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