Klassifizierung von AAC-Symbolen für einfache Verwendung

Fragen rund um die Klassifizierung von Symbolen werden noch wichtiger, wenn man eine Reihe von Sprachen in Betracht zieht, die wenig gemeinsam haben. Insbesondere wenn sie nicht Teil der europäischen Sprachgruppe sind.

Probleme rund um Orthographie und die Änderungen, die diakritische Zeichen an der Text-zu-Sprache-Ausgabe vornehmen können. Oder Links-nach-Rechts- und Rechts-nach-Links-Platzierung, wenn man daran denkt, durch einen Satz oder Phrasen mit einer minimalen Anzahl von Auswahlen und zurückzulegender Distanz zu gehen.

In der Vergangenheit wurden AAC-Symbole oft nach ihrer Verwendung klassifiziert:

• Gestützt vs. Ungestützt: Ob das Symbol ein externes Gerät oder Instrument erfordert (gestützt, wie ein Bild auf einer Tafel) oder vom Körper produziert wird (ungestützt, wie eine Geste).
• Statisch vs. Dynamisch: Ob das Symbol bewegungslos ist (statisch, wie ein gedrucktes Wort oder Bild) oder sich im Laufe der Zeit ändert (dynamisch, wie eine Geste oder Animation).
• Ikonisch vs. Opak: Wie sehr das Symbol visuell seinem Referenten ähnelt (ikonische Symbole sind leicht erratbar, opake nicht).
• Set vs. System: Ob die Symbolsammlung interne generative Regeln zur Erstellung neuer Symbole hat (System) oder eine feste Liste ist (Set). 

Pampoulou und Fuller schlugen The Multidimensional Quaternary Symbol Continuum (MQSC)

• Nicht-linguistische Symbole: Diese haben wenig bis keine inhärente interne Logik und praktisch nicht existierende Erweiterungsfähigkeiten. Alle neuen Symbole müssen vom Entwickler bereitgestellt werden (z. B. ein einfacher, fester Satz von Piktogrammen).
• Prä-linguistische Symbole: Diese haben eine rudimentäre interne Logik, die eine begrenzte Erweiterung oder Modifikation ermöglicht (z. B. einige Symbolsätze, bei denen einfache Regeln gelten).
• Linguistische Symbole: Diese besitzen eine ausgeklügelte interne Logik (generative Regeln), die es dem Benutzer ermöglicht, praktisch unbegrenzt neue Symbole zu erstellen und eine breite Palette von Ideen und Gedanken auszudrücken (z. B. Blissymbols, die eine inhärente Logik haben, die komplexe Bedeutungsgenerierung ermöglicht). 

Aber was ist, wenn wir Symbole nach Thema, Wortart und anderen Merkmalen wie Kultur, Sprache und Kern- oder Randnutzung klassifizieren müssten. Vielleicht könnte dies mit der Unterstützung von KI-Modellen einfacher durchgeführt werden, da alle vorherigen Klassifizierungen hauptsächlich für die Forschung verwendet wurden und manuell durchgeführt werden mussten - zu einer Datenbank für Filterung hinzugefügt. Große Sprachmodelle und visuelle Erkennung könnten ins Spiel kommen, obwohl klar abstrakte Symbolkonzepte und ein Mangel an gut beschrifteten Trainingsdaten ein Problem sein könnten.