Classer les symboles AAC pour faciliter leur usage

Les questions autour de la classification des symboles deviennent encore plus importantes lorsqu’on considère une gamme de langues qui ont peu en commun. En particulier si elles ne font pas partie du groupe des langues européennes.

Les enjeux autour de l’orthographe et des changements que les diacritiques peuvent apporter à la sortie de synthèse vocale. Ou le placement de gauche à droite et de droite à gauche si l’on pense à parcourir une phrase ou des locutions avec un nombre minimal de sélections et de distance à parcourir.

Par le passé, les symboles AAC ont souvent été classés selon leur usage :

• Aided vs. Unaided : Si le symbole nécessite un dispositif ou un instrument externe (aided, comme une image sur un tableau) ou est produit par le corps (unaided, comme un geste).

• Static vs. Dynamic : Si le symbole est immobile (static, comme un mot imprimé ou une image) ou change dans le temps (dynamic, comme un geste ou une animation).

• Iconic vs. Opaque : Dans quelle mesure le symbole ressemble visuellement à son référent (les symboles iconiques sont facilement devinables, les opaques ne le sont pas).

• Set vs. System : Si la collection de symboles a des règles génératives internes pour créer de nouveaux symboles (system) ou est une liste fixe (set).

Pampoulou et Fuller ont proposé The Multidimensional Quaternary Symbol Continuum (MQSC)

• Non-linguistic Symbols : Ceux-ci ont peu ou pas de logique interne inhérente et des capacités d’expansion quasiment inexistantes. Tout nouveau symbole doit être fourni par le développeur (par ex. un jeu simple et fixe de pictogrammes).

• Pre-linguistic Symbols : Ceux-ci ont une logique interne rudimentaire, permettant une expansion ou une modification limitée (par ex. certains jeux de symboles où s’appliquent des règles simples).

• Linguistic Symbols : Ceux-ci possèdent une logique interne sophistiquée (règles génératives), permettant à l’utilisateur de créer un nombre pratiquement illimité de nouveaux symboles et d’exprimer un large éventail d’idées et de pensées (par ex. Blissymbols, qui ont une logique inhérente permettant une génération de sens complexe).

Mais que se passerait-il s’il nous fallait classer les symboles par thème, partie du discours et d’autres caractéristiques telles que la culture, la langue et l’usage core ou fringe. Peut-être qu’avec le soutien de modèles AI cela pourrait se faire plus facilement car toutes les classifications précédentes ont surtout été utilisées pour la recherche et ont dû être réalisées manuellement – ajoutées à une base de données pour le filtrage. Les Large Language Models et la reconnaissance visuelle pourraient entrer en jeu, bien que les concepts de symboles abstraits et un manque de données d’entraînement bien étiquetées puissent clairement poser problème.