Predicción de la siguiente palabra en un tablero digital de comunicación para niños con parálisis cerebral

Abstract

La comunicación es un proceso central dentro del entendimiento entre las personas de nuestra sociedad. Para la mayoría de las personas, expresarse de manera comunicativa ocurre de forma natural e intuitiva. Sin embargo, para parte de la población que posee algún tipo de impedimento del habla, como lo son las personas que padecen parálisis cerebral (PC), la tarea de comunicarse es muy compleja e incluso imposible.

Para mejorar la comunicación de las personas que padezcan enfermedades que afectan su comunicación, existen Sistemas Alternativos y Aumentativos de Comunicación (SAAC), como lo son los tableros digitales en base a pictogramas. En estos, el usuario debe seleccionar iconos asociados a palabras en forma secuencial para así hilar oraciones.

En este trabajo de título se busca integrar un sistema de predicción de la palabra siguiente a un tablero digital de comunicación basado en pictogramas para niños con parálisis cerebral. Esto con el fin de aumentar la utilidad y el valor que percibe el usuario al utilizar la aplicación. Permitiendo una comunicación más eficaz y fluida para el usuario.

Se desarrollan tres modelos de predicción distintos, uno en base a Frecuencias de las palabras, uno basado en procesos de cadena de Markov y uno basado en Transformadores. Los cuales serán evaluados de manera intrínseca y extrínseca para determinar si es que agregan utilidad y valor al tablero ya existente y en particular, para determinar cual de estos tres modelos es el que mejor se adapta a la solución.

De forma intrínseca se muestra como resultado que el modelo de Markov y el de Transformadores producen predicciones mucho más acertadas que el modelo básico que utiliza frecuencias relativas para estimar la probabilidad de la palabra siguiente.

Al realizar una comparativa extrínseca entre los modelos de predicción permite llegar a la conclusión que todos los modelos diseñados mejoran la comunicación al ser integrados en la aplicación. Además se muestra un desempeño transversalmente más eficiente para el modelo de Markov y el de Transformadores. \\

Al considerar el contexto particular y las limitaciones entre en las cuales se enmarca este trabajo de título, se determinó que el modelo que entrega una utilidad y valor agregado mayor a la aplicación es el basado en las cadenas de Markov.