Stappen in de wereld van AI, Icoonherkenning, Menselijke Perceptie en AAC-symbolen.

Gedurende de laatste paar maanden hebben we onderzocht hoe inconsistentie geautomatiseerde beeldherkenning kan belemmeren na pre-processing en feature-abstractie, maar de komst vanStable Diffusion als een deep learning-modelstelt ons in staat om visuele beeldtekstbeschrijvingen op te nemen naast beeld-naar-beeldherkenningsprocessen om onze ideeën van symbool-naar-symboolherkenning en -creatie te ondersteunen.

Stable Diffusion - "De invoerafbeelding links kan verschillende nieuwe afbeeldingen produceren (rechts). Dit nieuwe model kan worden gebruikt voor structuurbehoudende beeld-naar-beeld en vorm-conditionele beeld synthese."https://stability.ai/blog/stable-diffusion-v2-release

Bovendien hebben we met de hulp van professor Irene Reppa en haar projectteam dat onderzoek doet naar "The Development of an Accessible, Diverse and Inclusive Digital Visual Language" veel overlappingen ontdekt in het werk dat ze doen met icoonstandaardisatie. Door samen te werken kunnen we mogelijk onze oorspronkelijke stemcriteria aanpassen om een meer gedetailleerde aanpak te bieden om ervoor te zorgen dat automatisch gegenereerde AAC-symbolen in de stijl van een bepaalde symbolenset "raadbaarheid" (transparantie) en gemak van leren mogelijk maken, terwijl ze ook aantrekkelijk worden gemaakt op basis van een veel inclusievere set criteria. De laatstgenoemde zijn gebruikt door veel meer evaluatoren in de afgelopen 8 jaar, zoals vermeld in deze blog "When the going gets tough the beautiful get going."

Een belangrijke bevinding uit het eerdere onderzoek van professor Reppa was dat wanneer "iconen complex, abstract of onbekend waren, er een duidelijk voordeel was voor de esthetisch aantrekkelijkere doelen. Daarentegen, wanneer de iconen visueel eenvoudig, concreet of bekend waren, deed esthetische aantrekkingskracht er niet meer toe." Het onderzoeksteam kijkt nu naar nog meer attributen, zoals consistentie, complexiteit en abstractheid, om te illustreren waarom en hoe de visuele perceptie van iconen verandert binnen groepen en in verschillende situaties of omgevingen. 

In het verleden hebben we een eenvoudig stemsysteem gebruikt met vijf criteria met behulp van een Likert-schaal met een optie om commentaar te geven op het symbool en de evaluatoren zijn ervaren AAC-gebruikers of degenen die in het veld werken (wat klein in aantal is). Bij eerdere symboolonderzoeken was het meestal de individuele perceptie van de evaluator van het symbool, zoals gezien in een tekstcommentaar, die de beste informatie gaf. Maar de commentaren zijn klein in aantal en de cohorten zijn niet noodzakelijkerwijs representatief voor een bredere populatie van communicatoren.

Er is geen twijfel in mijn gedachten dat we moeten blijven verkennen hoe we onze evaluatietechnieken kunnen verbeteren door meer te leren van icoongebaseerd onderzoek, terwijl we ons bewust zijn van de verschillende behoeften van AAC-gebruikers, waar symbolen een meer abstracte representatie van een concept kunnen hebben. Dit proces kan ons ook helpen onze symbolen beter te categoriseren in deGlobal Symbols-repositoryom tekstgebaseerde en visuele zoekopdrachten te helpen voor degenen die papieren communicatiegrafieken, borden en boeken ontwikkelen, evenals koppelen aan de repository via AAC-apps zoalsPiComenCboard.