【论文笔记】设计一款针对情境障碍的视力减弱型文件浏览应用程序(下)

本文主要是介绍【论文笔记】设计一款针对情境障碍的视力减弱型文件浏览应用程序(下),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

论文关键点

ps:这篇文章可以学习的内容比较多,笔记内容也比较丰富因此本次论文笔记会分为上下期

提出的问题: 不方便视觉障碍的情况下(通勤、走路、眼睛疲劳也算)会用text-speech 系统,但是这种听觉是线性的,不适合skim

推导出了融合听觉和视觉阅读模式的“减少眼睛”略读的概念,灵感来自参与者如何混合视觉和非视觉交互,生成了一套减少眼睛的略读设计指南

对于视障情景存在的问题有比较完善的呈现


设计

原则

我们对来自多个数据源的含义进行三角剖分,以制定一套稳健且全面的设计准则。数据来源包括:( 1 )我们的需求发现研究结果;

( 2 )现有的关于略读和无视觉反馈交互的理论和实证研究;

( 3 )现有的关于创造语音叙述和设计VUI的指南。

三角剖析

这意味着他们已经整合和比较了来自各种来源的见解,以制定一套更强大、更全面、更可靠的结论或指南。

就本文的情况而言,这些来源包括

  • Needs-Finding Study
  • skim reading and eyes-free interactions
  • existing guidelines for creating voice narrations and designing VUI.

目标是确保由此产生的设计指南是全面的,并且以各种形式的证据和观点为基础

设计原则在产品上的实施

navigation

  • 用户只需轻点屏幕右侧或左侧,即可跳过句子或重听错过的段落(图 1(a))。
  • 段落导航通过上下垂直滑动手势完成。这是因为滚动是人们与生俱来的习惯,而基于 HTML 的文档又是垂直流动的,因此 Skimmer 的目标是促进从视觉滚动到无视觉手势交互的积极转移。
  • 空间参照点进入下一句或跳转到远处的句子时,内容会自动垂直滚动,使参照位置始终位于屏幕正中。这就使得定位(DG5)变得非常简单,只需瞥一眼屏幕,查看指示器指向的文本(图 1 中的红色箭头)。
  • Skimmer 遵循 "减少眼睛 "的理念,还支持通过传统的垂直滚动方式进行视觉导航(DG-2)。
  • 一旦用户触摸屏幕进行导航操作,Skimmer 就会暂停音频(DG-3)

comprehension

  • 首先,书面文本和结构信息用两种不同的声音叙述,以帮助区分元信息(e.g."第 1 节。导言")和正文内容。
  • 其次,Skimmer 会将长长的项目清单或项目符号分解成一组一组的,每次 3 或 4 个项目,以帮助记忆
  • 最后,Skimmer 会以四舍五入的格式读取数字(例如 p < 2.2 × 10-16 会被叙述为 p < .001),因为光听是很难理解复杂数字的。
  • 此外,Skimmer 还提供了数字的放大文本叠加(图 1(b))。

标记跳转

  • Skimmer 支持在不同的话语标记之间选择性跳转(DG-2)。 话语标记和完整句子都由同一个低音调的声音叙述。为了帮助用户从正常的叙述中分辨出话语标记的叙述,Skimmer 会播放微妙的环境音(如蟋蟀声)作为背景音。
    ps:话语标记的例子包括“结论”、“首先”、“另一方面”或“在本文中”等短语。这些短语通常表示新部分的开始、主题的变化、摘要或介绍。它们是帮助读者理解文本不同部分如何相互关联的关键。

structure 跳转

  • overview(图(c))
  • 也满足了个性化阅读顺序的需求

ps:Users appreciate Overview the most

触觉提示(帮助focus)

  • 遇到图会触觉提示
  • 可以跳转(不听这个图的内容)也可以继续听

听觉提示(帮助focus)

  • 用耳标来提供听觉反馈(6个以下,防止混淆)
  • 提示状态变化:用户进行了操作之后, 听觉反馈操作成功

Findings

  • Skimmer可以减少眼睛的使用,而VDR(VoiceDreamReader,比较的竞品)需要近乎恒定的视觉注意
  • 用户最喜欢的是Overview。
  • 听觉反馈和力触觉反馈有助于重新聚焦
  • 用户喜欢导航偏好的个体差异
  • 去掉一个复杂的数字对于那些尝试过这个数字的人来说仍然是一个挑战
  • 用户欣赏叙事的质量和多元的声音(声音没有那么僵硬,而且用了口语话一点的语言)
  • 话语标记语是有用的,但使用者需要更多地接触该特征(好用但是有学习成本)
  • 图形/表格大多被忽视,但参与者赞赏触觉推进器的想法。
  • 参与者对Skimmer的设计理念表示赞赏。

个人思考

  • 场景比较巧妙:讨论的是情景视障,这样实验人群比较好找

这篇关于【论文笔记】设计一款针对情境障碍的视力减弱型文件浏览应用程序(下)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/932088

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

怎么让1台电脑共享给7人同时流畅设计

在当今的创意设计与数字内容生产领域,图形工作站以其强大的计算能力、专业的图形处理能力和稳定的系统性能,成为了众多设计师、动画师、视频编辑师等创意工作者的必备工具。 设计团队面临资源有限,比如只有一台高性能电脑时,如何高效地让七人同时流畅地进行设计工作,便成为了一个亟待解决的问题。 一、硬件升级与配置 1.高性能处理器(CPU):选择多核、高线程的处理器,例如Intel的至强系列或AMD的Ry

负债不再是障碍?银行信贷“白名单“揭秘

谈及银行信贷产品,常闻有言称存在无需考量负债与查询记录之奇品,此等说法十有八九为中介诱人上钩之辞。轻信之下,恐将步入连环陷阱。除非个人资质出类拔萃,如就职于国央企或事业单位,工龄逾年,五险一金完备,还款能力卓越,或能偶遇线下产品对查询记录稍显宽容,然亦非全然无视。宣称全然不顾者,纯属无稽之谈。 银行非慈善机构,不轻易于困境中援手,更偏爱锦上添花之举。若无坚实资质,即便求助于银行亦难获青睐。反

cross-plateform 跨平台应用程序-03-如果只选择一个框架,应该选择哪一个?

跨平台系列 cross-plateform 跨平台应用程序-01-概览 cross-plateform 跨平台应用程序-02-有哪些主流技术栈? cross-plateform 跨平台应用程序-03-如果只选择一个框架,应该选择哪一个? cross-plateform 跨平台应用程序-04-React Native 介绍 cross-plateform 跨平台应用程序-05-Flutte

基于51单片机的自动转向修复系统的设计与实现

文章目录 前言资料获取设计介绍功能介绍设计清单具体实现截图参考文献设计获取 前言 💗博主介绍:✌全网粉丝10W+,CSDN特邀作者、博客专家、CSDN新星计划导师,一名热衷于单片机技术探索与分享的博主、专注于 精通51/STM32/MSP430/AVR等单片机设计 主要对象是咱们电子相关专业的大学生,希望您们都共创辉煌!✌💗 👇🏻 精彩专栏 推荐订阅👇🏻 单片机

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear