Aplicaciones Interactivas con Inteligencia Artificial (IA) para la Detección Temprana de Dificultades Fonéticas en Niños de 3 a 5 Años: Una Revisión Sistemática de Literatura

Abstract

Las dificultades fonéticas en etapas tempranas del desarrollo del lenguaje representan un desafío clínico y educativo de alta prevalencia, cuya detección oportuna es determinante para el pronóstico terapéutico. El presente trabajo de graduación tuvo como objetivo analizar el estado actual de las aplicaciones interactivas con inteligencia artificial destinadas a la detección temprana de dificultades fonéticas y al aprendizaje de segunda lengua, mediante una revisión sistemática de la literatura basada en la guía de Kitchenham y Charters. La investigación se sustenta en los fundamentos teóricos del procesamiento automático del habla, el aprendizaje automático y la lingüística aplicada. En esta revisión se seleccionaron y analizaron 40 estudios primarios publicados entre 2017 y 2025, provenientes de bases de datos como IEEE Xplore, ACM Digital Library, SpringerLink, ScienceDirect y Arxiv, aplicando criterios de inclusión y exclusión definidos y un análisis de calidad estructurado. Los hallazgos revelan que Deep Learning, particularmente los Transformers y modelos fundacionales como wav2vec 2.0 y Whisper, constituyen las técnicas predominantes, mientras que el transfer learning surge como la estrategia más eficaz para superar la escasez de datos de habla infantil. Además, se identificó que la sustitución y omisión de fonemas son las dificultades más frecuentemente abordadas, y que el entorno clínico-terapéutico concentra la mayor parte de las propuestas. En conclusión, pese al avance técnico alcanzado, persisten brechas en la disponibilidad de corpus infantiles multilingües, el desarrollo de interfaces accesibles para usuarios no especializados y la validación clínica de los sistemas, aspectos que constituyen las prioridades investigativas más urgentes del campo.