Manglende standarder for størrelsen af figurer i forhold til bogstaver

– fører til inkonsistens på tværs af forskellige synsprøver og producenter.

  • Det er en oplagt opgave for oftalmologiske organisationer og forskningsinstitutioner at undersøge udbredte symboloptotyper og udmåle troværdige kompensationsfaktorer. Ved at følge en mere kalibreret og standardiseret tilgang kan man sikre, at synsprøver med symboler giver sammenlignelige og pålidelige resultater.
  • Manglen på forskningsbaserede standarder for vægtningen mellem symbolbaserede og bogstavbaserede optotyper fører til inkonsekvente og ofte overgunstige kompensationer.
  • Producenter vælger at overforstørre symboler for at være på den sikre side og sikre, at testpersonerne kan se dem tydeligt.
  • Men symbolerne er ofte for store i forhold til, hvad der er kognitivt nødvendigt. Det kan føre til, at synsprøverne undervurderer graden af visuelle problemer. Testpersoner kan opnå bedre resultater, end deres reelle synsniveau berettiger.

Empiriske studier og forskning danner udgangspunkt for standardiserede vægtningsfaktorer

  • For at afgøre, om symboler er overforstørrede, er det vigtigt at foretage empiriske studier, der sammenligner præstationer på synsprøver med symboler versus bogstaver. De empiriske studier danner baggrund for den nødvendige nøjagtige kalibrering af figurernes størrelse i forhold til børns evne til at genkende dem. Det er afgørende for at sikre retfærdige og præcise testresultater.
  • Der bør derfor med udgangspunkt i de empiriske studier og forskning udvikles standarder for de vægtningsfaktorer, som de respektive symbolbaserede optotype-sæt kan og skal reguleres med for at give sammenlignelige synsprøveresultater.
  • Hold sværhedsgraden så konsistent som muligt i hvert enkelt optotype-sæt.
  • Man bør undgå, at figurer i et optotype-sæt varierer for meget i deres design og kompleksitet, da det gør det vanskeligt at fastsætte en fælles standard kompensationsfaktor.
  • Producenter bør altid via empiriske studier foretage kritiske evalueringer af egne optotyper og sikre, at hvert enkelt symbol ikke har en væsensforskellig kognitiv sværhedsgrad fra de øvrige optotyper i sættet.

Generelt bør der anvendes symboler, der alle er lige velkendte og simple, for at reducere den kognitive belastning og minimere graden af forstørrelse. Vælg også helst symboler, som i deres design og kompleksitet minder mest muligt om bogstaver. Bogstaver opnår deres genkendelighed gennem det forhold, at de besidder ekstremiteter, dvs. stritter ud på en iøjnefaldende måde. Bogstaver som K, H, V og T er gode eksempler. Hvis let genkendelige symboler produceres med disse bogstavformer in mente, reduceres behovet for at overforstørre symbolerne for at kompensere for kognitiv kompleksitet, da ekstremiteter på symboler bringer dem kognitivt tættere på bogstavbaserede optotyper.

Stregtykkelse m.m.

  • Udføres kompensationsvægtninger korrekt for at udligne kognitive forskelle, er det ikke længere afgørende, om stregtykkelsen anvendt på symboler modsvarer stregtykkelsen på bogstaverne.
  • Sørg for, at figurer har høj kontrast mod baggrunden, ligesom bogstaver normalt har. Figurer med lavere kontrast kan kræve større størrelser for at opnå samme synlighed som bogstaver.
  • Symboler med mindre komplekse former kan lettere sammenlignes med bogstaver. Mere komplekse symboler skal forstørres mere end simple figurer for at opnå samme genkendelsesniveau.
  • Test figurer og bogstaver i en kontrolleret eksperimentel opsætning for at kalibrere størrelserne. Dette indebærer at have forsøgspersoner til at gennemgå synsprøver med både symboler og bogstaver og justere størrelserne, indtil resultaterne er sammenlignelige.
  • Brug statistiske analyser til at bestemme de optimale størrelser for figurer i forhold til bogstaver baseret på testresultaterne.

ISOeyes har udført omfattende empiriske studier  og efterfølgende udført kalibreringer af alle vores egen-udviklede Optotyper  – således at det sikres,  at de give identiske synsprøveresultater!

Forskellene i opfattelsen af bogstaver kontra figurer

Videnskabelig forskning inden for visuel perception og kognitiv psykologi har undersøgt forskellene i opfattelsen af bogstaver kontra figurer. Videnskaben indikerer, at bogstaver generelt er kognitivt lettere for øjet og hjernen at identificere sammenlignet med figurer på grund af højere grad af fortrolighed, specialiserede hjerneområder og deres designede distinktion. Dette gør bogstaver til et effektivt værktøj i mange visuelle opgaver, selvom figurer også har deres plads, især når man arbejder med ikke-læsefærdige personer eller specifikke visuelle tests:

Familiaritet og Erfaring

  • Bogstaver: Mennesker, der er læsefærdige, har stor erfaring med at genkende bogstaver, da de konstant interagerer med dem i dagligdagen. Denne højere grad af fortrolighed gør det kognitivt lettere for øjet og hjernen at identificere bogstaver hurtigt og præcist.
  • Figurer: Figurer kan variere mere i kompleksitet og form end bogstaver. Selv om enkle figurer (som cirkler, kvadrater og hjerter) kan være lette at genkende, kan mere komplekse eller ukendte figurer kræve mere kognitiv bearbejdning.

