PC Herramientas de Lectura

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.