Un investigador de legibilidad de UCF trabajó con un equipo de Adobe en un modelo de aprendizaje automático para proporcionar recomendaciones de fuentes personalizadas que mejoran la accesibilidad de la información digital y mejoran las experiencias de lectura individuales.

El equipo estaba compuesto por ingenieros e investigadores de aprendizaje automático de Adobe que colaboraron con científicos de la visión, tipógrafos, científicos de datos y un investigador de legibilidad de la UCF para estudiar el modelo de aprendizaje automático de Adobe conocido como FontMART.

Los resultados se publicaron recientemente en ACM Designing Interactive Systems 2022 .

Adobe es parte de The Readability Consortium que lidera la investigación de legibilidad digital de UCF utilizando tipografía individualizada para mejorar la legibilidad digital para lectores de todas las edades y habilidades. La investigación FontMART de Adobe se realizó en colaboración con el Laboratorio de legibilidad virtual de la UCF.

"El futuro de la legibilidad es un dispositivo que observe a los humanos leer y use su rendimiento para adaptar el formato para que lean lo mejor posible", dice Ben Sawyer, director del Readability Consortium y del Virtual Readability Lab de la UCF. "Esperamos con ansias el día en que pueda tomar un dispositivo, leer y recibir información de una manera que se adapte exclusivamente a sus necesidades".

Sawyer y Zoya Bylinskii, científica investigadora de Adobe, participaron en la concepción de la investigación y brindaron orientación durante todo el estudio. Tianyuan Cai, ingeniero de aprendizaje automático de Acrobat.com, dirigió el estudio de FontMART.

El estudio usó la Prueba de preferencia de fuentes que se presenta en el sitio web del Laboratorio de legibilidad virtual de UCF para proporcionar puntos de referencia para evaluar las recomendaciones de FontMART.

La consideración de la preferencia de fuente es importante ya que las fuentes preferidas de las personas a menudo difieren de la fuente que mejor puede mejorar su experiencia de lectura y rendimiento. La discrepancia entre la fuente preferida de un lector y la fuente más rápida se ha demostrado en investigaciones anteriores sobre legibilidad.

Los resultados del estudio indicaron que el modelo FontMART puede recomendar fuentes que mejoran la velocidad de lectura haciendo coincidir las características del lector con las características específicas de la fuente.

Cómo funciona el modelo

El modelo FontMART aprende a asociar fuentes con características específicas del lector. FontMART se capacitó con un estudio de legibilidad remota de 252 trabajadores colectivos y su información demográfica autoinformada. Las entrevistas con tipógrafos influyeron en la selección de las ocho fuentes utilizadas en el estudio. La selección final de fuentes incluyó fuentes de las familias serif (es decir, Georgia, Merriweather, Times y Source Serif Pro) y Sans Serif (es decir, Arial, Open Sans, Poppins y Roboto).

El efecto de una fuente varía según los lectores, según descubrieron los investigadores.

FontMART puede predecir las fuentes que funcionan bien para lectores específicos al comprender la relación entre las características de la fuente y las características del lector, como la familiaridad con la fuente, la velocidad de lectura autoinformada y la edad, según el estudio de FontMART. Entre las características consideradas, la edad juega el papel más importante cuando el modelo determina qué fuente se recomienda para los lectores.

Por ejemplo, las características de la fuente, como un peso más pesado, benefician la experiencia de lectura de los adultos mayores porque los trazos de fuente más gruesos son más fáciles de leer para las personas con una vista más débil y variable.

Se necesita más investigación y puede incluir una distribución de edad más amplia de los participantes para ser más representativos de la población general, evaluar la efectividad del modelo para otros contextos de lectura como formato largo o simple, y expandir los idiomas y las características de fuente asociadas para adaptarse mejor a la diversidad de lectores.

Las colaboraciones e investigaciones continuas ayudarán a expandir las características exploradas para mejorar el modelo FontMART y mejorar las experiencias de lectura individuales.

El Readability Consortium y el Virtual Readability Lab de UCF abordan cómo la personalización puede mejorar la eficiencia y la velocidad de lectura. Sawyer también dirige LabX, un grupo de neurociencia aplicada centrado en el rendimiento humano, y es profesor asociado de ingeniería industrial y sistemas de gestión. Sawyer recibió un doctorado en psicología de factores humanos y una maestría en ingeniería industrial de la UCF. Completó sus estudios postdoctorales en el MIT. + Explora más

Un estudio muestra que las fuentes personalizadas aceleran la lectura y mantienen la comprensión