Título: »Transferencia de Aprendizaje para Calificación de la Pronunciación»
Directora: Luciana Ferrer
Co-directora: Jazmín Vidal
Jurados: Juan Manuel Perez y Viviana Cotik

Resumen:
Los sistemas de calificación de la pronunciación son una herramienta importante para el aprendizaje de idiomas. Evalúan la manera en que se producen los sonidos del lenguaje y permiten interactuar de manera incansable con los estudiantes, indicando errores en tiempo real y permitiendo a cada alumno avanzar a su propio ritmo. Los sistemas estándar generan puntajes para cada sonido en una frase usando modelos entrenados para el reconocimiento automático del habla (RAH) solo con datos nativos. Se ha demostrado un mejor rendimiento cuando se usan sistemas que están entrenados específicamente para la tarea usando datos no nativos. Sin embargo, dichos sistemas enfrentan el desafío de que los conjuntos de datos etiquetados para esta tarea son escasos y, por lo general, pequeños. En esta tesis, presentamos un enfoque basado en el aprendizaje por transferencia que aprovecha un modelo entrenado para RAH con datos nativos, adaptándolo con una base de datos de audios no nativo para la tarea de calificación de la pronunciación. Analizamos el efecto de varias opciones de diseño y comparamos el rendimiento con un sistema de estado del arte baseline llamado Goodness of Pronunciation (GOP).