Identificando as principais dificuldades na compreensão de gráficos pelos cidadãos cegos

• João Marques Universidade Federal do Estado do Rio de Janeiro
• Simone Ferreira Universidade Federal do Estado do Rio de Janeiro
• Claudia Cappelli Universidade Federal do Estado do Rio de Janeiro

DOI: https://doi.org/10.5753/sbsi.2017.6031

Resumo

Com o avanço da internet e a era da transparência, diversas organizações começaram a divulgar uma variedade de informações e serviços na web. Porém muitas dessas informações são inacessíveis para os deficientes visuais, como as informações apresentadas em forma gráfica. Buscando reduzir esta falta de acessibilidade a essas informações, a presente pesquisa se propõe a identificar as principais dificuldades relacionadas ao entendimento de imagens em sites web governamentais para cidadãos cegos e para propor recomendações para o desenvolvimento destes, de forma que os profissionais envolvidos na disponibilização de informações gráficas possam torná-las mais inteligíveis aos cidadãos cegos.

Palavras-chave: Acessibilidade, entendimento de informações gráficas, transparência

Referências

Abadi, M. et al. 2015. TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems, http://download.tensorflow.org/paper/whitepaper2015.pdf.

Arel, I., Rose, D. C. and Karnowski, T. P. 2010. Deep Machine Learning – A new Frontier in Artificial Intelligence Research. IEEE Computational Intelligence Magazine, 5, 10 (Oct. 2010), 13-18. DOI=http://dx.doi.org/10.1109/MCI.2010.938364.

Charness, G., Gneezy, U. and Kuhn, M. A. 2011. Experimental methods: Between-subject and within-subject design. Journal of Economic Behavior & Organization 81, 1 (Jan. 2012), 1-8. DOI=http://dx.doi.org/10.1016/j.jebo.2011.08.009.

Govoni, D. 1999. Java Application Frameworks. John Wiley & Sons Inc..

IEEE 2016. Interactive: The Top Programming Languages 2016, http://spectrum.ieee.org/static/interactive-the-topprogramming-languages-2016.

ISO/IEC 2001. International Standard ISO/IEC 9126-1. Software engineering - Product quality - Part 1: Quality model.

KDnuggets 2016. R, Python Duel As Top Analytics, Data Science software, http://www.kdnuggets.com/2016/06/rpython-top-analytics-data-mining-data-sciencesoftware.html.

Lecun, Y., Bengio, Y. and Hinton, G. 2015. Deep Learning. Nature, 521 (May. 2015), 436-444. DOI=http://dx.doi.org/10.1038/nature14539.

Lin, H. X., Choong, Y. and Salvendy, G. A. 1997. Proposed index of usability: A method for comparing the relative usability of different software systems. Journal of Economic Behavior & Organization, 16, 4-5, 267-277. DOI=http://dx.doi.org/10.1080/014492997119833.

Mayhew, D. J. 1999. The Usability Engineering Lifecycle. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (The Pittsburgh, The Pennsylvania, May 15 - 20, 1999). CHI ’99. ACM, New York, NY, 147- 148. DOI=http://doi.org/10.1145/632716.632805.

Nickerson, R. and Landauer, T., 1997. Human-computer interaction: Background and issues. In Handbook of HumanComputer Interaction, 2nd edition. M. G. Helander, T. K. Landauer, and P. V. Prabhu, Eds. Elsevier Science. Elsevier Science, Amsterdam, NL, 3-31.

Nielsen, J. 1993. Usability Engineering. Academic Press Limited, 23-70.

Nielsen, J. 1994. Usability Inspection Methods. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (The Boston, The Massachusetts, April 24 - 28, 1994). CHI ’94. ACM, New York, NY, 413- 414. DOI=http://doi.org/10.1145/259963.260531.

Nielsen, J. 2012. Usability 101: Introduction to Usability. https://www.nngroup.com/articles/usability-101- introduction-to-usability/.

Rampasek, L. and Goldenberg, A. 2016. TensorFlow: Biology’s Gateway to Deep Learning?. Cell Systems, 1, 2 (Jan. 2016), 12-14. DOI= http://dx.doi.org/10.1016/j.cels.2016.01.009.

Winckler, M. and Pimenta, M. S. 2002. Avaliação de usabilidade de sites web. In Proceedings of Escola de Informática da SBC Sul (The Porto Alegre, The Rio Grande do Sul, May 13 - 17, 2002). ERI-2002. SBC, Caxias do Sul, RS, 87-13.