YembaEGRA — Construcción de un corpus de reconocimiento de voz con IA para diagnosticar dificultades de lectura en la lengua yemba de Camerún

Camerún tiene más de 200 lenguas nacionales, y sus escuelas primarias mezclan habitualmente a niños cuya competencia lectora debería evaluarse en una lengua materna que pocos evaluadores capacitados hablan. Los protocolos estándar de Evaluación de Lectura en los Primeros Grados (EGRA) exigen que un evaluador capacitado examine individualmente a cada niño, lo cual es lento y depende de personal multilingüe escaso.

Las investigadoras e investigador Arielle Kitio Tsamo, Paulin Melatagia Yonta y Sherelle Kana Azeuko, de la Université de Yaoundé I, con financiación del proyecto UE Horizonte 2020 MSCA-RISE 'Esperanto', construyeron y publicaron el corpus de voz YembaEGRA (Mendeley Data, junio de 2025) para el yemba, una lengua bantú hablada en la región Bamileke de Camerún: 69 alumnos de nivel 3 (36 niñas, 33 niños) en Bamendou, en la división de Haut-Nkam, cada uno leyó 60 palabras vinculadas al currículo dos veces, generando 120 grabaciones etiquetadas por niño, para entrenar y validar modelos de reconocimiento automático de voz (ASR) bajo un marco diagnóstico de 'probar-intervenir-volver a probar'.

El artículo de 2024 propone que un modelo ASR escuche a un niño leer en voz alta, clasifique qué subhabilidad lectora específica (decodificación, fluidez, comprensión) es débil, y señale dónde debería intervenir un docente; un facilitador educativo seleccionó las palabras para que coincidieran con ocho áreas temáticas del currículo nacional, y un especialista en lengua yemba las tradujo y revisó.

Hasta la fecha de publicación, se trata de un esfuerzo de construcción de corpus y desarrollo de modelo, no de una herramienta desplegada en el aula y evaluada en cuanto a resultados: todavía no existen datos publicados que muestren si las intervenciones señaladas por ASR mejoran realmente las puntuaciones de lectura de los niños. El proyecto destaca sobre todo por demostrar un método replicable y de bajo coste que otras comunidades lingüísticas con pocos recursos podrían usar para construir sus propios datos de entrenamiento EGRA-IA.