Caso de factibilidad (3 participantes) de un sistema de habla en público en RV en árabe con detector automatizado de eventos de tartamudez

Contexto

Evaluar la fluidez del habla normalmente requiere que un clínico cuente y clasifique manualmente cada momento de tartamudez durante una conversación o tarea de lectura. Este proceso es laborioso, subjetivo y puede variar entre observadores. Para las personas que tartamudean, la conciencia de ser estrechamente monitorizadas también puede cambiar su forma de hablar. Un segundo desafío es el acceso: la mayor parte de la investigación sobre RV en tartamudez se ha realizado con poblaciones de habla inglesa, con un trabajo equivalente muy limitado en árabe. Al-Nafjan, Alghamdi y Almudhi - trabajando en tres universidades saudíes (Imam Muhammad bin Saud, King Saud y King Khalid) - se propusieron abordar ambos desafíos desarrollando un entorno de habla en público en RV en árabe con un analizador de habla automatizado integrado.

Qué hicieron los investigadores

El equipo construyó un sistema de dos componentes: (1) un componente de RV que sitúa al participante en un podio virtual frente a una audiencia virtual, admitiendo tres configuraciones de tamaño de audiencia (5, 8 y 11 avatares en los niveles 1, 2 y 3 respectivamente), construido en Blender para el modelado de personajes, Mixamo para la animación y Unity 3D para el ensamblaje de la escena, y renderizado en un casco Samsung Gear VR (compatible con Oculus) ejecutado en un teléfono Android Samsung S6; y (2) un componente de analizador de habla que graba la lectura del participante mediante una grabadora digital Olympus WS-500M con micrófono de solapa, segmenta el audio usando Audacity mediante el umbral de energía de señal y centroide espectral, y transcribe cada segmento usando la biblioteca cliente Python de Google Cloud Speech-to-Text con reconocimiento sincrónico. El analizador de habla señala tres tipos de disfluencia:

• Prolongación: cuando la duración de una palabra de un participante supera un umbral por palabra calculado promediando la duración de la misma palabra en tres hablantes femeninas de referencia fluentes (74 palabras en árabe leídas en 44,7±2,4 segundos).
• Bloqueo: cuando la API devuelve una transcripción nula para un enunciado, interpretado como un sonido vocal no verbal producido durante un bloqueo de tartamudez.
• Repetición: cuando la API transcribe una palabra más veces de lo esperado según el guion de referencia.

La puntuación de Detección de Tartamudez (DT) es la suma de estos tres recuentos.

Participantes. Tres adultos arabófonos que tartamudean fueron reclutados de la práctica clínica del logopeda supervisor (coautor Almudhi). Datos demográficos: dos mujeres, un hombre; edades 30, 32 y 34 (media 32, DE 1,6). La gravedad de la tartamudez fue valorada por el logopeda: P1 moderado (edad 32), P2 leve (edad 34), P3 grave (edad 30). Todos eran sanos con visión normal y sin experiencia previa con RV.

Procedimiento. El experimento fue una sesión única en una sala aislada bajo la supervisión del logopeda. Los participantes se pusieron un micrófono de solapa con grabadora digital Sony IC-Recorder (ICD-AX412F) y el casco Samsung Gear VR, ajustaron su posición hasta que el texto en el podio virtual fuera legible, y leyeron el texto en árabe de 74 palabras en voz alta frente a la audiencia virtual. La configuración/preparación tomó 2-3 minutos por participante; la sesión de lectura real duró 1:40-2:25 minutos. Tras la grabación, se segmentó, transcribió y analizó el audio; a continuación se entrevistó a los participantes para recoger sus comentarios subjetivos.

Qué encontraron

Aceptabilidad y presencia (cualitativa). Los participantes valoraron positivamente sus experiencias de RV en cuanto al diseño estético, el diseño de los personajes y la inmersión. Informaron de una semejanza aceptable entre la escena de RV y una sala de conferencias real, un “leve efecto de valle inquietante” con los personajes avatar (una limitación señalada del diseño de los personajes), y reacciones emocionales similares (miedo, ansiedad) a las experimentadas en actividades de habla en público en el mundo real. El logopeda supervisor observó subjetivamente ninguna diferencia significativa en la prosodia del habla de los participantes cuando usaban la RV frente a fuera de la RV.

