Eccentric Visor: A User-Centered Mobile Application to Facilitate Reading and Vision Training for Individuals With Central Vision Loss
Notice bibliographique
Résumé
Introduction: Central vision loss significantly impairs reading ability, and few technological tools aim to support both reading and eccentric viewing training. This study aimed to develop a user-centered mobile application, Eccentric Visor, to enhance reading accessibility and support eccentric vision training using evidence-based methods and computer vision techniques. Methods: The application was developed through an iterative, user-centered co-design process to produce a Minimum Viable Product (MVP). Key features include customizable text presentation and a visual fixation marker to support the steady eye strategy. Usability and acceptability were evaluated through structured questionnaires and open-ended feedback from individuals with central vision loss and low vision rehabilitation professionals. Results: The MVP incorporated reading enhancement strategies such as font and contrast adjustments and dynamic scrolling text. Most users found the application easy to use and effective for practicing eccentric viewing. All professionals indicated they would recommend the app in clinical contexts, highlighting its utility as both a reading aid and a potential training tool. Conclusion: Eccentric Visor shows promise as a digital resource that may support both accessible reading and eccentric viewing training. Preliminary findings suggest the app is usable, adaptable, and well-received by users and clinicians. It may also serve as a platform for future enhancements and formal efficacy studies. Implications for practitioners: By integrating customizable features with evidence-based design, Eccentric Visor may offer rehabilitation professionals a practical tool to support independent reading and ongoing visual training.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».