Subjectively homogeneous noise over written text as a tool to investigate the perceptual mechanisms involved in reading
Notice bibliographique
Résumé
In an effort to understand the factors influencing text legibility in natural reading, we adapted the visual spread method (Poirier, Gosselin, & Arguin, 2008) to natural text. Stimuli were sentences conforming to MNREAD standards (Legge, Ross, Luebker, & LaMay 1989) mixed with dynamic probabilistic noise-i.e., each pixel in the image is associated with a probability that its polarity is inverted on a given refresh cycle of the display screen. 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 assume that participants increased (or decreased) noise at locations where stimulus features were easy (or difficult) to encode and thus that local noise settings correlate with legibility. Data from 11 participants and 30 sentences revealed interesting effects, demonstrating the validity of the method for assessing the impact of various factors on noise resistance in natural text. For example, participants increased noise over (a) spaces and adjacent letters, (b) the second half of words, (c) words with more orthographic neighbors but fewer phonological neighbors, (d) less useful word types, (e) less complex letters, and (f) diagnostic letters (a novel metric). Our observations also offer significant insights on constraints acting upon letter identification as well as on higher-level processes that are involved in reading.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,009 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».