YembaEGRA — Construção de um Corpus de Reconhecimento de Voz por IA para Diagnosticar Défices de Leitura na Língua Yemba dos Camarões

Camarões tem mais de 200 línguas nacionais, e as escolas primárias reúnem rotineiramente crianças cuja proficiência em leitura deveria ser avaliada numa língua materna que poucos avaliadores treinados falam. Os protocolos padrão de Avaliação de Leitura no Início da Escolaridade (EGRA) exigem que um avaliador treinado teste individualmente cada criança, o que é lento e depende de pessoal multilingue escasso.

Os investigadores Arielle Kitio Tsamo, Paulin Melatagia Yonta e Sherelle Kana Azeuko, da Université de Yaoundé I, com financiamento do projeto EU Horizon 2020 MSCA-RISE 'Esperanto', construíram e publicaram o corpus de fala YembaEGRA (Mendeley Data, junho de 2025) para o yemba, uma língua bantu falada na região Bamileke dos Camarões: 69 alunos do 3º nível (36 raparigas, 33 rapazes) em Bamendou, na divisão de Haut-Nkam, cada um a ler 60 palavras ligadas ao currículo duas vezes, gerando 120 gravações rotuladas por criança, para treinar e validar modelos de reconhecimento automático de fala (ASR) sob uma estrutura diagnóstica 'testar-intervir-testar novamente'.

O artigo de 2024 propõe que um modelo ASR ouça uma criança a ler em voz alta, classifique qual a subcompetência de leitura específica (descodificação, fluência, compreensão) que está mais fraca, e assinale onde um professor deve intervir; um facilitador educativo selecionou as palavras para corresponder a oito áreas temáticas do currículo nacional, e um especialista na língua yemba traduziu-as e reviu-as.

À data da publicação, trata-se de um esforço de construção de corpus e de desenvolvimento de modelo, e não de uma ferramenta implementada em sala de aula e avaliada quanto a resultados: ainda não existem dados publicados que mostrem se as intervenções assinaladas por ASR melhoram efetivamente as pontuações de leitura das crianças. O projeto destaca-se sobretudo por demonstrar um método replicável e de baixo custo que outras comunidades linguísticas com poucos recursos poderiam usar para construir os seus próprios dados de treino EGRA-IA.