Rendimiento del analizador de habla. Se encontró una correlación positiva fuerte entre la duración de la sesión y los eventos de tartamudez detectados automáticamente (R=0,95). Los autores interpretan esto como evidencia de un “rendimiento aceptable del analizador de habla en la detección de eventos de tartamudez, especialmente de las instancias de prolongación.”

Resultado contraintuitivo de gravedad vs. detección. La Tabla 2 del artículo muestra los porcentajes de eventos de tartamudez detectados por participante: P1 (moderado, 32 años) 8,6%, P2 (leve, 34 años) 20,8%, P3 (grave, 30 años) 4,8%. Es decir, el participante valorado como LEVE por el clínico mostró la MAYOR tasa de detección, mientras que el participante GRAVE mostró la MENOR. Los autores lo señalan directamente: “Una observación interesante es que el participante con una gravedad de tartamudez leve exhibió un mayor porcentaje de eventos de tartamudez. Esta observación sugiere que la RV puede ser más adecuada para personas con mayor gravedad de tartamudez. Se requieren datos adicionales para validar esta teoría.” Un lector podría igualmente interpretar esto como una pregunta de calibración/validez sobre el detector automatizado frente a la valoración del clínico.

Factibilidad de la configuración. El tiempo de configuración de 2-3 minutos por participante se ofrece como evidencia de que el sistema es factible para uso clínico.

Por qué importa

Este es uno de los muy pocos estudios de RV en tartamudez realizados en árabe, abordando una significativa infrarrepresentación en el campo. También es uno de los relativamente pocos estudios que integra explícitamente una API de reconocimiento de habla en la nube estándar con un entorno de RV para detectar automáticamente eventos de tartamudez. El concepto de integración - reducir la carga del conteo manual durante la evaluación de la tartamudez - es una necesidad clínica real; si la implementación funciona de forma robusta es lo que este pequeño estudio de caso puede insinuar (correlación R=0,95 con la duración de la sesión) pero no puede establecer (n=3, sin comparación con recuentos de eventos del clínico).

La observación de gravedad vs. detección es el hallazgo clínicamente más interesante. Con solo 3 participantes es generadora de hipótesis, no concluyente. Podría reflejar: (a) variación real de la población en cómo se manifiesta la tartamudez durante la lectura basada en RV; (b) problemas de calibración con el umbral de prolongación (derivado de tres hablantes femeninas fluentes, aplicado a participantes de género mixto y gravedad variable); (c) variabilidad de test-retest que una sesión única no puede cuantificar; (d) ruido estadístico por n=3. El trabajo posterior necesitaría desenredar estos factores.

Para Therapy withVR: este estudio no utilizó, probó ni evaluó Therapy withVR. El sistema fue software de investigación personalizado construido por los autores. El artículo de Al-Nafjan se incluye en el Evidence Hub porque añade evidencia a la base más amplia de RV inmersiva para la tartamudez y representa una rara contribución en árabe, no porque se relacione con Therapy withVR.

Limitaciones

El artículo reconoce algunas de estas directamente; otras son inherentes al diseño:

• Tamaño de muestra n=3, sesión única, única configuración de audiencia por participante. El sistema admite tres niveles de tamaño de audiencia (5/8/11 avatares) pero el experimento no varió el tamaño de la audiencia dentro de los participantes ni entre ellos; el aspecto de ‘jerarquía graduada’ del sistema no fue evaluado.
• Sin condición de comparación. Sin línea base sin RV, sin comparación con recuentos de eventos del clínico, sin test-retest.
• Sin seguimiento longitudinal. Solo una sesión.
• Umbral del analizador de habla derivado de tres hablantes femeninas fluentes. Aplicado a participantes de género mixto; puede no generalizarse entre géneros, dialectos o tempos de habla.
• Hallazgo contraintuitivo de gravedad vs. detección (participante leve: mayor tasa detectada; grave: menor) plantea la pregunta de si el detector automatizado sigue el juicio del clínico sobre la gravedad; los autores señalan que “se requieren datos adicionales para validar esta teoría”.
• Leve efecto de valle inquietante informado por los participantes en el debrief cualitativo, una señal para el diseño del avatar.
• Sin declaración explícita de financiación ni declaración de conflictos de interés en el artículo.
• El hardware de RV es el Samsung Gear VR original (RV móvil de la era 2015). El hardware moderno de clase Quest ofrece una fidelidad visual y un seguimiento materialmente mejores.