AAC-symbolen classificeren voor gebruiksgemak

Vragen rond de classificatie van symbolen worden nog belangrijker bij het overwegen van een reeks talen die weinig gemeen hebben. In het bijzonder als ze geen deel uitmaken van de Europese groep talen.

Problemen rond orthografie en de veranderingen die diakritische tekens kunnen maken aan tekst-naar-spraak-uitvoer. Of links naar rechts en rechts naar links plaatsing als men denkt aan het doorlopen van een zin of zinnen met een minimaal aantal selecties en afstand om te overbruggen.

In het verleden zijn AAC-symbolen vaak geclassificeerd op hun gebruik:

• Geholpen vs. Ongeholpen: Of het symbool een extern apparaat of instrument vereist (geholpen, zoals een afbeelding op een board) of wordt geproduceerd door het lichaam (ongeholpen, zoals een gebaar).
• Statisch vs. Dynamisch: Of het symbool bewegingloos is (statisch, zoals een gedrukt woord of afbeelding) of in de loop van de tijd verandert (dynamisch, zoals een gebaar of animatie).
• Iconisch vs. Ondoorzichtig: Hoeveel het symbool visueel lijkt op zijn referent (iconische symbolen zijn gemakkelijk raadbaar, ondoorzichtige niet).
• Set vs. Systeem: Of de symbolenverzameling interne generatieve regels heeft voor het creëren van nieuwe symbolen (systeem) of een vaste lijst is (set). 

Pampoulou en Fuller stelden voor Het Multidimensionale Quaternaire Symbolen Continuüm (MQSC) 

• Niet-linguïstische Symbolen: Deze hebben weinig tot geen inherente interne logica en vrijwel niet-bestaande uitbreidingsmogelijkheden. Alle nieuwe symbolen moeten worden verstrekt door de ontwikkelaar (bijv. een eenvoudige, vaste set pictogrammen).
• Pre-linguïstische Symbolen: Deze hebben een rudimentaire interne logica, waardoor enige beperkte uitbreiding of wijziging mogelijk is (bijv. sommige symbolensets waar eenvoudige regels van toepassing zijn).
• Linguïstische Symbolen: Deze bezitten een geavanceerde interne logica (generatieve regels), waardoor de gebruiker vrijwel onbeperkt nieuwe symbolen kan creëren en een breed scala aan ideeën en gedachten kan uitdrukken (bijv. Blissymbols, die een inherente logica hebben die complexe betekenisgeneratie mogelijk maakt). 

Maar wat als we symbolen moesten classificeren op onderwerp, woordsoort en andere kenmerken zoals cultuur, taal en kern- of randgebruik. Misschien met de ondersteuning van AI-modellen zou dit gemakkelijker kunnen worden gedaan, aangezien alle eerdere classificaties voornamelijk zijn gebruikt voor onderzoek en handmatig moesten worden uitgevoerd - toegevoegd aan een database voor filtering.     Grote Taalmodellen en visuele herkenning  zouden een rol kunnen spelen, hoewel duidelijk abstracte symbolconcepten en een gebrek aan goed gelabelde trainingsdata een probleem kunnen zijn.