Aplicación Educativa para el aprendizaje de un corpus de palabras en Náhuatl

Manuel Alejandro Ojeda-Misses; Luis Alonso Octaviano Bautista; Anilu Franco Arcega; Virgilio López-Morales; Aldo Márquez-Grajales; Fernando Salas-Martínez

doi:10.29057/icbi.v14iEspecial.15351

Autores/as

Manuel Alejandro Ojeda-Misses Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0003-3963-5399
Luis Alonso Octaviano Bautista Universidad Autónoma del Estado de Hidalgo https://orcid.org/0009-0000-6284-4071
Anilu Franco Arcega Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-9415-8313
Virgilio López-Morales Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0003-2043-8766
Aldo Márquez-Grajales Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0001-9567-2069
Fernando Salas-Martínez Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-5104-5167

DOI:

https://doi.org/10.29057/icbi.v14iEspecial.15351

Palabras clave:

Aplicación de escritorio, aprendizaje, Náhuatl, red neuronal, LSTM

Resumen

En este artículo se presenta una aplicación educativa interactiva para el aprendizaje de un corpus de palabras de la lengua indígena náhuatl, haciendo uso de redes neuronales con memoria a largo y corto plazo (LSTM). El objetivo de la aplicación basada en redes neuronales es el desarrollo de un traductor náhuatl–español, con el fin de preservar y promover la lengua indígena. La aplicación ofrece una herramienta educativa accesible y moderna, utilizando tecnologías innovadoras como las redes neuronales para facilitar la comprensión y traducción de palabras, así como la difusión de aspectos históricos y culturales asociados con la lengua náhuatl. El corpus de palabras incluye saludos, integrantes de la familia, frutas, animales y partes del cuerpo, los cuales conforman una base de datos capaz de ser traducida en la aplicación. Una vez aprendidas, las palabras del corpus pueden aplicarse y utilizarse en el desarrollo de diversos juegos. La interfaz de usuario fue diseñada para ser intuitiva y atractiva, ofreciendo contenidos que van desde información histórica hasta juegos como un memorama y el juego del ahorcado. Para la evaluación del aprendizaje, se aplicaron instrumentos que permitieron medir el conocimiento inicial del lenguaje náhuatl (pretest) y el conocimiento adquirido al final de las actividades (postest). Asimismo, se evaluaron la efectividad de la aplicación y la experiencia del usuario mediante una escala de usabilidad percibida, así como la ergonomía del sistema. Finalmente, la aplicación fue puesta a prueba con alumnos de primaria, quienes aprendieron de manera constructiva e interactiva el corpus de palabras mediante los juegos mencionados.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Manuel Alejandro Ojeda-Misses, Universidad Autónoma del Estado de Hidalgo

Manuel Alejandro Ojeda Misses es Doctor en Ciencias por el Departamento de Control Automático del Centro de Investigaciones y Estudios Avanzados del Instituto Politécnico Nacional (México). Obtuvo el título en Ingeniería Mecatrónica por del Instituto Politécnico Nacional en 2013. Acreditó la Maestría en Control Automático en 2015 (CINVESTAV). Sus intereses de investigación incluyen Desarrollo de plataformas educativas, Robótica ludoeducativa, Sistemas Mecatrónicos, Control Automático, Redes Neuronales y Electrónica Aplicada.

Citas

Afifah, N., Yulita, S., y Sarathan, M. (2021). Natural Language Processing for Automatic Sentiment Analysis in Social Media Data. International Journal of Information Engineering and Science, 1(1), 16–19. https://doi.org/10.62951/ijies.v1i2.54

Bautista Morales, R., Martínez Ramírez, Y., Rocha Peña, L. E., y Montes Santiago, R. E. (2024). Arquitectura de un traductor automático para el idioma mixteco: Un enfoque específico para lenguas indígenas con escasos recursos lingüísticos. Revista de Investigación en Tecnologías de la Información, 12(28 Especial), 71–81. https://doi.org/10.36825/RITI.12.28.007

Brownlee, J. (2020). Deep learning for time series forecasting: Predict the future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery.

Çelik, T., y Koç, E. (2021). Natural Language Processing Techniques for Text Classification of Biomedical Documents: A Systematic Review. Information, 13(10), 499. https://doi.org/10.3390/info13100499

Creswell, J. W., y Poth, C. N. (2018). Qualitative Inquiry & Research Design: Choosing Among Five Approaches (4a ed.). SAGE Publications.

Devlin, J., Chang, M.-W., Lee, K., y Toutanova, K. (2019). BERT: Pre-training deep bidirectional transformers for language understanding. arXiv. https://doi.org/10.48550/arXiv.1810.04805

Gers, F. A., Schmidhuber, J., y Cummins, F. (2000). Learning to forget: Continual prediction with LSTM. Neural Computation, 12(10), 2451–2471. https://doi.org/10.1162/089976600300015015

Gers, F. A., Schraudolph, N. N., y Schmidhuber, J. (2002). Learning precise timing with LSTM recurrent networks. Journal of Machine Learning Research, 3(Aug), 115–143. https://doi.org/10.1162/153244303768966139

González Servín, C. (2022). Traductor automático de la lengua purépecha al español usando redes transformer. Tesis de Licenciatura, Universidad Michoacana de San Nicolás de Hidalgo. http://bibliotecavirtual.dgb.umich.mx:8083/xmlui/handle/DGB_UMICH/12218

Gutiérrez-Vasques, X., Sierra, G., y Hernández Pompa, I. (2016). Axolotl: A web accessible parallel corpus for Spanish-Nahuatl. Proceedings of the Tenth International Conference on Language Resources and Evaluation (LREC 2016), 4210–4214.

