[论文解读] Simulation-based Optimization for Augmented Reading

Yunpeng Bai, Shengdong Zhao+1 more|arXiv (Cornell University)|Feb 26, 2026

Gaze Tracking and Assistive Technology被引用 0

一句话总结

该论文将增强阅读框架化为基于仿真的优化问题，使用资源理性阅读模型，给出离线和在线管线以优化带有模拟读者的文本界面。

ABSTRACT

Augmented reading systems aim to adapt text presentation to improve comprehension and task performance, yet existing approaches rely heavily on heuristics, opaque data-driven models, or repeated human involvement in the design loop. We propose framing augmented reading as a simulation-based optimization problem grounded in resource-rational models of human reading. These models instantiate a simulated reader that allocates limited cognitive resources, such as attention, memory, and time under task demands, enabling systematic evaluation of text user interfaces. We introduce two complementary optimization pipelines: an offline approach that explores design alternatives using simulated readers, and an online approach that personalizes reading interfaces in real time using ongoing interaction data. Together, this perspective enables adaptive, explainable, and scalable augmented reading design without relying solely on human testing.

研究动机与目标

• 推动增强阅读以使文本呈现适应读者的情境和认知约束。
• 引入资源理性阅读模型，作为UI设计的原则性评估工具。
• 为跨用户、任务和情境的增强阅读定义设计空间。
• 提出离线和在线优化管线，利用模拟读者评估和优化界面。
• 演示仿真如何实现可扩展、可解释的设计，而无需大量人工测试。

提出的方法

• 将增强阅读框架化为在认知和环境约束下的优化问题。
• 使用资源理性阅读模型来模拟读者并评估文本UI设计。
• 描述用于上线前评估的离线优化，使用带有模拟读者的评估。
• 描述用于实时个性化的在线优化，利用持续交互数据。
• 将模拟读者视为评估者，其参数可变以建模不同用户。

Figure 1. Resource-rational reading models enable principled optimization of text user interfaces across a wide design space. ( Left ) A reading agent interacts with text-based user interfaces by allocating visual attention over time, guided by perceptual input, memory state, task objectives, and an

实验结果

研究问题

• RQ1 如何利用资源理性阅读模型来评估和优化用于增强阅读的文本UI？
• RQ2 离线和在线基于仿真的优化管线能否提高增强阅读系统的适应性、可解释性和可扩展性？
• RQ3 设计因素（布局、显著性、内容负载）如何与认知约束相互作用以影响理解和效率？
• RQ4 模拟读者能否近似不同的用户画像和边界情况以支持包容性设计？
• RQ5 在UI优化中，仿真在减少对大规模人工测试的依赖方面扮演何种角色？

主要发现

• 基于仿真的读者提供了一种以理解、努力和时间来评估替代文本呈现的原则性方法。
• 离线优化在部署前系统性地探索大规模设计空间。
• 在线优化支持在阅读过程中进行的实时、个性化UI调整。
• 资源理性模型可以调整以表达不同读者和情境，包括多任务或认知差异。
• 该方法提供了比启发式和纯数据驱动方法更具可扩展性、可解释性的替代方案。
• 该框架通过识别工作负载、理解或安全方面的瓶颈，指导有针对性的设计干预。

Figure 2. Optimization paradigms for augmented reading. (a) Human-in-the-loop optimization. Traditional text UI design relies on human readers to generate behavioral data and feedback, making optimization costly and difficult to scale. (b) Simulation-based offline optimization. A simulated reading a