Tabla 15. Retrospectiva del Sprint 3

Tabla 15. Retrospectiva del Sprint 3

Formulario de reunión retrospectiva ¿Qué salió bien en el sprint? ¿Qué salió mal en el sprint(errores)? ¿Qué mejoras vamos a implementar en el próximo sprint? (recomendaciones de mejora continua)

En el tercer sprint desarrollado se logró completar las tareas correspondientes a cada una de las historias de usuario asignadas como son: pictogramas, machine learning y perfil de usuario. Además de las historias técnicas como disponibilidad y rendimiento.

Los pictogramas se pueden cargar mediante categorías y de manera colaborativa, así como editarlos de manera individual; se logró que mediante el uso de un carácter (*) el aplicativo identifique pictogramas almacenados en la base de datos y los presente en formato GIF; se permite la edición de datos de usuario como el nombre, número de teléfono y correo electrónico, así como el cambio de contraseña.

Para la disponibilidad se usó la herramienta DomainTools Whois Lookup que permitió conocer la disponibilidad y demás información sobre el dominio; finalmente para medir el rendimiento dentro de Google Cloud se usó las herramientas incluidas de supervisión de la máquina virtual para garantizar la capacidad relacionado al procesamiento y las operaciones del disco.

Una de las grandes dificultades en esta etapa del desarrollo fue la implementación del algoritmo Predicate Learning para la carga automática de pictograma de acuerdo a la coincidencia de palabras colocada en la caja de texto mediante el caracter (*), además Speech recognition para el proceso de transcripción de voz a texto.

Las observaciones constantes con el Product Owner son importantes para lograr resultados óptimos, ya que es la persona que conoce las necesidades a profundidad de las personas con discapacidad auditiva.

La implementación de mejoras queda para futuras investigaciones en base a un nuevo levantamiento de información, en relación a todo lo expuesto en la presente investigación, dado que una aplicación de esta altura puede ser mejorada para otros propósitos, buscando incluir a personas con otro tipo de discapacidad o a su vez aumentando funcionalidades.

4.4. Validación de Hipótesis

Una vez realizado el análisis exploratorio, se procedió a realizar un análisis cruzado de Chi cuadrado, para los indicadores de las variables de estudio de la aplicación móvil con machine learning (Tabla 16). Este análisis bivariado permite visualizar la correlación entre los indicadores, en la cual se observó: frecuencia de uso de aplicaciones, probabilidad de comunicarse en tiempo real, frecuencia de predicciones de pictogramas, probabilidad de transmitir una idea, el número de aplicaciones y aplicaciones de mensajería en tiempo real ayudan a personas con discapacidad (p<0.05). Por lo tanto, se validó la hipótesis alternativa (H1): el aplicativo móvil con machine learning influye significativamente en la comunicación de lengua de señas ecuatoriana, en la carrera de Gastronomía del Instituto Superior Tecnológico Calazacón.