Psychophysics of variable fonts: Do multiple font features interact to impact readability?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
When choosing a font, we have some intuitive understanding of why a particular font may feel easier to read, but what elements of a font actually affect readability? To answer this question, we used variable fonts, in which every element, such as the width or stroke contrast of each letter, can be adjusted on a continuous axis. Previously, we have shown that changes within a single axis can change saccade amplitude and reading duration thresholds (Guidi et al. VSS2024). In a new study, we examined how these axes impact readability in combination by manipulating text appearance on two axes, thin stroke and width, at three levels per axis across the full range, for a total of 9 conditions. Participants read a series of sentences in each font condition while gaze position was tracked, classifying each sentence as true or false. Sentence presentation duration was staircased and we calculated duration thresholds needed for 80% classification accuracy for each condition. Thicker thin strokes decreased duration thresholds across all width settings, while the thinnest thin strokes resulted in the highest duration thresholds (i.e., the slowest reading performance). These extreme thin strokes impacted reading speed regardless of the width of the text. Eye tracking data revealed that participants partially compensated for increased text width by increasing their saccade amplitudes. By understanding how different font elements interact with each other, we may be able to understand what parts of text presentation affect readability the most, which can then be used to help maximize reading efficiency.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 découle