Um pesquisador de legibilidade da UCF trabalhou com uma equipe da Adobe em um modelo de aprendizado de máquina para fornecer recomendações personalizadas de fontes que melhoram a acessibilidade das informações digitais e aprimoram as experiências de leitura individuais.
A equipe era composta por engenheiros e pesquisadores de aprendizado de máquina da Adobe que colaboraram com cientistas de visão, tipógrafos, cientistas de dados e um pesquisador de legibilidade da UCF para estudar o modelo de aprendizado de máquina da Adobe conhecido como FontMART.

Os resultados foram publicados recentemente em ACM Designing Interactive Systems 2022 .

A Adobe faz parte do The Readability Consortium, que lidera a pesquisa de legibilidade digital da UCF usando tipografia individualizada para aprimorar a legibilidade digital para leitores de todas as idades e habilidades. A pesquisa FontMART da Adobe foi feita em colaboração com o Virtual Readability Lab da UCF.

"O futuro da legibilidade é um dispositivo que observa humanos lendo e usando seu desempenho para adaptar o formato para que eles leiam da melhor maneira possível", diz Ben Sawyer, diretor do Readability Consortium e do Virtual Readability Lab da UCF. "Estamos ansiosos pelo dia em que você poderá pegar um dispositivo, ler e receber informações de uma maneira que atenda exclusivamente às suas necessidades".

Sawyer e Zoya Bylinskii, uma cientista pesquisadora da Adobe, estiveram envolvidos na concepção da pesquisa e forneceram orientação durante todo o estudo. Tianyuan Cai, engenheiro de aprendizado de máquina do Acrobat.com, liderou o estudo do FontMART.

O estudo usou o Font Preference Test apresentado no site do Virtual Readability Lab da UCF para fornecer linhas de base para avaliar as recomendações do FontMART.

A consideração da preferência de fonte é importante, pois as fontes preferidas das pessoas geralmente diferem da fonte que melhor pode melhorar sua experiência de leitura e desempenho. A discrepância entre a fonte preferida de um leitor e a fonte mais rápida foi demonstrada em pesquisas anteriores de legibilidade.

Os resultados do estudo indicaram que o modelo FontMART pode recomendar fontes que melhoram a velocidade de leitura, combinando as características do leitor com as características específicas da fonte.

Como o modelo funciona

O modelo FontMART aprende a associar fontes com características específicas do leitor. O FontMART foi treinado com um estudo remoto de legibilidade de 252 trabalhadores da multidão e suas informações demográficas autorrelatadas. Entrevistas com tipógrafos influenciaram na seleção das oito fontes utilizadas no estudo. A seleção final de fontes incluiu fontes das famílias serif (ou seja, Georgia, Merriweather, Times e Source Serif Pro) e Sans Serif (ou seja, Arial, Open Sans, Poppins e Roboto).

O efeito de uma fonte varia de acordo com os leitores, descobriram os pesquisadores.

O FontMART pode prever as fontes que funcionam bem para leitores específicos, entendendo a relação entre as características da fonte e as características do leitor, como familiaridade da fonte, velocidade de leitura autorrelatada e idade, de acordo com o estudo FontMART. Entre as características consideradas, a idade desempenha o maior papel quando o modelo determina qual fonte é recomendada para os leitores.

Por exemplo, características de fonte como peso mais pesado beneficiam a experiência de leitura de adultos mais velhos porque traços de fonte mais grossos são mais fáceis de ler para aqueles com visão mais fraca e variável.

Mais pesquisas são necessárias e podem incluir uma distribuição etária mais ampla dos participantes para ser mais representativa da população em geral, avaliando a eficácia do modelo para outros contextos de leitura, como formato longo ou visualizável, e expandindo os idiomas e as características de fonte associadas para acomodar melhor a diversidade do leitor.

Colaborações e pesquisas contínuas ajudarão a expandir as características exploradas para melhorar o modelo FontMART e aprimorar as experiências de leitura individuais.

O Readability Consortium e o Virtual Readability Lab da UCF abordam como a personalização pode melhorar a eficiência e a velocidade de leitura. Sawyer também lidera o LabX, um grupo de neurociência aplicada focado no desempenho humano, e é professor associado em engenharia industrial e sistemas de gestão. Sawyer recebeu doutorado em psicologia de fatores humanos e mestrado em engenharia industrial pela UCF. Ele completou seus estudos de pós-doutorado no MIT. + Explorar mais

Estudo mostra que fontes personalizadas aceleram a leitura e mantêm a compreensão