Visual spread reading: Noisy letters in their natural context
Notice bibliographique
Résumé
Keywords: Reading; Letters; Noise; Crowding. We quantified text legibility as a function of various factors present in natural texts. We adapted the visual spread method (Poirier, Gosselin & Arguin, submitted) to a reading task. Stimuli were sentences conforming to MN Read standards (Legge, Ross & Luebker, 1989, O&VS) mixed with dynamic probabilistic noise - i.e. each pixel in the image was associated with a probability that its polarity was inverted on a given refresh cycle of the display screen. Even low levels of noise can alter letter shapes. Noise level varied continuously over the image as initially determined by Gaussian-filtered noise. Participants adjusted noise levels in the text using the mouse until the text appeared homogenously noisy. We assumed that participants increased (or decreased) noise at locations where stimulus features were easy (or difficult) to encode, thus that local noise setting would correlate with legibility. Data on 5 participants and 10 texts revealed interesting effects; demonstrating the method's validity for assessing legibility in natural texts. For example, participants put more noise (1) over spaces than over letters, (2) over the first and last letter of words than over middle letters, and (3) over letters that are highly discriminable (e.g. for the 15 letters that appear at least 10x in the texts, r = .45–.61 with confusability data using traditional psychophysical techniques; see Fiset, Dupuis-Roy, Arguin & Gosselin, in preparation). Critically, these preliminary analyses demonstrate the sensitivity of the method to the legibility of individual letters within its natural context. In-depth analyses will include various other factors, e.g. letter and word frequency, word length and type, letter position in the word, as well as possible interactions between these factors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».