสำหรับบริบทการอ่านอื่นๆ เช่น แบบยาวหรือแบบมองเห็นได้ และขยายภาษาและลักษณะแบบอักษรที่เกี่ยวข้องเพื่อรองรับความหลากหลายของผู้อ่านได้ดียิ่งขึ้น

ความร่วมมือและการวิจัยอย่างต่อเนื่องจะช่วยขยายลักษณะที่สำรวจเพื่อปรับปรุงรูปแบบ FontMART และปรับปรุงประสบการณ์การอ่านของแต่ละบุคคล

Readability Consortium ของ UCF และ Virtual Readability Lab กล่าวถึงว่าการปรับเปลี่ยนในแบบของคุณจะช่วยปรับปรุงประสิทธิภาพและความเร็วในการอ่านได้อย่างไร ซอว์เยอร์ยังเป็นผู้นำกลุ่ม LabX ซึ่งเป็นกลุ่มประสาทวิทยาศาสตร์ประยุกต์ที่เน้นที่ประสิทธิภาพของมนุษย์ และเขาเป็นรองศาสตราจารย์ด้าน วิศวกรรมอุตสาหการและระบบการจัดการ ซอว์เยอร์ได้รับปริญญาเอกด้านจิตวิทยาปัจจัยมนุษย์และปริญญาโทด้านวิศวกรรมอุตสาหการจาก UCF เขาสำเร็จการศึกษาดุษฎีบัณฑิตที่ MIT

หน้าแรก

Share

You may also like...