Desarrollo de una herramienta para el aprendizaje del abecedario Ecuatoriano, basado en redes neuronales artificiales para la enseñanza inclusiva de lenguaje de señas

Vilma Carolina Armendariz Rodríguez, Alcibar Geovanny Chandi Enriquez, Alexandra de los Ángeles Milla Estrada, Lenin Javier Gallegos Nogales

Resumen


En este estudio, se desarrolló una aplicación de lenguaje de señas utilizando una red neuronal artificial creada mediante la herramienta Teachable de Google. Se evaluaron las métricas de precisión, sensibilidad y F1 Score utilizando una matriz de confusión para medir el rendimiento del modelo.


Los resultados obtenidos fueron destacables, con una precisión del 84%, una sensibilidad del 73% y un F1 Score del 78.11%. Estas métricas indican que el modelo logra una alta precisión en la clasificación de las letras del lenguaje de señas.


La aplicación creada tiene el potencial de facilitar la comunicación entre personas con deficiencia auditiva y aquellas que no conocen el lenguaje de señas. Además, el uso de la herramienta Teachable demostró ser eficiente y accesible para la creación de modelos de redes neuronales.


Estos resultados son prometedores y sugieren que la aplicación del aprendizaje automático y la inteligencia artificial en la interpretación del lenguaje de señas puede tener un impacto positivo en la inclusión y la comunicación efectiva. Sin embargo, se deben considerar las limitaciones de la herramienta Teachable, como la falta de flexibilidad para personalizar modelos más complejos y la dependencia de la plataforma en línea de Google.


En general, este estudio proporciona una base sólida para el desarrollo de aplicaciones de lenguaje de señas basadas en redes neuronales y destaca la importancia de las métricas de evaluación, como la precisión, la sensibilidad y el F1 Score, para medir el rendimiento y la efectividad de los modelos creados.


Palabras clave


red neuronal artificial; educación inclusiva; inteligencia artificial.

Texto completo:

PDF HTML XML

Referencias


Ahmed, T., Mita, A. F., Ray, S., & Haque, M. (2023). Engineering properties of concrete incorporating waste glass as natural sand substitution with tin can fiber: Experimental and Ann Application. Journal of Engineering and Applied Science, 70(1). https://doi.org/10.1186/s44147-023-00224-6

Al-azazi, F. A., & Ghurab, M. (2023). Ann-LSTM: A deep learning model for early student performance prediction in MOOC. Heliyon, 9(4). https://doi.org/10.1016/j.heliyon.2023.e15382

Antonenko, D., Fromm, A., Thams, F., Grittner, U., Meinzer, M., & Flöel, A. (2022). Microstructural and Functional Plasticity Following Repeated Brain Stimulation during Cognitive Training in Non-Demented Older Adults. https://doi.org/10.21203/rs.3.rs-2304556/v1

Castelo, M. J., Buñay, G., & Pillajo, B. (2021). Uso de Redes Neuronales Artificiales y Computación en la Nube para clasificar la cobertura del suelo en territorio ecuatoriano. POLO DE CONOCIMIENTO, 6(5), 14–28. https://doi.org/10.23857/pc.v6i5.2628

Das, S., Imtiaz, Md. S., Neom, N. H., Siddique, N., & Wang, H. (2023). A hybrid approach for Bangla sign language recognition using deep transfer learning model with random forest classifier. Expert Systems with Applications, 213, 118914. https://doi.org/10.1016/j.eswa.2022.118914

Fotso, J. E., Batchakui, B., Nkambou, R., & Okereke, G. (2022). Algorithms for the development of deep learning models for classification and prediction of learner behaviour in moocs. Artificial Intelligence for Data Science in Theory and Practice, 41–73. https://doi.org/10.1007/978-3-030-92245-0_3

Huang, Y.-M., Cheng, A.-Y., & Wu, T.-T. (2022). Analysis of learning behavior of human posture recognition in Maker Education. Frontiers in Psychology, 13. https://doi.org/10.3389/fpsyg.2022.868487

K, A., P, P., & Poonia, R. C. (2023). List: A lightweight framework for continuous indian sign language translation. Information, 14(2), 79. https://doi.org/10.3390/info14020079

Martins, R. M., von Wangenheim, C. G., Rauber, M. F., & Hauck, J. C. (2023). Machine learning for all!—introducing machine learning in middle and high school. International Journal of Artificial Intelligence in Education. https://doi.org/10.1007/s40593-022-00325-y

Mouti, S., & Rihawi, S. (2022). Special needs classroom assessment using a sign language communicator (CASC) based on artificial intelligence (AI) techniques. International Journal of E-Collaboration, 19(1), 1–15. https://doi.org/10.4018/ijec.313960

Nazaretsky, T., Bar, C., Walter, M., & Alexandron, G. (2021). Empowering Teachers with AI: Co-Designing a Learning Analytics Tool for Personalized Instruction in the Science Classroom. https://doi.org/10.35542/osf.io/krynm

Sanusi, I. T., Sunday, K., Oyelere, S. S., Suhonen, J., Vartiainen, H., & Tukiainen, M. (2023). Learning machine learning with young children: Exploring informal settings in an African context. Computer Science Education, 1–32. https://doi.org/10.1080/08993408.2023.2175559

Sethia, D., Singh, P., & Mohapatra, B. (2023). Gesture recognition for American sign language using Pytorch and Convolutional Neural Network. Lecture Notes in Electrical Engineering, 307–317. https://doi.org/10.1007/978-981-19-6581-4_24

Siddique, S., Islam, S., Neon, E. E., Sabbir, T., Naheen, I. T., & Khan, R. (2023). Deep learning-based Bangla sign language detection with an edge device. Intelligent Systems with Applications, 18, 200224. https://doi.org/10.1016/j.iswa.2023.200224




DOI: https://doi.org/10.23857/pc.v8i7.5774

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';





Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/