Klasificiranje AAC simbola radi lakše uporabe

Pitanja oko klasifikacije simbola postaju još važnija kada se razmatra raspon jezika koji imaju malo toga zajedničkog. Posebno ako nisu dio europske skupine jezika.

Pitanja oko ortografije i promjena koje dijakritici mogu unijeti u izlaz pretvorbe teksta u govor. Ili smještaj slijeva nadesno i zdesna nalijevo ako se razmišlja o kretanju kroz rečenicu ili fraze s minimalnim brojem odabira i udaljenosti koju treba prijeći.

U prošlosti su AAC simboli često klasificirani prema uporabi:

• Potpomognuti naspram nepotpomognutih: Treba li simbolu vanjski uređaj ili instrument (potpomognuti, poput slike na ploči) ili ga proizvodi tijelo (nepotpomognuti, poput geste).

• Statični naspram dinamičnih: Je li simbol nepomičan (statičan, poput tiskane riječi ili slike) ili se mijenja s vremenom (dinamičan, poput geste ili animacije).

• Ikonični naspram neprozirnih: Koliko simbol vizualno nalikuje svom referentu (ikonični su simboli lako pogodivi, neprozirni nisu).

• Skup naspram sustava: Ima li zbirka simbola unutarnja generativna pravila za stvaranje novih simbola (sustav) ili je fiksni popis (skup).

Pampoulou i Fuller predložili su The Multidimensional Quaternary Symbol Continuum (MQSC)

• Nelingvistički simboli: Imaju malo ili nimalo inherentne unutarnje logike i gotovo nepostojeće mogućnosti proširenja. Sve nove simbole mora osigurati razvojni tim (npr. jednostavan, fiksni skup piktograma).

• Predlingvistički simboli: Imaju rudimentarnu unutarnju logiku, što omogućuje ograničeno proširenje ili izmjenu (npr. neki skupovi simbola u kojima vrijede jednostavna pravila).

• Lingvistički simboli: Posjeduju sofisticiranu unutarnju logiku (generativna pravila), što korisniku omogućuje stvaranje gotovo neograničenog broja novih simbola i izražavanje širokog raspona ideja i misli (npr. Blissymbols, koji imaju inherentnu logiku koja omogućuje složeno stvaranje značenja).

No što ako bismo trebali klasificirati simbole prema temi, vrsti riječi i drugim značajkama poput kulture, jezika te jezgrene ili rubne uporabe. Možda uz podršku AI modela to bi se moglo učiniti lakše jer su sve prethodne klasifikacije uglavnom korištene za istraživanje i morale su se obavljati ručno – dodavane u bazu podataka za filtriranje. Veliki jezični modeli i vizualno prepoznavanje mogli bi doći u obzir, iako su apstraktni pojmovi simbola i nedostatak dobro označenih podataka za treniranje očito problem.