• modelli della lettura
• neural network
• reading models
• reti neurali

Questo lavoro si concentra sull'analisi e il confronto tra modelli basati su regole e modelli di machine learning nel campo della lettura. Vengono utilizzate quattro architetture di reti neurali, tra cui MLP, RNN, LSTM e GRU, per valutare le prestazioni di entrambi i tipi di modelli. L'obiettivo è comprendere le problematiche e le potenzialità di ciascun approccio nella comprensione e nella previsione del comportamento di lettura. I risultati hanno mostrato che le reti neurali, in particolare LSTM e GRU, hanno ottenuto prestazioni migliori rispetto ai modelli basati su regole nella previsione dei tempi di fissazione delle parole e nella probabilità di fissazione. Tuttavia, entrambi gli approcci hanno presentato punti di forza e debolezze, suggerendo che un'implementazione combinata di entrambi potrebbe essere vantaggiosa per la modellizzazione dei fenomeni della lettura.

This work focuses on the analysis and comparison of rule-based models and machine learning models in the field of reading. Four neural network architectures, including MLP, RNN, LSTM, and GRU, are used to evaluate the performance of both types of models. The goal is to understand the challenges and potential of each approach in understanding and predicting reading behavior. The results showed that neural networks, especially LSTM and GRU, outperformed rule-based models in predicting word fixation times and fixation probabilities. However, both approaches exhibited strengths and weaknesses, suggesting that a combined implementation of both could be advantageous for modeling reading phenomena.