HaCohen-Kerner, Y., Miller, D., y Yigal, Y. (2020). The influence of preprocessing on text classification using a bag-of-words representation. PLOS ONE, 15(5), e0232525. https://doi.org/10.1371/journal.pone.0232525

Herrera-Ortiz, J., Peña-Avilés, J., Herrera-Valdivieso, M., y Moreno-Morán, D. (2024). La inteligencia artificial y su impacto en la comunicación: recorrido y perspectivas. Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales, 26(1), 278–296. https://doi.org/10.36390/telos261.18

Hidalgo-Ternero, R. (2020). Traducción automática neuronal: Un enfoque para mejorar la calidad y fluidez en la traducción de lenguas indígenas. Revista de Lingüística y Lenguas Aplicadas, 15(2), 45–58.

INEGI. (2024). Estadísticas a propósito del día internacional de los pueblos indígenas, Comunicado de prensa núm. 472/24. Disponible: mayo 2025. https://www.inegi.org.mx/contenidos/saladeprensa/aproposito/2024/EAP_PueblosInd24.pdf

Javed, A., Zan, H., Mamyrbayev, O., Abdullah, M., Ahmed, K., Oralbekova, D., Dinara, K., y Akhmediyarova, A. (2025). Modelo de reordenamiento basado en transformadores para mejorar la traducción contextual y sintáctica en la traducción automática neuronal de bajos recursos. Electronics, 14(2), 243. https://doi.org/10.3390/electronics14020243

Jia, Y., Wu, Z., Xu, Y., Ke, D., y Su, K. (2017). Long short-term memory projection recurrent neural network architectures for piano’s continuous note recognition. Journal of Robotics, 2017, 1–7. https://doi.org/10.1155/2017/2061827

Kalyan, K. S., Rajasekharan, A., y Sangeetha, S. Ammus. (2021). Un estudio de modelos preentrenados basados en transformadores en el procesamiento del lenguaje natural. ArXiv, arXiv:2108.05542.

Kang, H., Yang, S., Huang, J., y Oh, J. (2020). Time series prediction of wastewater flow rate by bidirectional LSTM deep learning. International Journal of Control, Automation Systems, 18, 3023–3030. https://doi.org/10.1007/s12555-019-0984-6

Kang, L., Di, L., Deng, M., Yu, E., y Xu, Y. (2016). Forecasting vegetation index based on vegetation-meteorological factor interactions with artificial neural network. 2016 Fifth International Conference on Agro-Geoinformatics (Agro-Geoinformatics).

Kurniawan, R., y Maharani, D. (2020). Natural Language Processing for Automatic Sentiment Analysis in Social Media Data. International Journal of Information Engineering and Science, 1(1), 16–19. https://doi.org/10.62951/ijies.v1i2.54

Liang, Y., Liu, X., y Zhang, Y. (2020). Challenges in word vectorization for indigenous languages: A case study on Nahuatl. Proceedings of the 12th International Conference on Language Resources and Evaluation (LREC 2020), 1234–1241.

Nahapetyan, Y. (2019). The benefits of the Velvet Revolution in Armenia: Estimation of the short-term economic gains using deep neural networks. Central European Economic Journal, 6(53), 286–303. https://doi.org/10.2478/ceej-2019-0018

Nielsen, J. (1994). Usability Engineering. Morgan Kaufmann Publishers.

Nurdin, N., y Maharani, D. (2020). Natural Language Processing for Automatic Sentiment Analysis in Social Media Data. International Journal of Information Engineering and Science, 1(1), 16–19. https://doi.org/10.62951/ijies.v1i2.54

Reddy, D. S., y Prasad, P. R. C. (2018). Prediction of vegetation dynamics using NDVI time series data and LSTM. Modeling Earth Systems Environment, 4, 409–419. https://doi.org/10.1007/s40808-018-0431-3

Rubin, J., y Chisnell, D. (2008). Handbook of Usability Testing: How to Plan, Design, and Conduct Effective Tests (2a ed.). Wiley Publishing.

Santiago-Benito, H., Córdova-Esparza, D.-M., Castro Sánchez, N.-A., García-Ramírez, T., Romero-González, J.-A., y Terven, J. (2024). Automatic Translation from Mixtec to Spanish Languages Using Neural Networks. Applied Sciences, 14, 2958. https://doi.org/10.3390/app14072958

Torres-Moreno, J.-M., Guzmán-Landa, J.-J., Ranger, G., Avendaño Garrido, M. L., Figueroa-Saavedra, M., Quintana-Torres, L., González-Gallardo, C.-E., Linhares Pontes, E., Velázquez Morales, P., y Moreno Jiménez, L.-G. (2024). $π$-yalli: Un nouveau corpus pour le nahuatl. arXiv. https://doi.org/10.48550/arXiv.2412.15821

Zacarias, Márquez, D., y Meza, Ruiz, I. V. (2021). Traductor automático.