Psychophysics of variable fonts: Do multiple font features interact to impact readability?
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.
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 | 0,008 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».