Cientistas da Aalto University criam modelo de IA de leitura para realidade aumentada e personalização de textos

Pesquisadores da Aalto University (Finlândia), em parceria com instituições internacionais, criaram o modelo computacional de leitura humana mais preciso até hoje. O novo sistema usa aprendizado por reforço — um tipo de IA oriundo da robótica — para reproduzir e explicar as decisões que o leitor toma ao percorrer um texto.

Por que é tão difícil modelar a leitura "à moda humana"?

Os movimentos dos olhos durante a leitura estão entre os processos cognitivos mais complexos de modelar: em um único segundo, a pessoa toma dezenas de decisões inconscientes. Os pesquisadores reproduziram os três tipos principais desses movimentos: sacadas (deslocamentos rápidos do olhar entre palavras), fixações (pausas para processar a informação) e regressões (retornos a um trecho que não foi compreendido).

Os modelos anteriores se baseavam em estatística e em regras fixas da psicolinguística, e lidavam mal com as diferenças individuais entre leitores. O agente de RL funciona de outra forma: ele aprende por tentativa e retorno de feedback, formando aos poucos uma estratégia adaptativa, sensível ao contexto — comprimento e frequência da palavra, complexidade sintática, objetivo do leitor.

• Desenvolvedor: Aalto University (Finlândia), em parceria com instituições internacionais
• Método: reinforcement learning — aprendizado por reforço
• Objeto: sacadas, fixações e regressões dos olhos durante a leitura
• Resultado: o modelo computacional de leitura mais preciso em agosto de 2026
• Aplicações: personalização de textos, realidade aumentada, acessibilidade e diagnóstico

"O novo modelo usa aprendizado por reforço — um tipo de IA oriundo da robótica — para explicar e reproduzir as decisões que os leitores tomam ao percorrer um texto", diz a descrição da pesquisa da

Aalto University.

Para que servirá o novo modelo?

Personalização de conteúdo: se o sistema sabe como um leitor específico percebe o texto, ele pode ajustar dinamicamente o comprimento das frases, a formatação e a distribuição de destaques. Para plataformas educacionais, isso afeta a assimilação do material; para veículos de mídia, a profundidade da leitura e a retenção do leitor.

Realidade aumentada: óculos e headsets de AR precisam saber para onde o usuário está olhando naquele instante, para sobrepor informações exatamente no foco, sem atraso nem deslocamento. Os eye trackers de hardware são precisos, mas caros e consomem muita energia. Um modelo preditivo no nível do software reduz a dependência de hardware especializado.

Acessibilidade e diagnóstico: em pessoas com dislexia ou déficit de atenção, as estratégias de leitura diferem de forma sistemática do padrão. Um modelo preciso pode identificar essas diferenças e ajudar a projetar interfaces de texto mais fáceis de ler para esses usuários.

Segundo a descrição da pesquisa da Aalto University, o uso de RL permitiu, pela primeira vez, reproduzir o próprio mecanismo de tomada de decisão na leitura — e não um padrão médio de movimentos oculares extraído de um conjunto de dados.

O que isso significa

Os modelos acadêmicos de leitura existem desde os estudos clássicos de psicolinguística da década de 1980. A migração para a abordagem de RL muda a natureza desses modelos: de descritivos, eles passam a explicativos e, potencialmente, adaptáveis ao indivíduo. Para desenvolvedores de interfaces de AR, plataformas de EdTech e editoras, é uma nova ferramenta de personalização sem sensores caros. Resta uma questão em aberto: até que ponto o modelo se generaliza para diferentes idiomas, sistemas de escrita e tipos de texto.

Perguntas frequentes

O que é aprendizado por reforço no contexto da leitura?

Aprendizado por reforço (reinforcement learning) é um método de IA em que o agente aprende por tentativa e erro, recebendo feedback do ambiente. A mesma tecnologia é usada na robótica e no treinamento de agentes de jogos; os pesquisadores da Aalto University a aplicaram para modelar como o leitor toma decisões ao percorrer um texto.

Como o novo modelo se diferencia dos anteriores?

Os modelos anteriores geravam previsões médias, com base em estatística e regras fixas. O novo reproduz um mecanismo adaptativo de tomada de decisão — dependente do contexto e mais próximo do comportamento de uma pessoa específica, e não de um grupo médio de participantes.