Eintritt in die Welt der KI, Ikonenerkennung, menschliche Wahrnehmung und AAC-Symbole.

In den letzten Monaten haben wir erforscht, wie Inkonsistenz automatisierte Bilderkennung nach Vorverarbeitung und Feature-Abstraktion behindern kann, aber das Aufkommen von Stable Diffusion als Deep-Learning-Modell ermöglicht es uns, visuelle Bildtextbeschreibungen zusammen mit Bild-zu-Bild-Erkennungsprozessen einzubeziehen, um unsere Ideen der Symbol-zu-Symbol-Erkennung und -Erstellung zu unterstützen.

Stable Diffusion - "Das Eingabebild links kann mehrere neue Bilder (rechts) produzieren. Dieses neue Modell kann für strukturerhaltende Bild-zu-Bild- und formbedingte Bildsynthese verwendet werden." https://stability.ai/blog/stable-diffusion-v2-release

Darüber hinaus haben wir mit Hilfe von Professor Irene Reppa und ihrem Projektteam, das "The Development of an Accessible, Diverse and Inclusive Digital Visual Language" erforscht, viele Überschneidungen in der Arbeit entdeckt, die sie mit Ikonenstandardisierung machen. Zusammenarbeitend können wir möglicherweise unsere ursprünglichen Abstimmungskriterien anpassen, um einen granulareren Ansatz zu bieten, um sicherzustellen, dass automatisch generierte AAC-Symbole im Stil eines bestimmten Symbolsatzes "Erratbarkeit" (Transparenz) und Leichtigkeit des Lernens ermöglichen, während sie auch ansprechend gemacht werden, basierend auf einem viel inklusiveren Kriteriensatz. Letztere wurden von vielen mehr Evaluatoren in den letzten 8 Jahren verwendet, wie in diesem Blog erwähnt "When the going gets tough the beautiful get going."

Ein wichtiger Befund aus Professor Reppas früherer Forschung war, dass, wenn "Icons komplex, abstrakt oder unvertraut waren, es einen klaren Vorteil für die ästhetisch ansprechenderen Ziele gab. Im Gegensatz dazu, wenn die Icons visuell einfach, konkret oder vertraut waren, spielte ästhetische Anziehungskraft keine Rolle mehr." Das Forschungsteam untersucht nun noch mehr Attribute wie Konsistenz, Komplexität und Abstraktheit, um zu illustrieren, warum und wie sich die visuelle Wahrnehmung von Icons innerhalb von Gruppen und in verschiedenen Situationen oder Umgebungen ändert.

In der Vergangenheit haben wir ein einfaches Abstimmungssystem mit fünf Kriterien unter Verwendung einer Likert-Skala mit einer Option verwendet, um das Symbol zu kommentieren, und die Evaluatoren waren erfahrene AAC-Nutzer oder diejenigen, die auf diesem Gebiet arbeiten (was in der Anzahl klein ist). Bei früheren Symbolumfragen war es normalerweise die individuelle Wahrnehmung des Evaluators des Symbols, wie in einem Textkommentar gesehen, die die besten Informationen lieferte. Aber die Kommentare waren in der Anzahl klein und die Kohorten nicht unbedingt repräsentativ für eine breitere Population von Kommunikatoren.

Es gibt keinen Zweifel in meinem Kopf, dass wir weiterhin Wege erkunden müssen, um unsere Evaluierungstechniken zu verbessern, indem wir mehr aus ikonenbasierter Forschung lernen, während wir uns der unterschiedlichen Bedürfnisse von AAC-Nutzern bewusst sind, wo Symbole möglicherweise eine abstraktere Darstellung eines Konzepts haben. Dieser Prozess kann uns auch helfen, unsere Symbole besser im Global Symbols Repository zu kategorisieren, um textbasierte und visuelle Suchen für diejenigen zu unterstützen, die papierbasierte Kommunikationsdiagramme, Tafeln und Bücher entwickeln, sowie die Verbindung zum Repository durch AAC-Apps wie PiCom und Cboard.