Entrer dans le monde de l’AI, de la reconnaissance d’icônes, de la perception humaine et des symboles AAC.

Au cours des derniers mois, nous avons étudié comment l’incohérence peut entraver la reconnaissance d’image automatisée après prétraitement et abstraction des caractéristiques, mais l’avènement de Stable Diffusion comme modèle de deep learning nous permet d’inclure des descriptions textuelles d’images visuelles aux côtés des processus de reconnaissance image vers image pour soutenir nos idées de reconnaissance et de création symbole vers symbole.

Stable Diffusion - "L’image d’entrée à gauche peut produire plusieurs nouvelles images (à droite). Ce nouveau modèle peut être utilisé pour la synthèse image-vers-image préservant la structure et conditionnée par la forme." https://stability.ai/blog/stable-diffusion-v2-release

De plus, avec l’aide de Professor Irene Reppa et de son équipe de projet recherchant “The Development of an Accessible, Diverse and Inclusive Digital Visual Language”, nous avons découvert de nombreux recoupements dans le travail qu’ils font sur la standardisation des icônes. En travaillant ensemble, nous pourrons adapter nos critères de vote d’origine pour offrir une approche plus granulaire afin que les symboles AAC générés automatiquement dans le style d’un jeu de symboles particulier permettent la ‘devinabilité’ (transparence) et la facilité d’apprentissage tout en les rendant attractifs sur la base d’un ensemble de critères beaucoup plus inclusif. Ces derniers ont été utilisés par bien plus d’évaluateurs au cours des 8 dernières années, comme mentionné dans ce blog “When the going gets tough the beautiful get going.”

Un constat important des recherches précédentes de Professors Reppa était que lorsque “les icônes étaient complexes, abstraites ou peu familières, il y avait un avantage clair pour les cibles plus esthétiquement attractives. En revanche, lorsque les icônes étaient visuellement simples, concrètes ou familières, l’attrait esthétique n’avait plus d’importance.” L’équipe de recherche examine maintenant encore plus d’attributs, comme la cohérence, la complexité et l’abstractness, pour illustrer pourquoi et comment la perception visuelle des icônes change au sein des groupes et dans différentes situations ou environnements.

Par le passé, nous avons utilisé un système de vote simple avec cinq critères sur une échelle de Likert, avec une option de commenter le symbole, et les évaluateurs étaient des utilisateurs AAC expérimentés ou des personnes travaillant dans le domaine (ce qui est peu nombreux). Lors d’enquêtes précédentes sur les symboles, c’était généralement la perception individuelle du symbole par l’évaluateur, vue dans un commentaire textuel, qui fournissait la meilleure information. Mais les commentaires étaient peu nombreux et les cohortes pas nécessairement représentatives d’une population plus large de communicants.

Je n’ai aucun doute que nous devons continuer à explorer des moyens d’améliorer nos techniques d’évaluation en apprenant davantage de la recherche fondée sur les icônes, tout en étant conscients des besoins différents des utilisateurs AAC, où les symboles peuvent avoir une représentation plus abstraite d’un concept. Ce processus peut aussi nous aider à mieux catégoriser nos symboles dans le référentiel Global Symbols pour aider les recherches textuelles et visuelles de ceux qui développent des tableaux, planches et livres de communication papier, ainsi que pour relier le référentiel via des applications AAC telles que PiCom et Cboard.