Класифициране на AAC символи за лесно използване

Въпросите около класификацията на символите стават още по-важни, когато се обмисля диапазон от езици, които имат малко общо. Особено ако те не са част от европейската група езици.

Проблеми около правописа и промените, които диакритичните знаци могат да направят на текста към речевия изход. Или разположение отляво надясно и отдясно наляво, ако се мисли за преминаване през изречение или фрази с минимален брой избори и разстояние за покриване.

В миналото AAC символите често са били класифицирани по тяхното използване:

• С помощ vs. Без помощ: Дали символът изисква външно устройство или инструмент (с помощ, като картина на дъска) или се произвежда от тялото (без помощ, като жест).
• Статични vs. Динамични: Дали символът е неподвижен (статичен, като печатно слово или картина) или се променя с времето (динамичен, като жест или анимация).
• Иконични vs. Непрозрачни: Колко символът визуално прилича на своя референт (иконичните символи са лесно разгадаваеми, непрозрачните не са).
• Комплект vs. Система: Дали колекцията от символи има вътрешни генеративни правила за създаване на нови символи (система) или е фиксиран списък (комплект).

Pampoulou и Fuller предложиха Многомерният кватернарен символен континуум (MQSC)

• Неезикови символи: Тези имат малко или никаква присъща вътрешна логика и почти несъществуващи възможности за разширяване. Всички нови символи трябва да бъдат предоставени от разработчика (напр. прост, фиксиран комплект от пиктограми).
• Пре-езикови символи: Тези имат елементарна вътрешна логика, позволяваща известно ограничено разширяване или модификация (напр. някои комплекти символи, където се прилагат прости правила).
• Езикови символи: Тези притежават сложна вътрешна логика (генеративни правила), която позволява на потребителя да създава почти неограничени нови символи и да изразява широк диапазон от идеи и мисли (напр. Blissymbols, които имат присъща логика, позволяваща генериране на сложни значения).

Но какво, ако трябва да класифицираме символите по тема, част на речта и други характеристики като култура, език и основно или периферно използване. Може би с подкрепата на AI модели това може да се направи по-лесно, тъй като всички предишни класификации са били главно използвани за изследвания и са трябвало да се извършват ръчно - добавени в база данни за филтриране. Големи езикови модели и визуално разпознаване може да влязат в игра, въпреки че ясно абстрактните символни концепции и липсата на добре етикетирани данни за обучение може да бъде проблем.