Kognitive Processer

  • Bogstaver: Genkendelsen af bogstaver involverer specialiserede områder i hjernen, som eksempelvis det visuelle ordformområde (VWFA), der er ansvarligt for at processere skrevne ord og bogstaver. Denne specialisering gør genkendelsen af bogstaver meget effektiv.
  • Figurer: Genkendelsen af figurer involverer flere forskellige områder af hjernen, afhængigt af figurens kompleksitet og betydning. Dette kan gøre processen mere kognitivt krævende sammenlignet med bogstaver.

Visuel Disambiguering

  • Bogstaver: De fleste bogstaver er designet til at være visuelt distinkte, selv når de er tæt pakket sammen, hvilket hjælper med hurtig genkendelse.
  • Figurer: Figurer kan variere mere i form og størrelse, hvilket kan gøre det sværere at skelne mellem dem, især hvis de er komplekse eller ukendte.

Kontrast og Form

  • Bogstaver: Har ofte stærke kontraster og veldefinerede former, der gør dem lette at se og genkende, selv i lav opløsning eller på afstand.
  • Figurer: Afhængigt af deres design kan figurer variere mere i kontrast og form, hvilket kan påvirke synligheden og genkendelsen.

Empiriske Studier

  • Studier om Ordgenkendelse: Mange studier har vist, at mennesker kan genkende ord og bogstaver ekstremt hurtigt (på få millisekunder), hvilket tyder på en høj grad af automatisering i denne proces.
  • Studier om Figurgenkendelse: Genkendelse af figurer, især ukendte eller komplekse figurer, kan tage længere tid og kræve mere kognitiv bearbejdning.

Praktiske Konsekvenser

  • Synsprøver: Synsprøver, der bruger bogstaver, kan drage fordel af folks fortrolighed med disse symboler og dermed give mere konsistente resultater. Tests med figurer kan være nyttige til at teste syn hos personer, der ikke kan læse (som små børn), men kan variere mere afhængigt af figurens design.
  • Design af Visuelle Materialer: Når man designer visuelle materialer til hurtig genkendelse (som skilte, advarsler osv.), kan det være mere effektivt at bruge bogstaver eller meget simple figurer for at sikre hurtig og præcis opfattelse.

Sammenligning af to tegninger af et æble:

  1. Tegning 1:
    • Kvadrat på 5×5 cm
    • Stregtykkelse på 0,8 cm
  2. Tegning 2:
    • Kvadrat på 10×10 cm
    • Stregtykkelse på 0,4 cm

Konklusioner om visuel perception og genkendelse:

  1. Størrelse og Skala:
    • A- Større billeder giver mere visuel information og detaljer, hvilket gør dem lettere at genkende.
    • B- Større tegninger projicerer større billeder på nethinden, hvilket letter visuel skarphed og objektgenkendelse.
  2. Stregtykkelse:
    • Tykkere streger kan øge kontrasten og gøre konturerne mere tydelige, men størrelsen af billedet spiller en større rolle i den samlede genkendelse.
  3. Forbedret genkendelse ved forskellige afstande:
    • Større tegninger er lettere at se og genkende på længere afstande, selvom stregen er tyndere.
  4. Kontrast og synlighed:
    • Selvom stregen er tyndere, kan kontrasten mellem stregen og baggrunden stadig være tilstrækkelig til at gøre formen let genkendelig i større tegninger.
  5. Synsfysiologi:
    • Den menneskelige synsskarphed er bedre tilpasset til at se objekter i mellemstor til stor størrelse.

Litteraturhenvisninger:

  • Vedr.  punkt 1A: Goldstein, E. B. (2013). Sensation and Perception (9th ed.). Cengage Learning. Kapitel 5, side 100-135.
  • Vedr.  punkt 1B: Pelli, D. G., Robson, J. G., & Wilkins, A. J. (1988). The Design of a New Letter Chart for Measuring Contrast Sensitivity. Clinical Vision Sciences, 2(3), 187-199.
  • Vedr.  punkt 2: Wang, K., & Cottrell, G. W. (2012). The Strengths and Weaknesses of the Stroke Width Transform for Text Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(6), 1173-1186.
  • Vedr.  punkt 3: Hecht, S., Shlaer, S., & Pirenne, M. H. (1942). Energy, Quanta, and Vision. The Journal of General Physiology, 25(6), 819-840.
  • Vedr.  punkt 4: Kandel, E. R., Schwartz, J. H., & Jessell, T. M. (2000). Principles of Neural Science (4th ed.). McGraw-Hill. Kapitel 27, side 492-525.
  • Vedr.  punkt 5: Duin, R. P. W., & Pavešić, N. (2001). Visual Pattern Recognition in Machine Vision. Pattern Recognition, 34(11), 2213-2226.

Litteraturliste

  1. Goldstein, E. B. (2013). Sensation and Perception (9th ed.). Cengage Learning. Kapitel 5, side 100-135.
  2. Pelli, D. G., Robson, J. G., & Wilkins, A. J. (1988). The Design of a New Letter Chart for Measuring Contrast Sensitivity. Clinical Vision Sciences, 2(3), 187-199.
  3. Wang, K., & Cottrell, G. W. (2012). The Strengths and Weaknesses of the Stroke Width Transform for Text Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(6), 1173-1186.
  4. Hecht, S., Shlaer, S., & Pirenne, M. H. (1942). Energy, Quanta, and Vision. The Journal of General Physiology, 25(6), 819-840.
  5. Kandel, E. R., Schwartz, J. H., & Jessell, T. M. (2000). Principles of Neural Science (4th ed.). McGraw-Hill. Kapitel 27, side 492-525.
  6. Duin, R. P. W., & Pavešić, N. (2001). Visual Pattern Recognition in Machine Vision. Pattern Recognition, 34(11), 2213-2226.